Universidad Nacional de San Cristobal de Huamanga

UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA
FACULTAD DE INGENIERIA DE MINAS, GEOLOGIA Y CIVIL

ESCUELA DE FORMACION PROFESIONAL DE INGENIERIA DE MINAS
CURSO
: ANALISIS DE SISTEMAS MINEROS (MI-547)
PROFESOR
: Mg. Ing. EDMUNDO CAMPOS ARZAPALO
Ayacucho Per
2015
CONTENIDO
CAPITULO I
PROGRAMACIN LINEAL: MTODO GRFICO Y METODO SIMPLEX
1. PROGRAMACIN LINEAL: MTODO GRFICO
2. SUPUESTOS DE LA PROGRAMACIN LINEAL.
2.1.
FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL.
3. SOLUCIN GRFICA DE MODELOS LINEALES CON DOS VARIABLES.
4. RESUMEN DEL MTODO GRFICO.
5. PROGRAMACIN LINEAL MTODO SIMPLEX
MTODO DE LA M O DE PENALIZACIN.
MINIMIZACIN CON EL MTODO SMPLEX.
2.6. MTODO DE LAS DOS FASES.
CAPTULO II
ALGORITMO DE TRANSPORTE
1. RESUMEN
2. INTRODUCCIN
2.1.
INTRODUCCIN AL ALGORITMO DE TRANSPORTE:
3. DEFINICIN DEL ALGORITMO DE TRASNPORTE
4. METODO D LA ESQUINA NOROESTE:
4.1.
ALGORITMO DE RESOLUCIN DE LA ESQUINA NOR- OESTE:
4.2.
EJEMPLO DEL METODO DE LA ESQUINA NOR-OESTE:
5. METODO DE APROXIMACIN DE VOGEL:
5.1.
OBJETIVO:
5.2.
CARACTERISTICAS:
5.3.
CONNOTACIN:
5.4.
ALGORIMO DE VOGEL:
5.5.
APLICACIN:
6. METODO RUSSEL:
6.1. VENTAJAS:
6.2. DESVENTAJAS:
6.3. PRODECIMIENTO:
7. OPTIMALIDAD Y MEJORA DE UNA SOLUCIN:
7.1.
SOLUCIONES DEGENERADAS:
7.2. ALGORITMO DE MODI:
7.3.
METODO DE SALTO DE PIEDRA (EVALUAR CELDAS NO UTILIZADAS)
REGLAS PARA EL DESARROLLO DE LA PRUEBA DE OPTIMALIDAD O
ANLISIS DE SISTEMAS MINEROS Pgina 1
8. RESOLUCIN DE PROBLEMAS CON EL METODO DE SOLVER (EXCEL)

8.1. PROCESO DE SOLUCIN CON EL SOLVER
CAPTULO III
PERT CPM
1. RESUMEN
2. INTRODUCCION
3. DEFINICION DE PERT Y CPM.
3.1.- USOS
3.2.- BASES DEL NUEVO METODO DE PLANEACION, PROGRAMACION Y CONTROL
3.3.- ELEMENTOS DEL GRAFO PERT CPM
3.4.- CONSIDERACIONES PARA ESQUEMATIZAR EL GRAFO PERT CPM
3.5.- VENTAJAS:
3.6.- DIFERENCIAS ENTRE PERT Y CPM
3.7.- PLANEACIN Y CONTROL DE PROYECTOS CON PERT-CPM
3.8.- MALLA O RED DE FLECHAS
3.9.- ELEMNETOS DE UNA MALLA
3.10.- TIEMPO DE PREPARACION (TP) Y RESTRICCIONES EXTERNAS
3.11.- ACTIVIDADES
FICTICIAS (FIC)
3.12.- REGLAS BASICAS PARA ELABORAR UNA RED O CADENA DE FLECHAS

3.13.- ENUMERACION DE LOS SUCESOS
3.14.- TRAZADO DEL GRAFO
3.15.-DURACION DE UNA ACTIVIDAD
3.15.1.- DURACION OPTIMISTA (a)
3.15.2.- DURACION MS PROBABLE (m)
3.15.3.- DURACION PESIMISTA (b)
3.16.- UNIDADES DE TIEMPO (UT)
3.16.1.- LOS TIEMPO PARA COMENZAR Y TERMINAR UNA ACTIVIDAD
3.17.- DETERMINACION DE LA RUTA CRTICA
3.17.1.- CALCULOS DE LAS HOLGURAS DEL PERT

3.17.1.1.- HOLGURA DE SUCESO (HS)
1.17.1.2.- HOLGURAS DE ACTIVIDAD (HA)
3.18.- DETERMINACOINES DE LAS HOLGURAS DE ACTIVIDAD
3.19.- LOS TIEMPOS FLOTANTES DEL CPM
II).- CPM - CRITICAL PARTH METOD
2.1.- SINOPSIS HISTORICA:
2.2.- OBJETIVOS:
2.3.- IMPORTANCIA
2.4.- APLICACIONES
2.5.- VENTAJAS Y BENEFICIOS DEL CPM
2.6.- LIMITACIONES DEL CPM:
2.7.- COMO SE CONSTRUYE EN GRAFO CPM:
2.8.- APLICACIONES:
TECNICAS DEL PERT/CPM
ELEMENTOS BASICOS DEL GRAFO
CARACTERISTICAS DE LAS ACTIVIDADES:
TIPOS DE ACTIVIDADES DE ACUERDO A LA TECNICA DE GRAFOS:
PROCEDIMIENTOS PARA ELABORAR UNA MALLA DE FLECHAS
2.10.- CONSTRUCCION DE LOS GRAFOS CPM:
2.11. CALCULO DE TIEMPOS:
METODO DE PERT
1.- ORIGEN
2.- DEFINICIN DE PERT (Program Evaluation & Review Technique):
3.- ELEMTOS BASICOS
4.- TIPOS DE PRECEDENCIAS DE LAS ACTIVIDADES:
5.- CONSTRUCCIN DEL GRAFO PERT
6.- ASIGNACIN DE TIEMPOS A LAS ACTIVIDADES

7.- HOLGURA PERT Y CAMINO CRTICO
CAPTULO IV
TEORA DE COLAS, DUAL Y PRIMAL
TEORA DE COLAS
1.1.
OBJETIVO:
1.2.
MARCO TERICO
1.3.
DESCRIPCIN DE UN PROBLEMA DE COLAS
1.4.
CARACTERSTICAS DE LOS SISTEMAS DE COLAS
1.5.
DIAGRAMA DE SISTEMAS DE COLAS
1.6.
ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS
1.7.
NOTACIN
1.8.
NOMENCLATURA BSICA
1.9.
EJEMPLOS DE APLICACIN:
TEORIA DUAL Y PRIMAL
2. DUAL Y PRIMAL
2.1. EJEMPLO DE APLICACIN
2.1. MTODO DUAL SMPLEX
2.2. ALGORITMO SMPLEX GENERALIZADO
3. ANLISIS POSTPTIMO O DE SENSIBILIDAD
CAPTULO V
SIMULACIN MEDIANTE EL MTODO MONTECARLO
1.1..................................................................HISTORIA DEL MTODO MONTE CARLO
1.2. DEFINICIONES:
1.3. MODO DE USO:
1.4.................................................................................................QU ES SIMULACIN?
1.5...................................................................................OBJETIVO DE LA SIMULACIN
1.6..............................................................CUNDO Y PORQU USAR SIMULACION?
1.7........................................................................APLICACIONES DE LA SIMULACIN:
1.8..........................................LA SIMULACIN MONTE CARLO EN COMPUTADORA
1.9. CARACTERSTICAS DEL MTODO DE MONTECARLO
1.10. PROCEDIMIENTO A SEGUIR PARA RESOLVER
1.11. TIPO DE VARIABLES:
1.11.1. VARIABLE DISCRETA:

1.11.2. VARIABLE CONTINUA:
1.12. DGITOS ALEATORIOS:
1.13. TABLAS DE DISTRIBUCIN DE FRECUENCIAS:
1.14. PROBLEMAS DE APLICACIN:
3. APLICACIN DEL MTODO MONTECARLO CON EL SOFTWARE
CRYSTAL BALL EN PROYECTOS MINEROS
1.15. MTODOS DE ANLISIS DE RIESGOS
1.16. DESARROLLO DE UN MODELO DE RIESGOS
1.17. PASOS PARA EL DESARROLLO DE UN MODELO DE RIESGOS
1.18. VARIABLES ALEATORIAS EN PROYECTOS MINEROS
APLICACIN DEL MTODO DE MONTECARLO CON EL SOFTWARE
1.19. CRYSTAL BALL
1.20. APLICACIN EN PROYECTO MINERO
CAPTULO VI
PRIMAL Y DUAL EN EL ANLISIS DE SENSIBILIDAD
1. DUAL Y PRIMAL
1.1. PROBLEMA DE DUAL
1.2. SOLUCIN PTIMA DUAL
1. MTODO DUAL SMPLEX
2. CONDICIN DUAL DE FACTIBILIDAD
CONDICIN DUAL DE OPTIMALIDAD.
3.
4.
5.
6.
2.
ALGORITMO SMPLEX GENERALIZADO

ANLISIS POSTPTIMO O DE SENSIBILIDAD
CAMBIOS QUE AFECTAN LA FACTIBILIDAD
CAMBIOS QUE AFECTAN LA OPTIMALIDAD
ANALISIS DE SENSIBILIDAD
INSTRUMENTOS PARA EL CLCULO DEL ANLISIS DE

2.1.
2.2.
2.3.
SENSIBILIDAD
ANLISIS DE LA GRFICA ANTERIOR
RESOLUCIN DE PROBLEMA CON EL SOFTWARE WINQSB
CAPITULO I
PROGRAMACIN LINEAL: MTODO GRFICO Y METODO SIMPLEX
6. Programacin Lineal: Mtodo Grfico
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances
cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que
ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias
medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo
de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el
problema general de asignar recursos limitados entre actividades competitivas de la mejor manera
posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el
nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de
situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la
asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales
a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin;
etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a
las actividades.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo.
Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco,
integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos
criterios en dos categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe
satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las
restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige
una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias
marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger las ms
barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o
maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por
ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones
estn restringidas por las leyes y las polticas bancarias. Un hospital debe planear que las comidas para
los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al
mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca
un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la
capacidad de produccin, los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado
con xito a estos y otros problemas.
La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico
para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo
deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en
computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las
actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta
especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos
a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho,
cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un
problema de PL.
7. Supuestos de la programacin lineal.

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est
directamente relacionada con la realidad de los supuestos.
El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es
lineal, la contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de
decisin. Producir dos veces ms de producto producir dos veces ms de ganacia, contratando el
doble de pginas en las revistas doblar el costo relacionado con las revistas. Es una Suposicin de
Proporcin.
Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores
de las otras variables. La ganancia con una computadora Notebook es de $10,750.00,
independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin.
Anlogamente, ya que cada restriccin es lineal, la contribucin de cada variable al lado
izquierdo de cada restriccin es proporcional al valor de la variable e independiente de los valores de
cualquier ora variable.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en
la formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como
lejanos a estos supuestos.
El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de
cualquier variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la
televisin?. Es posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser
que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso
redondeando la solucin seran 2,667 minutos con una mnima duda que est cercana a la solucin
ptima. Si la suposicin de divisible no es vlida, entonces se usar la tcnica de Programacin Lineal
Entera.
La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite
incertidumbre en los valores.
Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no
negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si
se es consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus
limitaciones al interpretar los resultados.
Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En
general se necesita una computadora. Desafortunadamente, las calculadoras, aun las programables,
son poco tiles, puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si
no se tiene acceso a una computadora, se estar limitado a problemas muy sencillos. La otra limitacin
se refiere al costo de formular un problema de PL. En teora, podra usarse PL, por ejemplo, para hacer
las compras semanales de abarrotes. Sin embargo, sera necesario conocer todas las compras posibles
que pueden realizarse (stas seran las variables), adems de cada restriccin como sabor, nmero de
comidas, vitaminas y protenas. Es obvio que el costo de obtener todos estos datos excede lo que se
podra ahorrar si se hicieran las compras ptimas. Antes de emprender una aplicacin de PL, debe
considerarse la disponibilidad y el costo de los datos necesarios.
7.1.
Formulacin de modelos de Programacin Lineal.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse
y formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre
es fcil.
Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en
trminos matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso
de lgebra. Algo muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la
siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las
100 horas disponibles, la restriccin ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos
los recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando
mucho, lo que se tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una
desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente
1. Los cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables.
Adems, la forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una
constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si,
por ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como:
A 2B
A 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un
signo de igualdad. Pero al multiplicar una desigualdad por 1, el sentido de esta desigualdad se invierte.
Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo,
si se quiere que A sea por lo menos tan grande como B 2, entonces:
A B2
A B
2
por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin.
Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:
B A 2
es lo mismo que
B A+ S = 2
en donde S representa la diferencia, o la holgura, entre B A y 2. S se llama variable de holgura. Por
otro lado, se restara una variable de supervit en el caso siguiente:
A 2B 0
es lo mismo que
A 2B S = 0
Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de
computadora (como el MathProg, que viene en el ORCourseware, que acompaa al libro
Introduccin a la Investigacin de Operaciones de los autores Hillier y Lieberman) requieren que
todas las desigualdades se conviertan en igualdades.
La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no
negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga:
prodzcanse menos dos cajas o contrtense menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de
PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe
llevar consigo el maximizar o minimizar alguna medida numrica. Podra ser maximizar el
rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser
minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la
letra Z para representarlo. La funcin objetivo tendr, entonces, la forma:
Maximizar
Z = 4A + 6B
Minimizar
Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.
Planeacin de la fuerza de trabajo.

El gerente de personal de La Tortuga Veloz, S.A. de C.V., est analizando la necesidad de
mano de obra semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona
nueva. Durante este perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento
(aprendiz), producen el equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00
mensuales a quien est en entrenamiento, mientras que los trabajadores regulares ganan $800.00
mensuales. La rotacin de personal entre los trabajadores regulares es bastante alta, del 10%
mensual.
El gerente de personal debe decidir cuntas personas necesita contratar cada mes para
adiestramiento. En seguida se da el nmero de meses-hombre necesarios. Tambin se desea tener una
fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1 de enero, hay 58 empleados
regulares.
Mes
Meses-hombre requeridos
Mes
Meses-hombre requeridos
Enero
60
Abril
80
Febrero
50
Mayo
70
Marzo
60
Junio
100
Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes
depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el
nmero total de meses-hombre disponibles se puede expresar como sigue:
Meses-hombre disponibles: Ri + 0.2Ai
en donde:
Ri = nmero de trabajadores regulares al principio del mes
Ai = nmero de aprendices contratados en el mes.
Entonces los requerimientos de cada mes pueden expresarse por las restricciones:
enero
R1 + 0.2A1 60
febrero
R2 + 0.2A2 50
marzo
R3 + 0.2A3 60
abril
R4 + 0.2A4 80
mayo
R5 + 0.2A5 70
junio
R6 + 0.2A6 100
julio (principio) R7
110
Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de
trabajadores regulares disponibles, por ejemplo, al principio de febrero sera:
R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al
principio de cada mes:
enero
R1 = 58 (dado)
febrero
R2 = 0.9R1 + A1
marzo
R3 = 0.9R2 + A2
abril
R4 = 0.9R3 + A3
mayo
R5 = 0.9R4 + A4
junio
R6 = 0.9R5 + A5
julio
R7 = 0.9R6 + A6
El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.
Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una
solucin y, despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se
exploran las soluciones posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que
cumplen con los criterios. La PL se denomina tcnica de optimizacin, pero optimiza slo dentro de
los lmites de las restricciones. En realidad es un mtodo de satisfaccin de criterios.
Forma estndar de los modelos de Programacin Lineal.
Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo,
que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier
clase. Etiqutense los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj
(una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en
xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por
ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1,
2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemtico para el problema general de
asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x 1, x2, ..., xn
para:
Maximizar Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn b1
a21x1 + a22x2 + ... + a2nxn b2
am1x1 + am2x2 + ... + amnxn bm y

x1 0,
x2 0, ..., xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el
problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un
problema de PL.
En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La
funcin que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se
hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una
funcin del tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el
nombre de restricciones funcionales. De manera parecida, las restricciones x j 0 se llaman
restricciones de no negatividad. Las variables xj son las variables de decisin. Las constantes de
entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.
Otras formas de modelos de Programacin Lineal.
Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos
problemas de programacin lineal. Las otras formas legtimas son las siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c1x1 + c2x2 + ... + cnxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuacin:
ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,
4. Las variables de decisin sin la restriccin de no negatividad:
xj no restringida en signo para algunos valores de j.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior tambin
se clasifica como un problema de PL, siempre y cuando stas sean las nicas formas nuevas
introducidas. Puede ser que la interpretacin que se ha dado de asignacin de recursos limitados entre
actividades que compiten no se aplique, pero independientemente de la interpretacin o el contexto, lo
nico que se necesita es que la formulacin matemtica del problema se ajuste a las formas
permitidas. Se ver que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se present. Entonces, todo problema de PL se puede
poner en nuestra forma estndar si se desea.
8. Solucin Grfica de Modelos Lineales con dos Variables.
Para la solucin grfica de programas lineales con dos variables, lo que se tiene que hacer es
trazar un eje de coordenadas cartesianas, para graficar las desigualdades dadas por el problema,
despus encontrar el rea de Soluciones Factibles y proceder a graficar la funcin objetivo para
conocer el valor ptimo (maximizar o minimizar) que ser la solucin del problema.
Ejemplo: Problema de mezcla de productos.

Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos: mesas y
sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12
unidades de material y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material
cada una y requieren 12 horas de mano de obra por silla. El margen de contribucin es el mismo para
las mesas que para las sillas: $5.00 por unidad. El fabricante prometi construir por lo menos dos
mesas.
Paso 1: formulacin del problema.
El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato general
de PL. Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o
sillas producidas contribuir con $5 en la ganancia. As las dos alternativas son la produccin de
mesas y la produccin de sillas. Ahora puede escribirse la funcin objetivo:
Maximizar Z = 5x1 + 5x2
en donde:
x1 = nmero de mesas producidas
x2 = nmero de sillas producidas
Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el
material est limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8
unidades. La primera restriccin es, entonces:
12x1 + 8x2 96
La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12
horas y se dispone de un total de 72 horas. As:
6x1 + 12x2 72
Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede
expresarse como:
x1 2
Por ltimo, las restricciones de no negatividad son:
x1 0, x2 0
Poniendo todo junto el modelo se tiene:
Restricciones: 12x1 + 8x2 96
6x1 + 12x2 72
x1 2
x1 0, x2 0
Paso 2: grfica de las restricciones.
El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica. Esto puede
hacerse en cualquier orden. Por conveniencia se comenzar con las restricciones de no negatividad.
stas se muestran en la siguiente figura:
En esta grfica, una solucin se representara por un punto con coordenadas x 1 (mesas) y x2 (sillas).
Las coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante
superior derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las
soluciones. Los otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades
negativas de mesas o de sillas o de ambas.
La siguiente restriccin es x1 2. La manera ms sencilla de dibujar las restricciones de recursos es
en dos pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el
rea apropiada arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una
ecuacin aqu significa ignorar la parte de mayor que o menor que de la restriccin.
As, en el ejemplo, x1 2 se convierte en x1 = 2. Esta ecuacin est trazada en la siguiente figura:
Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya

que cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los puntos que estn a la derecha
de la lnea x1 = 2. Entonces, la regin factible incluye todos los valores de x 1 que estn sobre o a la
derecha de la lnea x1 = 2.
La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero se
convierte en una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si se encuentran dos puntos
sobre ella. El par de puntos ms sencillos de localizar son las intersecciones con los ejes X 1 y X2. Para
encontrar la interseccin con el eje X2 se hace x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72
x2 = 6
La interseccin con el eje X1 se encuentra haciendo x2 = 0. As:
6x1 = 72
x1 = 12
Estos dos puntos y la lnea que los une se muestran en la siguiente figura:
Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto
arriba de esta lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente
figura se combina esta restriccin con la anterior. En la regin factible, ambas restricciones se
cumplen.
La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las

intersecciones para la igualdad. stas son x 1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en
la grfica; se traza la lnea, y como la restriccin es del tipo menor o igual que, se sombrea el rea que
est abajo de la lnea. El resultado se muestra en la siguiente figura:
Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las
restricciones. Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima.
Paso 3: obtencin de la solucin ptima: lneas de indiferencia.
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las
restricciones. La funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava no se conoce el
mximo valor factible de Z, no puede trazarse el ptimo de la funcin objetivo. No obstante, es
posible suponer algunos valores para Z y graficar las lneas resultantes. En la siguiente figura se
muestran las lneas para Z = 25 yZ = 50:
Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da
la misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al
aumentar el valor de Z. Tambin, todas las lneas de indiferencia son paralelas entre s. Estas
propiedades grficas pueden usarse para resolver el problema.
En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En
la grfica puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la
regin factible. Para Z = 25, parte de la lnea cae dentro de la regin factible. Por tanto, existe alguna
combinacin de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por
inspeccin, puede observarse que hay ganancias ms altas que son factibles.
Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de
la grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana
al origen pero que todava toque la regin factible. Esto se muestra en la siguiente figura:
Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas
del punto. Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para
materiales y horas de mano de obra. Las coordenadas de este punto se pueden encontrar resolviendo el
sistema de ecuaciones que forman estas dos restricciones utilizando cualquiera de los mtodos de
solucin (suma y resta, sustitucin o igualacin). Las coordenadas de este punto resultan ser (6, 3). La
sustitucin de este punto en la funcin objetivo da la ganancia mxima:
Z = 5(6) + 5(3) = $45
9. Resumen del mtodo grfico.
Para resolver grficamente problemas de programacin lineal:
1. Exprsense los datos del problema como una funcin objetivo y restricciones.
2. Grafquese cada restriccin.
3. Localcese la solucin ptima.
Uso del mtodo grfico para minimizacin.
Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solucin del
problema de minimizacin sigue el mismo procedimiento que la de problemas de maximizacin. La
nica diferencia es que ahora se quiere el menor valor posible para la funcin objetivo. Supngase que
se tiene el siguiente problema:
Ejemplo: Problema de dieta.
Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que

debe cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo
menos 40 unidades de vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza
del alimento A proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de
vitamina Y; cada onza del alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de
Y. El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.
Paso 1: formulacin del problema.
La meta en este problema es encontrar la manera menos costosa para satisfacer las necesidades
vitamnicas. Las dos alternativas disponibles son los alimentos A y B. Matemticamente la funcin
objetivo es:
Minimizar Z = 5A + 8B
Las restricciones son los requerimientos mnimos de las tres vitaminas. stas se muestran enseguida:
Restricciones: 4A + 10B 40 vitamina W
10A + 5B 50 vitamina X
7A + 7B 49 vitamina Y
A 0, B 0 no negatividad
Paso 2: grfica de las restricciones.
El procedimiento para graficar es el mismo que se us antes: (1) graficar cada ecuacin de restriccin;
(2) graficar el rea apropiada. Para la primera restriccin la ecuacin es 4A + 10B = 40. Las dos
intersecciones con los ejes son (0,4) y (10,0). Esta lnea se muestra en la siguiente figura:
La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est arriba de la lnea de
restriccin ser factible y todos los puntos que quedan abajo de esa lnea sern aceptables. En la
siguiente figura se muestra la regin factible:
Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene intersecciones

con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones para las vitaminas W y
X. Ntese que las soluciones que quedan en las reas a o b no son factibles, ya que quedaran abajo de
las lneas de restriccin.
Al agregar la tercera restriccin, este segundo paso queda terminado, como se muestra en la siguiente
figura:
Paso 3: localizacin de la solucin ptima.

En la siguiente figura se muestra la frontera extrema ms dos lneas de indiferencia, las de Z = 40
pesos y Z = 60 pesos. La frontera extrema est formada por los puntos a, b, c y d, puesto que stos son
los puntos de interseccin factibles ms cercanos al origen.
Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de indiferencia tan
cerca del origen como sea posible. En la figura anterior puede observarse que existen muchas
soluciones posibles para Z = 60, pero ninguna para Z = 40. Imaginando mover la lnea Z = 60 hacia el
origen, el ltimo punto de contacto con la frontera extrema ser el punto b. Entonces, el punto b es la
solucin ptima. En la figura anterior se observa que el punto b es la interseccin de dos lneas:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Resolviendo el sistema de ecuaciones:
Multiplquese la ecuacin (1) por 7:

Multiplquese la ecuacin (2) por 4:
(3)
28A + 70B = 280

(4) 28A 28B = 196
42B = 84
B= 2
4A + 10(2) = 40
A= 5
Sustityase en la ecuacin (1):
La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de esta
combinacin es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos

Si se usa el mtodo de prueba y error para localizar la solucin ptima, se deben encontrar las
coordenadas de los puntos a, b, c, y d. Se debe calcular despus el valor de la funcin objetivo para
cada punto. A continuacin se muestran los resultados de este procedimiento:
Resultados de prueba y error
Punto
Coordenadas
Z = 5A + 8B
a
A = 10, B = 0
50
b
A = 5, B = 2
41 menor
c
A =3, B = 4
47
d
A = 0, B = 10
80
CASOS ESPECIALES.
Mltiples soluciones.
sujeta a
x1
4
x2 12
3x1 + 2x2 18
x1
x2
0,
0
Ninguna solucin factible.
sujeta a
1/40x + 1/60x2 1
1
1/50x + 1/50x2
1
x1
x1
0,
rea o Regin de Soluciones Factibles no Acotada.
Maximizar Z = 2x1
sujeta a
x1
2x1 +
x2
x2
0
x2
x2
x2
1
30
20
1
6
x1
0,
x2
0
10. Programacin Lineal Mtodo Simplex

El mtodo smplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solucin
es un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un
procedimiento sistemtico una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a
cabo el procedimiento sistemtico se realiza una iteracin. En consecuencia, un algoritmo sustituye un
problema difcil por una serie de problemas fciles.
Adems de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio
para determinar cundo detenerse, como se resume enseguida:
Paso inicial
Preparacin para iniciar iteraciones
Paso iterativo
Regla de detencin
Si no
Realizacin de iteraciones
Es ptima la solucin actual?
Si s
Fin
El mtodo smplex es un procedimiento algebraico en el que cada iteracin contiene la
solucin de un sistema de ecuaciones para obtener una nueva solucin a la que se le aplica la prueba
de optimalidad. No obstante, tambin tiene una interpretacin geomtrica muy til. Para ilustrar los
conceptos geomtricos generales se emplear la solucin grfica del siguiente problema:
Max Z = 3x1 + 5x2
s.a.
x1
4
2x2 12
3x1 + 2x2 18
x1 0 x2 0
Solucin por el mtodo grfico:
En la figura anterior pueden observarse los puntos de interseccin que son las soluciones en los
vrtices del problema. Los cinco puntos que se encuentran en los vrtices de la regin factible,
(0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones factibles en los vrtices. Algunas de estas soluciones
factibles en un vrtice son adyacentes, en el sentido de que estn conectadas por una sola orilla
(segmento de lnea) de la frontera de la regin factible; esto es, tanto (0,6) como (4,3) son adyacentes
a (2,6). Las tres propiedades clave de las soluciones factibles en los vrtices y que forman el
fundamento del mtodo smplex se resumen como sigue:
Propiedades de las soluciones factibles en un vrtice:
1a. Si existe exactamente una solucin ptima, entonces debe ser una solucin factible en un vrtice.
1b. Si existen soluciones ptimas mltiples, entonces al menos dos de ellas deben ser soluciones
factibles en vrtices adyacentes.
2. Existe slo un nmero finito de soluciones factibles en los vrtices adyacentes.
3. Si una solucin en un vrtice es igual o menor (segn el valor de Z) que todas las soluciones
factibles en los vrtices adyacentes a ella, entonces es igual o mejor que todas las dems soluciones
en los vrtices; es decir, es ptima.
La propiedad 1 significa que la bsqueda de la solucin ptima se puede reducir a la
consideracin de slo las soluciones factibles en los vrtices, de manera que slo existe un nmero
finito de soluciones que es necesario tomar en cuenta (propiedad 2). La propiedad 3 proporciona una
prueba de optimalidad muy conveniente.
El mtodo smplex explota estas tres propiedades al examinar nada ms unas cuantas
soluciones factibles en vrtices prometedores y al detenerse en cuanto una de ellas pasa la prueba de
optimalidad. En particular, se traslada repetidamente (en forma iterativa) de una solucin factible en
un vrtice a otra, adyacente y mejor. Esto se puede realizar en forma muy eficiente hasta que la
solucin actual no tiene soluciones factibles en vrtices adyacentes que sean mejores. Este
procedimiento se resume como sigue:
Bosquejo del mtodo smplex:
1. Paso inicial: inicio en una solucin factible en un vrtice.
2. Paso iterativo: traslado a una mejor solucin factible en un vrtice adyacente. (Reptase este paso
las veces que sea necesario).
3. Prueba de optimalidad: la solucin factible en un vrtice es ptima cuando ninguna de las
soluciones en vrtices adyacentes a ella sean mejores.
Este bosquejo muestra la esencia del mtodo smplex,. En el caso del ejemplo, al utilizar estas
reglas de seleccin el mtodo smplex procede como sigue:
1. Paso inicial: comienza en (0,0).
2a. Iteracin 1: se mueve de (0,0) a (0,6)
2b. Iteracin 2: se mueve de (0,6) a (2,6).
3. Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es
ptima.
11. Preparacin para el mtodo smplex.
En el procedimiento algebraico es mucho ms conveniente manejar ecuaciones que
desigualdades. As, el primer paso para preparar el mtodo smplex es convertir las restricciones
funcionales de desigualdad en restricciones equivalentes. (Las restricciones de no negatividad se
pueden dejar como desigualdades porque el algoritmo las usa slo indirectamente). Esta conversin se
hace mediante la introduccin de variables de holgura. Considrese la primera restriccin funcional
del ejemplo:
x1 4
La variable de holgura para esta restriccin es x3, que no es otra cosa que la holgura entre los dos
lados de la desigualdad. Entonces:
x1 + x3 = 4
La restriccin original x1 4 se cumple siempre que x3 0. Por tanto, x1 4 es totalmente
equivalente al conjunto de restricciones
x1 + x3 = 4 y
x3 0,
de manera que se usar este conjunto por resultar ms conveniente.
Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de
programacin lineal original para este ejemplo se puede sustituir por el modelo equivalente:
Maximizar Z = 3x1 + 5x2,
sujeta a
x1
+ x3
= 4
2x2
+ x4
= 12
3x1 + 2x2
+ x5 = 18
xj 0
para j = 1, 2, , 5
Aun cuando este problema es idntico al anterior, esta forma es mucho ms conveniente para
la manipulacin algebraica y la identificacin de las soluciones factibles en los vrtices. sta se llama
la forma de igualdades del problema, para diferenciarla de la forma de desigualdades original y poder
introducir la siguiente definicin:
Una solucin aumentada es una solucin para un problema que originalmente se encontraba en
forma de desigualdades y que se ha aumentado con los valores correspondientes de las variables de
holgura para cambiar el problema a la forma de igualdades.
Por ejemplo, al aumentar la solucin (3,2) en el ejemplo, se obtiene la solucin aumentada
(3,2,1,8,5), puesto que los valores correspondientes de las variables de holgura son x 3 = 1, x4 = 8, x5 =
5.
Una solucin bsica es una solucin en un vrtice aumentada.
Para ilustrar esto, considrese la solucin no factible en el vrtice (4,6) del ejemplo. Al
aumentar con los valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = 6, se llega a la
solucin bsica correspondiente (4,6,0,0,6). Se permite que las soluciones bsicas sean factibles o no
factibles, lo que lleva a la siguiente definicin:
Una solucin bsica factible es una solucin factible en un vrtice aumentada.
As, la solucin factible en el vrtice (0,6) del ejemplo es equivalente a la solucin bsica
factible (0,6,4,0,6) para la forma de igualdades del problema.
Como los trminos solucin bsica y solucin bsica factible constituyen partes muy
importantes del vocabulario normal de programacin lineal, es necesario aclarar sus propiedades
algebraicas. Ntese que para la forma de igualdades del ejemplo, el sistema de restricciones
funcionales tiene dos variables ms (cinco) que ecuaciones (tres). Este hecho proporciona dos grados
de libertad al resolver el sistema, ya que se pueden elegir dos variables cualesquiera y hacerlas iguales
a cualquier valor arbitrario para resolver las tres ecuaciones en trminos de las tres variables restantes
(se excluyen redundancias). El mtodo smplex usa cero para este valor arbitrario. Las variables que
por el momento se hacen iguales a cero se llaman variables no bsicas; todas las dems se llaman
variables bsicas. La solucin que resulta es una solucin bsica. Si todas las variables bsicas son no
negativas, entonces se tiene una solucin bsica factible. Para cualquier solucin bsica, la solucin en
el vrtice correspondiente se obtiene simplemente al quitar las variables de holgura. Dos soluciones
bsicas son adyacentes si todas menos una de sus variables son las mismas; la misma aseveracin se
cumple para las variables bsicas. Entonces, trasladarse de una solucin bsica factible a una
adyacente significa cambiar el estado de una variable de no bsica a bsica y viceversa para otra
variable.
En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es
igual a los grados de libertad del sistema de ecuaciones y el nmero de variables bsicas siempre es
igual al nmero de restricciones funcionales.
Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la
ecuacin de la funcin objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes
de comenzar con el mtodo smplex es necesario escribir el problema una vez ms en su forma
equivalente:
Maximizar Z,
sujeta a
Z
3x1 5x2
= 0
x1
+ x3
= 4
2x2
+ x4
= 12
3x1 + 2x2
+ x5 = 18
xj 0
para j = 1, 2, , 5
Como la ecuacin de la funcin objetivo ya se encuentra en forma de igualdad, no necesita
variable de holgura. Con esta interpretacin, las soluciones bsicas no cambian, excepto que Z puede
verse como una variable bsica adicional permanente.
A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema a lo
que conoceremos como la Tabla Smplex:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z=0
x5
0
3
2
0
0
1
18
La tabla anterior ilustra una propiedad clave que toda tabla smplex debe tener para estar en la
forma apropiada; se trata del patrn especial de los coeficientes de las variables bsicas. En particular,
ntese cmo las columnas de x3, x4 y x5 (al igual que la columna de Z) contiene exactamente un +1 en
el rengln que corresponde a esa variable bsica (vase la primera columna), y todos los dems
coeficientes en esa columna son cero. De la misma manera, cada ecuacin contiene exactamente una
variable bsica con coeficiente distinto de cero, en donde este coeficiente es +1. Esta propiedad es
significativa, ya que permite identificar de inmediato la solucin bsica factible actual a partir de la
tabla; esto es, cada variable bsica es igual a la constante del lado derecho de su ecuacin. Esta
primera solucin bsica factible actual se muestra en la figura anterior en la columna de Es ptima?.
De aqu en adelante, para cada nueva iteracin del mtodo smplex mostraremos la solucin bsica
factible actual en esta columna de la tabla smplex. (Recurdese que las variables no bsicas son
iguales a cero). La tabla smplex inicial quedar automticamente en esta forma apropiada (a menos
que el problema original de programacin lineal no est en nuestra forma estndar).
El mtodo smplex construye una tabla smplex para cada solucin bsica factible que se
obtiene, hasta alcanzar la solucin ptima. A continuacin describimos el procedimiento para
problemas que ya estn en la forma estndar, con bi 0 para toda i = 1, 2, , m.
PASO INICIAL. Se introducen variables de holgura. Despus se seleccionan las variables originales
como variables no bsicas iniciales (se igualan a cero) y las variables de holgura como las variables
bsicas originales. Esta seleccin lleva a la tabla smplex inicial anterior. Como esta tabla est en la
forma apropiada, de inmediato se obtiene la solucin bsica factible inicial para el ejemplo,
(0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para determinar si la solucin es
optima.
PRUEBA DE OPTIMALIDAD. La solucin bsica factible actual es ptima si y slo si todos los
coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no negativos ( 0 ). Si es as, el
proceso termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica
factible, lo que significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa
(parte 2), y despus despejar las variables de la nueva solucin (parte 3).
En este ejemplo, hay dos coeficientes negativos en la ecuacin de Z, 3 para x 1 y 5 para x2 de
manera que debe irse al paso iterativo. Tacharemos la solucin bsica factible actual como se muestra
en la tabla anterior para indicar que esta solucin no es ptima.
PASO ITERATIVO.
Parte 1. Se determina la variable bsica entrante mediante la eleccin de la variable con el
coeficiente negativo (automticamente se refiere a una variable no bsica) que tiene el mayor valor
absoluto en la ecuacin de Z. Se enmarca la columna correspondiente a este coeficiente; esta columna
recibe el nombre de columna pivote. En el ejemplo, el coeficiente negativo ms grande (en trminos
de valor absoluto) es 5 para x2 (5>3), por lo que x2 debe convertirse en variable bsica. Este cambio
se indica en la siguiente tabla con el recuadro en la columna de x2 abajo del 5:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
x4
0
0
2
0
1
0
12
12/2 = 6
mnimo
x5
0
3
2
0
0
1
18
18/2 = 9
Parte 2. Se determina la variable bsica que sale; para esto, a) se toma cada coeficiente
estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado derecho de cada rengln
entre estos coeficientes, c) se identifica la ecuacin con el menor coeficiente y d) se selecciona la
variable bsica para esta ecuacin. (Esta variable bsica es la que llega a cero primero cuando se
incrementa la variable bsica entrante). Se enmarca el rengln de esta ecuacin en la tabla smplex sin
incluir la columna Z y se le da el nombre de rengln pivote. El nmero que est en la interseccin de
los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de
enmarcar el rengln); la prueba del cociente mnimo para determinar la variable bsica que sale se
muestra a la derecha de la tabla. Entonces la variable bsica que sale es x4.
Parte 3. Se determina la nueva solucin bsica factible al construir una nueva tabla smplex en
la forma apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que la
variable bsica entrante sustituye a la variable bsica que sale en la columna de Variable Bsica. Para
cambiar el coeficiente de la nueva variable bsica en el rengln pivote a +1, se divide todo el rengln
pivote entre el nmero pivote:
Rengln pivote nuevo = Rengln pivote antiguo / pivote
En este punto, la tabla smplex para el ejemplo se ve como la que se muestra enseguida. Para
obtener un coeficiente 0 para la nueva variable bsica en las otras ecuaciones, cada rengln [inclusive
el de la ecuacin de Z] excepto el rengln pivote, se cambia por la nueva tabla smplex usando la
siguiente frmula:
Rengln nuevo = rengln antiguo (coeficiente en la columna pivote rengln pivote nuevo)
en donde el coeficiente en la columna pivote es el nmero en la columna pivote correspondiente a este

rengln.
Variable
Bsica
Z
x3
x4
x5
Z
x3
x2
x5
Z
1
0
0
0
1
0
0
0
x1
3
1
0
3
x2
5
0
2
2
x3
0
1
0
0
x4
0
0
1
0
x5
0
0
0
1
Lado
derecho
0
4
12
18
1/2
Cociente
Es ptima?
(0, 0, 4, 12, 18)
Z=0
Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:
Rengln de Z:
3
5
0
0
0,
0
(5) 0
1
0
1/2
0,
6
Rengln nuevo =
3
0
0
5/2
0,
30
Rengln 1: Sin cambio porque su coeficiente en la columna pivote es cero.
Rengln 3:
3
2
0
0
1,
18
(2) 0
1
0
1/2
0,
6
Rengln nuevo =
3
0
0
1
1,
6
Estos cambios llevan a la nueva tabla smplex que se muestra en la siguiente tabla para la
iteracin 1:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z=0
x5
0
3
2
0
0
1
18
Z
1
3
0
0 5/2 0
30
x3
0
1
0
1
0
0
4
(0, 6, 4, 0, 6)
x2
0
0
1
0 1/2 0
6
Z = 30
x5
0
3
0
0
1
1
6
Como las variables bsicas siempre son iguales al lado derecho de la ecuacin que le corresponde, la
nueva solucin bsica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, as que debe proseguirse a la prueba de optimalidad.
Como la ecuacin de Z todava tiene coeficientes negativos (3 para x1), la prueba de optimalidad
indica que la solucin no es ptima, (lo cual se muestra en la figura anterior) por lo que manda al
algoritmo de regreso al paso iterativo para obtener la siguiente solucin bsica factible. El paso
iterativo comienza de nuevo en la tabla smplex actual para encontrar la nueva solucin. Si se siguen
las instrucciones de las partes 1 y 2, se encuentra que x 1 es la variable bsica entrante y x 5 la variable
bsica que sale, como se muestra en la siguiente tabla:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
x3
x2
x5
1
0
0
0
3
1
0
3
0
0
1
0
0
1
0
0
5/2
0
1/2
1
0
0
0
1
30
4
6
6
4/1 = 4
(0, 6, 4, 0, 6)
Z = 30
6/3 = 2
mn.
En las siguientes tablas se muestra el conjunto completo de las tablas del mtodo smplex para
este ejemplo. La nueva solucin bsica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba de
optimalidad, se encuentra que la solucin es ptima porque no hay coeficientes negativos en la
ecuacin de Z, de manera que el algoritmo ha terminado. En consecuencia, la solucin ptima para
este ejemplo (sin tomar en cuenta las variables de holgura) es x1 = 2, x2 = 6.
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
0
0
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
12/2 = 6
Z=0
mn.
x5
0
3
2
0
0
1
18
18/2 = 9
Z
1
3
0
0 5/2 0
30
x3
0
1
0
1
0
0
4
4/1 = 4
(0, 6, 4, 0, 6)
x2
0
0
1
0 1/2 0
6
Z = 30
x5
0
3
0
0
1
1
6
6/3 = 2
mn.
Z
1
0
0
0 3/2 1
36
x3
0
0
0
1 1/3
2
(2, 6, 2, 0, 0)
1/3
x2
0
0
1
0 1/2 0
6
Z = 36
x1
0
1
0
0
1/3
2
ptima
1/3
Anteriormente no se dijo qu hacer cuando las reglas de seleccin del mtodo smplex no
llevan a una decisin clara, ya sea porque existen empates (valores iguales) o por otras ambigedades
parecidas.
Empate para la variable bsica entrante.
El paso 1 de cada iteracin elige la variable bsica que tiene el coeficiente negativo con el
mayor valor absoluto en la ecuacin de Z actual como la variable bsica entrante. Ahora suponga que
dos o ms variables no bsicas tienen el coeficiente negativo ms grande (en valor absoluto), es decir,
que hay un empate entre ellas. Por ejemplo, esto ocurrira en la primera iteracin del ejemplo anterior
si se cambiara la funcin objetivo a Z = 3x1 + 3x2, con lo que la ecuacin del rengln de Z inicial sera
Z3x13x2 = 0. Cmo debe romperse este empate?
La respuesta es que la eleccin entre estos dos contendientes se puede hacer de manera
arbitraria. Tarde o temprano se llegar a la solucin ptima, sin importar cul de las variables
empatadas se haya escogido, y no existe un mtodo conveniente para predecir cul lleva ah ms
rpidamente. En este ejemplo ocurre que si se escoge x 1 como variable entrante, el mtodo smplex
alcanza la solucin ptima (2, 6) en tres iteraciones y si se elige x2, llega en dos.
Empate para la variable bsica que sale degeneracin.
Ahora suponga que el empate ocurre entre dos o ms variables bsicas al elegir la variable que
sale en el paso 2 de una iteracin. Importa cul se escoge? En teora s, y en una forma crtica debido
a que puede ocurrir la siguiente sucesin de eventos. Primero, todas las variables empatadas se hacen
cero al mismo tiempo cuando aumenta el valor de la variable entrante. Por tanto, aquellas que no se
eligieron como variable bsica que sale tambin tendrn un valor de cero en la nueva solucin bsica
factible. (Las variables bsicas con valor de cero se llaman degeneradas y el mismo nombre se da a la
solucin bsica factible correspondiente.) Segundo, si una de estas variables bsicas degeneradas sigue
con valor de cero hasta que se selecciona como variable bsica que sale en una iteracin posterior, la
variable bsica entrante deber tambin quedar con valor de cero (ya que no puede crecer sin que la
variable bsica que sale se vuelva negativa), entonces el valor de Z permanecer sin cambio. Tercero,
si Z permanece igual en lugar de mejorar cada iteracin, el mtodo smplex puede caer en un ciclo que
repite la misma secuencia de soluciones peridicamente, en lugar de aumentar en algn momento para
llegar a la solucin ptima.
Por fortuna, aunque en teora es posible que haya ciclos perpetuos, ha sido en extremo raro que
tenga lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de l cambiando la
eleccin de la variable bsica que sale. Por lo tanto se recomienda romper los empates arbitrariamente
y seguir el proceso sin preocuparse de las variables que puedan resultar.
Cuando no hay variable bsica que sale Z no acotada.
Existe otra posibilidad en el paso 2 de una iteracin, de la que no se ha hablado: aquella en la
que ninguna variable califica como variable bsica que sale. Esta situacin puede ocurrir si la variable
bsica entrante puede crecer indefinidamente sin que ninguna de las variables bsicas actuales
adquiera valores negativos. En la forma tabular, esto significa que todos los coeficientes en la columna
pivote (se excluye el rengln de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situacin surge cuando se considera el siguiente
ejemplo:
Maximizar Z = 3x1 + 5x2,
sujeta a
x1 4
y
x1 0, x2 0
En este ejemplo se ignoraron las dos ltimas restricciones funcionales del ejemplo resuelto
anteriormente. Vea en la tabla que x 2 es la variable bsica entrante pero el nico coeficiente en la
columna pivote es cero. Como la prueba del cociente mnimo usa slo coeficientes mayores que cero,
no se cuenta con un cociente que proporcione una variable bsica que sale.
La interpretacin de una tabla smplex como la que se muestra en la siguiente tabla es que las
restricciones no impiden el crecimiento indefinido de la funcin objetivo Z, de manera que el mtodo
smplex se detiene con el mensaje de que Z es no acotada. Debido a que ni siquiera la programacin
lineal ha descubierto la manera de lograr ganancias infinitas, el mensaje real en problemas prcticos
es: Se ha cometido un error! Tal vez el modelo est mal formulado, ya sea por haber omitido una
restriccin relevante o por haberla establecido incorrectamente. De otra manera, pudo haber ocurrido
un error en los clculos.
Variable
Lado
Bsica
Z
x1
x2
x3 derecho
Cociente
Es ptima?
Z
1
3 5
0
0
X3
0
1
0
1
4
Sin mnimo
Soluciones ptimas mltiples.
En la definicin de solucin ptima se mencion que un problema puede tener ms de una
solucin ptima. Si en el ejemplo cambiamos la funcin objetivo a Z = 3x 1 + 2x2 resulta que todos los
puntos sobre el segmento de recta entre (2,6) y (4,3) son soluciones ptimas. Entonces todas las
soluciones son un promedio ponderado de estas dos soluciones factibles en los vrtices ptimas:
(x1, x2) = w1(2, 6) + w2(4, 3),
donde los pesos w1 yw2 son nmeros que satisfacen las relaciones:
w1 + w2 = 1
y
w1 0,
w2 0
Por ejemplo, w1 = 1/3 y w2 = 2/3 da:
(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)
como una solucin ptima.
En general, cualquier promedio ponderado de dos o ms soluciones (vectores) donde los pesos
son no negativos y suman 1 se llama combinacin convexa de estas soluciones. Entonces, toda
solucin ptima en el ejemplo es una combinacin convexa de (2, 6) y (4, 3).
Este ejemplo es representativo de problemas con soluciones ptimas mltiples.
Cualquier problema de Programacin Lineal con soluciones ptimas mltiples (y una
regin factible acotada) tiene al menos dos soluciones factibles en los vrtices que son
ptimas. Toda solucin ptima es una combinacin lineal de estas soluciones factibles
en los vrtices ptimas. En consecuencia, en la forma aumentada, toda solucin ptima
es una combinacin convexa de las soluciones bsicas factibles ptimas.
El mtodo smplex se detiene automticamente al encontrar una solucin bsica factible
ptima. Sin embargo, en muchas aplicaciones de Programacin Lineal existen factores intangibles que
no se incorporan al modelo y que pueden ser tiles para tomar decisiones significativas sobre las
soluciones ptimas alternativas. En esos casos, tambin deben identificarse las otras soluciones
ptimas. Esto requiere encontrar todas las dems soluciones bsicas factible ptimas, y entonces toda
solucin ptima es una combinacin convexa de las soluciones bsicas factibles ptimas.
Una vez que el mtodo smplex encuentra una solucin bsica factible ptima, se puede
detectar si existen otras y, si as es, se encuentra como sigue:
Siempre que un problema tiene ms de una solucin bsica factible ptima, al menos una variable no
bsica tiene coeficiente cero en la ecuacin de Z final, de manera que si aumenta su valor, el valor de
la funcin Z no cambia. Por lo tanto, estas otras soluciones bsicas factibles ptimas se pueden
identificar (si se desea) realizando iteraciones adicionales del mtodo smplex, en las que cada vez se
elige una variable no bsica con coeficiente cero como variable bsica entrante. Si una de estas
iteraciones no tiene una variable bsica que sale esto indica que la regin factible es no acotada y la
variable bsica entrante puede crecer indefinidamente sin cambiar el valor de Z.
Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de
que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones
funcionales de la forma y restricciones de no negatividad sobre todas las variables) con b i
0 para toda i = 1, 2, ..., m. En esta seccin se establecer cmo hacer los ajustes requeridos a otras
formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se pueden hacer
en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales (= )
es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma
muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde
cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora
debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables
artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo
con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no
negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que
imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las
iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a
volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el
problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la
nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de
igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de
restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el
problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo
de programacin lineal es que la tercera restriccin, 3x 1 + 2x2 18, se convierte en una restriccin de
igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a
su forma de igualdad, nicamente debemos sumar una variable artificial.
Restricciones funcionales de la forma
Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de
la forma usaremos el siguiente ejemplo:
Minimizar Z = 0.4x1 + 0.5x2
sujeta a
0.3x1 + 0.1x2 2.7
0.5x1 + 0.5x2 =
6
0.6x1 + 0.4x2 6
x1
x2
0,
0
Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de
igualdad tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente
manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin
agregamos una variable de holgura que sera x3 y en la segunda restriccin agregamos tambin una
variable artificial que sera x4; todo esto con el fin de convertir las desigualdades a su forma de
igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en
este caso debe agregarse otra variable. Esta variable extra, llamada variable artificial se aumenta como
sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las
restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex
comienza por hacer todas las variables reales (originales) iguales a cero. Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6
x5 = 6 (que no cumple la restriccin de no

negatividad)
La variable artificial opera para mantener todas las variables no negativas cuando 0.6x 1 +
0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una
variable de excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar Z =
sujeta a
3x1
x1
5x2
4
12
18
2x2
3x1 + 2x2
x1
x2
0,
0
Como explicamos anteriormente, para resolver este problema, debemos construir un
problema artificial que tiene la misma solucin ptima que el problema real, haciendo dos
modificaciones a este problema real.
1. Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
2. Se asigna una penalizacin enorme al hecho de tener x5 0, cambiando la funcin objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 Mx5,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5
hasta el nivel de x5 = 0 en la solucin ptima se llama mtodo de la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la
funcin objetivo con un coeficiente de +M.
Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema
artificial.
Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema

artificial, esta restriccin es equivalente a 3x1 + 2x2 18.
En particular, el sistema de ecuaciones despus de aumentar el problema artificial (en otras
palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z
3x1 5x2
+ Mx5 = 0
x1
+ x3
= 4
2x2
+ x4
= 12
3x1 + 2x2
+ x5 = 18
xj 0
Para j = 1, 2, , 5
En este momento estamos preparados para pasar los coeficientes a la tabla smplex:
Variable
Lado
Bsica
Z
x1
x2
x3
x4
x5 derecho
Cociente
Es ptima?
Z
1
3
5
0
0
M
0
x3
0
1
0
1
0
0
4
x4
0
0
2
0
1
0
12
x5
0
3
2
0
0
1
18
Esta tabla todava no est en la forma apropiada porque el coeficiente de x 5 es diferente de
cero en la ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba
de optimalidad y encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada
para que cumpla la condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo
smplex para que pueda reportarnos la siguiente solucin bsica factible dice que: Toda variable
bsica debe tener un 1 en la interseccin de su rengln y columna correspondiente y cero en los dems
renglones incluido el rengln de Z, en otras palabras, que toda variable que sea bsica solamente
debe aparecer en el rengln de la restriccin que representa. Para hacer cero el coeficiente M,
utilizamos el rengln de x5 como rengln pivote multiplicndolo por M
y sumando el resultado al
rengln de Z. Realizando el procedimiento anterior, la tabla smplex queda de la siguiente manera:
Variable
Bsica
Z
Z
1
Lado
derecho
18M
x1
x2
x3
x4
x5
Cociente
Es ptima?
-3M- -2M0
0
0
Mx5 + Z
3
5
x3
0
1
0
1
0
0
4
(0, 0, 4, 12, 18)
x4
0
0
2
0
1
0
12
Z = 18M
x5
0
3
2
0
0
1
18
Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer
la solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad
vemos que no es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los
correspondientes a x1 y x2). Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente
negativo con el mayor valor absoluto corresponde a x1 (3M3), recordemos que M es un nmero muy
grande positivo, por lo tanto, x1 se convierte en la variable bsica entrante, realizando los cocientes
correspondientes, vemos que x3 se convierte en la variable bsica saliente. El procedimiento completo
para resolver este ejemplo se muestra en el siguiente conjunto de tablas:
Variable
Bsica
x3
x4
x5
Z
0
0
0
1
x1
x4
x5
Z
x1
x4
x2
Z
x1
x3
x2
0
0
0
1
0
0
0
1
0
0
0
x1
x2
x3
-3M- -2M0
3
5
1
0
1
0
2
0
3
2
0
0
-2M- 3M+3
5
1
0
1
0
2
0
0
2
3
0
0
9/2
1
0
1
0
0
3
0
1
3/2
0
0
0
1
0
0
0
0
1
0
1
0
x4
x5
Lado
derecho
18M
0
1
0
0
0
0
1
0
4
12
18
6 M+12
0
1
0
0
0
1
0
3/2
1/3
1/3
1/2
0
0
1
M+5/2
0
1
1/2
M+1
1/3
1/3
0
4
12
6
27
4
6
3
36
2
2
6
Cociente
Es ptima?
4/1 = 4
(0, 0, 4, 12, 18)

Z = 18M
18/3 = 6
12/2 = 6
6/2 = 3
4/1 = 4
6/3 = 2
(4, 0, 0, 12, 6)
Z = 6M+12
(4, 3, 0, 6, 0)
Z = 27
(2, 6, 2, 0, 0)
Z = 36
ptima
MINIMIZACIN con el mtodo smplex.

Una manera directa de minimizar Z con el mtodo smplex es cambiar los roles de los
coeficientes negativos y positivos en el rengln de la funcin objetivo, tanto para la prueba de
optimalidad como para la parte 1 de una iteracin. Se determina la variable bsica entrante mediante la
eleccin de la variable con el coeficiente positivo menor en la ecuacin de Z. La solucin bsica
factible actual es ptima si y slo si todos los coeficientes de la ecuacin de la funcin objetivo
(rengln de Z) son no positivos ( 0 ). Si es as, el proceso termina; de otra manera, se lleva a cabo
otra iteracin para obtener la nueva solucin bsica factible, lo que significa el cambio de una variable
no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar las variables de la nueva
solucin (parte 3). Notemos que no se ha dicho nada con respecto a la forma de obtener la variable
bsica saliente en una iteracin, ya que este paso se realiza de la misma manera que cuando se est
maximizando, es decir, se escoge aquella variable bsica con el menor cociente. Ilustremos la forma
de utilizar el mtodo smplex para el caso de minimizacin. Consideremos el siguiente ejemplo:
Minimizar Z = 3x1 + 8x2
sujeta a
x1
+ 4x2 4
x1
+ 2x2 2
x1
x2
0,
0
Pasando este problema a su forma de igualdades aadiendo las variables necesarias,
obtenemos lo siguiente:
Minimizar Z,
sujeta a
Z 3x1 8x2
Mx5 = 0
x1 + 4x2 + x3
= 4
x1 + 2x2
x4 + x5 = 2
xj 0
para j = 1, 2, , 5
Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex,
obtenemos el siguiente conjunto de tablas:
Variabl
Lado
e
Z
x1
x2
x3
x4
x5
derech
Cociente
Es ptima?
Bsica
o
Z
1
3
8
0
0
M
0
x3
0
1
4
1
0
0
4
x5
0
1
2
0
1
1
2
Z
1
M3 2M8
0
M
0
2M
(0, 0, 4, 0, 2)
x3
0
1
4
1
0
0
4
4/1 = 4
Z = 2M
x5
0
1
2
0
1
1
2
2/1 = 2
Z
1
0
2
0
3
M
+3
6
(2, 0, 2, 0, 0)
x3
0
0
2
1
1
1
2
Z=6
x1
0
1
2
0
1
1
2
ptima
Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex,
ya que el coeficiente de la variable bsica x5 era de M
en el rengln de Z, lo cual hacia que no se
cumpliera la condicin smplex.
2.6. Mtodo de las dos Fases.
En el ejemplo presentado en la seccin Restricciones funcionales de la forma , recordemos
la funcin objetivo real:
Problema real:
Minimizar
Z = 0.4x1 + 0.5x2
Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo a travs de todo el
procedimiento:
Mtodo de la M:
Minimizar
Z = 0.4x1 + 0.5x2 + Mx4 + Mx6
Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el
mtodo de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z
de manera completamente diferente:
Mtodo de las dos fases:
Fase 1:
Minimizar
Z = x 4 + x6
(hasta que x4 = 0 y x6 = 0).
Fase 2:
Minimizar
Z = 0.4x1 + 0.5x2
(con x4 = 0 y x6 = 0).
La funcin objetivo de la fase 1 se obtiene dividiendo la funcin objetivo del mtodo de la M

entre M eliminando los trminos despreciables, en otras palabras, la fase 1 consiste en la minimizacin
de la suma de todas las variables artificiales que se introduzcan en el problema. Como la fase 1
concluye al obtener una solucin bsica factible para el problema real (aquella en la que x 4 = 0 y x6 =
0), esta solucin se usa como la solucin bsica factible inicial para aplicar el mtodo smplex al
problema real (con su funcin objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera se
har un resumen de las caractersticas generales.
Resumen del mtodo de dos fases.
Paso inicial: Se revisan las restricciones del problema original introduciendo variables artificiales
segn se necesite para obtener una solucin bsica factible inicial obvia para el problema artificial.
Fase 1: uso del mtodo smplex para resolver el problema de programacin lineal:
Minimizar Z = de todas las variables artificiales, sujeta a las restricciones revisadas.
La solucin ptima que se obtiene para este problema (con Z = 0) ser una solucin bsica
factible para el problema real.
Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero).
Comenzando con la solucin bsica factible que se obtuvo al final de la fase 1, se usa el mtodo
smplex para resolver el problema real.
Enseguida se resumen los problemas que deben resolverse por el mtodo smplex en las fases
respectivas para el ejemplo.
Problema para la fase 1:
Minimizar
W = x4 + x6,
sujeta a
0.3x1 + 0.1x2 + x3
= 2.7
0.5x1 + 0.5x2
+ x4
= 6
0.6x1 + 0.4x2
x5 + x6 = 6
y
x1
x2
x3
x4
x5
x6
0
0
0
0
0
Problema para la fase 2:
Minimizar Z = 0.4x1 + 0.5x2,
sujeta a
0.3x1 + 0.1x2 + x3
= 2.7
0.5x1 + 0.5x2
= 6
0.6x1 + 0.4x2
x5 = 6
y
x1
x2
x3
x5
0
0
0
Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la
inclusin (fase 1) o exclusin (fase 2) de las variables artificiales x 4 y x6. Sin las variables artificiales,
el problema para la fase 2 no tiene una solucin bsica factible inicial obvia. El nico propsito de
resolver el problema para la fase 1 es obtener una solucin bsica factible con x 4 = 0 y x6 = 0 que se
pueda usar como la solucin bsica factible inicial para la fase 2.
Las siguientes tablas muestran el resultado de aplicar el mtodo smplex a este problema para
la fase 1:
Variable
Lado
Bsica W x1 x2
x3
x4
x5
x6 derecho
Cociente
Es ptima?
W
x3
x4
x6
W
x3
x4
x6
W
1
0
0
0
1
0
0
0
1
0
0.3
0.5
0.6
1.1
0.3
0.5
0.6
0
0
1
0
0
0
1
0
0
3 .66
1
0
1
0
0
0
1
0
0
0
0
0
1
1
0
0
1
1
1
0
0
1
0
0
0
1
0
0
2.7
6
6
12
2.7
6
6
2.1
3.33
1.66
0
0
0
0.1
0.5
0.4
0.9
0.1
0.5
0.4
0.5
3
0.3
3
0.3
3
0.2
0
x1
x4
x6
W
0
1
2
1.64
0
0
x1
6.63
x4
1.64
x2
W
x1
x5
0
1
0
0
0
0
1
0
1
0
0
0
10
0
5
0.99
x2
5.05
0
1
1
0.6
0
3
2.7/0.3=9
6/0.5=12
6/0.6=10
(0,0,2.7,6,0,6)
W = 12
9/0.33=27.2
(9,0,0,1.5,0,0.6)
1.5
1.5/0.33=4.5
W = 2.1
1
1.6
5
1.6
5
1.6
5
5
0
0
1
1
2 .65
0.6
0.51
0.6/0.2=3
1.65
8.01
8.01/1.65=4.8
(8.01,3,0,0.51,0,0)
1.65
0.51
0.51/1.65=0.30
W = 0.51
5
1
0
1
3
0
7.5
0.3
(7.5,4.5,0,0,0.3,0)
W=0
4.5
ptima fase 1
Notemos que ya hemos obtenido una solucin ptima para la fase 1 que consisti en la
minimizacin de la suma de todas las variables artificiales. Observemos tambin que la funcin
objetivo W termin con un valor de cero en la ltima tabla, lo que indica que las dos variables
artificiales (x4 y x6) valen cero tienen valores recprocos y se cancelan mutuamente para dar cero. En
nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la columna de las
variables bsicas en la ltima tabla de la primera fase. La segunda fase consiste en resolver el
problema original utilizando como tabla inicial de esta fase la ltima tabla de la primera fase pero sin
considerar la columna de las variables artificiales ya que stas tomaron el valor de cero en la primera
fase. El mtodo smplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variabl
e
Bsica
Z
x1
x5
x2
Z
x1
x5
x2
Z
x1
x5
x2
x1
x2
x3
x4
x5
x6
1
0
0
0
1
0
0
0
1
0
0.4
1
0
0
0
1
0
0
0
1
0.5
0
0
1
0.5
0
0
1
0
0
0
5
0.99
5.05
2
5
0.99
5.05
0.52
5
0
1
0.60
3
0
0
1
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0.99
5.05
1
0
Lado
derech Cociente
Es ptima?
o
0
7.5
0.3
4.5
3
7.5
0.3
4.5
5.25
7.5
(7.5,4.5,0,0,0.3,0
)
0.3
Z = 5.25
4.5
ptima fase 2
Notemos que no fue necesario aplicar propiamente el mtodo smplex a la primera tabla de la segunda
fase, ya que nicamente aplicando operaciones con matrices para tratar de llevar esta tabla a la forma
apropiada para el mtodo smplex fue suficiente para resolver el problema planteado en la segunda
fase. Es necesario aclarar que no siempre ocurrir de esta manera, es decir, si despus de dejar la tabla
en la forma apropiada, es necesario aplicar el mtodo smplex, se debe aplicar como lo hemos
estudiado.
Nota: Independientemente de que el problema original (real) sea de maximizacin o minimizacin, la
primera fase siempre consistir en la minimizacin de la suma de todas las variables
artificiales.
CAPTULO II
ALGORITMO DE TRANSPORTE
9. RESUMEN
Si observamos cualquier tipo de industria, empresa o negocio, podemos llegar a la conclusin
de que en cualquier actividad de las mencionadas se encuentra presente el transporte de bienes
o productos desde los centros de produccin denominados orgenes a los centros de consumo
llamados destinos: por lo que el llevar a cabo esta actividad de manera ptima, es decir, al
menor costo posible, nos representar ventajas econmicas y competitivas. El transporte de
bienes o productos, materia prima, equipos, etc., est inmerso en la tendencia actual de la
globalizacin, por ejemplo, los productos textiles que se manufacturan en un pas, se etiquetan
en otro y tienen una distribucin a nivel internacional como productos terminados.
Como en la industria constantemente se presenta el problema de trasladar productos desde los
centros de produccin hasta los centros de distribucin, esto generar un costo, que incrementa
el precio de venta; costo que buscamos reducir.
Para desarrollar el modelo debemos conocer los costos unitarios de transporte desde cada una
de las plantas a cada uno de los centros de distribucin, adems de la oferta y la demanda en
cada centro.
Problema general
Unidades de un bien
m orgenes
n destinos
si recursos en el origen i
Demanda dj en el destino j
Costo cij por unidad distribuida
desde el origen i al destino j
Ejemplo
Cargas de latas de tomate
Cuatro enlatadoras
Cuatro almacenes
Produccin de la enlatadora i
Asignacin al almacn j
Costo de envo por carga desde la
enlatadora i al almacn j
El objetivo que perseguimos es minimizar los costos asociados con el transporte.

Una vez formulado el modelo matemtico del problema de transporte, el siguiente paso
consiste en resolver el modelo, es decir, en obtener los mejores valores numricos para las
variables de decisin. La forma en que se obtengan estos valores depende del tipo especfico
del modelo matemtico utilizado.
Por tanto, una vez definido el modelo, se podr elegir un mtodo apropiado para resolverlo. En
el problema de transporte estos mtodos pertenecen a una de estas dos categoras:
Mtodos ptimos, que permiten obtener los mejores valores para las variables de decisin, es
decir, aquellos valores que satisfacen simultneamente todas las restricciones y proporcionan el
mejor valor para la funcin objetivo.
Mtodos heursticos, que permiten obtener valores para las variables de decisin que
satisfacen todas las restricciones. Aunque no necesariamente ptimos, estos valores
proporcionan un valor aceptable para la funcin objetivo.
En comparacin con los mtodos ptimos, los mtodos heursticos son computacionalmente
ms eficientes y, por tanto, se utilizan cuando la obtencin de soluciones ptimas conlleva
excesivo tiempo o bien es imposible por ser el modelo matemtico demasiado complejo. Este
trabajo aporta nuevos mtodos para la resolucin del problema de transporte, basados en los
mtodos heursticos.
Realizan una exploracin limitada en el espacio de soluciones y producen soluciones
razonablemente buenas con tiempos de computacin modestos.
10. INTRODUCCIN
10.1. INTRODUCCIN AL ALGORITMO DE TRANSPORTE:
Una de las aplicaciones ms interesantes de los problemas de programacin lineal es el
llamado problema de transporte, que resulta ser un modelo lineal que presenta una
estructura especial. Este problema fue planteado y resuelto por F. L. Hitchcock con
anterioridad a la formulacin del concepto general de la programacin lineal, siendo
debido a G. B. Dantzig la aplicacin de la programacin lineal a la resolucin del
problema de transporte mediante el mtodo general del Simplex.
Los mtodos de resolucin de este problema pertenecen a la clase de los llamados modelos
combinatorios que presentan una gran complejidad computacional y ofrecen un nmero
muy grande de posibles soluciones, siendo por ello necesario buscar otro tipo de mtodos
de solucin.
En consecuencia, los esfuerzos referentes a la bsqueda de mtodos diferentes de

resolucin se han dirigido en un primer enfoque hacia los mtodos que estn basados en la
utilizacin de algoritmos matemticos, es decir, que permiten obtener una solucin ptima
exacta para el problema combinatorio, mediante la utilizacin de tcnicas que permitan
reducir la bsqueda de soluciones, como l mtodo del Simplex, para la Programacin
Lineal.
Alternativamente, se han propuesto determinados mtodos heursticos que carecen de una
base matemtica formal y que estn basados en la intuicin.
Sin embargo, permiten obtener una solucin inicial prxima a la solucin ptima con la
ventaja de obtener ahorros considerables en tiempo respecto a los mtodos basados en
algoritmos matemticos, por lo que estos ltimos mtodos no resultan ser apropiados para
su utilizacin en problemas de gran tamao.
Cada una de estas alternativas (mtodos basados en algoritmos matemticos y mtodos
heursticos), presentan ventajas e inconvenientes.
Actualmente, el modelo de transporte presenta una gran variedad de aplicaciones en los
diferentes mbitos de la empresa (comercial, industrial, etc.) que no tienen relacin con el
transporte. Sin embargo, sigue hablndose del problema de transporte. Muchos problemas
econmicos que en principio nada tienen que ver con el problema de transporte, mediante
la utilizacin de ciertas transformaciones pueden ser convertidos en un problema de
transporte y en consecuencia, ser resueltos aplicando los mtodos propios de este tipo de
problemas.
El sistema de transporte es el componente ms importante para la mayora de las
organizaciones, debido a que el xito de una cadena de abastecimiento est estrechamente
relacionado con su diseo y uso adecuados.
El transporte es el responsable de mover los productos terminados, materias primas e
insumos, entre empresas y clientes que se encuentran dispersos geogrficamente, y agrega
valor a los productos transportados cuando estos son entregados a tiempo, sin daos y en
las cantidades requeridas. Igualmente el transporte es uno de los puntos clave en la
satisfaccin del cliente.
Sin embargo, es uno de los costos logsticos ms elevados y constituye una proporcin
representativa de los precios de los productos. Los costos asociados con el transporte son
altamente representativos en la cadena de abastecimiento y estn involucrados
directamente con la relacin que se tiene con proveedores, clientes y competidores.
11. DEFINICIN DEL ALGORITMO DE TRASNPORTE
A partir del siguiente grfico explicaremos de una manera sencilla lo que conlleva plantear el
algoritmo de transporte en su primera fase:
Como podemos observar en el grafico hay m orgenes y n destinos, cada uno representado
por un nodo. Los arcos representan las rutas que unen los orgenes con los destinos. El arco
(i,j) que une el origen i con el destino j transporta dos piezas de informacin: el costo de
transporte por unidad, Cij y la cantidad transportada, Xij. La cantidad de la oferta en el origen
i es ai y la cantidad de la demanda en el destino j es bj . El objetivo del modelo es
minimizar el costo de transporte total al mismo tiempo que se satisfacen las restricciones de la
oferta y la demanda.
Ya mencionado lo anterior podemos mostrar el siguiente ejemplo para ver las cosas con mayor
claridad:
MG Auto cuenta con tres plantas en Los ngeles, Detroit y Nueva Orlens, y dos
importantes centros de distribucin en Denver y Miami. Las capacidades trimestrales de las
tres plantas son 1000, 1500 y 1200 automviles, y las demandas de los dos centros de
distribucin durante el mismo periodo son de 2300 y 1400 automviles. La distancia en
millas entre las plantas y los centros de distribucin aparece en la siguiente tabla:
DISTANCIAS EN MILLAS
DENVER
MIAMI
Los ngeles
1000
2690
Detroit
1250
1350
Nueva Orlens
1275
850
La compaa transportista cobra 8 centavos por milla por automvil. En la tabla, se dan los
costos de transporte por automvil en las diferentes rutas, redondeados al dlar ms cercano.
COSTO DE TRANSPORTE POR AUTOMVIL
DENVER
Los ngeles
$80
MIAMI
$215
Detroit
Nueva Orlens
$100
$102
$108
$68
Desarrollo: Si quisiramos expresarlo como un modelo de programacin lineal, tomara la

siguiente forma:
Minimizar Z = 80 x11 + 215 x12 + 100 x21 + 108 x22 + 102 x31 + 68 x32
Sujeto a:
x11 + x12 = 1000 (Los ngeles)
x21 + x22 = 1500 (Detroit)
x31 + x32 = 1200 (Nueva Orlans)
x11 + x21 + x31 = 2300 (Denver)
x12 + x22 + x32 = 1400 (Miami)
xij 0, i = 1, 2, 3 ^ j = 1, 2
Todas estas restricciones son ecuaciones porque la oferta total desde los tres orgenes (= 1000
+ 1500 + 1200 = 3700 automviles) es igual a la demanda total en los dos destinos (= 2300 +
1400 = 3700 automviles).
La estructura especial del problema de transporte permite una representacin compacta del
problema utilizando el formato tabla de transporte. Este formato permite modelar muchas
situaciones que no tiene que ver con bienes de transporte, como sede muestra con el ejemplo
anterior.
MODELO DE TRANSPORTE DE MG
DENVE
MIAMI
R
LOS
80
215
X
X
11
12
ANGELES
100
108
DETROIT
X21
X22
NUEVA
102
68
X31
X32
ORLEANS
DEMAND
2300
1400
A
OFERT
A
1000
1500
1200
3700
De esta manera el modelo se torna con una apariencia ms amigable y manejable. Adems
podemos darnos cuenta que estamos frente a un problema en donde la oferta y la demanda
estn en equilibrio.
Aplicando el software TORA podemos encontrar rpidamente las soluciones.
La manera de ingresa los datos es como sigue:
Sn = Nmero de orgenes
D1 = Nmero de destinos
En la interseccin de los orgenes y destinos tenemos que poner los costos de transporte
asignados.
En las celdas Supply (ponemos los valores de oferta de cada origen) y en las celdas
Demand (ponemos los valore de la demanda de cada destino)
Si en caso no se cumpliera con la condicin de equilbrio, podemos agregar un origen o un

destino ficticios para restaurar el balance.
Ahora haremos unos cambios al ejercicio anterior para poder encontrarnos en un caso de
desequilibrio tpico:
En el modelo de MG, supongamos que la capacidad de la planta de Detroit es de 1300
automviles (en lugar de 1500). La oferta total sera igual a 3500, es menor que la demanda
total de 3700. Lo que significa que no se satisfar una parte de la demanda de Denver y Miami.
Como la demanda excede la oferta, se agrega un origen (planta) ficticio con una capacidad de
200 automviles (3700 menos 3500) para balancear el modelo de trasporte. El costo de
transporte por unidad de la planta ficticia a los destinos es cero porque la planta no existe.
Ahora para plantear el modelo lo haremos con dos casos que veremos a continuacin:
TABLA 1
MODELO DE TRANSPORTE DE MG CON UNA PLANTA FICTICIAS
DENVER
MIAMI
OFERTA
80
215
LOS ANGELES
1000
1000
100
108
DETROIT
1300
1300
NUEVA
102
68
1200
1200
ORLEANS
PLANTA
200
0
0
200
FICTICIA
DEMANDA
2300
1400
TABLA 2
MODELO DE TRANSPORTE DE MG CON UN DESTINO
FICTICIO
DENVER
MIAMI
FICTICIO
OFERTA
LOS
80
215
0
1000
1000
ANGELES
100
108
0
DETROIT
1500
900
200
400
NUEVA
102
68
0
1200
1200
ORLEANS
DEMANDA
1900
1400
400
La tabla 1 da el modelo balanceado junto con su solucin ptima. La solucin muestra que la
planta ficticia enva 200 automviles a Miami le faltarn 200 automviles para satisfacer su
demanda de 1400 automviles.
Podemos estar seguros de que un destino especfico no experimente escasez al asignar un costo
de transporte por unidad muy alto desde el origen ficticio a dicho destino. Por ejemplo, una
penalizacin de $1000 en la celda ficticia de Miami evitar que haya escasez e Miami. Desde
luego, no podemos utilizar este artificio con todos los destinos, porque debe de haber escasez
en alguna parte.
El caso de en qu la oferta excede la demanda se puede demostrar asumiendo que la demanda
en Denver es de solo 1900 automviles. Entonces, tenemos que agregar un centro de
distribucin ficticio para que reciba la oferta excedente. De nuevo, el costo de transporte por
unidad al centro de distribucin ficticio es cero, a menos que una fbrica enve todas sus
existencias. En este caso, se asigna un costo alto de transporte por unidad de la fbrica
designada al destino ficticio.
La tabla 2 da el nuevo modelo y su solucin ptima (obtenida por toda). La solucin muestra
que la planta de Detroit tendr un excedente de 400 automviles.
12. METODO D LA ESQUINA NOROESTE:
El mtodo de la esquina Noroeste es un algoritmo heurstico capaz de solucionar problemas de
transporte o distribucin mediante la consecucin de una solucin bsica inicial que satisfaga
todas las restricciones existentes sin que esto implique que se alcance el costo ptimo total.
VENTAJAS
Este mtodo tiene como ventaja frente a sus similares la rapidez de su ejecucin.
Es utilizado con mayor frecuencia en ejercicios donde el nmero de fuentes y destinos sea muy
elevado.
DESVENTAJAS
Menos probable para dar una solucin inicial acertada de bajo costo
12.1.
ALGORITMO DE RESOLUCIN DE LA ESQUINA NOR- OESTE:
Se parte por esbozar en forma matricial el problema, es decir, filas que representen fuentes
y columnas que representen destinos, luego el algoritmo debe de iniciar en la celda, ruta o
esquina Noroeste de la tabla (esquina superior izquierda).
PASO 1:
En la celda seleccionada como esquina Noroeste se debe asignar la mxima cantidad de
unidades posibles, cantidad que se ve restringida ya sea por las restricciones de oferta o de
demanda. En este mismo paso se procede a ajustar la oferta y demanda de la fila y
columna afectada, restndole la cantidad asignada a la celda.
PASO 2:
En este paso se procede a eliminar la fila o destino cuya oferta o demanda sea 0 despus
del "Paso 1", si dado el caso ambas son cero arbitrariamente se elige cual eliminar y la
restante se deja con demanda u oferta cero (0) segn sea el caso.
PASO 3:
Una vez en este paso existen dos posibilidades, la primera que quede un solo rengln o
columna, si este es el caso se ha llegado al final el mtodo, "detenerse".
La segunda es que quede ms de un rengln o columna, si este es el caso iniciar
nuevamente el "Paso 1"
12.2. EJEMPLO DEL METODO DE LA ESQUINA NOR-OESTE:
Una empresa energtica colombiana dispone de cuatro plantas de generacin para
satisfacer la demanda diaria elctrica en cuatro ciudades, Cali, Bogot, Medelln y
Barranquilla. Las plantas 1, 2 ,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
da respectivamente. Las necesidades de las ciudades de Cali, Bogot, Medelln y
Barranquilla son de 70, 40, 70 y 35 millones de Kw al da respectivamente.
Los costos asociados al envo de suministro energtico por cada milln de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.
SOLUCIN PASO A PASO
Ahora la cantidad asignada a la esquina noroeste es restada a la demanda de Cali y a la

oferta de la "Planta 1", en un procedimiento muy lgico. Dado que la demanda de Cali una
vez restada la cantidad asignada es cero (0), se procede a eliminar la columna. El proceso
de asignacin nuevamente se repite.
Continuamos con las iteraciones
En este caso nos encontramos frente a la eleccin de la fila o columna a eliminar (tachar),
sin embargo podemos utilizar un criterio mediante el cual eliminemos la fila o columna
que presente los costos ms elevados. En este caso la "Planta 2".
Nueva iteracin.
Una vez finalizada esta asignacin, se elimina la "Planta 3" que ya ha sido satisfecha con
la asignacin de 60 unidades, por ende nos queda una sola fila a la cual le asignamos las
unidades estrictamente requeridas y hemos finalizado el mtodo.
El cuadro de las asignaciones (que debemos desarrollarlo paralelamente) queda as:
Los costos asociados a la distribucin son:
El costo total es evidentemente superior al obtenido mediante Programacin Lineal y el

Mtodo de Aproximacin de Vogel, lo cual demuestra lo enunciado en la descripcin del
algoritmo que cita que no obtiene siempre la mejor solucin, sin embargo presenta un
cumplimiento de todas las restricciones y una rapidez de elaboracin, lo cual es una
ventaja en problemas con innumerables fuentes y destinos en los cuales no nos importe
ms que satisfacer las restricciones.
13. METODO DE APROXIMACIN DE VOGEL:
El mtodo de aproximacin de Vogel es un mtodo heurstico de resolucin de problemas de
transporte capaz de alcanzar una solucin bsica no artificial de inicio, este modelo requiere de
la realizacin de un nmero generalmente mayor de iteraciones que los dems mtodos
heursticos existentes con este fin, sin embargo producen mejores resultados iniciales que los
mismos.
13.1. OBJETIVO:
Es reducir al mnimo posible los costos de transporte destinados a satisfacer los
requerimientos totales de demanda y materiales.
13.2.
CARACTERISTICAS:
Al igual que otros mtodos de algoritmo de solucin bsica factible, se debe enviar las
mayores cantidades al mayor costo posible este busca enviar las mayores cantidades a
menor costo
Tienen diferentes orgenes con diferentes destinos.
Un origen puede abastecer a diferentes destinos.
Al finalizar el ejercicio la oferta y la demanda deben de ser satisfecha en su totalidad
y/o terminado sus valores en cero.
La aproximacin de Vogel finaliza en costo mnimo.
Es ms elaborado que los anteriores, ms tcnico y dispendioso.
Tiene en cuenta los costos, las ofertas y las demandas para hacer las asignaciones.
Generalmente nos deja cerca al ptimo.
13.3.
CONNOTACIN:
13.4. ALGORIMO DE VOGEL:

El mtodo consiste en la realizacin de un algoritmo que consta de 3 pasos fundamentales
y 1 ms que asegura el ciclo hasta la culminacin del mtodo.
VENTAJAS
Conduce rpidamente a una mejor solucin. mediante los clculos de las llamadas
penalizaciones de fila y columna, los cuales representan el posible coste de
penalizacin que se obtendra por no asignar unidades a transportar a una determinada
posicin.
Tiene en cuenta en el anlisis la diferencia entre los menores costos de transporte,
mediante los clculos de las llamadas penalizaciones de fila y columna, los cuales
representan el posible coste de penalizacin que se obtendra por no asignar unidades
a transportar a una determinada posicin.
DESVENTAJAS
No aporta ningn criterio que permita determinar si la solucin obtenida por este
mtodo es la mejor (ptima) o no.
Requiere mayores esfuerzos de clculos que el Mtodo de la esquina noroeste.
13.5. APLICACIN:
El modelo se utiliza para ayudar a la toma de decisiones en la realizacin de actividades
como: control de inventarios, flujo de efectivo, programacin de niveles de reservas en
prensas entre otras. Este mtodo es heurstico y suele producir una mejor solucin inicial,
produce una solucin inicial ptima, o prxima al nivel ptimo.
PASO 1
Determinar para cada fila y columna una medida de penalizacin restando los dos costos
menores en filas y columnas.
PASO 2
Escoger la fila o columna con la mayor penalizacin, es decir que de la resta realizada en
el "Paso 1" se debe escoger el nmero mayor. En caso de haber empate, se debe escoger
arbitrariamente (a juicio personal).
PASO 3
De la fila o columna de mayor penalizacin determinada en el paso anterior debemos de
escoger la celda con el menor costo, y en esta asignar la mayor cantidad posible de
unidades. Una vez se realiza este paso una oferta o demanda quedar satisfecha por ende
se tachar la fila o columna, en caso de empate solo se tachar 1, la restante quedar con
oferta o demanda igual a cero (0).
PASO 4: DE CICLO Y EXCEPCIONES
- Si queda sin tachar exactamente una fila o columna con cero oferta o demanda,
detenerse.
- Si queda sin tachar una fila o columna con oferta o demanda positiva, determine las
variables bsicas en la fila o columna con el mtodo de costos mnimos, detenerse.
- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine
las variables bsicas cero por el mtodo del costo mnimo, detenerse.
- Si no se presenta ninguno de los casos anteriores vuelva al paso 1 hasta que las ofertas y
las demandas se hayan agotado.
EJEMPLO DEL MTODO DE APROXIMACIN DE VOGEL
Por medio de este mtodo resolveremos el ejercicio de transporte resuelto en el tema del
mtodo noroeste.
EL PROBLEMA
Barranquilla. Las plantas 1, 2, 3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
Formule un modelo de programacin lineal que permita satisfacer las necesidades de todas
las ciudades al tiempo que minimice los costos asociados al transporte.
SOLUCIN PASO A PASO
El primer paso es determinar las medidas de penalizacin y consignarlas en el tabulado de
costos, tal como se muestra a continuacin.
El paso siguiente es escoger la mayor penalizacin, de esta manera:
El paso siguiente es escoger de esta columna el menor valor, y en una tabla paralela se le
asigna la mayor cantidad posible de unidades, podemos observar como el menor costo es
"2" y que a esa celda se le pueden asignar como mximo 60 unidades "que es la capacidad
de la planta 3".
Dado que la fila de la "Planta 3" ya ha asignado toda su capacidad (60 unidades) esta debe
desaparecer
Se ha llegado al final del ciclo, por ende se repite el proceso
Iniciamos una nueva iteracin
Continuamos con las iteraciones,
Iniciamos otra iteracin
Al finalizar esta iteracin podemos observar como el tabulado queda una fila sin tachar y
con valores positivos, por ende asignamos las variables bsicas y hemos concluido el
mtodo.
Los costos asociados a la distribucin son:
De esta manera hemos llegado a la solucin a la cual tambin llegamos mediante el

mtodo noroeste y si comparamos este es ms preciso a la hora de optimizar.
Mtodo noroeste =940 (costo de distribucin)
Mtodo de aproximacin Vogel =620 (costo de distribucin ms ptimo)
14. METODO RUSSEL:
Edward J. Russell en 1968, presenta un mtodo que proporciona una solucin inicial cercana a
la ptima que es mejor, en general a los mtodos tratados anterior mente .
14.1. VENTAJAS:
Tiene en cuenta en el anlisis la diferencia entre los menores costos de transporte,
mediante los clculos de las llamadas penalizaciones de fila y columna, los cuales
representan el posible coste de penalizacin que se obtendra por no asignar unidades a
transportar a una determinada posicin.
14.2. DESVENTAJAS:
Requiere mayores esfuerzos de clculos que el Mtodo de la esquina noroeste y vogel.
14.3. PRODECIMIENTO:
1.- calclense las cantidades Ui (i=1,2,.m) y Vj(j=1,2,.n) sabiendo que :
Ui=max(Cij)
en j
Vj = max (Cij)
en i
2.-Encuentrese la mejor variable Xij, para formar una base usando los estimadores
encontrados en (1) de acuerdo con e criteria
Xij = max (ij) [(Ui + Vj - Cij) mayor que 0]
3.- introducimos a la base
Xij=min (ai,bj) si ai es menor bi se elimina fila

Xij=min (ai,bj) si ai es mayor bi se elimina columna
4.- se termina el mtodo si todo los ai y bj son cero, si no es as se debe repetir desde 1 .
EL PROBLEMA
Barranquilla. Las plantas 1, 2, 3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al
CALI
BOGOTA
MEDELLI
N
BARRANQUILLA
OFERTA
PLANTA 1
80
PLANTA 2
30
PLANTA 3
60
PLANTA 4
45
DEMANDA
70
40
70
35
1. Se escoge los mximos de cada fila (vi) y de cada columna (ui)

BOGOT MEDELLI BARRANQUILL
CALI
A
N
A
aj
ui
PLANTA
1
80
PLANTA
2
30
PLANTA
3
60
PLANTA
4
45
215
Bj
70
40
70
35
Vj
215
2. Se expresa como matriz

a(11)
a(1,2)
a(1,3)
a(1,4)
a(2,1)
a(2,2)
a(2,3)
a(2,4)
a(3,1)
a(3,2)
a(3,3)
a(3,4)
a(4,1)
a(4,2)
a(4,3)
a(4,4)
3. Buscamos el pitop (maximo)

Xij = max (ij) [(Ui + Vj - Cij)
a(1,1) = 7+6-5=8
a(1,2)=7+6-2=11
a(1,3)=7+7-7=7
a(1,4)=7+6-3=10
a(2,1)=6+6-3=9
a(2,2)=6+6-6=6
a(2,3)=6+7-6=7
a(2,4)=6+6-1=11
a(3,1)=6+6-6=6
a(3,2)=6+6-1=11
a(3,3)=6+7-2=11
a(3,4)=6+6-4=8
a(4,1)=6+6-4=8
a(4,2)=6+6-3=9
a(4,3)=6+7-6=7
a(4,4)=6+6-6=6
** Nos percatamos que los valores mayores son a(1,2) , a(2,4) , a(3,2) y otros marcados
anteriormente escogemos al azar el a(1,2) lo ubicamos
80
40
Comparamos para eliminar el menor 40 es menor a 80

Eliminaremos entonces la columna de 40 y en la fila de 80 aremos la siguiente
operacin
80 40 = 40 (color rojo cuadro) este es el nuevo valor y el cuadro quedara as:
CALI
MEDELLI
N
BARRANQUILL
A
aj
PLANTA
1
40
PLANTA
30
2
PLANTA
3
60
PLANTA
4
45
bj
70
70
35
Repetiremos los mismos pasos descritos anterior mente

1.- Se escoje los mximos de cada fila (vi) y de cada columna (ui)
CALI
MEDELLI
N
BARRANQUILL
A
aj
ui
PLANTA
1
40
PLANTA
2
30
PLANTA
3
60
PLANTA
4
45
bj
70
70
35
vj
175
175
6
2.-se expresa como matriz (manteniendo los elementos puestos anteriormente)

a(1
a(1,
a(1,
a(2,
a(2,
a(2,
a(3,
a(3,
a(3,
a(4,
a(4,
a(4,
3.- buscamos el pitop (maximo)

a(1,1)=7+6-5=8
a(1,3)=7+7-7=7
a(1,4)=7+6-3=10
a(2,1)=6+6-3=9
a(2,3)=6+7-6=7
a(2,4)=6+6-1=11
a(3,1)=6+6-6=6
a(3,3)=6+7-2=11
a(3,4)=6+6-4=8
a(4,1)=6+6-4=8
a(4,3)=6+7-6=7
a(4,4)=6+6-6=6
** Nos percatamos que los valores mayores son a (2,4) , a(3,3) escogemos al azar el
a(3,3) lo ubicamos

Eliminaremos entonces la fila de 60 y en la columna de 70 Haremos la siguiente
operacin
70 60 = 10 (color rojo cuadro) este es el nuevo valor y el cuadro quedara asi:
MEDELL BARRANQUIL
IN
LA
CALI
aj
PLANT
A1
40
PLANT
A2
30
PLANT
A4
45
bj
70
10
35

1.- Se escoge los mximos de cada fila (vi) y de cada columna (ui)
CALI
MEDELLI
N
BARRANQUILL
A
aj
ui
PLANTA
1
40
PLANTA
2
30
PLANTA
4
45
bj
70
10
35
vj
115
115

a(11)
a(1,3)
a(1,4)
a(2,1)
a(2,3)
a(2,4)
a(4,1)
a(4,3)
a(4,4)
3.- buscamos el pitop (mximo)

a (1,1)=7+5-5=7
a (1,3)=7+7-7=7
a (1,4)=7+6-3=10
a (2,1)=6+5-3=8
a (2,3)=6+7-6=7
a (2,4)=6+6-1=11
a (4,1)=6+5-4=7
a (4,3)=6+7-6=7
a (4,4)=6+6-6=6
** Nos percatamos que el valor mayor es a (2,4) y lo escogemos

Eliminaremos entonces la fila 30 de y en la columna de 35 aremos la siguiente
operacin
35 30 = 5 (color rojo cuadro) este es el nuevo valor y el cuadro quedara as:
PLANTA
CALI
MEDELLI
N
BARRANQUILL
A
aj
40
1
PLANTA
4
bj
70
10
45

CALI
MEDELLI BARRANQUIL
N
LA
aj
ui
PLANTA
1
40
PLANTA
4
45
bj
70
10
vj
85
85

a(11)
a(1,3)
a(1,4)
a(4,1)
a(4,3)
a(4,4)

a(1,1)=7+5-5=7
a(1,3)=7+7-7=7
a(1,4)=7+6-3=10
a(4,1)=6+5-4=7
a(4,3)=6+7-6=7
a(4,4)=6+6-6=6
** Nos percatamos que el valor mayor es a(1,4) y lo escogemos

40

Eliminaremos entonces la columna 5 de y en la columna de 40 aremos la siguiente
operacin:
40 5 = 35 (color rojo cuadro) este es el nuevo valor y el cuadro quedara as
CALI
MEDELLI
N
aj
PLANTA
1
35
PLANTA
4
45
bj
70
10

CALI
MEDELLI
N
aj
ui
PLANTA
1
35
PLANTA
4
45
bj
70
10
80
80

a(1
a(1,
a(4,
a(4,

a (1,1)=7+5-5=7
a (1,3)=7+7-7=7
a (4,1)=6+5-4=7
a (4,3)=6+7-6=7

Eliminaremos entonces la fila 35 de y en la columna de 70 aremos la siguiente
operacin
CALI
MEDELLI
N
aj
PLANTA
4
45
bj
35
10

CALI
MEDELLI
N
aj
ui
PLANTA
4
45
bj
35
10
vj
45
45

a
(
4
,
1
)

a
(
4
,
3
)
a(4,1)=6+4-4=6
a(4,3)=6+6-6=6
6
45
10

Eliminaremos entonces la columna 10 de y en la columna de 45 aremos la siguiente
operacin
CALI
aj
PLANTA
4
45
bj
35
35
35
UNA VES REDUCIDO SE OBTIENE LA SOLUCION

Z= (DE LOS PITOP) * LA FILA O COLUMNA ELIMINADA
Z=2*40 + 2*60 + 1*30 + 5*3 + 5*35 + 6*10 + 4*35
Z= 620
Mtodo de aproximacin Russel =620 (costo de distribucin ms ptimo)
EJERCICIO QUE SE RESOLVERA EN CLASE

Una compaa tiene fbricas en A, B y C las cuales proveen a los almacenes que estn
en D, E, F Y G. Las capacidades mensuales de las fabricas son 70, 90 y 115
respectivamente y la cantidad enviada a los almacenes son 50, 60,70 y 95
respectivamente. Los costos unitarios del embarque son los siguientes:
DESTI
NO
ORIGE
N
A
1
7
2
0
1
3
1
2
1
5
2
1
2
6
2
5
1
5
1
4
1
5
1
7
Determine una solucin factible bsica inicial utilizando el mtodo de russel

Respuesta
Z=4185
15. OPTIMALIDAD Y MEJORA DE UNA SOLUCIN:
Se trata de desarrollar la Fase C del algoritmo de transporte una vez finalizada la Fase B. que
la proporcionado una solucin bsica factible no degenerada. Esta fase trata de determinar si
dicha solucin es ptima y. en caso de no serlo, obtener una nueva solucin con menor coste
que la solucin actual.
Una solucin ptima puede ser degenerada. Pero no puede serlo la solucin a partir de la cual
se vaya a obtener otra mejor.
15.1. SOLUCIONES DEGENERADAS:
Se dice que una solucin bsica en programacin lineal es degenerada
cuando tiene menos variables positivas que el nmero de restricciones existente s en el
problema. En los programas lineales de transporte se presenta con alguna frecuencia el
problema de la degeneracin. En el problema de transporte simple existen (m+n-1)
restricciones independientes. La degeneracin se presentar cuando en una solucin bsica
el nmero de posiciones localiza das o rutas utilizadas sea menor que (m+n-1).
Una solucin ptima puede ser degenerada, es decir cuando el nmero de
posiciones localizadas es menor que (m+n-1). Sin embargo, para comprobar si
la solucin actual es o no ptima y en su caso mejorarla, es necesario que sea
no degenerada La consecuencia de la degeneracin es que los mtodos paso a paso, costes
indirectos,
MODI,
no
se
pueden
aplicar. A fin
de
evitar
los
inconvenientes que presenta la degeneracin y poder aplicar los mtodos paso
a paso y MODI, existen diferentes mtodos para el tratamiento de las
Soluciones
degeneradas,
entre
los
que
cabe
indicar.
El mtodo de los ceros, el mtodo de la perturbacin

El mtodo de la perturbacin consiste en asignar convenientemente el valor (supuesto que
es una cantidad prxima a cero) a posiciones no localizadas hasta conseguir (m+n-1)
posiciones
localizadas.
Para
ello
es
necesario
introducir el concepto de ciclo en una tabla de transporte que se construye de
Acuerdo con un algoritmo determinado Una propiedad importante es que
siempre es posible construir un ciclo a partir de una solucin bsica factible. Esto
permite obtener siempre una solucin no degenerada de una degenerada, lo cual permite
entrar en la fase C.
15.2. ALGORITMO DE MODI:
El algoritmo MODI conocido corno el mtodo de los costes ficticios. Consiste en aadir a
la matriz de costes una fila y una columna que recogen unos costes ficticios determinados
arbitrariamente (los nmeros MODI). Tal que permite calcular los ndices de mejora para
las celdas (casillas) no minimizadas sin tener que trazar todos los circuitos (ciclos) que
requiere el algoritmo de Stepping -Stone. En general. Supone ahorros en tiempo respecto a
la utilizacin del algoritmo de Stepping-Stone en la resolucin de problemas de transporte.
Debido a su rapidez y el fcil tratamiento de las soluciones degeneradas. El mtodo MODI
o u-v utiliza el dual del problema de transporte
Viene dado por:
15.3. METODO DE SALTO DE PIEDRA (EVALUAR CELDAS NO UTILIZADAS)

El mtodo de salto de piedra es una tcnica iterativa para pasar de una solucin inicial
factible a una factible ptima. Este proceso consta de dos partes distintas: la primera
implica someter a prueba la solucin actual para determinar si es posible su mejora; por su
parte, la segunda consiste en modificar la solucin actual para obtener una solucin
mejorada. Este proceso continua hasta que se llega a la solucin ptima.
Para aplicar el mtodo de salto de piedra a un problema de transporte, primero se debe
observar una regla sobre el nmero de rutas de envi utilizadas. El nmero de rutas (o
celdas) siempre debe ser igual a la suma del nmero de filas ms el nmero de columnas
menos uno. Cuando el nmero de rutas ocupadas es menor que ste, se llama degenerada.
El mtodo de salto de piedra implica probar cada ruta no utilizada para ver si el envo de
una unidad por esa ruta incrementara o disminuira los costos totales. Los pasos a seguir
son los siguientes:
15.4. REGLAS PARA EL DESARROLLO DE LA PRUEBA DE OPTIMALIDAD O

SALTO DE LA PIEDRA:
El mtodo de salto de piedra es una tcnica iterativa para pasar de una solucin inicial
factible a una factible ptima. Este proceso consta de dos partes distintas: la primera
implica someter a prueba la solucin actual para determinar si es posible su mejora; por su
parte, la segunda consiste en modificar la solucin actual para obtener una solucin
mejorada. Este proceso continua hasta que se llega a la solucin ptima.
Para aplicar el mtodo de salto de piedra a un problema de transporte, primero se debe
observar una regla sobre el nmero de rutas de envi utilizadas. El nmero de rutas (o
celdas) siempre debe ser igual a la suma del nmero de filas ms el nmero de columnas
menos uno. Cuando el nmero de rutas ocupadas es menor que ste, se llama degenerada.
El mtodo de salto de piedra implica probar cada ruta no utilizada para ver si el envo de
una unidad por esa ruta incrementara o disminuira los costos totales. Los pasos a seguir
son los siguientes:
16. RESOLUCIN DE PROBLEMAS CON EL METODO DE SOLVER (EXCEL)
Formulacin del problema a desarrollar:
Una compaa tiene tres almacenes con 15, 25 y 5 artculos disponibles
respectivamente. Con estos productos (PERFORADORAS) disponibles desea
satisfacer la demanda de 4 clientes que requieren 5, 15, 15 y 10 unidades. Los
costos asociados con el envo de la mercanca del almacn a cada cliente por
unidad se dan en la siguiente tabla. SE DESEA COMPLACER A LOS
CLIENTES DE ACUERDO A SUS REQUERIMIENTOS UTILIZANDO LAS
RUTAS O ACCESOS DE MENOR COSTO, POR LO TANTO SE QUIERE
MINIMIZAR LOS COSTOS DE TRANSPORTE GLOBAL.
DESTINO
OFERTA
ALMACE
N
S/.
S/.
S/.
S/.
15
10.00
20.00
11.00
S/.
12.00
S/.
7.00
S/.
9.00
S/.
20.00
25
S/.
-
S/.
14.00
S/.
16.00
S/.
18.00
DEMANDA
15
15
10
16.1. PROCESO DE SOLUCIN CON EL SOLVER

-
En primer lugar tenemos que copiar o crear otra tabla en la que aparezcan Almacenes,
Destinos, Demandas y Ofertas; sin los costos que requiere cada viaje o acceso. Estos casilleros
nos servirn como espacios donde obtengamos las cantidades de bienes que irn por cada ruta.
ALMACEN
OFERTA
D
15
25
DEMANDA
-
DESTINO
15
15
10
Creamos la FUNCIN OBJETIVO: MINIMIZAR EL COTO DE TRANSPORTE

GLOBAL.
Que resultar de la suma total de multiplicar cada costo de transporte por la cantidad de bienes
a ser transportados por cada una de esas mismas rutas, es decir, cada cuadro de la tabla de
costos (primera tabla) por cada cuadro correspondiente de la segunda tabla.
Una vez hecha o creada la FUNCIN

RESTRICCIONES (OFERTA Y DEMANDA).
RESTRICCIONES DE OFERTA:
OBJETIVO,
tenemos
que
crear
las
RESTRICCIONES DE DEMANDA:
Luego que se tenga la FUNCIN OBJETIVO y las RESTRICCIONES, se procede a realizar

los calculos con el SOLVER (EXCEL).
Formato del tablero SOLVER (Excel).
En el primer cuadro o casilla de la ventana de solucin SOLVER, se pone o se selecciona la

casilla donde se encuentra nuestra funcin objetivo (Z).
Se selecciona la opcin Minimizar (para nuestro caso) en la segunda opcin del tablero Solver.
OPCIN
MINIMIZAR
En la opcin Cambiando las celdas de variables seleccionamos todo el espacio del Excel
donde queremos que nos den los resultados de las cantidades de bienes que se tienen que
enviar de cada almacn a cada destino o cliente.
Seleccionamos todo
el espacio donde
saldrn los
resultados
Luego de seleccionar en el cuadro Excel nos aparecer de la siguiente manera ambos lados.
Luego de ello tenemos que tambin introducir las Restricciones que son las que condicionan el
problema en todo momento; le damos en AGREGAR en el tablero SOLVER y nos aparece la
siguiente ventana.
Llenamos los datos que se tiene en nuestras restricciones que ya habamos ya planteado en su
totalidad con el signo = en este caso; para casos en los que las OFERTAS son menores a las
demandas entonces las restricciones de demandas tenemos que poner con el signo menor igual;
caso contrario si las DEMANDAS son menores a las ofertas entonces colocamos el signo
menor igual para las restricciones de ofertas.
Y obtendremos la siguiente tabla luego de introducir todas las restricciones.
Luego de esto no olvidemos darle o seleccionar la opcin SIMPLEX PL en la casilla de

Mtodo de Solucin y por ltimo le damos la opcin RESOLVER.
RESULTADOS OBTENIDOS CON EL SOLVER (EXCEL)
ALMACEN
DESTINO
OFERTA
10
15
10
15
25
15
15
10
DEMAND
A
Cantidades que se envan y satisfacen a los Clientes en su totalidad con sus

requerimientos satisfechos.
ALMACE
OFERTA:
N
SE
ENVA
OFERTAN
15
15
25
25
DEMANDA
:
SE
DESTINOS RECIBE
DEMANDA
N
15
15
15
15
10
10
La funcin objetivo se logr satisfaciendo todas las demandas como tambin

completando vender o transportar todas las demandas o las que se tena
En el almacn.
FUNCIN
OBEJTIVO:
Que el costo global de transporte sea el mnimo
S/.
315.00
17. CONCLUSIONES:
El mtodo de esquina noroeste Este mtodo tiene como ventaja frente a sus similares la
rapidez de su ejecucin.
Es necesario poner en equilibrio la matriz a si cumplir los pasos mnimos para ser operado
por el algoritmo de transportes
El mtodo vogel Conduce rpidamente a una mejor solucin. Mediante los clculos de las
llamadas penalizaciones de fila y columna.
Tiene en cuenta en el anlisis la diferencia entre los menores costos de transporte, mediante
los clculos de las llamadas penalizaciones de fila y columna, los cuales representan el
posible coste de penalizacin que se obtendra por no asignar unidades a transportar a una
determinada posicin.
Es necesario aplicar la optimalidad a cada uno de los mtodos a si determinar si la solucin
bsica es de los ms ptimo, y a si tomar decisiones frente a los problemas propuestos
El objetivo es determinar las cantidades a enviar desde cada punto de origen hasta cada
punto de destino, que minimicen el costo total de envo,
El modelo supone que el costo de envo de una ruta determinada es directamente
proporcional al nmero de unidades enviadas en esa ruta.
Un enfoque inicial de resolucin consiste en evaluar cada posible solucin (cada posible
combinacin de valores enteros para las variables del problema). Sin embargo, presentan
una importante complejidad computacional puesto que incluso un problema de tamao
pequeo, tendra un nmero elevado de posibles soluciones, por lo que se hace necesario
buscar otros mtodos de solucin ms eficientes.
18. BIBLIOGRAFA:
Investigacin de operaciones por- hamdy a. Taha
Investigacin de operaciones: aplicaciones y algoritmos por- wayne winston

Manual prctico de investigacin de operaciones i 3a. Ed
Por ngel len
LINK
https://prezi.com/sbfl43g4qmxi/el-metodo-de-aproximacion-de-vogel-es-un-metodoheuristico-d/
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-de-aproximaci
%C3%B3n-de-vogel/
https://invdoperaciones.wordpress.com/metodo-esquina-noroeste/
http://es.slideshare.net/MrEzra4ever/ejercicio-esquina-noroeste-y-costo-mnimo
http://www.gestiondeoperaciones.net/programacion_lineal/metodo-de-la-esquina-noroestealgoritmo-de-transporte-en-programacion-lineal/
http://www.itlalaguna.edu.mx/Academico/Carreras/industrial/invoperaciones1/U5B.HTML
https://invdoperaciones.wordpress.com/voguel/
http://es.slideshare.net/jjmanjarrez/mtodo-vogel
http://es.slideshare.net/karemcherrez/mtodo-de-transporte-vogel
http://lainvestigaciondeoperaciones.blogspot.com/2014/06/metodo-de-aproximacion-derussell.html
https://books.google.com.pe/books?
id=le2FmfDPoaoC&pg=PA64&lpg=PA64&dq=metodo+de+russell&source=bl&ots=MFEQ
SBeRuc&sig=bZl0bE4i7UVxFEhYK6m8avZSwk&hl=es&sa=X&ei=9RifVZ6XMJWAygT247KACQ&ved=0CEgQ6AEwBw#v=one
page&q=metodo%20de%20russell&f=false
CAPTULO III
PERT CPM
4. RESUMEN
El PERT/CPM fue diseado para proporcionar diversos elementos tiles de Informacin para los
administradores del proyecto. Primero, el PERT/CPM expone la "ruta crtica" de un proyecto. Estas
son las actividades que limitan la duracin del proyecto. En otras palabras, para lograr que el proyecto
se realice pronto, las actividades de la ruta crtica deben realizarse pronto. Por otra parte, si una
actividad de la ruta crtica se retarda, el proyecto como un todo se retarda en la misma cantidad. Las
actividades que no estn en la ruta crtica tienen una cierta cantidad de holgura; esto es, pueden
empezarse ms tarde, y permitir que el proyecto como un todo se mantenga en programa. El
PERT/CPM identifica estas actividades y la cantidad de tiempo disponible para retardos.
5. INTRODUCCION
Uno de los conceptos usados para el desarrollo ordenado de un proyecto es el mtodo del Camino
Critico, que representa una ayuda poderosa y de aplicacin sencilla en los problemas de planeacin y
control en el campo administrativo. Hoy en da es poco comn que un administrador no tenga
conocimiento o capacidad de utilizar esta herramienta para resolver los problemas de planeacin,
programacin y control de obras y proyectos. Las actividades de administracin de planeacin,
programacin y control de proyectos han ido adquiriendo vital importancia en la realizacin de los
mismos.
Existen modelos de redes que pueden ser empleados para programar proyectos que comprenden un
gran nmero de actividades. Si la duracin de cada actividad es conocida con certeza, el Mtodo del
Camino o Ruta Crtica (CPM) puede ser empleado para determinar cul es el tiempo requerido para
completar el proyecto. El mtodo CPM tambin permite identificar cuales actividades pueden ser
atrasadas sin afectar la duracin total del proyecto. Si la duracin de las actividades no es conocida
con certeza, la Tcnica de Revisin y Evaluacin del Programa (PERT) puede ser empleado para
determinar la probabilidad de que un proyecto termine antes de un perodo definido.
PERT - CPM
OBJETIVOS:
Comprender los mtodos PERT y CPM

Proponer fechas de iniciacin y finalizacin para las actividades de un proyecto, de tal manera
que ste se ejecute en el menor tiempo posible, mediante la aplicacin de la teora y prctica de
la Tcnica de PERT- CPM.
OBJETIVOS ESPECIFICOS
Determinar las diferencias entre los mtodos
Explicar la metodologa del CPM
Explicar la metodologa del PERT
USOS
En el campo de aplicacin de este mtodo, se puede observar una capacidad muy amplia, ya que tiene
una gran flexibilidad y adaptabilidad a cualquier proyecto grande o pequeo.
Para obtener mejores resultados, los proyectos a los cuales sern aplicados este mtodo, deben de
poseer las siguientes caractersticas:
1. Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.

2. Que se deba ejecutar todo el proyecto o parte de l en un tiempo mnimo, sin variaciones, es decir,
en tiempo crtico.
3. Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.
Dentro del mbito de aplicacin, el mtodo se ha estado usando para la planeacin y control de
diversas actividades, tales como construccin de presas, apertura de caminos, pavimentacin,
construccin de casas y edificios, reparacin de barcos, investigacin de mercados, movimientos de
colonizacin, estudios econmicos regionales, auditorias, planeacin de carreras universitarias,
distribucin de tiempos de salas de operaciones, ampliaciones de fbricas, planeacin de itinerarios
para cobranzas, planes de venta, censos de poblacin, entre otros.
Esbozo de conceptos y aspectos relevantes de la teora de PERT-CPM
1. PERT y CPM son tcnicas cuantitativas para manejar proyectos con el enfoque analtico de la
investigacin de operaciones. PERT corresponde a las siglas en ingls de: Tcnicas de
Revisin y Evaluacin de Programas (Program Evaluation and Technique Review) y CPM
corresponde a siglas de: Mtodo del Camino Crtico
2. PERT usa tiempos probabilsticos en proyectos que no se han ejecutado nunca o se han
ejecutado pocas veces. CPM usa tiempos determinsticos o conocidos, debido a que proyectos
similares se han ejecutado muchas veces. Pero ambas tcnicas de manejo de proyectos tienen
el mismo objetivo, que es ahorrar el mayor tiempo posible en la ejecucin de un proyecto; es
decir, son tcnicas tiempo- orientadas.
3. El manejo de un proyecto con PERT-CPM puede considerarse didcticamente dividido en tres
fases: Planeamiento, Programacin y Control.
4. Planeamiento es la fase en la cual se divide un proyecto en actividades; se establece el tiempo
necesario para ejecutarlas, se determinan las relaciones de precedencia entre ellas y se
concluye con la elaboracin del modelo del proyecto llamado Diagrama de Flechas o Red del
Proyecto. Por eso, la tcnica est incluida dentro de las tcnicas de redes.
5. Programacin es la fase equivalente, en el Anlisis Cuantitativo, a la solucin del modelo. En
ella se calculan los tiempos de ocurrencia de los eventos, los tiempos ms tempranos y ms
tardes de iniciacin y finalizacin de las actividades. Se calculan las holguras de tiempo
disponible y se aslan las Actividades Crticas, con holgura cero, que conformarn el Camino
Crtico de la Red. Todo ello se muestra en los Programas de Tiempos de Ocurrencia de Eventos
y de Ejecucin de Actividades.
El Camino Crtico de una Red es un camino conformado por actividades en secuencia en la
red.
Dichas actividades tienen la mayor duracin total de tiempos de ejecucin. La importancia de
una actividad crtica radica en el hecho de que su retraso en el tiempo programado para
ejecutarla, retrasar todo el proyecto.
6. La etapa de Control corresponde a la etapa de supervisin ejecutada en cualquier actividad
administrativa. En PERT-CPM se realiza utilizando lo obtenido en etapas previas; es decir, el
Diagrama de Flechas y el Programa de Tiempos de Ejecucin de las Actividades. No puede
planearse y programarse sin realizar la supervisin necesaria que garantice el cumplimiento de
lo establecido.
6. DEFINICION DE PERT Y CPM.

En la actualidad tanto el PERT Y CPM, se les trata como una sola tcnica combinada por tener
ambos los mismos fundamentos: empleo de una lgica secuencial y el uso de grafos para
representar el desarrollo de un proyecto.
Con el de alcanzar, lograr los objetivos con xito, la programacin PERT-CPM bsicamente se
empleara en la planeacin, programacin y control de los problemas de produccin (fabricacin)
por unidades, donde lo ms importante es la determinacin y control de la variable tiempo.
Bsicamente, el PERT y CPM son similares en muchos aspectos, la diferencia fundamental radica
en que el PERT; estima la duracin de cada actividad basado en un nivel de costo nicamente (es
probabilstica). En cambio el CPM; relaciona duracin y costo del cual se deriva una diversidad de
duraciones para cada actividad y la eleccin de la duracin ms adecuada se hace de modo que el
costo total del proyecto sea el mnimo.
3.1.- USOS
El campo de accin de este mtodo es muy amplio, dada su gran flexibilidad y adaptabilidad a
cualquier proyecto grande o pequeo. Para obtener los mejores resultados debe aplicarse a los
proyectos que posean las siguientes caractersticas:
a.- Que el proyecto sea nico, no repetitivo, en algunas partes o en su totalidad.
b.- Que se deba ejecutar todo el proyecto o parte de el, en un tiempo mnimo, sin variaciones, es
decir, en tiempo crtico.
c.- Que se desee el costo de operacin ms bajo posible dentro de un tiempo disponible.
3.2.- BASES DEL NUEVO METODO DE PLANEACION, PROGRAMACION Y
CONTROL
El mtodo PERT-CPM est sustentado en las siguientes bases:

Dentro de la planificacin, considera separada la plantacin y la programacin.
Descompone de la etapa de la plantacin en dos fases:
Determinacin de la actividades componentes para desarrollar el proyecto
Presenta la secuencia lgica de ejecucin de las actividades componentes del proyecto
Representacin ce un plan de trabajo mediante una grfica de nudos y flechas
El mtodo PERT considera la duracin de una actividad como una variable aleatoria y estimacin
de tres duraciones para cada actividad: optimista, ms probable y pesimista; mediante las cuales se
ajusta a la distribucin conveniente de densidad de probabilidad para la duracin de la actividad
considerada.
Analiza la forma como aumenta el costo de una actividad al reducir su duracin
Analiza los recursos requeridos para cada evaluacin posible de cada actividad
El mtodo PERT se apoya en la estadstica y el CPM en la experiencia
3.3.- ELEMENTOS DEL GRAFO PERT CPM
Grficamente cada actividad est compuesta de dos partes bsicas:
La ejecucin del trabajo, est representado por una flecha orientada con sentido de izquierda a
derecha se entiende que la actividad es un smbolo del trabajo el proceso de ejecucin, requiriendo
para ello el consumo de tiempo y recursos.
Son los sucesos y generalmente se reprenda con dos crculos que se colocan en los extremos de la
flechas. Un suceso es un instante especfico del tiempo y sirve como punto de control,
describiendo el momento de comienzo o trmino de una actividad y ello no consume tiempo.
3.4.- CONSIDERACIONES PARA ESQUEMATIZAR EL GRAFO PERT CPM
El grafo comienza en un nico suceso inicial y no tiene actividades que la precede
Una actividad no puede empezar hasta que todas las actividades precedentes hayan sido terminadas
Una actividad debe estar terminada para que sus sub. Siguientes puedan comenzar
La longitud de la flecha no representa cantidad de tiempo
La direccin de la flecha no tiene sentido vectorial, es solamente una proyeccin de tiempo, como
el tiempo es irreversible, la orientacin de la flecha, es siempre de izquierda a derecha.
Tampoco es preciso que la flecha sea una lnea recta, puede dibujarse en curva.
El grafo termina en un nico suceso final y no tiene actividades que la subsigan.
3.5.- VENTAJAS:
Es un mtodo nuevo que se emplea en la planificacin de proyectos.
- Permite la planificacin, programacin y control de los recursos disponibles
- Informa clara muestra el plan para la realizacin de un proyecto especifico
- Sirve de gua para el refinamiento de un proyecto
- Es un medio para elaborar estrategias o planes alternativas de accin
- Permite la simulacin de las alternativas de operacin
- Es un medio de evitar la omisin de actividades que pertenecen a un proyecto
- Es un medio de deslindar responsabilidades en la ejecucin de las diferentes actividades que
intervienen en el proyecto
3.6.- DIFERENCIAS ENTRE PERT Y CPM
La diferencia entre PERT y CPM es la manera en que se realizan los estimados de tiempo. El
PERT supone que el tiempo para realizar cada una de las actividades es una variable aleatoria
descrita por una distribucin de probabilidad. El CPM por otra parte, infiere que los tiempos de
las actividades se conocen en forma determinsticas y se puede variar cambiando el nivel de
recursos utilizados.
3.7.- PLANEACIN Y CONTROL DE PROYECTOS CON PERT-CPM

El objetivo de los sistemas tipo PERT consiste en ayudar en la planeacin y el control, por lo que
no implica mucha optimizacin directa. Algunas veces el objetivo primario es determinar la
probabilidad de cumplir con fechas de entrega especficas.
Todos los sistemas tipo PERT emplean una red de proyecto para visualizar grficamente la
interrelacin entre sus elementos. Esta representacin del plan de un proyecto muestra todas las
relaciones de procedencia, respecto al orden en que se deben realizar las actividades.
3.8.- MALLA O RED DE FLECHAS

Es la representacin reticular de las actividades que comprenden la realizacin de un proyecto

especfico.
La malla o red de flechas orientadas sirve al programador para representar grficamente el
desarrollo general de la obra.
3.9.- ELEMNETOS DE UNA MALLA
El elemento bsico del grafo PERT CPM es la flecha, que comienza y finaliza en nudos, los
cuales representa los sucesos de inicio y terminacin de la actividad a la que representa.
Representacin de un elemento de una malla PERT-CPM

Con el propsito de facilitar la identificacin y clculos en la red y evitar confusiones, toda
actividad llevara un nombre y todo suceso un nmero.
3.10.- TIEMPO DE PREPARACION (TP) Y RESTRICCIONES EXTERNAS
Generalmente en los modelos de red para proyectos, hay un tiempo de preparacin antes de la
etapa de ejecucin del mismo. En este tiempo se realiza una serie de actividades restrictivas que
condicionan la puesta en marcha del proyecto y entre las que se mencionan:
gestin para obtener autorizaciones y licencias.
Gestiones financieras.
Espera de la ltima decisin para lanzar el proyecto.
Mejora de las condiciones ambintales.
El tiempo de preparacin (TP) se presenta con una flecha de lnea sinuosa
(
) Con un tiempo de duracin cero.
Se contabiliza el tiempo
Ubicacin del TP
En el diagrama se interpreta: el suceso o marca la iniciacin del proyecto y el suceso uno marca la
iniciacin de la ejecucin fsica del proyecto.
3.11.- ACTIVIDADES
FICTICIAS (FIC)
La correcta enumeracin de los sucesos, permite identificar las diferentes actividades mediante
los sucesos de inicio (i) y de terminacin (j). para que cada actividad pueda ser identificada por
una combinacin nica de sucesos de inicio y de terminacin, es necesario incluir en la
elaboracin de la red, las llamadas Actividades Ficticias (FIC) que no consumen trabajo, tiempo
o recursos, sino que sirven para dar consistencia a las interrelaciones de las actividades en
circunstancias especiales.
En teora de grafos PERT-CPM, a las Actividades Ficticias se la presenta por una flecha de trazo
continuo (
)
3.12.- REGLAS BASICAS PARA ELABORAR UNA RED O CADENA DE FLECHAS

Para lograr una correcta representacin grfica de las dependencias internas en un diagrama de
mallas, se deber tener en cuenta las siguientes reglas:
1).- La colocacin de dos flechas una a continuacin de la otra, segunda figura, indica que la
actividad A debe estar concluido para que se inicie la actividad B.
2).- La disposicin de las flechas, segn la figura, indica que la actividad A debe estar
concluido para que puedan iniciarse las actividades B y C.
La disposicin de las flechas m segn la figura, indica que las actividades A y B deben estar
concluidas antes de iniciarse la actividad C.
3).- La longitud y la forma de representar las flechas son a voluntad del Programador, lo cual
quiere decir que las cuatro figuras que se muestran son equivalentes.
4).- cuando dos o ms cadenas estn programadas en paralelo y existen prioridades, es

necesario introducir actividades ficticias para expresar correlaciones de tiempo.
Al indicar que la actividad D depende de A, esto no es cierto, pues tambin depende de B.
5).- Se debe evitar la conexin de dos nudos mediante dos o ms flechas.
6).- Una actividad no debe conducir a un suceso que es previo al inicio de la actividad.
3.13.- ENUMERACION DE LOS SUCESOS

Al fin de poder identificar las actividades componentes del proyecto y facilitar los clculos en
el ordenador, es conveniente asignar nmeros naturales a cada uno de los sucesos desde el
inicial hasta el final.
Para una correcta numeracin secuencial se deber observar:
a). El orden numrico de los sucesos ha de ser creciente en el sentido de las flechas y de arriba
hacia abajo.
b). En la numeracin de los sucesos, se debe utilizar una serie progresiva de razn mayor que
la unidad, para poder intercalar sucesos, de ser preciso, sin alterar la numeracin .fundamental.
De esta forma, todas las actividades estarn entonces identificadas nicamente por su suceso
inicial y final.
Actividad A = (1,2)
Actividad
B = (2,3)
Actividad
C = (2,4)
Actividad
D = (3,4)
Actividad
E = (4,5)
Generalizando: En una malla de n sucesos, los sucesos de inicio y de terminacin sern:
3.14.- TRAZADO DEL GRAFO

Para comenzar a dar forma a un grafo Pert-Cpm y plantearnos las relaciones lgicas de
precedencia, debemos formular las siguientes preguntas:
1. Qu sucesos y actividades deben efectuarse inmediatamente antes de que tenga lugar
este suceso?
2. Qu sucesos y actividades se pueden realizar en paralelo?
3. Qu sucesos y actividades pueden efectuarse inmediatamente despus de este suceso?
Inicialmente el grafico debe esbozarse con lpiz para poder borrar varias veces e ir
mejorndolo en sucesivos tanteos. Las siguientes indicaciones orientativas facilitan el
procedimiento:
a). En lo posible las flechas deben ser rectas.
b). Evitar en posible que las flechas se crucen.
c). Evitar en lo posible que las longitudes de las flechas sean desproporcionadas unas con
otras .
d). Evitar en lo posible que las flechas tengan los ngulos entre ellas pequeos.
e). Evitar el desorden en la numeracin, procurando hacer esta de izquierda a derecha y de
arriba hacia abajo.
f). Evitar las flechas ficticias que no sean necesarias.
3.15.-DURACION DE UNA ACTIVIDAD
Cada actividad depende del tiempo calculado para su realizacin. La estimacin de los tiempos
de duracin se basa algunas veces en los datos experimentales y otras veces en el clculo
ponderado de probabilidades.
Duracin de una actividad segn el CPM
Se observa que el CPM utiliza los tiempos determinsticos, es decir, la duracin ms probable,
mientras que el PERT utiliza las tres duraciones que dan lugar a una duracin promedio.
3.15.1.- DURACION OPTIMISTA (a)
Expresa el tiempo mnimo que sera necesario para realizar la actividad. El clculo e este
tiempo considera ideales todas las circunstancias que han de concurrir en la realizacin de la
actividad, pensando que todo a de salir bien, en perfecto cronometraje y sin que se produzcan
fallas que pueden afectar a su duracin. Por estos motivos, este tiempo es de apreciacin poco
realista.
3.15.2.- DURACION MS PROBABLE (m)
Es aquel que se estima como justamente el necesario para realizar la actividad en condiciones
normales de trabajo con el empleo de recursos determinados de antemano.
Este clculo de duracin normal viene apoyado con la experiencia a la estadstica.
Generalmente tiene en cuenta los retrasos naturales y suelen inproducirse por causas especiales
o imprevistas.
ANLISIS DE SISTEMAS MINEROSPgina 100
3.15.3.- DURACION PESIMISTA (b)

Es el tiempo mximo que puede estimarse para que se efecte la actividad en condiciones
desfavorables sin que llegue a admitirse en esta ponderacin las causas de fuerza mayor
incontrolables en el orden lgico.
3.16.- UNIDADES DE TIEMPO (UT)
Es necesario expresar las duraciones de cada actividad, en unidades de tiempo, pudiendo ser:
horas, das, semanas, etc. Una vez elegido la unidad de tiempo, todas las actividades estarn
referidas a la misma base. La programacin y el desarrollo del proyecto podrn ser
relacionados a fechas calendario de realizacin.
3.16.1.- LOS TIEMPO PARA COMENZAR Y TERMINAR UNA ACTIVIDAD
La terminacin de cuando comenzar y/o terminar cada actividad de los clculos en la red, estn
apoyados en el PERT.
3.17.- DETERMINACION DE LA RUTA CRTICA

La determinacin de la Ruta Crtica, puede ser planteada mediante las Holguras del Pert o los
Tiempos Flotantes del CPM.
3.17.1.- CALCULOS DE LAS HOLGURAS DEL PERT
El PERT, considera dos tipos de Holguras de Tiempo: Holgura de suceso y Holgura de
actividad.
3.17.1.1.- HOLGURA DE SUCESO (HS).- Es la diferencia entre el tiempo pesimista y el tiempo
optimista de un mismo suceso.
1.17.1.2.- HOLGURAS DE ACTIVIDAD (HA).- Es la diferencia entre el tiempo pesimista de

terminacin y la sumatoria del tiempo optimista de inicio y su duracin.
3.18.- DETERMINACOINES DE LAS HOLGURAS DE ACTIVIDAD

Uniendo todas las actividades cuyas Holguras de actividad son cero (forzosamente las Holguras
de suceso tambin son cero) se forma un camino.
Este camino es denominado Camino Critico, al que se le define:
El Camino Critico es la cadena de actividades formada desde el primer suceso hasta el ltimo, cuyas
Holguras de tiempo son cero de otro modo, El Camino Critico es la cadena en la cual las actividades
no tiene Holguras de tiempo para comenzar no para terminar, es decir, que si alguna de estas
actividades se demora, se retrasara todo el proyecto. Otra de sus definiciones dice, El Camino
Critico es la duracin ms larga a travs del proyecto y marca la duracin del mismo
En todo proyecto, siempre hay un camino crtico como mnimo. El camino crtico se indica con
una doble lnea ms gruesa entre las actividades que lo forman.
El camino critico en la red del ejemplo.
Los datos determinados en la red de clculo, sern reportados en el siguiente cuadro

3.19.- LOS TIEMPOS FLOTANTES DEL CPM

Los flotantes que emplea CPM son tres:
Total, libre e independiente, donde cada uno de ellos presenta cualidades y aplicaciones
diferentes
a).- FLOTANTE TOTAL.

La flotante total es igual a la holgura de la actividad del PERT
Ha = Ft = t*j (ti + tij)
b).- FLOTANTE LIBRE.

Se define como la diferencia entre los tiempos lo mas pronto posible de comenzar y terminar
menos la duracin de la actividad.
FL = tj (ti + tij)
c).- FLOTANTE INDEPENDIENTE.

Esta dado por la siguiente formula
Ft = tj (t*i + tij)
II).- CPM - CRITICAL PARTH METOD (Mtodo del Camino Critico)

Esta tcnica de planeamiento y control tiene como fundamento el grafo o red, infiere que los
tiempos de las actividades se conocen en forma determinsticas y se puede variar cambiando el
nivel de recursos utilizados.
El mtodo CPM (Crtical Path Method), el segundo origen del mtodo actual, fue desarrollado
tambin en 1957 en los Estados Unidos de Amrica, por un centro de investigacin de operaciones
para la firma Dupont y Remington Rand, buscando el control y la optimizacin de los costos de
operacin mediante la planeacin adecuada de las actividades componentes del proyecto.
2.1.- SINOPSIS HISTORICA:
En la bsqueda por mejorar la tcnica de planeacin y control del proyecto, en 1957 aparecieron
los primeros trabajos del camino crtico.
2.2.- OBJETIVOS:
El CPM se desarroll como una tcnica orientada hacia la ejecucin optima de las actividades de
un proyecto.
Busca la optimizacin de los costos con el adecuado empleo de los recursos y duracin de las
actividades.
Se basa en la experiencia, lo que lo libera de la incertidumbre del tiempo.
2.3.- IMPORTANCIA
Es importante destacar que debido a la principal caracterstica del sistema CPM (la ausencia total
de varianza y por tanto ausencia de incertidumbre) este permite hacer un manejo lineal de los
costos y de sus tiempos. En el CPM no se habla de estimaciones ni de aproximaciones sino de
valores exactos y predecibles lo que permite llevar su manejo en forma proporcional.
Lo anterior permite hacer reducciones de tiempos en funcin de unos costos por inversin en
recursos, y se pueden aplicar modelos de optimizacin (programacin matemtica) lo que no
ocurre con los modelos bajo incertidumbre como PERT.
2.4.- APLICACIONES
Las primeras aplicaciones de esta tcnica a un proyecto importante. Lo realiz la dupont en la
eleccin de sus complejos industriales con buenos resultados.
2.5.- VENTAJAS Y BENEFICIOS DEL CPM
1.- El CPM ofrece las siguientes ventajas:
2.- Permite la planeacin y programacin efectiva de los recursos disponibles.
3.- Permite la simulacin de caminos alternativos de accin en las operaciones de produccin.
4.- Permite definir funciones y responsabilidades entre el personal encargado de la ejecucin de
las actividades.
5.- Permite mejorar la planificacin y ejecucin del proyecto.
6.- Permite reducir al mnimo las contingencias adversas a la realizacin
del proyecto.
7.- Su aplicacin dinmica proporciona una visin general de la actualizacin del proyecto, lo
que permite tomar decisiones sobre bases efectivas bien informadas.
2.6.- LIMITACIONES DEL CPM:

Si bien el CPM es una de las mejores tcnicas de planeamiento y control de proyectos, tambin
presenta ciertas limitaciones:
El CPM por basarse en experiencias, slo considera las duraciones determinsticos en la
estimacin de las duraciones de las actividades, lo que impide hacer predicciones probabilsticas
en los proyectos de mediano y largo plazo.
No es de aplicacin a la mayora de las operaciones repetitivas a la produccin distribucin o
ventas.
2.7.- COMO SE CONSTRUYE EN GRAFO CPM:
Prcticamente sigue los mismos lineamientos del grafo PERT.
Orientacin y nomenclatura del Grafo CPM.
El CPM considera las actividades (flechas) orientadas
GRAFO ORIENTADAS HACIA LAS ACTIVIDADES
El grafo orientado hacia las actividades es aquel en el que todas las identificaciones y
descripciones corresponden a las actividades que deben efectuarse entre los sucesos.
Bosquejo de Grafo CPM: Para dar formas a la esquematizacin de grafo, el programador que lo
prepara, debe contestar a tres preguntas por cada actividad que sita:
Qu actividades debe ser realizadas inmediatamente antes de la ejecucin de esta?

Qu actividades deben de llevarse a cabo inmediatamente despus de realizar la
presente?
Qu actividades se puede realizar simultneamente a la ejecucin de esta?
2.8.- APLICACIONES:
Es posible la aplicacin del CPM, donde se tenga que llevar a cabo una serie de
actividades relacionadas entre s para alcanzar la realizacin de un objetivo determinado. Las
actividades pueden ser de lo ms variado tipo: Toma De decisiones, estudios tcnicos,
evaluaciones, trabajos fsicos, compras, etc.
Los objetivos especficos pueden ser, lograr, desarrollar y alcanzar las metas de un
proyecto complejo, como simplemente el desarrollo de las actividades rutinarias de poca
envergadura.
TECNICAS DEL PERT/CPM

Llamado tambin red de flechas, diagrama de flechas, es la representacin grfica de una actividad o
proyecto cuyos sucesos y actividades se desarrollan interrelacionado de acuerdo a una secuencia
lgica, basado en el uso ptimo de tiempo y recursos. Es una herramienta muy importante para la
toma de decisiones de la alta direccin a fin de reducir la incertidumbre.
Esta tcnica estudia el proyecto en tres etapas:
PRIMERA ETAPA.- Constituye un modelo matemtico del proyecto lo cual lgico posible
descomponiendo en: sucesos y actividades debidamente interrelacionados por lo tanto:
A ij
SEGUNDA ETAPA.- Estudia la direccin de cada actividad, las mismas que determinaran la duracin
del proyecto o investigacin, las actividades crticas en la ejecucin del proyecto.
TERCERA ETAPA.- Asigna a los recursos disponibles, estableciendo el programa analizado, la
relacin entre el costo total del proyecto y plan de ejecucin, las sistemas de anlisis de grficos
fundamentalmente son:
Noniconsume
Si ni
consume
Tiempo R
No consume Recurso
TiempoRecurso
ELEMENTOS BASICOS DEL GRAFO

1.- SUCESOS.- Es un instante de la actividad que sirve como un punto de control, describiendo el
momento de inicio o terminacin de una actividad fsica o mental, se caracteriza por que no consume
Tiempo ni Recursos, tan solo indican la transicin de una actividad a otra.
2.- NOMENCLATURA.- Los sucesos se representan mediante crculos y el orden de enumeracin de
estos ha de ser creciente en el sentido de las Flechas y de Arriba hacia Abajo.
3.- ACTIVIDAD.- Se define como un smbolo de trabajo en proceso, o es el trabajo necesario para
alcanzar un suceso.
SUCESO CERO (0).- Se puede definir como el comienzo del Proyecto

TIEMPO DE PREPARACION (T.P).- Actividad ficticia
SUCESO UNO (1).- Se puede definir como el suceso de la ejecucin inicial del proyecto
NOTA.- Todas las Actividades consumen o requieren Tiempo y Recurso.
CARACTERISTICAS DE LAS ACTIVIDADES:
Una actividad no puede empezar hasta que todas las actividades precedentes hayan sido
cumplidas.
El sentido de la flecha no tiene sentido vectorial, es simplemente una progresin de tiempo y
como el tiempo no retrocede, la orientacin de la flecha es siempre de Izquierda a Derecha y
no tiene escala.
ACTIVIDAD FICTICIA (
Es la actividad de duracin y consumo de recursos cero; el objetivo de esta actividad es solamente de
conectar las actividades en orden de precedencias, es decir conservar secuencia lgica de realizacin
de las tareas o actividades.
TIPOS DE ACTIVIDADES DE ACUERDO A LA TECNICA DE GRAFOS:

1.- Actividad normal o real efectiva: Son aquellas actividades que consumen recursos y tiempos que
casi nunca es negativo.
2.- Actividad restrictiva.- Es el que representa el tiempo de preparacin antes de ejecutar

propiamente el proyecto, su caracterstica es que no consume el tiempo ni recurso.
TP
3.- Actividades en serie.- Indican que no pueden iniciarse una actividad hasta haber terminado lo
anterior.
4.- Actividades en paralelo o unitarios.Llamadas tambin actividades simultaneas donde un

conjunto de actividades pueden desarrollarse paralelamente o simultneamente o al mismo tiempo
entre todas las actividades.
PROCEDIMIENTOS PARA ELABORAR UNA MALLA DE FLECHAS

1.- Malla de Flechas.- Es la representacion reticular de las actividades que comprende la realizacion
de un proyecto especifico. La malla o red de flechas sirve al programador para representar
graficamente el desarrolllo general del proyecto en consecuencia la tecnica de planificacion por mallas
ordena todos los itinerarios de trabajo actividades o tareas.
2.- Secuenciacin.- Antes de iniciaro dar la forma de red de mallas debemos plantearnos las
relaciones logicas de presedencia, para ello debemos preguntarnos:
a. Que sucesos o eventos y actividades deben efectuarse inmediatamente antes de que tengan otro
suceso.
b.- Que eventos y actividades puedenrealizarce simultaneamente.
c.- Que sucesos y actividades puedan pueden efectuarse inmediatamente despues de este evento.
3.- Trazado.- Para lograr una corecta representacion grafica en una dependencia interna en un
diagrama de malla se debran tener encuenta por lo menos las siguientes reglas.
a.- Evitar que las flechas sean curvas.
3
, no
4
5
3
si
4
5
b.- Evitar en lo posible que las flechas se crusen.
c.- Evitar en lo posible que las flechas sean desproporcionado unas con otras.
d.- Evitar las flechas ficticias que no sean nesesarias, solo cuando 2 cadenas o mas estan programado
en paralelo y existan prioridades, es necesario introducir actividades ficticias para rxpresar
correlaciones de tiempo.
NO
Si
B
1
2
D
5
4
d.1.- La disposicion de las flechas segn la figura indica que la actividad A debe estar concluida para
que pueda inisiarce las actividades B y C.
d.2.- La disposicion de las flechas segn la figura indica que: las actividad B y C deben estar
terminadas antes de iniciarse la actividad C.
d.3.- Cuando 2 o mas cadenas estan programadas en paralelo y existen prioridades, es necesario
introducir actividades ficticias.
d.4.- No olvidar que una ret siempre tiene un evento inicial y otra final, antes de confeccionar
cualquier red se debe concretar el objetivo del proyecto ; es decir el ultimo suceso de diagrama, luego
procede a hacer una lista de las actividades que probablemente intervengan en el proyecto.
EJEMPLO.- En un proceso productivo de una empresa minera se tiene las siguientes actividades A,
B, C, D, E, F, G, H, I, J en donde:
1) La actividad A, presede a las actividades B, H y C.
2) Las actividades B, H, y C son simultaneos.
3) La actividad C debe presceder a la actividad D.
4) La actividad de B debe presceder a E.
5) La actividad de D debe presceder a F.
6) La actividad de E debe presceder a G.
7) Las actividades G, H,F, presceden simultaneamente a la actividad I y esta debe presceder a J.
8) Las actividades D, E presceden a la actividad J.
9) La actividad J es la actividad final.
Establecer:
a) Tabla de programa de actividades
b) Red de malla o de flechas
c) Tabla de secuencia de actividades.
SOLUCION
a.- Tabla de programa de actividades

ACTIVIDAD
DEOENDE DE:
CONDICIONA A:
B, H, C
G, H, F
b.- Red de malla o de flechas
B
0
T.P
C
4
c.- Tabla de secuencia de actividades.
Actividad
inmediatamente
Actividad
siguiente
inmediatamente
prescedente
METODO DETERMINISTICO:
CPM: Mtodo de la Ruta Crtica.
1.- FUNDAMENTACION:
A(ij)
i
t(ij)(m)
(Tiempo de duracin del proyecto)
2.10.- CONSTRUCCION DE LOS GRAFOS CPM:

Comprende 2 aspectos importantes
a) Tiempo para empezar y terminar una actividad
b) Nomenclatura: distinguir dos tipos de tiempos
Tiempo de inicio ms rpido (IR): tiempo ms prximo posible.
Tiempo determinacin tarda (TT): tiempo de determinacin ms lejana
A(ij)
IRR
IR1
TT1
TT
t(ij)(m)
A(ij)
t(ij)(m)
IR2
TT2
2.11. CALCULO DE TIEMPOS:

A. CALCULOS HACIA ADELANTE.
Ejercicio: El tiempo de cada actividad est dad en semanas
A.1. TIEMPO DE OCURRENCIA MS PRXIMO DE UN EVENTO

El tiempo ms cercano en que es posible iniciar todas las actividades que tienen origen en ese evento.
PROCEDIMIENTO:
a) El tiempo de suceso ms prximo para el evento inicial (1) es igual a (0) de acuerdo a ello
IRi=0; para el caso de nuestro ejercicio IR1=0.
b) Cuendo en un suceso termina una actividad, se empleara la relacin siguiente IR j= IRi+ tij ;
IR2=0+5=5 IR3=5+4=9.
c) Para cada uno de los eventos o sucesos restantes es el mximo de los tiempos ms prximos de
terminacin de todas las actividades que terminan en ese evento, es decir cuando en un evento
terminan varias actividades, exigen una seleccin; tmese el tiempo mayor
IR5=9+5=14
IR5=15+7=22
IR6=15+4=19
IR6=22+5=27
IR7=15+7=26
IR8=22+6=28
IR8=27+6=33
IR9=27+5=32
IR10=26+7=33
IR10=33+5=38
IR10=32+8=40
B. CALCULOS HACIA ATRAZ

B.1. TIEMPO DE OCURRENCIA MS LEJANO POSIBLE DE UN EVENTO:
a) El tiempo ms lejano posible del ultimo evento, debe ser igual al tiempo ms prximo posible
de dicho evento, ya que su tiempo es igual a la duracin total del proyecto; es decir que TT j=
IRi para el ejecicio TT10=40.
b) El tiempo ms lejano de iniciacin de una actividad, es el tiempo ms lejano posible del evento
en el cual termina dicha actividad menos su duracin. TTi= TTij+ tij
TT7=40-7=33
TT8=40-5=35
TT9=40-8=32
c) Cuando el evento comienza varias actividades en este caso tambin exige una seleccin,
tmese el tiempo menor.
TT6=35-6=29
TT6=32-5=27
TT5=33-4=29
TT5=35-6=29
TT4=22-7=15
TT4=27-4=23
TT3=22-5=17
TT3=15-6=9
TT2=9-4=5
TT2=15-5=10
TT5=27-5=22
TT1=5-5=0
d) el valor del primer evento (evento inicial) ser el comienzo del proyectoe igual a cero.
B.2. DETERMINACION DE LA RUTA CRTICA.
RUTAS POSIBLES
1
1,2,3,5,7,10=25
1,2,3,5,8,10=25
1,2,3,5,6,8,10=30
1,2,3,5,6,9,10=32
1,2,3,4,5,7,10=33
1,2,3,4,5,8,10=33
1,2,3,4,5,6,8,10=28
1,2,3,4,5,6,9,10=40
1,2,3,4,6,9,10=32
10
1,2,3,4,6,8,10=30
11
1,2,4,6,8,10=25
12
1,2,4,6,9,10=27
1.-Calcular la ruta crtica del as siguientes actividades. Una Fbrica de Software tiene un proyecto con
la siguiente informacin.
Nmero de
Actividad
1
2
3
4
5
6
Nombre de Actividad
A = Reclutamiento de Personal
B = Capacitacin de Testers
C = Certificacin de Testers
D = Test
E = Capacitacin de Programadores
F = Levantamiento de Requerimientos
Duracin Normal
(Semanas)
9
12
3
7
11
8
Predecesor
A
B
C, H
A
7
8
G = Anlisis y Diseo
H = Programacin de Prototipo
14
5
F
E,G
Ruta Crtica:
Es la Ruta ms larga desde inicio hasta fin. Determina la duracin total del proyecto
B
12
A
9
C
3
D
7
E
11
Inicio
H
5
F
8
G
14
Smbolo de la Actividad
Tiempo de inicio ms cercano o prximoTiempo de termina
A
9
Tiempo de terminac
(T.T.C)
(T.I.C)
Tiempo de inicio ms lejano o prximo

(T.T.L)
(T.I.L)
Duracin de la Actividad
Pasada hacia adelante: Identifica los tiempos ms prximos o cercanos de cada actividad.
B
12
A
9
C
3
D
7
E
11
Inicio
H
5
F
8
G
14
ALGORITMO PARA LA CALCULO DE LAS ACTIVIDADES DE IDA

T.T.P. = T.I.P. + tiempo de la actividad
Para A
Para B
Para C
Para D
Para E
Para F
Para G
Para H
0+9=9
9+12=21
21+3=24
27+7=34
29+11=2
0
0+8=8
8+14=2
2
22+5=2
7
T.I.C (B)=9
T.I.C(C)=21
T.I.C(D)=24
T.I.C(H)=20
T.I.C(G)=8
T.I.C(H)=22
T.I.C(D)=34
POR REGLA GENERAL DE CPM SE TOMA EL MAYOR PARA UN MISMO VALOR DE (H) EN
ESTE CASO ES 22
Pasada hacia adelante: Identifica los tiempos ms prximos o cercanos de cada actividad.
9
0
B21
12
A9
9
21 C24
3
27 D34
E20
11
Inicio
22 H27
5
F8
8
G22
14
PASADA HACIA ADELANTE: Identifica los tiempos ms prximos o cercanos de cada actividad.
Tiempo parcial del Proyecto = 34 Semanas
POR REGLA GENERAL EN EL FINAL DE LOS TIEMPOS SE COPIA EL MISMO VALOR YA
QUE NOS MUESTRA EL FINAL DE NUESTRAS OPERACIONES.
9
0
B21
12
A9
9
21 C24
3
27 D34
7
34
E20
11
Inicio
22 H27
5
F8
8
G22
14
PASADA HACIA ATRS: Comienza con la ltima actividad del proyecto.

Encuentra los tiempos ms lejanos.
T.T.L .= Mn. T.I.L .de las actividades que le siguen.
ALGORITMO PARA LA CALCULO DE LAS ACTIVIDADES DE VUELTA
T.I.L. = T.T.L.- tiempo de la actividad
Para D
Para C
Para H
Para G
Para E
Para B
Para A
Para F
347=27
27+3=24
27-5=22
22-14=8
22+11=11
2412=12
11-9=2
8-8=0
PARA LOS CALCULOS SE TOMA EL MENOR DE LOS RESULTADOS, SI ESTOS

CONFORMAN UNA MISMA RAIZ
9 B21
12
12 24
0
2
A9
9
21 C24
3
24 27
11
27 D34
7
27 34
9 E20
11
11 22
Inicio
0
0
F8
8
8
8
22 H27
5
22 27
G22
14
22
TIEMPO DE HOLGURA: tiempo libre para cada actividad.
0
2
A9
9
9 B21
12
12 24
21 C24
3
24 27
11
27 D34
7
27 34
9 E20
11
11 22
Inicio
0
0
F8
8
8
8
22 H27
5
22 27
G
22
14
22
ALGORITMO PARA LA CLCULO DE LAS HOLGURAS

Holgura = T.I.L. T.I.C.
Holgura = T.T.L. T.T.C.
H A =20=2
H A =119=2
H B =129=3
H B =2421=3
H C =2421=3
H C =2421=3
H D =2727=0
H D =2727=0
H E =119=2
H E =2220=2
H F =00=0
H F =88=0
H G =88=0
H G =2222=0
H H =2222=0
H H =2727=0
LA RUTA CRTICA ES EL CAMINO MS LARGO A TRAVS DE LA RED
9 B21
12
12 24
0 A9
9
2 11
21 C24
3
24 27
27 D34
7
27 34
9 E20
11
11 22
Inicio
0 F8
8
0 8
8
8
22 H27
5
22 27
G22
14
22
METODO DE PERT
1.- ORIGEN
El origen de los trabajos de la tcnica PERT empez formalmente en enero de 1957 en el mbito
militar. Se desarroll en la Oficina de Proyectos Especiales de la Armada de los EEUU, al reconocer el
almirante William. F. Raborn que se necesitaba una planificacin integrada y un sistema de control
fiable para el programa de misiles balsticos Polaris. Con su apoyo se estableci un equipo de
investigacin para desarrollar el PERT o Program Evaluation Research Task.
METODO
PERT
Se basa en la
probabilidad de
duracin de las
actividades
2.- DEFINICIN DE PERT (Program Evaluation & Review Technique):

El mtodo PERT es un instrumento al servicio de la toma de decisiones que permite la planificacin,
ejecucin y control de proyectos que requieren la coordinacin de un gran nmero de actividades
desconocidas que implican investigacin, desarrollo y pruebas.
Por ejemplo.- Supongamos que queremos hacer un viaje de fin de curso. El PERT es una herramienta
que nos permite planificar las diferentes actividades que son necesarias para el xito del viaje.
Utilizaremos el PERT para encontrar respuesta a una serie de preguntas, como:
Cundo debemos empezar a planificar el viaje?

Qu tareas tenemos que realizar?
En qu orden?
Qu tareas son ms importantes si queremos evitar retrasos?
Qu retraso nos podemos permitir en cada tarea?
Qu ocurrir con el proyecto si terminamos una tarea antes o despus de lo previsto?
El mtodo PERT nos permite representar grficamente las diferentes actividades que componen el
proyecto y calcular los tiempos de ejecucin de forma que podamos contestar a esas preguntas.
Para ello debemos seguir 4 pasos:
1. Hacer una lista de actividades o tareas
2. Hacer una tabla de precedencias
3. Dibujar el grafo
4. Calcular las duraciones
3.- ELEMTOS BASICOS

1.- NOMENCLATURA.- Los sucesos se representan mediante crculos y el orden de enumeracin de
estos ha de ser creciente en el sentido de las Flechas y de Arriba hacia Abajo.
2.- SUCESOS.- Es un instante de la actividad que sirve como un punto de control, describiendo el
momento de inicio o terminacin de una actividad fsica o mental, se caracteriza por que no consume
Tiempo ni Recursos, tan solo indican la transicin de una actividad a otra.
3.- ACTIVIDAD.- Se define como un smbolo de trabajo en proceso, o es el trabajo necesario para
alcanzar un suceso.
ACTIVIDAD
SUCES
O
SUCES
O
A: (i,j)
FIGURA N 01:
A
T.P
B
1
4.- TIPOS DE PRECEDENCIAS DE LAS ACTIVIDADES:

a.- Nodo inicial: De l deben partir todas las actividades que no tienen precedente.
1
b.- Precedencias lineales: Se presentan cuando, para poder iniciar una determinada actividad, es
necesario que haya finalizado previamente una nica actividad.
c.- Precedencias de divergencia: Son las que aparecen cuando, para que puedan iniciarse dos o ms
actividades, es necesario que se haya terminado anteriormente una nica actividad.
3
4
d.- Precedencias de convergencia: Se producen cuando, para poder iniciar cierta actividad, es
necesario que hayan finalizado previamente dos o ms actividades.
1
A
2
3
B
C
e.- Precedencias que dan lugar a una convergencia y divergencia. Son aquellas que se producen
cuando, para que se puedan iniciar un conjunto de dos o ms actividades, es preciso que se haya
finalizado previamente ms de una actividad.
5.- CONSTRUCCIN DEL GRAFO PERT

Se comienza recogiendo de manera sistematizada toda la informacin referente a las precedencias
entre las distintas actividades. Existen dos procedimientos:
1.- Matriz de encadenamientos: Matriz cuadrada cuya dimensin es igual al nmero de actividades
en que se ha descompuesto el proyecto. Si en los puntos de cruce aparece una X indica que para poder
iniciar la actividad de la fila tiene que haber terminado la correspondiente a la columna
Tabla de matriz de encadenamiento N01.
Actividad
inmediatamente
Actividad
siguiente
inmediatamente
prescedente
2.- Cuadro de precedencias: Tabla de dos columnas, en la primera se encuentran las actividades del
proyecto y en la segunda figuran las actividades precedentes de su homloga en la primera columna.
Tabla de matriz de precedentes N02

ACTIVIDAD
DEPENDE DE:
PRECEDENTES
B, C
D, E, F
I, H
C, A
F, G, H
I, J
La construccin del grafo PERT comienza en un vrtice que representa el evento inicio del proyecto y
termina en otro vrtice que representa el evento fin del proyecto.
Red de malla o de flechas N03

5
I
B
T.
0
C
4
ES IMPORTANTE RECORDAR QUE:

Las actividades implican tiempo y por lo general consumen recursos como mano de obra,
material o dinero y Los eventos no consumen ni tiempo ni recursos sino que sirven como
puntos de referencia del proyecto y representan los puntos lgicos de conexin para asociar las
diversas actividades.
6.- ASIGNACIN DE TIEMPOS A LAS ACTIVIDADES
En esta fase se produce la principal diferencia con el mtodo CPM. La duracin de una actividad no
puede fijarse, con exactitud. Depende de circunstancias aleatorias. Este problema es abordado por el
mtodo PERT de modo muy peculiar, pues considera tres estimaciones de tiempo distintas:
1.- Tiempo optimista:
se refiere al perodo mnimo de tiempo (razonable) en que una
actividad puede ser finalizada. (a)
2.- Tiempo ms probable: se refiere al mejor estimado de tiempo requerido para completar la
actividad pensando en la forma ms realista. (m)
3.- Tiempo pesimista: es el perodo mximo razonable de tiempo en que finalizar una actividad. (b)
Tiempo esperado: es el tiempo calculada a partir de los tiempos optimista,
probable
y
pesimista de la siguiente manera:
a+4 m+ b
Te =
6
ms
PERT requiere que se calcule la varianza de cada uno de los tiempos de completacin de una
actividad.
2 =
(ba)
36
para cada una de las actividades de la red

Estadstica de la ruta crtica: uno de los objetivos principales del PERT es encontrar el
tiempo medio y la desviacin estndar, es decir de todo el proyecto.
El tiempo total de finalizacin del proyecto se distribuye normalmente con media y desviacin
estndar .
= Te1 + Te2 + Te3 + . + Ten
para las actividades de la ruta crtica
Esta es la desviacin estndar de la ruta crtica.

En PERT se asume adems que la duracin de las actividades es independiente. Por lo tanto, el valor
esperado y la varianza de una ruta pueden ser estimadas segn:
Tij
ijRuta
= Duracin esperada de la ruta
Vij
ijRuta
= Variacin de la duracin de la ruta
7.- HOLGURA PERT Y CAMINO CRTICO

La holgura de un suceso es la diferencia entre los tiempos early y last
Es el retraso que se puede cometer en dicho suceso sin que se retrase la marcha global del
proyecto
1.- HOLGURA DE SUCESO (HS).- Es la diferencia entre el tiempo pesimista y el tiempo optimista
de un mismo suceso.
n
tn
T*
Suceso
n
HSn = T*n tn
n: nmero de
suceso
2.- HOLGURAS DE ACTIVIDAD (HA).- Es la diferencia entre el tiempo pesimista de terminacin

y la sumatoria del tiempo optimista de inicio y su duracin.
A ij
T ij
ti
t*j
HAn = T*j (ti Tij)

LA TRAYECTORIA CRTICA
Es el camino que marca la duracin total del proyecto.
Es el camino que recorre sucesos sin holguras.
Si la trayectoria crtica del proyecto no resulta obvia, entonces puede ser provechoso determinar las
cuatro cantidades siguientes para cada actividad:
ES, Principio temprano.

EF, principio tardo.
LS, terminacin temprana.
LF, terminacin tarda.
CP
Tij
ijRuta
La
duracin
de
las
actividades depende
de circunstancias aleatorias
y probabilsticas. Empricamente, se demuestra que las actividades de los
proyectos se
ajustana
una
distribucin probabilstica de tipo BETA.
Distribucin BETA.- Cuya funcin de densidad es:
f (t ) = K (t - a )a (t - b)j
t = variable aleatoria, intervalo cerrado [a, b]

f (t ) 0; t a
f (t ) 0; t b
Donde:
K = constante
y = parmetros
Probabilida
d
a
b
VENTAJAS DEL PERT

El PERT es til porque proporciona la informacin siguiente:
Se utilizan en varias etapas de la direccin de proyectos.
No son complejos matemticamente.
Utilizan representaciones grficas.
Proporcionan un camino crtico y tiempo de holgura.
Proporcionan documentacin del proyecto.
Sirven para controlar los costes.
Las redes creadas proporcionan valiosa documentacin del proyecto y sealan grficamente
quin es el responsable de las diferentes actividades.
Aplicables a una gran variedad de proyectos e industrias.
Se utilizan para controlar no slo programas, sino tambin costes.
LIMITACIONES
Los siguientes son algunas de las debilidades del PERT:

Las actividades deben estar definidas de forma clara, independiente y estable.
Se deben especificar las relaciones de precedencia.
Las duraciones de las actividades (PERT) siguen la distribucin de probabilidad beta.
Estimaciones de duracin subjetivas.
Demasiado nfasis en el camino crtico.
No es posible asumir independencia entre las actividades del proyecto.
Su utilizacin de complica cuando se inician actividades antes de concluir la actividad
precedente.
Difcil definicin el comienzo y la finalizacin de una actividad.
Excesiva subjetividad en la estimacin de las duraciones de cada actividad
Uso de la distribucin beta y las frmulas simplificadas utilizadas
PERT
Los pasos para ejecutar la tcnica PERT son los siguientes:
PASO 1. Obtener la siguiente informacin del proyecto: Actividades (codificadas), actividades
precedentes y los tres tiempos (duraciones) de cada actividad:
a = duracin optimista.
m = duracin ms probable.
b = duracin pesimista.
Todas las duraciones en una sola escala temporal. Ejemplo: das.
PASO 2. Calcular la duracin esperada de cada actividad y su varianza, usando la estimacin de la
distribucin beta:
PASO 3. Con la duracin esperada asociada a cada actividad, ejecutar el CPM.

PASO 4. Responder las preguntas sobre probabilidad de finalizacin del proyecto para cierta duracin
o la duracin de un proyecto para una probabilidad dada. Para hallar tales probabilidades puede usarse
la estandarizacin siguiente:
Sea:
T = variable T, duracin del proyecto.
TS = duracin solicitada para terminar el proyecto.
TPy = duracin estimada del proyecto tras ejecutar el paso 3.
z = variable z normalizada de la distribucin normal, con media y varianza (0, 1).
2RC = varianza de una actividad considerada crtica
La probabilidad puede encontrarse usando una tabla normal estandarizada alguna otra funcin de
calculadoras u hoja electrnica.
Ejercicio:
La Ca. Minera. Zorro Plateado S.A. debe reubicar su campamento hacia nuevas instalaciones
en la zona norte con el objetivo de brindar una atencin especializada a sus trabajadores, el
ingeniero debe preparar un informe detallado de los trabajos y el tiempo de cada uno para el
traslado, incluyendo rutas crticas y estimaciones de tiempos. El ingeniero ha desarrollado el
proyecto con 12 actividades que se presentan en el Cuadro 1.
Cuadro 1: Detalle de actividades para el ejercicio (duraciones en das)
ACTIVIDA
D
DEPEND
E DE
CONDICIONA
A
DETALLE
----
B,H,C
Seleccionar el rea 1
de trabajo
Inspeccin del rea 3

de trabajo
4.5
Seleccionar tipos de 2
campamento
F,K
Crear
organizacional
I,G
Determinar personal
16
plan 2
4
Disear
instalaciones
las 1
1.5
Construir
interiores
los 2.5 3.5
Seleccionar personal
Contratar
nuevos 4
trabajadores
G,H,F
Traslado de material
Hacer arreglos
campamento
I,J,K
------
Capacitar
personales
7.5
1.5 3
4.5
al 3
nuevos 3
Tras obtener los datos en el paso 1 comenzamos a calcular las duraciones esperadas y sus varianzas
para el paso 2.
Cuadro 2: Duracin esperada y varianza
ACTIVIDAD
DEPENDE DE
CONDICIONA
A
----
B,H,C
0.444
4.5
0.111
F,K
0.444
I,G
16
1.5
0.444
2.5
3.5
7.5
0.694
0.111
0.111
G,H,F
1.5
4.5
0.25
0.111
I,J,K
------
0.444
Ejemplo de la aplicacin:
TX=
TA=
1+ 4 ( 3 ) +5
=3
6
TB=
3+ 4 ( 4.5 ) +9
=5
6
TC=
2+ 4 ( 3 ) + 4
=3
6
TD=
2+ 4 ( 4 ) +6
=4
6
TE=
4+ 4 ( 7 ) +16
=8
6
TF=
1+ 4 ( 1.5 ) +5
=2
6
TG=
2.5+ 4 ( 3.5 ) +7.5

=4
6
TH=
1+ 4 ( 2 ) +3
=2
6
TI=
4+ 4 ( 5 ) +6
=5
6
TJ=
1.5+ 4 ( 3 ) + 4.5
=3
6
TK=
3+ 4 ( 4 ) +5
=4
6
a+4 m+ b
6
TL=
3+ 4 ( 5 ) +7
=5
6
ba
2= ( 6 )
51
A2= ( 6 )
=0.444
93
B2= ( 6 ) 2=1
42
C2= ( 6 )
=0.111
62
D2= ( 6 ) 2=0.444
164
)
6
E2= (
51
F2= ( 6 )
G2= (
=4
=0.444
7.52.5
)
6
31
H2= ( 6 )
=0.694
=0.111
64
I2= ( 6 ) 2=0.111
J2= (
4.51.5
)
6
=0.25
53
K2= ( 6 ) 2=0.111
73
L2= ( 6 ) 2=0.444
Paso 3. Con la duracin esperada ejecutamos el CPM, para darle un inicio y un final nos apoyamos en
dos actividades ficticias O y L con duracin de cero. La red del proyecto sera el siguiente:
LOS TIEMPOS PARA COMENZAR Y TERMINAR UNA ACTIVIDAD.-La terminacin de

cuando comenzar y/o terminar cada actividad de los clculos en la red, estn apoyados en el PERT
Si ahora traspasamos este razonamiento a un grafo PERT (recordamos que las actividades se
representan por flechas que consumen recursos y que adems las tenemos que dibujar un nudo de
inicio y un final) obtendramos:
Red de mallas
APLICANDO TIEMPO OPTIMISTA (Ida
tj1 = 0 + 3= 3
Lj2 = 3 + 5= 8
Lj4 = 3+ 3 = 6
Lj5 = 8+ 8 = 16
Lj6 = 6 + 4= 10
Lj3 = 3+2=5
Lj3=16+4=20 si elige el mayor numero
Lj3=10+2=12
Lj7 = 16+5=21
Lj7=20+3=23 si elige el mayor numero
Lj7=10+4=14
Lj8 = 23+5=28
HALLANDO TIEMPO PESIMISTA (Vuelta
Lj8 = 28
Lj7 =28-5= 23
Lj6 =23-4=21
Lj6 =20-2=18
Lj5 =23-5=18
Lj5=20-4=16 se elige el menor
Lj3 =23-3=20
Lj4=18-4=14
Lj2 =16-8=8
Lj1 = 8-5=3
Lj1= 14-3=11
Lj0=3-3=0
Hallando Holguras= tiempo pesimista tiempo optimista
actividad
operacin
holguras
0-0
3-3
8-8
14-6
16-16
18-10
20-20
23-23
28-28
Ruta crtica= 0-1-2-5-3-7-8

Actividad critica=A-B-E-G-J-L
Duracin del proyecto= 28 das

Actividad critica=A-B-E-G-J-L
En este caso tenemos una ruta crtica compuesta por 6 actividades crticas reales, la suma de las
varianzas de esta ruta es:
RC2=0.444+1+4+0.694+0.25+0.444=6.832
Para el paso 4, suponemos una serie de preguntas de probabilidad sobre este proyecto:
a) Cul ser la probabilidad de terminar el proyecto hasta 18 das?
Para resolver la pregunta usaremos la estandarizacin de la duracin del proyecto para encontrar la
variable normalizada z y as emplear la tabla (u otro mtodo) para hallar la probabilidad en la
distribucin normal. En nuestro caso TS = 18 das, TPy = 28 das.
1828
Pr (T 28)=Pr (z 6.832 = Pr (z-3.826)
El clculo ahora se reduce a encontrar la probabilidad (rea de la curva normal) a la derecha del punto
z.
Cuadro 3: Probabilidad en tabla normal
Segn la tabla, un valor aproximado para

3,826 es 3,83 con un valor de
0,0010 o 0,10%.
En el Microsoft Excel 2007 puede hacerse uso de la funcin =DISTR.NORM.ESTAND (celda),

donde se encuentra el valor de la probabilidad con una gran exactitud, puede comprobarse que la
probabilidad es del 0.10%, truncado a 2 decimales.
b) Cul ser la probabilidad de terminar el proyecto hasta 32 das?
Realizamos el clculo:
Pr (T 32)=Pr (z
3228
6.832 = Pr (z +1.53)
En tablas, la probabilidad es de 93,70%.

c) Cul ser la duracin del proyecto para una probabilidad de finalizacin del 95%?
Para que la probabilidad del proyecto sea del 95% podemos usar una z aproximado de 1,65; para este
punto en la curva le corresponde un TS asociado de manera que:
Pr (T TS)=Pr (z
Entonces
TS28
6.832 = Pr (z+1.65)=0.95
TS28
6.832 =1.65
Despejando TS tenemos un valor de 32,31 das.
CONCLUSIONES
El mtodo Pert considera la duracin de una actividad como una variable aleatoria y
estimacin de tres duraciones
Te = (a + 4m + b) / 6.
La duracin del proyecto es determinada por la duracin de la ruta crtica que es 17 das 21
horas 6 minutos.
EL mtodo Pert se apoya en la estadstica en la experiencia.
La programacin Pert CPM usa el grafo para representar el desarrollo de un proyecto

especfico.
El PERT CPM no es funcional en grandes proyectos debido a los tres estimados tiempo
que se requiere en cada actividad.
Una ruta crtica en un proyecto es una ruta a travs de la red tal que todas sus actividades
tienen holgura cero.
BIBLIOGRAFIA
MONTAO, Agustn.
Iniciacin al Mtodo del Camino Crtico. 1972. Editorial Trillas, S.A.
Mxico. D.F. Mxico.
LOPEZ H,Hilario.
Programacion Pert-Cpm y control de Proyectos
Norberto J. Munier
Pert-Cpm; Anlisis de Redes
CAPTULO IV
TEORA DE COLAS, DUAL Y PRIMAL
INTRODUCCION
Todos hemos experimentado en alguna ocasin la sensacin de estar perdiendo el tiempo al esperar en
una cola. El fenmeno de las colas nos parece natural: esperamos en el coche al estar en un tapn, o
un semforo mal regulado, o en un peaje; esperamos en el telfono a que nos atienda un operador en la
cola de un supermercado para pagar.
Como clientes no queremos esperar, los gestores de los citados servicios no quieren que esperemos.
Por qu hay que esperar?
La respuesta es casi siempre simple, en algn momento la capacidad de servicio ha sido (o es) menor
que la capacidad demandada.
Generalmente esta limitacin se puede eliminar invirtiendo en elementos que aumenten la capacidad.
En estos casos la pregunta es: Compensa invertir?
La teora decolas intenta responder a estas preguntas utilizando anlisis matemticos detallados.
El estudio de las colas es importante porque proporciona tanto una base terica del tipo de servicio
que podemos esperar de un determinado recurso, como la forma en la cual dicho recurso puede ser
diseado para proporcionar un determinado grado de servicio a sus clientes.
TEORA DE COLAS
1.10.
OBJETIVO:
Proponer, en forma cuantitativa, acciones o decisiones que mejoren la forma en que opera un
especfico sistema de espera, mediante la teora y prctica de la Teora de Colas.
Identificar el nivel ptimo de capacidad del sistema que minimiza el coste global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema
tendran en el coste total del mismo.
1.11.
MARCO TERICO
SISTEMA DE COLAS
Es un sistema en el que los productos, (clientes) llegan a una estacin, esperan en una fila o cola,
obtienen algn servicio y luego salen del sistema. Los sistemas de colas son modelos de
sistemas que proporcionan servicio. Como modelo, pueden representar cualquier sistema en
donde los trabajos o clientes llegan buscando un servicio de algn tipo y salen despus de que
dicho servicio donde haya sido atendido. Podemos modelar los sistemas de este tipo tanto como
colas sencillas o como un sistema de colas interconectadas formando una red de colas. Este
modelo puede usarse para representar una situacin tpica en la cual los clientes llegan, esperan
si los servidores estn ocupados, son servidos por un servidor disponible y se marchan cuando se
obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el balance correcto.
Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no se sabe con exactitud
en qu momento llegarn los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
1.12.
DESCRIPCIN DE UN PROBLEMA DE COLAS
Un sistema de colas se puede describir como: clientes que llegan buscando un

servicio, esperan si este no es inmediato, y abandonan el sistema una vez han sido atendidos. En
algunos casos se puede admitir que los clientes abandonan el sistema si se cansan de esperar.
El trmino cliente se usa con un sentido general y no implica que sea un ser humano, puede
significar piezas esperando su turno para ser procesadas o una lista de trabajo esperando para
imprimaren una impresora en red.
Figura N 01 Sistema de Cola Tpico
Aun que cualquier sistema se puede representar como en la figura1, debe quedar claro que una
representacin detallada exige definir un nmero elevado de parmetros y funciones.
La teora de colas fue originariamente un trabajo prctico. La primera aplicacin de la que se
tiene noticia es del matemtico dans Eran sobre conversaciones telefnicas en 1909, para el
clculo de tamao de centralitas. Despus se convirti en un concepto terico que consigui un
gran.
Desarrollo, y desde hace unos aos se vuelve a hablar de un concepto aplicado aunque exige un
importante trabajo de anlisis para convertir las frmulas en realidades o viceversa.
1.13.
CARACTERSTICAS DE LOS SISTEMAS DE COLAS
Seis son las caractersticas bsicas que se deben utilizar para describir adecuadamente un
sistema de colas:
patrn de llegada de los clientes

Patrn de servicio de los servidores
Disciplina de cola
Capacidad del sistema
Nmero de canales de servicio
Nmero de etapas de servicio
Algunos autores incluyen una sptima caracterstica que es la poblacin de posibles clientes.
1.14.
Llegadas
DIAGRAMA DE SISTEMAS DE COLAS
Sistema de
colas
Col
a
Disciplina
de la cola
Instalacin del
servicio
Salida
s
A. PATRN DE LLEGADA DE LOS CLIENTES:

En situaciones de cola habituales, la llegada es estocstica, es decir la llegada depende de una
cierta variable aleatoria, en este caso es necesario conocer la distribucin probabilstica
entre dos llegadas de cliente sucesivas. Adems habra que tener en cuenta si los clientes
llegan independiente o simultneamente. En este segundo caso (es decir, si llegan lotes)
habra que definir la distribucin probabilstica de stos.
Tambin es posible que los clientes sean impacientes. Es decir, que lleguen a la cola y si es
demasiado larga se vayan, o que tras esperar mucho rato en la cola decidan abandonar.
Por ltimo es posible que el patrn de llegada vare con el tiempo. Si se mantiene constante
le llamamos estacionario, si por ejemplo vara con las horas del da es no-estacionario.
B. PATRONES DE SERVICIO DE LOS SERVIDORES

Los servidores pueden tener un tiempo de servicio variable, en cuyo caso hay que asociarle,
para definirlo, una funcin de probabilidad. Tambin pueden atender en lotes o de modo
individual.
El tiempo de servicio tambin puede variar con el nmero de clientes en la cola, trabajando
ms rpido o ms lento, y en este caso se llama patrones de servicio dependientes. Al igual
que el patrn de llegadas el patrn de servicio puede ser no-estacionario,
variando con el tiempo transcurrido.
C. DISCIPLINA DE COLA
La disciplina de cola es la manera en que los clientes se ordenan en el momento de ser
servidos de entre los de la cola. Cuando se piensa en colas se admite que la disciplina de
cola normal es FIFO (atender primero a quien lleg primero) Sin embargo en muchas
colas es habitual el uso de la disciplina LIFO (atender primero al ltimo). Tambin
es posible encontrar reglas de secuencia con prioridades, como por ejemplo secuenciar
primero las tareas con menor duracin o segn tipos de clientes.
En cualquier caso dos son las situaciones generales en las que trabajar. En la primera,
llamada en ingls preemptive, si un cliente llega a la cola con una orden de prioridad
superior al cliente que est siendo atendido, este se retira dando paso al ms importante. Dos
nuevos sub casos aparecen: el cliente retirado ha de volver a empezar, o el cliente
retorna donde se haba quedado. La segunda situacin es la denominada no-preemptive
donde el cliente con mayor prioridad espera a que acabe el que est siendo atendido.
D. CAPACIDAD DEL SISTEMA:

En algunos sistemas existe una limitacin respecto al nmero de clientes que pueden esperar
en la cola. A estos casos se les denomina situaciones de cola finitas. Esta limitacin puede
ser considerada como una simplificacin en la modelizacin de la impaciencia de los
clientes.
E. NMERO DE CANALES DEL SERVICIO
Es evidente que es preferible utilizar sistemas multiservidor con una nica lnea de espera
para todos que con una cola por servidor. Por tanto, cuando se habla de canales de servicio
paralelos, se Teora de Colas Mtodos Cuantitativos de Organizacin Industrial habla
generalmente de una cola que alimenta a varios servidores mientras que el caso de
cola sin dependientes se asemeja a mltiples sistemas con slo un servidor.
En la figura N01 se dibuj un sistema mono-canal, en la figura N02 se presenta
dos variantes de sistema multicanal. El primero tiene una sola cola de espera, mientras que
el segundo tiene una sola cola para cada canal.
Figura N 02 Sistema de Cola Multicanal
Se asume que en cualquiera de los dos casos, los mecanismos de servicio operan de manera
independiente.
F. ETAPAS DE SERVICIO:
Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa el
cliente puede pasar por un nmero de etapas mayor que uno. Una peluquera es un sistema
unietapa, salvo que haya diferentes servicios (manicura, maquillaje) y cada uno de estos
servicios sea desarrollado por un servidor diferente.
En algunos sistemas multietapa se puede admitir la vuelta atrs o reciclado, esto es
habitual en sistemas productivos como controles de calidad y reprocesos.
Figura N 03 Sistema Multietapa con Retroalimentacin

1.15.
ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS
A. ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS: Una Lnea, un Servidor
Sistema de
colas
Llegada
s
Servidor
Col
a
Salida
s
B. ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS: Una Lnea, Mltiple Servidores
Sistema de
colas
Col
a
Salida
s
C. ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS: Mltiples Lneas, Mltiple

Servidores.
Sistema de
colas
Co
la
Llegada
s
Co
la
Co
la
Servidor
Salida
s
Servidor
Salida
s
Servidor
Salida
s
D. ESTRUCTURAS TIPICAS DE SISTEMAS DE COLAS: Una Lnea, Servidores Secundarios
Llegada
s
Sistema de
colas
Cola
Servidor
Servidor
Salida
s
Co
1.16.
NOTACIN
Con el paso del tiempo se ha implantado una notacin para representar los problemas de colas
que constan de 5 smbolos separados por barras.
A / B /X /Y/Z
A: indica la distribucin de tiempo entre llegadas consecutivas
B: alude al patrn deservicio de servidores.
X: es el nmero de canales de servicios
Y: es la restriccin en la capacidad del sistema
Z: es la disciplina de cola
En la tabla 1 se presenta un resumen de los smbolos ms utilizados.
Tabla N 01
1.17.
NOMENCLATURA BSICA
1.18.
EJEMPLOS DE APLICACIN:
Ejemplo 1.
Una doctora pasa en promedio 20 minutos con sus pacientes, si el tiempo estimado de espera en
la fila es de 30 minutos. Determinar:
a)
b)
c)
d)
e)
f)
g)
Nmero promedio de llegadas al sistema

Tiempo promedio que pasa un cliente en todo el sistema
Factor de uso del sistema
Nmero de personal en el sistema
Nmero de personas en la fila
Probabilidad de que no haya ningn cliente en el sistema
Probabilidad de que haya 3 o menos personal en el sistema
DATOS:
=?
W q =30 min
FORMULAS A UTILISARZE:
Para el modelo MM1
Nmero de clientes en el sistema
LS =
Tiempo del cliente en el sistema

W S=
Nmero de clientes en la cola

L q=
2
()
Tiempo del cliente en la cola
W q=
()
Factor de uso del sistema

P=
Formulas probabilsticos:
PS =1P
Pn= 1
( )( )
DONDE:
=Promedio de llegada(Cliente /tiempo)
=Promedio de atencion del servidor (Cliente /tiempo)
s=Numero de Servidores
SOLUCION:
a)
=Promedio de atencion del servidor (Cliente /tiempo)

=
W q=
1Cliente
Cliente
=0.05
20 minutos
minutos
=30 min
( )
=30 [ 0.05 ( 0.05 ) ]

=1.50(0.05)
=0.0751.5
+1.5 =0.075
2.5 =0.075
0.075
Cliente
=0.03
2.5
minutos
1
1
1
=
=
=50 min
0.050.03 0.02
b)
W S=
c)
0.03
P= =
=0.6
0.05
d)
LS =
0.03
0.03
=
=
=1.5 Clientes
0.050.03 0.02
e)
Lq =
0.03
0.03
0.03
=
=
=
=0.9 clientes
() 0.05(0.050.03) 0.05(0.02) 0.001
f)
PS =1P=10.6=0.4
g)
P3 + P2+ P 1+ P s= 1
+ 1
+ 1
1
+0.4
)( ) ( )( ) ( )( )
P3 + P2+ P 1+ P s= 1
0.03
0.05
)[( ) ( ) ( ) ] +0.4
3
0.03
0.03
0.03
+
+
0.05
0.05
0.05
= 0.8704
Ejemplo 2.
En un taller mecnico, la gerencia est considerando contratar un nuevo mecnico para

manejar todos los cambios de cauchos para los clientes que ordenan nuevos juegos de
cauchos. Dos mecnicos han solicitado el trabajo. Uno de ellos tiene experiencia limitada y
puede ser contratado pagndole Bs. 500 la hora. Se espera que este mecnico pueda atender
un promedio de 3 clientes
Por hora. El otro mecnico tiene varios aos de experiencia, puede servir un promedio de 4
clientes
Por hora y se le pagara Bs. 1.000 la hora. Asuma que los clientes arriban a una tasa de 2 por
hora.
En el sistema es aplicable el modelo M/M/1. (Recuerda los aspectos que presenta un sistema
donde se aplica el modelo M/M/1?)
a) Calcule las caractersticas Operacionales con cada mecnico.
b) Si el taller asigna un costo de espera a cada cliente de Bs. 1.500 por hora, Cul mecnico
proporciona el menor costo de operacin?
Respuestas:
a) Para el mecnico 1, la tasa de servicio = 3 clientes por hora
Para el mecnico 2, la tasa de servicio = 4 clientes por hora
En ambos casos = 2 clientes por hora

Caractersticas operacionales
Mecnico 1
Mecnico 2
Promedio de clientes esperando

Promedio de clientes esperando
Tiempo promedio esperado en la
Tiempo promedio esperado en el
Probabilidad de esperar
0.6667
0.5
Costo total del mecnico 1:

Costo de esperar: 1500Bs/hora (2 clientes) = 3.000 Bs. Costo de servir: 500Bs/hora
Costo total = 3.000 + 500 = 3500 Bs. por hora
Costo total del mecnico 2:
Costo de esperar: 1500Bs/hora (1 cliente) = 1.500 Bs. Costo de servir: 1.000Bs/hora
Costo total = 1.500 + 1.000 = 2.500 Bs. por hora.
Por lo tanto si el costo por hora es menor con el mecnico 2, la decisin es contratar al
mecnico 2.
TEORIA DUAL Y PRIMAL

2. DUAL Y PRIMAL
El problema dual se define sistemticamente a partir del modelo de PL primal. Los dos problemas
estn estrechamente relacionados en el sentido de que la solucin ptima de uno proporciona
automticamente la solucin ptima al otro. En la mayora de los tratamientos de PL, el dual se define
para varias formas del primal segn el sentido de la optimizacin (maximizacin o minimizacin), los
tipos de restricciones (<=, >= o =), y el signo de las variables (no negativas o irrestrictas).
La definicin del problema dual requiere expresar el problema primal en la forma de ecuacin (todas
las restricciones son ecuaciones con lado derecho no negativo, y todas las variables son no negativas).
Este requerimiento es consistente con el formato de la tabla inicial simplex. Como consecuencia
cualquier resultado obtenido a partir de la solucin ptima primal se aplican directamente al problema
dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asignar un variable dual por cada restriccin primal.
2. Construir una restriccin dual por cada variable primal.
3. Los coeficientes de restriccin (columna) y el coeficiente objetivo de la variable primal j-sima
definen respectivamente los lados izquierdos y derecho de la restriccin dual j-sima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones de restriccin
primales.
5. Las reglas que aparecen en la tabla 4.1 rigen el sentido de optimizacin, la direccin de las
desigualdades y los signos de las variables en el dual. Una forma fcil de recordar el tipo de
restriccin en el dual (es decir,# o $) es que si el objetivo dual es de minimizacin (es decir,
apunta hacia abajo), entonces todas las restricciones sern del tipo $ (es decir, apuntan hacia
arriba). Lo opuesto aplica cuando el objetivo dual es de maximizacin.
2.1. EJEMPLO DE APLICACIN

EJEMPLO N 01
PROBLEMA PRIMAL
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +6 X 2
X 1 +2 X 2=5
X 1+ 5 X 2 3
4 X 1+ 7 X 2 8
CONDICION DE NO NEGATIVIDAD:
X 1 irrestricta , X 2 0
PROBLEMA PRIMAL EN FORMA DE ECUACIN

:
X 1
X 1= X 1
FUNCIN OBJETIVO
++ 6 X 2
5 X 1
Max ( Z )=5 X 1
SUJETO A
SUSTITUIR POR
++2 X 2=5 y 1
X 1
X 1
++5 X 2 X 3=3 . y 2
+ X 1
X 1
++7 X 2+ X 4=8 . y 3
4 X 1
4 X 1
CONDICION DE NO NEGATIVIDAD
+ , X 2 , X 3 , X 4 0
, X 1
X 1
PROBLEMA DUAL
FUNCIN OBJETIVO
SUJETO A
Min ( Z )=5 y 1+ 3 y 2 +8 y 3
y 1 y 2 +4 y 3 5
y 1 + y 24 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3=5
2 y1 +5 y 2 +7 y 3 6
y 2 0
y3 0
y 1 irrestricta , y 2 0, y 3 0
CONSTRUCCION DEL DUAL
Si el primal es de maximizacin entonces el dual es de minimizacin y viceversa. No es

necesario incluir las variables artificiales en el primal porque stas no cambiaran la definicin
del dual.
El grfico N 01 muestra la tabla simplex inicial, el cual los coeficientes de restriccin bajo las
variables iniciales forman una matriz identidad.
GRFICO 1: Tabla inicial

Con esta disposicin, las iteraciones siguientes de la tabla simplex generadas por las
operaciones de filas de Gauss-Jordan modifican los elementos de la matriz identidad para
generar la matriz inversa (grfico n 02). La matriz inversa es la clave para calcular todos los
elementos de la tabla simplex asociada.
GRFICO 2: Tabla general

SOLUCIN PTIMA DUAL
Las soluciones primal y dual estn estn estrechamente relacionados en el sentido de que la
solucin ptima de uno u otro problema da la solucin ptima al otro.
En un modelo de PL en el que la cantidad de variables es considerablemente menor que La de
restricciones, pueden ahorrarse clculos resolviendo el dual porque la cantidad de clculos
simplex depende de la cantidad de restricciones. Los mtodos para determinar los valores
duales son:
PRIMER MTODO
PTIMO DE = COEFICIENTE Z PRIMALPTIMO DE LA VARIABLE INICIAL X
( VALOR
)
LA VARIABLE DUAL) (
+ COEFICIENTE OBJETIVO ORIGINAL DE X
i
SEGUNDO MTODO
VECTOR FILA DE LOS

VALORES PTIMOS DE = COEFICIENTES OBJETIVO ORIGINALES X INVERSA PRIMAL
LAS VARIABLES DUALES
DE LAS VARIABLES BSICAS PRIMALES
PTIMA
PTIMAS
EJEMPLO N 02
PROBLEMA PRIMAL
)(
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +12 X 2 +4 X 3
X 1 +2 X 2 + X 3 10
2 X 1X 2+3 X 3=8
X1 , X2 , X3 0
CONDICION DE NO NEGATIVIDAD:
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +12 X 2 +4 X 3 +0 X 4MR
X 1 +2 X 2 + X 3 + X 4=10
y1
2 X 1X 2+3 X 3+ R=8
y2
X1 , X2 , X3, X 4 , R 0
PROBLEMA DUAL
FUNCIN OBJETIVO
SUJETO A
:
y 1+ 2 y 2 5
2 y1 y 2 12
y 1+ 3 y 2 4
y1 0
y 2 M
Min ( Z )=10 y 1+ 8 y 2
y 1 0, R 0, y 2 Irrestricta
Anlisis con el tablero simplex
SOLUCIN POR EL PRIMER MTODO

Las variables primales iniciales x4 y R corresponden slo a las variables y1 y y2
respectivamente. Por lo tanto la solucin dual ptima dual se obtiene de la siguiente forma:
SOLUCIN POR EL SEGUNDO MTODO

La matriz inversa obtenida en el tablero simplex bajo las variables iniciales x4 y R, es
Inversa ptima =
[ ]
2
5
1
5
1
5
2
5
El orden de las variables bsicas primales ptimas en la columna Bsica es X2 seguida por X1.
Los elementos de los coeficientes objetivo originales para las dos variables deben aparecer en
el mismo orden, es decir:
( coeficiente objetivo originales )= ( coeficiente de x2 , coeficiente de x 1 )

(12,5)
Los valores duales ptimos son:
( y 1 , y 2 ) = coeficiente objetivo x ( inversa ptima )
( originales de X , X )
2
( )
2
( 12,5 ) x 5
1
5
1
5
2
5
29 2
( y 1 , y 2 ) = 5 , 5
Son soluciones factibles x1 = 0, x2 =0 , x3 = 8/3 y y1 = 6, y2 = 0, son soluciones primales

y duales factibles (arbitrarias). Los valores asociados de las funciones objetivo son:
Z =5 x 1 +12 x 2 + 4 x3 =5 ( 0 ) +12 ( 0 )+ 4
( 83 )= 323
W =10 y 1 +8 y 2=10 ( 6 )+ 8 ( 0 )=60
En el ptimo, la relacin se mantiene como una ecuacin estricta, lo que significa que los dos
valores objetivos son iguales. Observe que la relacin no especifica cul problema es primal y
cul es dual. En este caso slo el sentido de optimizacin (maximizacin o minimizacin) es

importante.
El ptimo no puede ocurrir con z estrictamente menor que w (es decir, z w) porque, no
importa qu tan cerca estn z y w, siempre hay la oportunidad de una mejora, lo que contradice
la optimalidad como lo demuestra la figura 4.2.
GRFICO 3: RELACIN ENTRE Z MXIMO Y W MNIMO

Para cualquier par de soluciones primales y duales factibles
valor objetivo en el
( problemade
maximizacin ) ( problema de minimizacin)
2.1. MTODO DUAL SMPLEX

Como en el mtodo smplex (primal), la base el mtodo smplex dual es que cada iteracin
siempre est asociada a una solucin bsica. Las condiciones de optimalidad y factibilidad se
establecen para preservar la optimalidad de las soluciones bsicas y al mismo tiempo mover las
iteraciones de la solucin hacia la factibilidad.
a. Condicin dual de factibilidad
La variable de salida xr es la variable bsica que tiene el valor ms negativo (los empates se
rompen en forma arbitraria). Si todas las variables bsicas son no negativas, termina el
algoritmo.
b. Condicin dual de optimalidad. La variable de entrada se determina entre las variables no
bsicas, como la que corresponde a
Donde zj - cj es el coeficiente objetivo del rengln z en la tabla, y es el coeficiente negativo de

restriccin de la tabla, asociado con el rengln de la variable de salida xr, y con la columna de
la variable xj no bsica. Los empates se rompen arbitrariamente.
Observe que la condicin de optimalidad dual garantiza que se mantendr la optimalidad en
todas las iteraciones.
Para el inicio de una programacin lineal que sea ptima y no factible a la vez, se deben
satisfacer dos requisitos:
1. La funcin objetivo debe satisfacer la condicin de optimalidad del mtodo smplex regular.
2. Todas las restricciones deben ser del tipo ().
Por la segunda condicin se requiere convertir toda () a (), slo multiplicando ambos lados
en la desigualdad () por -1. Si en la programacin lineal hay restricciones (=) se puede
reemplazar la ecuacin con dos desigualdades.
Por ejemplo:
x1 + x2 = 2,
Equivale a:
x1 + x2 1, x1 + x2 1
O bien:
x1 + x2 1, -x1 - x2 1
Despus de convertir todas las restricciones en (), la programacin lineal tendr una solucin
de inicio no factible si, y slo si al menos uno de los lados derechos de las desigualdades es
estrictamente negativo. En caso contrario, si z es ptima y ninguno de los lados derechos es
negativo no habr necesidad de aplicar el mtodo smplex dual, porque la solucin de inicio ya
es ptima y factible.
Ejemplo:
Minimizar z= 3x1 + 2x2
Sujeta a:
3x1 + x2 3
4x1 + 3x2 6
x1 + x2 3
x1, x2 0
Solucin:
Como se puede observar las dos primeras restricciones son desigualdades que no cumplen los
requisitos (), multiplicaremos por (-1) y cambia la desigualdad (), luego en la funcin
objetivo hacemos la igualdad a cero y tenemos:
0 = z - 3x1 - 2x2
Sujeta a:
-3x1 - x2 - 3
-4x1 - 3x2 - 6
x1 + x2 3
x1,x2 0
Llevando a la tabla:
Como se puede observar la tabla comienza ptima (todas las z j cj 0 en el rengln z) y la

solucin bsica de inicio es factible(x3 = -3, x4 = -6, x5 = 3).
Segn la condicin dual de factibilidad, x 4 es la variable de salida. La tabla siguiente muestra
cmo se usa la condicin dual de optimalidad para determinar la variable de entrada:
Las razones indican que x2 es la variable de entrada. Hay que observar que una variable x j es
candidata para entrar a la solucin bsica slo que su ij sea estrictamente negativa. Eso quiere
decir que no se deben tener en cuenta las variables x3, x4 y x5.
La siguiente tabla se obtiene con las conocidas operaciones de rengln:
Esta tabla muestra que sale x3 y entra x1, as se obtiene la siguiente tabla:
Esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin
correspondiente es: x1 = 3/5, x2 = 6/5 y z = 21/5.
Para reforzar la comprensin del mtodo smplex dual por parte del lector, la figura siguiente
muestra en forma grfica la trayectoria seguida por el algoritmo para resolver el ejemplo
anterior.
Se inicia en el punto extremo A (que es no factible y mejor que el ptimo), pasa a B (que
todava es no factible y mejor que el ptimo) y por ltimo se vuelve factible en C. En este
punto termina el proceso, con C como solucin ptima factible.
Adicionalmente podemos realizar la solucin por el mtodo smplex dual con el programa
TORA que incluso contiene un mdulo tutorial para este mtodo.
2.2. ALGORITMO SMPLEX GENERALIZADO
El algoritmo smplex (primal) inicia siendo factible, pero no ptimo. El smplex dual comienza
mejor que el ptimo, pero no factible. Y si un modelo de programacin lineal iniciara no
ptimo y no factible al mismo tiempo? Hemos visto que el smplex primal tiene en cuenta la no
factibilidad de la solucin de inicio usando variables artificiales. En forma parecida, el smplex
dual tiene en cuenta la no optimalidad usando restricciones artificiales. Aunque esos
procedimientos tienen por objeto ampliar el cmputo automtico, los detalles pueden hacer
perder de vista lo que realmente implica el algoritmo smplex, que es que la solucin ptima de
una programacin lineal siempre se asocia con una solucin de punto de esquina (o bsica).
Con base en esta observacin deberamos poder adaptar nuestros propios algoritmos smplex
no ptimos y no factibles a la vez. En el siguiente ejemplo se ilustra lo que se llama algoritmo

smplex generalizado.
Ejemplo:
Maximizar z=2 x 3
Sujeta a:
x 1 +2 x22 x 3 8
x 1 +x 2+ x 3 8
2 x 1x 2 +4 x3 10
x 1 , x 2 , x 3 0
Solucin:
El modelo de programacin lineal se puede poner en la tabla siguiente, en el que la solucin
bsica de inicio (x4, x5, x6) es al mismo tiempo no ptima (por x3) y no factible (por x4 = -8). La
primera ecuacin se multiplic por -1 para revelar la no factibilidad en forma directa, en la
columna solucin.
El problema se puede resolver sin usar variables ni restricciones artificiales, como sigue: quitar
primero la no factibilidad aplicando una versin de la condicin smplex dual de factibilidad,
que seleccione a x4 como variable de salida. Para determinar cul es la variable de entrada todo
lo que se necesita es una variable no bsica cuyo coeficiente de restriccin en el rengln x4 sea
estrictamente negativo. Se puede hacer la seleccin sin cuidarse de mantener la optimalidad,
porque de cualquier manera es no existente en este punto (comprela con la condicin de
optimalidad dual). El resultado es la siguiente tabla:
Ahora la solucin en esta tabla es factible, pero no ptima, y podremos usar el smplex primal
para determinar la solucin ptima. En general, si no nos hubiramos encontrado la factibilidad
en la tabla anterior, habra que repetir el procedimiento las veces necesarias hasta satisfacer la
factibilidad, o hasta que haya pruebas de que el problema no tenga solucin factible.
Una vez establecida la factibilidad, el siguiente paso es atender la optimalidad, aplicando la
condicin adecuada de optimalidad del mtodo smplex primal.
La esencia del ejemplo es que el mtodo smplex no es rgido. En las publicaciones abundan
las variaciones del mtodo smplex (por ejemplo, el mtodo primal-dual, el mtodo simtrico,
el mtodo entrecruzado y el mtodo mltiplex) que dan la impresin que cada uno es distinto,
cuando en realidad todos buscan una solucin de punto esquina, con inclinacin hacia los
clculos automticos y quiz hacia la eficiencia de cmputo.

El anlisis de sensibilidad investiga el cambio de la solucin ptima que resulta de hacer
cambios en los parmetros del modelo de programacin lineal. La tabla siguiente contiene
todos los casos posibles que pueden surgir en el anlisis de sensibilidad, as como las acciones
necesarias para obtener la nueva solucin (suponiendo que exista):
Ejemplo
TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los lmites
diarios de tiempo disponible para las tres operaciones son 430, 460 y 420 minutos,
respectivamente, y las utilidades por tren, camin y coche de juguete son $3, $2 y $5,
respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos,
respectivamente.
Los tiempos respectivos por camin y por coche son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de
cero indica que no se usa la operacin).
Solucin
Sean x1, x2 y x3 la cantidad diaria de unidades armadas de trenes, camiones y coches, los
modelos de programacin lineal y dual que le corresponden son los siguientes:
Este modelo servir para explicar los distintos procedimientos. Recurdese que ese modelo es
del ensamble de tres clases de juguetes: trenes, camiones y coches. Cada artculo requiere tres
operaciones sucesivas. Se desea determinar la cantidad de unidades de cada juguete que haga
mxima a la utilidad.
La tabla ptima asociada para el primal es:
3.1. Cambios que afectan la factibilidad

La factibilidad de la solucin ptima en el momento slo puede variar si:
A. Cambia el lado derecho de las restricciones, o

B. Se agrega al modelo una restriccin nueva.
En ambos casos se tiene no factibilidad cuando al menos un elemento del lado derecho en la
tabla ptima se hace negativo; esto es, una o ms de las variables bsicas actuales se vuelve
negativa.
A. Cambios en el lado derecho:
Estos cambios requieren volver a calcular el lado derecho de la tabla:
Recordemos que el lado derecho de la tabla expresa los valores de las variables bsicas.
B. Adicin de nuevas restricciones.

La adicin de una nueva restriccin a un modelo existente puede llevar a uno de los dos casos
siguientes:
La nueva restriccin es redundante, lo que quiere decir que se satisface con la solucin ptima
actual y, por consiguiente, se puede eliminar por completo del modelo.
La solucin actual viola la nueva restriccin, y en este caso se puede aplicar el mtodo smplex
dual para recuperar la factibilidad.
Se observe que la adicin de una nueva restriccin, como en el caso 2, nunca puede mejorar el
valor objetivo ptimo actual.
3.3. Cambios que afectan la optimalidad
En esta seccin se examinan dos soluciones particulares que podran afectar la optimalidad de
la solucin actual:
A. Cambios en los coeficientes objetivo originales.
B. Adicin de una nueva actividad econmica (variable) al modelo.
A. Cambios en los coeficientes de la funcin objetivo
Esos cambios slo afectan la optimalidad de la solucin. Por consiguiente requieren recalcular
los coeficientes del rengln z, con el siguiente procedimiento:
1. Calcular los valores duales con los mtodos 1 y 2 de la seccin 4.2.3.
2. Usar los nuevos valores duales en la frmula 2, seccin 4.2.4, para determinar los nuevos
coeficientes en el rengln de z.
Se presentarn dos casos:
1. El nuevo rengln de z satisface la condicin de optimalidad, y la solucin permanece sin
cambio (sin embargo, el valor objetivo ptimo puede cambiar).
2. La condicin de optimalidad no se satisface, y en ese caso se aplica el mtodo smplex
(primal) para recuperar la optimalidad.
B. Adicin de una nueva actividad
La adicin de una nueva actividad en un modelo de programacin lineal equivale a agregar una
nueva variable. En forma intuitiva, la adicin de una nueva actividad slo es deseable si es
rentable, esto es, si mejora el valor ptimo de la funcin objetivo. Esta condicin se puede
verificar aplicando la frmula 2, seccin 4.2.4, a la nueva actividad. Como esa nueva actividad
no es todava parte de la solucin, se puede considerar como una variable no bsica. Eso quiere
decir que los valores duales asociados con la solucin actual permanecen invariables.
Si la frmula 2 indica que la nueva actividad satisface la condicin de optimalidad, la actividad
no es rentable. En caso contrario, es mejor tener en cuenta la nueva actividad.
El caso de agregar una actividad nueva tambin abarca al caso en el que se hicieron cambios en
los usos de los recursos, en una actividad existente. En forma especfica se puede considerar a
x7 como si al principio tuviera un coeficiente de objetivo cero y uso cero de los tres recursos, y
que esos valores cero se cambiaron a los nuevos valores que se dan para x7.
Por esta razn no se describir por separado el caso de cambiar los coeficientes de restriccin
de una variable existente.
CONCLUSIONES
Es importante el uso de estas herramientas de estudio y anlisis de operaciones
mineras, bsicamente referido a teora de colas, ya que nos permite tener un
panorama ms exacto de las lneas de espera que existen dentro de todo proceso
de minado, y en todas sus fases operativas de trabajo.
Es importante, hacer el anlisis de tiempos productivos e improductivos, ya de
de estos tiempos se har el balance que incide directamente en las lneas de
espera en un sistema de colas, en cualquier fase de minado.
Proveer mucha capacidad instalada puede resultar muy costoso, y la
productividad sera bajo, pero no proveer la suficiente dar la formacin de colas
largas.
Con este conocimiento es posible cambiar el proceso de tomar decisiones, con
respecto a las lneas de espera de una forma cualitativa y cuantitativa.
Se debe mencionar que el anlisis matemtico de las lneas de espera estn
basados en promedios, la mayora de estos eventos que conforman las lneas de
espera estarn referidos al valor de la media correspondiente.
Se debe revisar que los datos con que se cuenta son realmente representativos y
lo ms actualizado posible.
Los datos recopilados deben mostrar la clasificacin correcta sobre tiempo de
espera y tiempos improductivos, ya que estos tiempos representan los tiempos
de espera en el ciclo de limpieza y transporte de material en la mina, se pudo
observar a travs de los ejemplos, que adems de ubicar tiempos de espera, se
puede determinar la frecuencia y probabilidades de ocurrencia de tiempos de
espera en un sistema de colas.
BIBLIOGRAFIA
TEORIA DE COLAS:
Mtodos Cuantitativos de Organizacin Industrial. Autor: JOSE P. GARCA
SABATER
INVESTIGACIN DE OPERACIONES: Universidad de Carabobo - Colombia.
Autor: Escuela de Economa e Ingeniera Econmica
MANUAL SOBRE TEORIA DE COLAS:
Metodologa y Ejemplos. Autor: Dpto. Industrial de EFyC. Colombia.
CAPTULO V
SIMULACIN MEDIANTE EL MTODO MONTECARLO
INTRODUCCIN
La simulacin por el Mtodo Montecarlo agrupa una serie de procedimientos que
analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios,
la simulacin se basa en un nmero elevado de clculos repetitivos, los cuales se
desarrollan con ayuda de programas computarizados.
Este mtodo da solucin a una gran variedad de problemas matemticos haciendo
experimentos con muestreos estadsticos. El mtodo es aplicable a cualquier tipo de
problema, ya sea estocstico o determinstico; tambin fue creada para resolver
integrales que no se pueden resolver por mtodos analticos, para solucionar estas
integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier
esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones
de probabilidad conocidas, el cual es usado para resolver ciertos problemas estocsticos
y determinsticos, donde el tiempo no juega un papel importante.
Este mtodo es bastante simple e intuitivo mediante el cual podemos obtener
informacin econmica y de riesgo muy completa, as como manejar datos empricos,
sin necesidad de formularlos analticamente.
1.21...........................................................HISTORIA DEL MTODO MONTE CARLO
El mtodo fue llamado as por el principado de Mnaco por ser "la capital del juego
de azar", al tomar una ruleta como un generador simple de nmeros aleatorios. El
nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 con el desarrollo de la computadora.
El uso real de los mtodos de Monte Carlo como una herramienta de investigacin,
proviene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este
trabajo
involucraba la simulacin directa de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones aleatorios en material de
fusin.
Alrededor de 1970, los desarrollos tericos en complejidad computacional
comienzan a proveer mayor precisin y relacin para el empleo del mtodo
Montecarlo. La teora identifica una clase de problemas para los cuales el tiempo
necesario para evaluar la solucin exacta al problema crece con la clase, al menos
exponencialmente. La cuestin a ser resuelta era si el mtodo de Montecarlo
pudiese o no estimar la solucin al problema de tipo intratable con una adecuacin
estadstica acotada a una complejidad temporal polinomial. Karp (1985) muestra
esta propiedad para estimar en una red plana multiterminal con arcos fallidos
aleatorios. Dyer (1989) utiliza el mtodo de Montecarlo para estimar el volumen de

un convex body en el espacio Euclidiano M-dimensional. Broder (1986), Jerrum y
Sinclair (1988) establecen la propiedad para estimar la persistencia de una matriz o
en forma equivalente, el nmero de matching perfectos en un grafo bipartito.
1.22.DEFINICIONES:
ESTOCSTICO: Se denomina estocstico a aquel sistema que funcin, sobre
todo, por azar, las leyes de causa efecto no explican cmo acta el sistema (y de
modo reducido el fenmeno) de manera determinstica, sino en funcin de
probabilidades. En matemticas de probabilidades, un proceso estocstico es un
proceso aleatorio que involucra con el tiempo.
DETERMINSTICO: En estadstica, un fenmeno determinstico es aquel en que
se obtiene siempre el mismo resultado bajo las mismas condiciones iniciales. La
relacin causa-efecto se conoce en su totalidad. Por ejemplo, todos los
fenmenos que siguen las leyes de la fsica clsica, como puede ser la cada
de un cuerpo. Lo contrario de un fenmeno determinstico es un fenmeno
aleatorio.
SISTEMA DISCRETO: Una funcin, variable o sistema es discreto, en
contraposicin a continuo, si es divisible un nmero finito de veces. As, el
conjunto de los nmeros naturales es un conjunto discreto, as como la
energa de los estados cunticos.
N -> {1, 2, 3, 4,5,...,} Entre cada uno de los miembros del conjunto no puede
haber ms trminos. Como se ve en los naturales se puede llegar a una
sucesin indivisible de nmeros.
SISTEMA CONTINUO: Una funcin, variable o sistema es continuo, en
contraposicin a discreto si ste entre dos puntos cualesquiera distintos existe
una infinidad de puntos, y adems tiene la propiedad de completitud, es decir,
si la distancia entre los dos puntos tomados mide d, para cada nmero entre 0
y d podemos encontrar un punto cuya distancia del primero mida
exactamente a ese nmero. Por ejemplo, es el caso de los nmeros reales as
como el espacio-tiempo segn la relatividad.
1.23.MODO DE USO:
La clave de la simulacin del mtodo Monte Carlo consiste en crear un
modelo matemtico del sistema, proceso o actividad que se quiere
analizar, identificando aquellas variables (inputs del modelo) cuyo
comportamiento aleatorio determina el comportamiento global del
sistema.
Una vez identificados dichos inputs o variables aleatorias, se lleva a cabo
un experimento consistente en:
Generar muestras aleatorias con ayuda del ordenador (valores

concretos) para dichos inputs.
Analizar el comportamiento del sistema ante los valores generados
Tras repetir n veces este experimento, dispondremos de n
observaciones sobre el comportamiento del sistema, lo cual nos ser de
utilidad para entender el funcionamiento del mismo: obviamente, el
anlisis ser tanto ms preciso cuanto mayor sea el nmero n de
experimentos que se lleven a cabo.
1.24.............................................................................................QU ES SIMULACIN?
La palabra simulacin es un trmino genrico que describe muy diferentes tipos de
actividades incluyendo: roles que se juegan en la vida social o en experimentos
sicolgicos, juegos de videos complejos, modelos a escala creados por ingenieros
que describen la conducta de puentes o aeropuertos, etc.
Para un computlogo, estadstico, cientfico o gerente, se refiere a la construccin
de un modelo abstracto que representa algn sistema de la vida real, con la
subsiguiente descripcin a travs del tiempo de los pertinentes al sistema como una
serie de ecuaciones y relaciones, generalmente a travs de un programa de
computadora.
1.25..............................................................................OBJETIVO DE LA SIMULACIN
Los objetivos por los cuales un sistema es simulado dependern de los propsitos
especficos para los cuales el modelo de simulacin ha sido construido y de las
aplicaciones que a este se le vaya a dar.
Los objetivos pueden ser tan variados y diversos, como son mltiples actividades
donde interviene el hombre. Sin embargo, en forma genrica los objetivos de la
simulacin pueden ser clasificados como sigue:
Clarificar las ideas y los pensamientos relacionados a un sistema cualquiera.

Ayuda en los diversos sistemas de comunicacin.
Como una herramienta de toma de decisiones y control en la administracin
moderna.
Ser una herramienta de instruccin y entrenamiento.
Ser una herramienta de prediccin.
Ser una herramienta de investigacin y experimentacin.
1.26........................................................CUNDO Y PORQU USAR SIMULACION?

Como se ha mencionado anteriormente la tcnica de la simulacin dar mejores
resultados si se llevan a cabo los respectivos experimentos en el modelo de
simulacin que se construy para representar al sistema en estudio. Sin embargo, la
tcnica de la simulacin es tambin usada para resolver una serie de problemas
especficos relacionados a los sistemas en estudio. En tales circunstancias, la
decisin de usar la simulacin como una tcnica para resolver problemas en
reemplazo de otras tcnicas, debe ser hecha adecuadamente.
Muchas de las tcnicas de la investigacin de operaciones descritas tales como:

programacin lineal, programacin dinmica, teora de colas, etc., son usados para
dar una respuesta nica o en otras palabras, ptima para la solucin de un problema
dado.
Por el contrario, la tcnica de la simulacin es solamente capaz de proveer una
respuesta para un problema cualquiera, la cual podra estar muy lejos de ser la
ptima. Por lo tanto, los mtodos analticos para solucionar problemas deben tener
prioridad sobre la simulacin siempre y cuando esto sea posible y/o factible.
Por otro lado, muchos problemas de la vida real no pueden y ms aun no deben ser
sujetos a ciertos grados de planificacin; que justifique son los requeridos por los
mtodos analticos. Entonces, tales problemas deben ser resueltos por otros medios
tales como la tcnica de simulacin, en la cual el nmero de restricciones pueden
ser disminuidos considerablemente; y dado por lo tanto, una solucin aproximada al
problema real.
Los problemas que tpicamente requieren el uso de la simulacin para encontrar una
solucin para ellos se caracterizan por lo siguiente:
La incertidumbre, las inter-acciones dinmicas entre las decisiones y los

eventos sub-siguientes, las complejas inter-dependencias entre las variables
del sistema; y en algunas circunstancias la naturaleza no estacionaria o
rpidamente variable. Por supuesto que no est dems decir que la mayora de
los problemas de la vida real contiene estas caractersticas.
Por otro lado, se debe mencionar que el analista debe considerar el uso de la
simulacin cuando exista una o ms de las siguientes condiciones:
No se tenga una completa formulacin matemtica del problema o no se

hayan desarrollado todava mtodos analticos para resolver el modelo
matemtico en estudio.
Se tengan mtodos analticos pero los procedimientos matemticos sean muy

complejos y tediosos; de tal manera que la simulacin provea un mtodo de
solucin mucho ms simple.
Sean posibles y existan soluciones analticas pero las matemticas requeridas

sean muy complejas y que estn fuera del alcance del personal que se tiene
dentro de la compaa. En este caso, se debe evaluar el costo para disear,
probar y correr un programa.
La simulacin sea la nica posibilidad debido a la dificultad para conducir

experimentos y observaciones de ciertos fenmenos que tienen lugar a un
medio ambiente, etc.
1.27..................................................................APLICACIONES DE LA SIMULACIN:
Las aplicaciones de la simulacin son mltiples, pues virtualmente estas abarcan
todos los campos de la ciencia, la ingeniera, la economa, la sociologa, la
psicologa, los negocios, la poltica, etc.
Por otro lado, algunos investigadores han postulado que la simulacin ha sido
empleada para analizar problemas de dos tipos, que son los siguientes:
1.27.1. PROBLEMAS DE CIENCIAS BSICAS: MATEMTICAS, FSICA Y
QUMICA
Entre las cuales se tiene:
Evaluacin de integracin mltiples, as como la estimacin del rea
encerrada dentro de una curva.
Solucin de ecuaciones lineales simultaneas.
Estudio de la difusin de partculas.
Estudio del movimiento de las partculas de un plano.
Solucin de ecuaciones diferenciales parciales.
Inversin de matrices, etc.
1.27.2. PROBLEMAS REALES EN TODAS LAS ORGANIZACIONES DEL
MUNDO INDUSTRIAL
Entre estos se tienen los siguientes:
Simulacin de sistemas biomdicos (equilibrio de lquidos y
distribucin de electrolitos en el cuerpo humano como proliferacin
de clulas sanguneos, modelizacin del cerebro, etc).
Simulacin de estrategias y tcticas en el deporte.
Simulacin de estrategias y tcticas en las guerras.
Simulacin de problemas sociales (dinmica de poblacin, conducta
individual y de grupo, etc.)
Simulacin de problemas comerciales y econmicos (conducta del
cliente, operaciones de una compaa, evaluacin de gastos de capital
propuestos, determinacin de precios, estudios de mercado, estudio de
economa nacionales con problemas de inflacin y recesin,
predicciones econmicas, etc.)
Simulacin de los problemas de las diversas organizaciones
industriales (control de inventarios, diseos de procesos qumicos,
diseos de sistema de distribucin, planeamiento de la produccin,
diseo de sistemas de comunicaciones, sistema de transporte, etc.)
2.
2.1.....................................LA SIMULACIN MONTE CARLO EN COMPUTADORA
La simulacin del Monte Carlo es una tcnica cuantitativa que hace uso de la
estadstica y los ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando
se trata de sistemas cuyo estado ya cambiando con el paso del tiempo, se recurre
bien a la simulacin de eventos discretos o bien a la simulacin de sistemas

continuas)
La clave de la Simulacin Monte Carlo consiste en crear un modelo matemtico del
sistema, proceso o actividad que se quiere analizar, identificando aquellos variables
(inputs del modelo) cuyo comportamiento aleatorio determina el comportamiento
global del sistema. Una vez identificados dichos inputs o variables aleatorias, se
lleva a cabo un experimento consistente en (1) generar con ayuda del ordenador,
muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el
comportamiento del sistema ante los valores generados. Tras repetir n veces este
experimento, dispondremos en n observaciones sobre el comportamiento del
sistema, lo cual nos ser de utilidad para entender el funcionamiento del mismo
obviamente, nuestro anlisis ser tanto ms preciso cuanto mayor sea el nmero n
de experimentos que llevemos a cabo.
2.2.
CARACTERSTICAS DEL MTODO DE MONTECARLO

Las principales caractersticas del Mtodo de Montecarlo son las siguientes:
Es un mtodo cuantitativo para el desarrollo de anlisis de riesgos.
Dicho mtodo busca representar la realidad a travs de un modelo de riesgo

matemtico, de forma que asignando valores de manera aleatoria a las
variables de dicho modelo, se obtengan diferentes escenarios y resultados.
El mtodo Montecarlo se basa en realizar un nmero lo suficientemente

elevado de iteraciones (asignaciones de valores de forma aleatoria), de
manera que la muestra disponible de resultados, sea lo suficientemente
amplia como para que se considere representativa de la realidad.
Dichas iteraciones se podrn realizar haciendo uso de un motor informtico.
Con los resultados obtenidos de las diferentes iteraciones realizadas se

efecta un estudio estadstico del que se sacan conclusiones relevantes
respecto al riesgo del proyecto, tales como, valores medios, mximos y
mnimos, desviaciones tpicas, varianzas y probabilidades de ocurrencia de
las diferentes variables determinadas sobre las que medir el riesgo.
Puede ser estocstico cuando es un proceso aleatorio que evoluciona con el
tiempo.
Y determinstico cuando se obtiene siempre el mismo resultado bajo las

mismas condiciones iniciales. La relacin causa-efecto se conoce en su
totalidad.
2.3.
PROCEDIMIENTO A SEGUIR PARA RESOLVER

1. Disear el modelo matemtico que representa el problema con incertidumbre.
2. Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
3. Incluir posibles dependencias entre variables.

4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo segn los valores del muestreo y registrar el
resultado.
6. Repetir el proceso iterativamente hasta tener una muestra estadsticamente
representativa.
7. Obtener la distribucin de frecuencias del resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles acumulados.
2.4. TIPO DE VARIABLES:
2.4.1. VARIABLE DISCRETA:
Son aquellas que surgen por el procedimiento de conteo. Es decir, las
variables estadsticas discretas suelen tomar valores enteros.
Por ejemplo el nmero de hijos por familia; el nmero de estudiantes por
colegio; el nmero de automviles que pasan por una avenida en una hora;
el nmero de habitantes por distrito; etc., son variables discretas.
2.4.2. VARIABLE CONTINUA:
Son aquellas que surgen cuando se mide alguna caracterstica. Es decir, la
variables continas, pueden tomar al menos tericamente cualquier valor
dentro de un intervalo.
Por ejemplo, el peso, la estatura, la tensin arterial de las personas, los
ingresos, el tiempo de servicio, etc., son variables estadsticas continas
No significa que el nmero asignado a cada peso, estatura, etc., pueda tomar
en la prctica cualquier valor real de un intervalo (aunque tericamente sea
as) porque la imprecisin de nuestras mediciones har que en definitiva
stas vengan representadas por valores discretos. Pero es el carcter de
posibilidad que tiene todo nmero real de ser asignado a una de estas
variables lo que las define como continas.
En general, todas las magnitudes relacionadas con el tiempo (edad, duracin
de un fenmeno,...), la masa (volumen, peso,), el espacio (longitud,
superficie,) o una combinacin de estos (velocidad, densidad, capacidad,
) son variables continas.
2.5. DGITOS ALEATORIOS:

2.5.1. TABLA DE DGITOS ALEATORIOS:
Es un procedimiento de extraer una muestra aleatoria, es empleando una
tabla de dgitos aleatorios, el cual puede construirse, empleando el mtodo
de la urna con 10 tarjetas numeradas: 0, 1, 2, 3,, 9. Despus que se
mezclan las tarjetas, se extrae aleatoriamente una tarjeta y se registra su
nmero. La tarjeta se reemplaza antes de la extraccin siguiente, se mezclan
bien las tarjetas y as, sucesivamente. En la prctica, esto se realiza mediante
una computadora, por un procedimiento completamente al azar. Cada pgina

de estas tablas contienen lo dgitos agrupados en filas y columnas para
facilitar su eleccin.
2.5.2. USO DE LA TABLA DE DIGTOS ALEATORIOS:
Para usar esta tabla, se hace lo siguiente
1.
Se enumera los elementos de la poblacin con igual nmero de dgitos

que el tamao N de la poblacin. Por ejemplo, si tenemos 120 empleados
de una compaa y deseamos entrevistar una muestra de 20 de ellos
seleccionados al azar. Entonces, primero debemos enumerar la poblacin
N= 120 con nmeros de 3 dgitos: 001, el primer elemento de la
poblacin, 002 al segundo, y as sucesivamente, el nmero 119 al 119 avo
y 120 al N simo.
2.
Con el propsito de extraer la muestra al azar, se establece un punto de

partida al azar en la tabla de nmeros aleatorios. Un mtodo es cerrar los
ojos y rayar con un lpiz la tabla y empezar de ese punto la lectura de la
muestra, hacia arriba, abajo, derecha o hacia la izquierda. Supongamos
que se sigui ese procedimiento y se seleccion como punto de partida la
fila 19, y columna. Suponga tambin que se decidi leer hacia abajo; y
leemos solo los 3 primeros dgitos de cada rengln. Ntese que nuestro
primer nmero usando este mtodo ser 055, el segundo 048, el tercero
069, y as sucesivamente: 041, 020, 066, 074, 054, 035, 059, 079, 102,
034, 081, 099, 073, 101, 097, 090 y 131.
Note que se descarga toda la sucesin de nmeros de tres dgitos mayores

que N (en nuestro caso mayor que 120).
Si en proceso de eleccin se repite el nmero (de tres cifras en este caso), se
volver a incluir en la muestra el elemento de la poblacin correspondiente a
ese nmero, si el muestreo es con remplazo y se descarta si el muestreo es
sin reemplazo como en nuestro ejemplo.
2.6.
TABLAS DE DISTRIBUCIN DE FRECUENCIAS:

Si los datos que se dispone son numerosos, es indispensable clasificarlos en un
cuadro o tabla resumen de las observaciones originales, a las que en adelante
llamaremos Tabla de distribucin de frecuencias o simplemente Tabla de
frecuencias.
DATOS DE VARIBLES DISCRETAS:
x1 , x2, , xn
Sean
y1 , y2 , , ym
un conjunto de n observaciones discretas y sean
el conjunto de valores diferentes que toman los datos originales
( m n ) .
y
2.6.1. FRECUENCIA ABSOLUTA ( i) :
Se llama frecuencia absoluta del
yi
al nmero de veces que aparece este
valor en el conjunto de observaciones y se representa por
' ' ni ' ' ,
i=1, 2, , m .
Entonces, la tabla de distribucin de frecuencias absolutas toma la forma

siguiente.
Valores diferentes observados
yi
Frecuencias absolutas
ni
y1
n1
ym
nm
n
Totales
EJEMPLO:
Se realiza una encuesta a un conjunto de 16 familias sobre el nmero de
hijos. Los resultados en el orden obtenido son:
x 1=2 ,
x 2=1 ,
x 8=0 ,
x 9=2 ,
x 15 =1 ,
x 3=3 ,
x 10=1 ,
x 4=1 ,
x 5=4 ,
x 6=1 ,
x 7=3 ,
x 11=2 ,
x 12=3 ,
x 13=4 ,
x 14=1
x 16 =1
a. Construya una tabla de distribucin de frecuencias absolutas para estos

datos.
b. Interprete cada frecuencia absoluta ( ni ) .
Solucin:
1.
En primer lugar, se observa que el conjunto de observaciones es de

tamao 16, luego n=16 .
2.
En segundo lugar, identificamos el nmero de observaciones diferentes,

m=5 . Estos valores son:
y 1=0 ,
y 2=1 ,
y 3=2 ,
y 4 =3 ,
y 5=4
Las cuales se ubican (en ese orden) en la primera columna de tabla.

3.
Contemos ahora el nmero de familias con 0, 1, 2, 3 y 4 hijos

respectivamente. Esto se puede hacer agregando una columna en la tabla
siguiente, llamada conteo, usando el mtodo de los palotes, que
consiste en poner una raya vertical o tarja (/) cada vez que aparezca el
valor en cuestin, destacando cada cinco unidades con el fin de facilitar
el cmputo final (////). Finalmente se cuenta el nmero de tarjas,
obtenindose las frecuencias absolutas ( ni ). En nuestro caso:
n1=1 ,
n2=6 , n3=5 , n4 =3 , n5=1
De esta manera se ha construido la tabla de distribucin de frecuencias

absolutas del nmero de hijos por familia.
Nmero de hijos
yi
Conteo
Frecuencias absolutas
ni
0
1
2
3
4
Totales
/
//// /
////
///
/
1
6
5
3
1
16
Tabla N 1: Distribucin de frecuencias del nmero de hijos por

familia
Interpretacin de las ni :
n1=1 , significa que en las familias encuestadas, una no tiene hijos.
n2=6 , significa que en las familias encuestadas, seis no tiene hijos cada
una.
As sucesivamente,
n5=1 , significa que en las familias encuestadas, una no tiene cuatro
hijos.
La tabla de distribucin de frecuencias, se puede construir no solo con

respecto a las frecuencias absolutas, sino tambin con respecto a otro tipo de
frecuencias, tales como: las relativas, las absolutas acumuladas, las relativas
acumuladas, etc., las cuales se definen como sigue:
2.6.2. FRECUENCIA RELATIVA ( hi ) :
Se llama frecuencia relativa del valor
absoluta de
y i , al cociente de la frecuencia
y i y el nmero total de observaciones.
Esta frecuencia se denota por hi . Entonces:

hi=
frecuencia absoluta de y i
y
= i
nmero total de observaciones n
Para el ejemplo anterior las frecuencias relativas son:

h1 =
n1 1
= =0.0625
n 16
h2=
n2 6
= =0.3750
n 16
h3=
n3 5
= =0.3125
n 16
h4 =
n4 3
= =0.1875
n 16
h5=
n5 1
= =0.0625
n 16
Interpretacin:
h1=0.0625 , se interpreta como la proporcin de familias que no tienen
hijos en la muestra.
h2=0.3750 , se interpreta como la proporcin de familias que tienen un
hijo en la muestra.
As sucesivamente.
h5=0.0625 , es la proporcin de familias que tienen cuatro hijos en la
muestra.
La importancia que tiene la frecuencia relativa, es que mide el peso que

tiene cada frecuencia absoluta respecto l nmero total de observaciones.
N
(
i) MENOR QUE
2.6.3. FRECUENCIA ABSOLUTA ACUMULADA
Corresponde al valor
yi
y i , al nmero de observaciones menores o iguales a
( x i y i ) . Si denotamos esta frecuencia por N i , entonces:
N i=n 1+ n2+ n3 ++n i

Usando la notacin de sumatoria, la frecuencia absoluta acumulada se
escribe:
i
N i = n j
j=1
As para el ejemplo anterior se tiene:

1
N 1= n j=n1=1
j=1
N 2= n j=n1+ n2=1+6=7
j=1
N 3= n j=n1+ n2 +n3=1+ 6+5=12

j=1
N 4 = n j=n1 +n 2+ n3+ n4 =1+6+5+3=15

j=1
N 5= n j=n1+ n2 +n3 +n 4 +n5=1+ 6+5+3+1=16

j=1
Interpretacin:
N 2=7 , significa que en la encuesta hay 7 familias con 1 menos hijos (o
equivalente; en la encuesta se ha encontrado 7 familias con a lo ms 1 hijo).
N 3=12 , significa que en la encuesta se ha obtenido 12 familias con a lo
ms dos hijos.
2.6.4. FRECUENCIA ABSOLUTA ACUMULADA
( i )
MAYOR
QUE
Corresponde al valor
yi
y i , al nmero de observaciones mayores o iguales a
( xi yi ) .
Se denota esta frecuencia por
N i , entonces:
N i=ni +ni+ 1+ +nm

En notacin de sumatoria, se escribe:
m
N i = n j
j=1
As, para el ejemplo n 1, tenemos que m=5 , entonces:

5
N 1 = n j =n1 +n2 +n3 + n4 +n5 =1+6+5+3+1=16
j=1
N 2= n j =n2 +n3 +n 4 +n5 =6+5+3+1=15

j=2
n j= n3 +n 4 +n5 =5+3+1=9
5
N 3 =
j=3
n j= n 4+ n5=3+1=4
5
N 4 =
j=4
N 5 = n j=n5=1
j=5
Interpretacin:
N 1 =16 , significa las familias encuestadas tienen entre 0 y 4 hijos

inclusive.
N 2=15 , significa, que en la encuesta, 15 familias tienen por lo menos

un hijo.
N 3 =9 , significa, que en la encuesta, 9 familias tienen por lo menos 2
hijos.
N 4 =4 , significa, que en la encuesta, 4 familias tienen por lo menos 3
hijos.
N 5 =1 , significa, que de las encuestadas, slo una familia tiene 4 hijos.
2.6.5. FRECUENCIA RELATIVA ACUMULADA ( H i) MENOR QUE
El valor
yi
iguales a
yi .
a la frecuencia relativa total de la observaciones menores o
Si denotamos est frecuencia por H 1 , entonces:

H i=h1 +h 2+ +hi=
n1 +n 2+ +ni
n
Empleando la notacin de sumatoria,
H i se escribe:
H i= h j
j=1
Para el ejemplo n1: las
H i son:
H 1= h j=h1=0.0625
J =1
H 2= h j =h1 +h2=0.0625+ 0.3750=0.4375

J =1
H 3= h j =h1 +h2 +h3 =0.0625+0.3750+0.3125=0.7500

J =1
H 4 = h j=h 1+ h2+ h3 +h4 =0.0625+0.3750+ 0.3125+ 0.1875=0.9375

J=1
H 5= h j =h1 +h2 +h3 +h 4 +h5 =0.0625+0.3750+0.3125+ 0.1875+ 0.0625=1.00

J =1
Interpretacin:
H 2=0.4375 , es la proporcin de las familias bajo estudio con a lo ms 1
hijo.
H 3=0.7500 , es la proporcin de las familias bajo estudio con a lo ms 2
hijos.
As sucesivamente.
2.6.6. FRECUENCIA RELATIVA ACUMULADA ( H i ) MAYOR QUE
yi
El valor
a la frecuencia relativa acumulada total de la observaciones
menores o iguales a
yi .
Si denotamos por H i esta frecuencia, entonces:

m
H i= h j =hi +hi +1+ +hm

j=1
Para el ejemplo n1: las
H i son:
H 1 = h j=h1 +h2 +h 3+ h4 +h 5=0.0625+0.3750+ 0.3125+ 0.1875+0.0625=1.00
J=1
H 2 = h j=h2 +h 3+ h4 +h 5=0.3750+0.3125+ 0.1875+ 0.0625=0.9375
J=2
H 3 = h j=h 3+ h4 +h 5=0.3125+0.1875+0.0625=0.5625
J=3
H 4 = h j=h 4 +h5 =0.1875+0.0625=0.25
J =4
H 5 = h j=h 5=0.0625
J=5
Interpretacin:
H 2=0.9375 , es la proporcin de familias en la muestra con por lo
menos 1 hijo.
H 3=0.5625 , es la proporcin de familias en la muestra con por lo
menos 2 hijos.
As sucesivamente
Resumiendo se tiene:
yi
ni
0
1
2
3
4
Totales
Ni
1
6
5
3
1
16
1
7
12
15
16
hi
Hi
0.0625
0.3750
0.3125
0.1875
0.0625
1.0
0.0625
0.4375
0.7500
0.9375
1.0000
N i
16
15
9
4
1
H i
1.0000
0.9375
0.5625
0.2500
0.0625
.
Tabla N 2: Diferentes tipos de tablas de distribucin de frecuencias del nmero de
hijos.
2.7.
PROBLEMAS DE APLICACIN:
Una forma de hacer pruebas de Monte Carlo es con una hoja de clculo como
Microsoft Excel. En el ejemplo se muestra un anlisis histrico de 200 das sobre
consultas realizadas en un sistema de informacin. La tabla muestra el nmero de
consultas diarias (de 0 a 5) junto con las frecuencias absolutas (# de das por cada
frecuencia), las frecuencias relativas y las frecuencias relativas acumuladas.
Se puede interpretar estos datos de esta forma: "Hay una posibilidad del 30% que
tenga 3 consultas diarias"
Cmo encontrar el valor medio de consultas?
Una forma directa es haciendo la operacin:
Valor medio= ( de vistas Probabilidad de que ocurran)
Valor medio=0 0.05+1 0.1+2 0.2+ 3 0.3+4 0.2+5 0.15
Valor medio=2.95
Por otro lado se puede usar una simulacin Monte Carlo para deducirla. Para ello se
tiene en cuenta las frecuencias relativas acumuladas de esta manera:
[0,00 a 0,05) para el suceso 0
Luego al generar un nmero aleatorio uniforme entre (0 y 1) podemos saber que
suceso ocurri. Ejemplo:
Nmero
aleatorio
0.790445391
0.312774232
0.024507237
0.159714866
0.863044148
0.896856087
0.442375306
0.349415073
0.084318782
0.006141327
Suceso (*)
4
2
0
2
5
5
3
2
1
0
Se prueba con un nmero considerable de nmeros aleatorios (esa es la razn por la

cual debe haber un periodo largo) y se deduce el promedio en la columna de
sucesos. Al final debe dar un valor muy parecido al que se encontr en el Valor
Medio.
3. APLICACIN DEL MTODO MONTECARLO CON EL SOFTWARE

CRYSTAL BALL EN PROYECTOS MINEROS
2.8.
MTODOS DE ANLISIS DE RIESGOS

Es un mecanismo que nos permite poner en prctica mtodos cuantitativos de
anlisis de riesgos como el Mtodo de Montecarlo. Es la representacin de la
realidad a analizar a travs de una estructura de clculos matemticos, en la cual se
detectan las variables significativas de riesgo y se ponen en relacin con el resto de
variables que afectan a nuestro proyecto, y con las variables econmicas sobre las
que vamos a medir el nivel de riesgo del mismo, Beneficio y Valor actual neto.
Existen tres tipologas de mtodos utilizados para determinar el nivel de riesgos de
nuestro negocio. Los mtodos pueden ser: Mtodos Cualitativos Mtodos
Cuantitativos Mtodos Semicuantitativos.
2.8.1. MTODOS CUALITATIVOS:

Es el mtodo de anlisis de riesgos ms utilizado en la toma de decisiones
en proyectos empresariales, la aplicacin se apoya en el juicio, experiencia e
intuicin para la toma de decisiones; se pueden utilizar cuando el nivel de
riesgo sea bajo y no justifica el tiempo y los recursos necesarios para hacer
un anlisis completo, o bien porque los datos numricos son inadecuados
para un anlisis ms cuantitativo que sirva de base para un anlisis posterior
y ms detallado del riesgo global del emprendedor.
Los mtodos cualitativos incluyen:
Brainstorming
Cuestionario y entrevistas estructuradas
Evaluacin para grupos multidisciplinarios
Juicio de especialistas y expertos (Tcnica Delphi)
2.8.2. MTODOS SEMICUANTITATIVOS
Se utilizan clasificaciones de palabra como alto, medio o bajo, o
descripciones ms detalladas de la probabilidad y la consecuencia.
Estas clasificaciones se demuestran en relacin con una escala apropiada
para calcular el nivel de riesgo. Se debe poner atencin en la escala utilizada
a fin de evitar malos entendidos o malas interpretaciones de los resultados
del clculo.
2.8.3. MTODOS CUANTITATIVOS
Se consideran mtodos cuantitativos a aquellos que permiten asignar valores
de ocurrencia a los diferentes riesgos identificados, es decir, calcular el nivel
de riesgo del proyecto.
Los mtodos cuantitativos incluyen:
Anlisis de probabilidad.
Anlisis de consecuencia.
Simulacin computacional.
El desarrollo de dichas medidas puede ser realizado mediante diferentes
mecanismos, entre los cuales destacamos el Mtodo Montecarlo, el cual se
caracteriza por:
Amplia visin para mostrar mltiples posibles escenarios.

Sencillez para llevarlo a la prctica.
Computarizable para la realizacin de simulaciones.
2.9.
DESARROLLO DE UN MODELO DE RIESGOS

El modelo de riesgos se desarrolla para la medicin de la probabilidad de
ocurrencia del riesgo y el impacto que el mismo tendra en nuestro proyecto
empresarial, este impacto se mide en el Beneficio obtenido por el emprendedor en
el ejercicio y el Valor Actual Neto del proyecto empresarial.
De forma adicional, un modelo de riesgos nos permitir realizar un control y
seguimiento sobre el mismo, comparando el valor en riesgo de las variables con el
valor real incurrido finalmente en el periodo sujeto a anlisis.
2.10. PASOS PARA EL DESARROLLO DE UN MODELO DE RIESGOS

Para el desarrollo de un Modelo de Riesgos basado la medicin de las
probabilidades de ocurrencia los pasos a seguir son los siguientes:
2.10.1. SELECCIN DE LAS FUNCIONES DE PROBABILIDAD
Una vez Identificados las variables de riesgo, que afectan al Plan de
Empresa, nos interesa conocer cul es el comportamiento de dichas
variables, es decir, cul va a ser su rango de variacin para cada uno de los
periodos de proyeccin.
Para ellos es necesario identificar la funcin de probabilidad que se asocia a
cada uno de las variables afectadas por el riesgo, es decir, la funcin que
explica y refleja el comportamiento de la variable de riesgo definida por el
emprendedor.
Entre las principales, ms comunes y de ms sencilla aplicacin para el
usuario destacamos las siguientes funciones de distribucin de probabilidad
asignables a las variables de un proyecto empresarial:
Una vez analizadas las funciones de distribucin, identificamos aquellas que

consideramos ms acordes con las variables de riesgo seleccionadas, porque
sern las que mejor describen y reflejan el comportamiento de la variable.
Hay de decir que la seleccin de las funciones de probabilidad dentro del
Mdulo de Anlisis de Riesgos viene predefinida por la herramienta, de
modo que se encontrar una asociacin realizada, a cada variable de riesgo
se le ha asignado una distribucin de probabilidad.
El emprendedor deber de asignar valores a las variables de dichas
funciones para poder realizar la simulacin.
En algunos casos es necesario determinar cul es el rango de variacin,
entonces se deber indicar el valor mnimo, mximo y cuando se solicita, el
valor ms probable.
Mnimo: Valor inferior que puede alcanzar la variable que se est

analizando.
Mximo: Valor superior que puede alcanzar la variable que se est
analizando.
Ms probable: Valor que el usuario considera que, en condiciones
normales, tomar la variable que se est analizando.
Para otro tipo de variables se solicita el valor estimado y la probabilidad de

ocurrencia asociada a dicho valor.
Valor 1: Un valor posible que el usuario asigna a la variable que se

est analizando.
Probabilidad 1: Probabilidad de ocurrencia que el usuario considera
para el valor 1.
Valor 2: Segundo valor posible que el usuario asigna a la variable
que se est analizando.
Probabilidad 2: Probabilidad de ocurrencia que el usuario considera
para el valor 2
Las probabilidades de ocurrencia 1 y 2 debern sumar entre ellas el 100% de
la probabilidad.
2.10.2. IDENTIFICACIN DE INDICADORES
SOBRE LAS QUE MEDIR EL RIESGO
DE
RENTABILIDAD
Para cuantificar el riesgo del proyecto empresarial deben identificarse la

variable o variables sobre las que se va a medir dicho riesgo.
Para medir el riesgo global de un proyecto empresarial se recomienda el uso
de indicadores de rentabilidad que sean representativas del valor del
negocio.
Existen mltiples mtodos de valoracin de empresas basados en diferentes
criterios:
Basndose en la determinacin del valor de la empresa a travs de la

estimacin de los flujos de dinero que genere en el futuro, consideramos un
indicador adecuado sobre la cual medir el riesgo el Valor Actual Neto, VAN
del proyecto empresarial.
Sobre las variables de salida se podr estudiar las consecuencias que tendr
en su proyecto empresarial la variabilidad experimentada en las variables de
riesgo consideradas en su proyecto
2.10.3. SIMULACIN COMPUTACIONAL

En esta etapa la herramienta computacional comenzar el proceso de
simulacin, es decir, efectuar las iteraciones necesarias, a travs de un
motor informtico.
Este paso, se ejecutar de forma automtica por parte de la herramienta, el
motor de clculo generar mil iteraciones, con objeto de obtener una
muestra que sea representativa de la realidad.
La simulacin genera de forma aleatoria, mil posibles valores para las
variables de riesgo, todos ellos se encuentran entre los intervalos
previamente definidos y arrojar mil valores de las variables de salida,
beneficio o valor actual neto.
Esto permitir alcanzar conclusiones del grado de ocurrencia o probabilidad
de los diferentes posibles resultados, como cul ser el valor ms probable
del valor de su negocio y beneficio, cul ser el valor mnimo o el valor
mximo que podra alcanzar, etc.
2.10.4. GENERACIN DE INFORMES Y PERFIL DE RIESGOS
Los resultados que nos va a mostrar el modelo de riesgo son las posibles
conclusiones a alcanzar con la muestra obtenida de las diferentes iteraciones
efectuadas, que es representativa de la realidad.
Los grficos e informes generados por la herramienta de Anlisis de riesgos
son los siguientes:
a. Histograma
Informa acerca de los posibles valores a tomar por las variables outputs
del modelo (beneficio neto y valor actual neto) y la probabilidad asociada
a cada uno de ellos.
El Histograma muestra los posibles valores del beneficio neto o del VAN
del proyecto empresarial que podrn ser alcanzados con un nivel de
confianza determinado (probabilidad de ocurrencia asociada al valor).
El grfico que se muestra en pantalla se interpreta de la siguiente manera:
Con una probabilidad del 90% de ocurrencia, el valor de su VAN

a alcanzar se encontrar entre 20.926,9 euros y 65.376,5 euros.
El valor medio esperado del VAN es de 42.738,91
Los extremos exteriores (Percentiles) indican que con una

probabilidad del 5% el valor del VAN ser inferior a 20.926,9, y
que con una probabilidad del 5% el resultado ser superior a
65.376,5.
b. Perfil de riesgo
En el grfico se expone lo que podra constituir la curva de perfil de

riesgo de un determinado activo, empresa, regin, etc., respecto de los
riesgos que afectan al VAN o al beneficio neto.
La herramienta permitir obtener una visin del riesgo que facilite la
toma de decisiones ms ptima en cada momento del ciclo de vida de su
proyecto empresarial.
El grfico que se muestra en pantalla se interpreta de la siguiente manera:
Es una tcnica para calcular y visualizar todos los resultados de su

negocio teniendo en cuenta las incertidumbres y las
probabilidades de ocurrencia acumuladas
Eje X es el rango entero de valores del resultado
Eje Y es la probabilidad de ocurrencia acumulada
Cunto ms arriesgado es el negocio, ms amplio ser el rango de

posibles resultados, dando lugar a una curva ms horizontal.
Cuanto ms vertical sea la representacin, menos incertidumbre

lleva asociado el proyecto.
.
c. Lmite de riesgo y VAR
El VAR es una medida para la cuantificacin del riesgo, cuyas siglas en

ingls significan Value at Risk (valor en riesgo), es un mtodo para
cuantificar el riesgo, que mide la peor prdida esperada por el
emprendedor durante un periodo de tiempo, bajo condiciones normales
de mercado y con un nivel de confianza dado.
Por ejemplo si se obtiene que el VAR anual de un proyecto empresarial
es de 1 milln de euros con un nivel de confianza del 95%, quiere decir
que solo existe cinco posibilidades entre 100, bajo condiciones normales
del mercado, de que ocurra una prdida superior a un milln de euros.
Esta cifra sola, resume la exposicin de un proyecto empresarial el riesgo
de mercado en condiciones normales, sin considerar situaciones extremas
que podran llegar a producirse en el mercado en el que opera el
emprendedor.
En la siguiente grfica nos muestra que el Valor en Riesgo del Proyecto
(VAR) para un nivel de confianza determinado, por ejemplo del 95%, se
calcula como la diferencia entre el valor medio del VAN y el valor que
slo tiene una probabilidad de ocurrencia del 5%.
d. Tornado
El anlisis de sensibilidad permite identificar los factores de riesgo que
mayor riesgo suponen para el xito del plan de empresa.
El Tornado es un grfico que informa de aquellas variables de riesgo que

tienen un mayor impacto en su plan de negocio, este grfico indica cual
es el rango de variacin del valor de la empresa, VAN, para cada uno de
las variables de riesgo, suponiendo que se ha producido una variacin en
dicha variable, manteniendo constante el resto de variables de riesgo.
Es decir representa cuanto vara el VAN ante variaciones en cada una de
las variables de riesgo manteniendo el resto de las variables constantes,
este proceso se repetir para cada una de las variables, generando como
resultado el grfico que se muestra ms adelante.
La lista de variables de riesgo que muestra el tornado se ordena en
funcin del impacto en el Valor Actual Neto, ayudando a priorizar
aquellas variables de riesgo ms relevantes.
El grfico Tornado se interpreta de la siguiente manera:
Las barras horizontales del grfico nos informan sobre el posible

rango de variacin del valor actual neto (VAN).
La longitud de las barras representar los diferentes valores que

puede tomar el VAN ante variaciones en la variable de riesgo
asociada.
Para la realizacin del anlisis se considera que todas las

variables del modelo son ciertas y carecen de riesgo y solo la
variable input asociada a cada barra implica riesgo.
La barra vertical de grfico representa al valor del VAN sin
riesgo, considerando todas las variables del plan de empresa
como ciertas.
Se compara el VAN sin riesgo y el VAN ante variaciones de una

variable de riesgo.
e. Anlisis de escenarios
Una vez realizada la simulacin con el modelo de riesgo definido y

analizado el peso especfico que tienen cada una de las variables de
riesgo en el valor final del VAN y del Beneficio Neto del proyecto
empresarial, se identifican aquellos riesgos que mayor influencia tienen
en el resultado de nuestro proyecto, y sobre los que se deber prestar una
especial atencin.
Respecto a dichas variables de riesgo consideradas de mayor peso en los
resultados obtenidos, se podrn definir diferentes escenarios a los que
hacer frente, expectativas optimistas y pesimistas respecto al
comportamiento de la variable.
El proceso de anlisis de escenarios se desarrollara siguiendo los
siguientes pasos de actuacin:
Anlisis de riesgo
Elaborar el Plan de Empresa del proyecto empresarial
Identificar de las variables de riesgo del proyecto empresarial
Construir el Modelo de Riesgos:

Definir la tendencia y el rango de variacin de las variables de
riesgo.
Seleccionar las variables de salida sobre las que se va a medir el
riesgo del proyecto, el beneficio neto del ejercicio o el VAN.
Construir las relaciones matemticas entre las variables de riesgo
y las variables outputs.
Realizar una simulacin mediante un motor informtico.
Analizar el perfil de riesgo del proyecto empresarial.
Seleccin de variable crtica
Analizar las variables identificadas como crticas para nuestro

modelo de riesgo en el tornado.
Identificar las variables crticas sobre las que se puede actuar y

reducir en nivel de riesgo.
Definicin de escenarios
Asignar un valor optimista y otro pesimista a la variable

seleccionada, mediante los cuales se realicen hiptesis sobre el
comportamiento de dicha variable.
Simulacin de los nuevos escenarios
Realizar nuevamente la simulacin del modelo de riesgo con

nuevos valores (escenarios optimista y pesimista).
Obtener los resultados referentes a los escenarios definidos.

Comparar los perfiles de riesgo:
Es una herramienta muy poderosa para comparar el riesgo
soportado ante variaciones en la variable de riesgo.
Estimula la creatividad del emprendedor en busca de estrategias
alternativas que mejoren el perfil de riesgo.
2.11. VARIABLES ALEATORIAS EN PROYECTOS MINEROS

En la evaluacin de rentabilidad de un proyecto minero se utiliza un conjunto
particular de variables que son definidas por las caractersticas propias de la
actividad minera. A continuacin mostramos las principales variables involucradas
en los clculos por el Mtodo de Montecarlo.
2.11.1. VARIABLES VINCULADAS AL YACIMIENTO
Ley del yacimiento y ley de corte
Reservas
Porcentaje de recuperacin
Relacin desmonte/mineral, etc.
2.11.2. VARIABLES VINCULADAS A LA OPERACIN MINERA
Costos en los diferentes procesos.
Gastos en los diferentes procesos.
Nivel de produccin
Inversin de capital.
Nivel de produccin.
Das de operacin por ao.
Vida de la mina, etc.
2.11.3. VARIABLES VINCULADAS AL MERCADO Y CONTEXTO

EXTERIOR
Precio de los minerales.
Impuestos.
Tipo de cambio.
Depreciacin.
Inters.
Inflacin, etc.
2.12. APLICACIN DEL MTODO
SOFTWARE CRYSTAL BALL
DE
MONTECARLO
CON
EL
Hoy en da la toma de decisiones en las organizaciones tienen una gran

importancia, debido a esto se tienen actualmente diferentes sistemas de anlisis que
permiten a las empresas generar campos de accin que disminuyan el riesgo y la
incertidumbre, lo que a su vez implica una mayor probabilidad de xito.
Es por ello que se desarrollan diferentes programas computarizados que resultan
ideales para desarrollar estudios en las diferentes reas que puedan requerir del
anlisis de riesgos.
El programa Crystal Ball es un complemento de Microsoft Excel, que permite crear
pronsticos de riesgos, y adaptarlos a una situacin que se acerque a la realidad de
la empresa que realiza el anlisis.
2.12.1. MARCO TEORICO

Por la naturaleza de la incertidumbre que incorporen:
Determinsticos: las variables pronosticadas no contienen ningn
error. No hay incertidumbre.
Probabilsticos: los pronsticos estn sujetos a incertidumbre.
En la prctica los modelos que se utilizan tienen componentes

determinsticos y componentes probabilsticos.
Las variables que determinan o explican los resultados se pueden denominar

variables supuestos.
Si los supuestos tienen incertidumbre deben tratarse como variables
aleatorias.
Se dice entonces que una variable aleatoria se caracteriza porque su
comportamiento puede ser descrito mediante una funcin de distribucin de
probabilidad.
La funcin de distribucin de probabilidad relaciona los valores que puede
tomar la variable con sus respectivas probabilidades de ocurrencia.
Existen varias funciones reconocidas de funciones de distribucin de
probabilidad.
Todas ellas se especifican en funcin de parmetros estadsticos: media,
desviacin estndar, moda, etc.
ETAPA
PREVIA
PREPARACIN DEL
EXPERIMENTO DE
SIMLUACIN
EJECUCIN DEL
EXPERIMENTO
CONSTRUYA EL MODELO DE
EVALUACIN
DETERMINE
DEFINA
CARACTERSTICAS
VARIABLES
DE
VARIABLES SUPUESTO
OBJETIVO
RUN
GENERE REPORTE DE
RESULTADOS DEL
EXPERIMENTO
2.12.2. CARACTERSTICAS DEL CRYSTAL BALL

Se trata de un programa que ofrece herramientas complejas para ser
aplicadas en el ambiente de hojas de clculo de EXCEL
Tiene 5 componentes:
1.
2.
3.
4.
5.
Crystal Ball, programa que ejecuta clculos estadsticos y simulaciones

de Montecarlo.
OptQuesT, que resuelve clculos de optimizacin.
CB Predictor, es una aplicacin para pronstico de series de tiempo.
ROAT, Es una herramienta que soluciona los clculos de opciones y de
opciones reales.
Developer Kit; es un programa que ayuda a la integracin de las
funciones de todo el paquete en programas de VBA u otros programas.
Al iniciar el programa Crystal Ball, aparece una hoja de clculo de

Excel.
Se observa que ella contiene conos nuevos que corresponden a las

herramientas que ofrece el programa.
Por favor abrir el programa. Debe aparecer la pantalla siguiente:
2.12.3. LAS CARACTERSTICAS DE LAS VARIABLES ALEATORIAS

Cul distribucin usar para caracterizar variables aleatorias de nuestros
modelos?
Observe la variable, el comportamiento mostrado en el pasado, las

causas que la determinan.
Familiarcese con las propiedades de las diversas funciones de

distribucin probabilstica (ver Captulo 2, CRYSTAL BALL.PDF).
Identifique la funcin que ms se ajusta.
La teora que trata sobre la variable en cuestin puede ser de gran

ayuda en esta decisin.
Para resolver este tema CRYSTAL BALL ofrece invaluables ayudas.
El programa ofrece 17 distribuciones diferentes, aplicables tanto

para variables discretas como variables continuas. Adicionalmente
est la alternativa de especificar la propia (Custom).
Si se cuenta con observaciones de la variable, se puede hacer una

prueba que permita establecer el tipo de funcin que ms se ajusta.
Para ello se utiliza la alternativa FIT.

Hacer ejemplos
Estos son los cuadros de dilogo para encontrar la funcin que mejor
ajuste.
Ofrece 3 mtodos de calificacin del ajuste.
Los resultados de la prueba muestran los ajustes segn su calidad y

en consonancia con el mtodo escogido.
La que mejor considere hace click en ACEPTAR.
En muchas ocasiones las variables supuestos tienen

comportamientos asociados.
Esta asociacin se mide con el coeficiente de correlacin entre dos

variables.
Este coeficiente est definido.
Donde el numerador es la covarianza entre las dos variables.
Y el denominador en la multiplicacin de las desviaciones estndar.
Si el coeficiente es igual a cero, son variables independientes.
En este caso no es necesario introducir el coeficiente dentro de las

caractersticas del variable supuesto.
En otras condiciones resulta en mejoras en la precisin del ejercicio.
81
77
79
73
75
69
71
65
67
61
63
57
59
53
55
47
49
51
43
45
37
39
41
31
33
35
25
27
29
19
21
23
13
15
17
11
Distribucin Normal Bivariada Correccin Positiva
Variable X2
Variable X2
Variable X1
Variable X1
Para introducir los coeficientes de correlacin con otras

variables supuesto
Establezca la variable con que se correlaciona

Introduzca el coeficiente
O seleccione un grado de correlacin
Cuando se est trabajando con un modelo que incorpora varias

variables aleatorias correlacionadas, su incorporacin al ejercicio de
simulacin se facilita con la matriz de correlaciones.
Recordar propiedades de esta matriz.
En CBTOOLS aparece la alternativa de matriz de correlacin

Le define las variables correlacionadas
Pega en la matriz los valores de la matriz calculada
2.12.4. CARACTERSTICAS DE LAS VARIABLES OBJETIVO

Los resultados del modelo se conocen como variables objetivo.
Estn determinadas por los variables supuestos.
Para preparar el experimento se debe:
Definir las variables objetivo, asegurndose que son resultados del
modelo.
Especificar las unidades de esta variable.
Determinar las propiedades de la ventana de resultados.
Parado en la celda donde est definida la variable a pronosticar,
seleccione el icono
Asigne nombre a la variable.

Determine las unidades de esta variable.
Puede expandir la definicin.
Define tamao de la ventana de la variable objetivo

Si desea ver los resultados mientras corre el modelo
Establece la precisin y si desea filtrar datos extremos
Especificar la precisin de los resultados, en intervalos de confianza
en valores absolutos o relativos.
Permite descartar valores dentro de un rango o por fuera de un

rango.
Y si se descarta todo el experimento.
Figure 3.15: Expanded Define Forecast dialog Filter

2.13. APLICACIN EN PROYECTO MINERO
Se busca determinar la rentabilidad y hacer una evaluacin de riesgos en el
siguiente proyecto minero, cuyos parmetros principales son:
Parmetros:
Reservas minerales
: 150 000 TM
Capacidad de produccin
Das de operacin
Ley de cabeza de oro
Recuperacin metalrgica
Precio del oro
Costo de produccin
Gastos adm. Y de ventas
Impuesto a la renta
Participacin de
trabajadores
: 80 TMD (ao 1)
100 TMD (ao 2 5)
: 300 das/ao
: 12 gr/TM
: 70 %
: 350 US$/onz
: 40 US$/TM
: US$ 500 000 al ao
: 30 % de la utilidad antes del
impuesto
: 8 % de la utilidad antes del impuesto
Inversiones (Ao 0):

Equipo mina
Equipo Planta
Obras Civiles
Desarrollo Mina
Capital de trabajo
Gastos de Organizacin
:
:
:
:
:
:
Inversiones (Ao 6):

Cierre de mina
: 150 000
Depreciacin Activos Fijos

Amortizacin Intangibles
Costo de oport. Del
accionista
500 000
300 000
400 000
300 000
250 000
250 000
: 10 aos
: 5 aos
15%
Servicio deuda relevante para el proyecto (US$)

Ao
Amortizacin
250,000
250,000
250,000
250,000
Intereses
100,000
100,000
75,000
50,000
25,000
Total
100,000
350,000
325,000
300,000
275,000
continuacin se seguirn los pasos para hallar el Flujo de Caja del proyecto primero, y
posteriormente con este hacer la Simulacin por el mtodo de Montecarlo.
A. PRIMER PASO: Hallar el Flujo de Caja del Proyecto
1. Datos operativos:
a. Hallando Valor de Ventas ($/ao)
Ventas1 erao =
123500.7803001 TM
=2268 810
31.10 gr
Ventas25=
123500.71003001TM
=2 836 013
31.10 gr
b. Hallando Costo Total de Produccin ($/ao)

Costo1 er ao =8030040=960 000
Costo1 er ao =10030040=1 200 000
2. Inversiones y depreciacin
a. Activos fijos
Equipo Mina
Equipos Planta
Obras Civiles
Desarrollo Mina
Depreciacin activos fijos=
: 500 000
: 300 000
: 400 000
: 300 000
1 500 000
$ 1 500 000
=150 000 $ /ao
10 aos
b. Activos intangibles
Gastos Organizacin
Amortizacin intangibles=
: 250 000
$ 250 000
=50 000 $/ao
5 aos
c. Valor Residual
750 000 es el resto de los 5 aos de la depreciacin de los activos fijos.
3. Determinando el VAN y TIR del Proyecto
VAN =828 267 TIR= 39%
B. SEGUNDO PASO : Simulacin por el Mtodo de Montecarlo

Una vez hallado el Flujo de Caja del Proyecto se procede a realizar la
Simulacin por el Mtodo de Montecarlo siguiendo los pasos descritos en el
Captulo II, para lo cual primero determinaremos las variables a analizar.
1. Determinacin de variables
Las variables que analizaremos sern aquellos valores que si hacemos que
varen un poco, el resultado que se obtiene es la variacin general de todo
el proyecto as como de su VAN y TIR.
VARIABLES
Ley Au (gr/TM)
12
ANLISIS DE
SISTEMAS
MINEROSPgina 228
Recup.
Metalrgica
(%)
70
Precio Au ($/oz)
350
2. Seleccin de funciones de probabilidad

a. Ley Au (gr/TM)
Se utiliza una distribucin normal cuyos parmetros son los siguientes:
De acuerdo al grfico observamos que tenemos una media de 12, una

desviacin estndar de 2 y el rango en el que se encuentra es de 10 a
14.
b. Recuperacin (%)

desviacin estndar de 2 y el rango en el que se encuentra es de 65 a
75.
c. Precio ($/oz)

desviacin estndar de 10 y el rango en el que se encuentra es de 300
a 500.
3. Resultados obtenidos aplicando la Simulacin por el Mtodo de
Montecarlo
Como variable para el anlisis de riesgo se usar el VAN y TIR del
proyecto; de acuerdo a esto, obtenemos lo siguiente:
a. Pronstico del VAN
De acuerdo a la grfica tenemos que la probabilidad de obtener un

VAN > 0 es de 93.85%.
b. Pronstico del TIR
De acuerdo a la grfica tenemos que la probabilidad de obtener un TIR

> 15 es de 93.82%.
c. Grfico de sensibilidad del VAN
La grfica nos indica que la variable que ms influye en el proyecto,

para la obtencin del VAN, es la ley de cabeza.
d. Grfico de sensibilidad del TIR
La grfica nos indica que la variable que ms influye en el proyecto,

para la obtencin del TIR, tambin es la ley de cabeza.
4. Nuevo anlisis realizando una variacin en la ley de cabeza del
mineral
Ahora realizaremos una variacin en una de las variables, especficamente
en la ley de cabeza, as tendremos lo siguiente:
VARIABLES
Ley Au (gr/TM)
10.50
Recup. Metalrgica (%)
70
Reduciremos la ley
de cabeza del
mineral de 12 gr/TM a 10.50 gr/TM, y conservaremos iguales los
rangos para las funciones de probabilidad, de acuerdo a ello obtenemos
lo siguiente:
Precio Au ($/oz)
350
a. Pronstico del VAN
De acuerdo a la grfica tenemos que la probabilidad de obtener un

VAN > 0 para el caso en que la ley de cabeza baja a 10.50 gr/TM es de
57.52%.
b. Pronstico del TIR
De acuerdo a la grfica tenemos que la probabilidad de obtener un TIR

> 15 para el caso en que la ley de cabeza baja a 10.50 gr/TM es de
58.30%.
SIMULACION CON METODO MONTECARLO PARA CALCULAR EL

ADECUADO PESO DE EXPLOSIVO POR TALADRO, PARA EVITAR DAOS
Y FLAYR ROCK
Como es de conocimiento de todos quienes amamos la Ingeniera de Minas, las rocas en
el momento de la detonacin del explosivo, toman direcciones totalmente
aleatorias(al azar) en todas las direcciones posibles, mediante la aplicacin de la
Formula de Velocidad Pico Partcula(VPP) podemos calcular el peso adecuado de
explosivo por taladro, de modo que se tenga una distancia D, segura o permitida a la
cual no podr causar daos a la propiedad, personal, maquinaria, equipo,etc
[ ]
D
W
VPP: Velocidad Pico Partcula (pulg/seg)
VPP=L
L: Constante que depende de tipo de material de roca vara entre 15 60

m: Constante en funcin de tipo de material vara entre -0.9 a - 2.10
W:peso de explosivo (lb)
D=Distancia es del punto de voladura al punto de inters (ft)
CALCULO DE W
W=
D
VPP 1/ 1.5
(
)
L
Para roca traquita de VVP=65, L=40, m= -1.5 y D=35
W= 6,96lb/tal de explosivo
Generamos nuestro libro en Excel las siguientes variables:
D: Distancia a la cual la voladura no afecta y con direccin estocstica
: Es el ngulo que formaran las rocas al momento de ser sujetas a la voladura
TABLA 1. Valores de D y hallados de por medio de nmeros aleatorios
Como se sabe el Metodo Monte carlo a mas iteaciones, da valores mas cercanos al valor
verdadero, Luego de muchas iteraciones, se calcula el valor promedio de
D= Sumatoria de todos los valores
Numero de itraciones
D= 17.16ft
Hallamos W con el valor promedio de D
W= 4.87ft
Meidante Crystall Ball confirmamos que el valor W= 4.76 y con mayor

probabilidad
CONCLUSIONES
La ayuda de un software como Cristal Ball simplifica el anlisis de riesgo en las
decisiones de inversin. De esta manera, los modelos determinsticos pueden ser
enriquecidos con el uso de aplicaciones informticas que permitirn enfrentar con
mayor xito situaciones tan cambiantes como las vigentes.
La simulacin con el mtodo de Monte Carlo para el anlisis de riesgo es una
herramienta importante a la hora de tomar decisiones que impliquen algn tipo de
incertidumbre, como es el caso de los Proyectos de Inversin en minera donde, se
tienen muchas variables que nos indican diferentes niveles de incertidumbres.
En el desarrollo del ejemplo de aplicacin se muestra que la tcnica de simulacin de
Montecarlo aporta significativamente en el anlisis de inversin bajo condiciones de
riesgo.
Los resultados obtenidos luego de la Simulacin con el programa Crystal Ball nos
indican que el proyecto es totalmente factible de realizacin pues nos da un alto
porcentaje de certidumbre tanto para el VAN como para el TIR.
RECOMENDACIONES
Realizar ms estudios sobre el anlisis de riesgos, pues est demostrado que esta es una
herramienta muy importante a la hora de la toma de decisiones
Realizar ms ejemplos de aplicacin con el mtodo para obtener mayores referencias
sobre el estudio de riesgos en proyectos de inversin.
Estudiar a fondo el uso del programa Crystal Ball con el fin de mejorar el anlisis de
riegos en proyectos mineros por el mtodo de Monte Carlo.
BIBLIOGRAFA
ING. MAXERA BEDON, Carlos Omar. Aplicacin de la Simulacin de Monte

Carlo en Proyectos Mineros. Lima, Per 2005.
VELSQUEZ PERILLA, Pablo Elas Investigacin de Operaciones, UNI

2011.
PABLO VENEGAS FLORES. Tesis Introduccin a la Investigacin de

Operaciones, UNMSM 2014
JUAN CAMILO MONTOYA F. Simulacin MonteCarlo usando Crystal Ball.

UNIVERSIDA SERGIO ARBOLEDA - Espaa
CAPTULO VI
PRIMAL Y DUAL EN EL ANLISIS DE SENSIBILIDAD
INTRODUCCION
En el mundo real, las condiciones de trabajo no suelen permanecer estticas, sino en
continuo estado de cambio. As las cosas, son usuales las variaciones en los precios
(tanto de productos finales como de materias primas, mano de obra, etc.), y en las
cantidades de recursos disponibles. Adems, continuamente se producen cambios en los
mtodos productivos y mejoras tecnolgicas que logran aumentar la productividad. El
Anlisis de Sensibilidad se encarga precisamente de estudiar cmo afectara a la
solucin ptima obtenida y a la funcin objetivo el cambio (dentro de un rango
predeterminado) de uno de los parmetros, manteniendo fijos los restantes. Por ejemplo,
si nuestros contables estiman al revisar los clculos que los beneficios por cada unidad
de producto vendida son de 5,5 en vez de la estimacin inicial de 5 , o si resulta que
ahora disponemos de recursos adicionales (cmo diez horas ms de mano de obra, o de
una nueva mquina), el Anlisis de Sensibilidad nos ayudar a conocer cmo afectarn
estos cambios a la solucin ptima obtenida y a los beneficios totales. Conviene hacer
notar que este tipo de anlisis tan slo tiene sentido para modelos lineales no enteros (no
se usa en modelos enteros ni cuadrticos).
La tabla que nos proporciona el mtodo simplex es una gran fuente de informacin
sobre los datos de nuestro problema, siempre y cuando los sepamos descifrar. Para ello
realizaremos lo que se denomina anlisis de sensibilidad.
Una de las cosas ms importantes que nos proporciona este anlisis, es la de conocer el
intervalo de variacin de los parmetros del problema, sin que cambie nuestra solucin
ptima.
2. DUAL Y PRIMAL
2.1. PROBLEMA DE DUAL
El problema dual se define sistemticamente a partir del modelo de PL primal. Los dos
problemas estn estrechamente relacionados en el sentido de que la solucin ptima de
uno proporciona automticamente la solucin ptima al otro. En la mayora de los
tratamientos de PL, el dual se define para varias formas del primal segn el sentido de la
optimizacin (maximizacin o minimizacin), los tipos de restricciones (<=, >= o =), y
el signo de las variables (no negativas o irrestrictas).
La definicin del problema dual requiere expresar el problema primal en la forma de
ecuacin (todas las restricciones son ecuaciones con lado derecho no negativo, y todas
las variables son no negativas). Este requerimiento es consistente con el formato de la
tabla inicial simplex. Como consecuencia cualquier resultado obtenido a partir de la
solucin ptima primal se aplican directamente al problema dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asignar una variable dual por cada restriccin primal.

2. Construir una restriccin dual por cada variable primal.
3. Los coeficientes de restriccin (columna) y el coeficiente objetivo de la variable
primal j-sima definen respectivamente los lados izquierdo y derecho de la
restriccin dual j-sima.
4. Los coeficientes objetivo duales son iguales a los lados derechos de las ecuaciones
de restriccin primales.
5. Las reglas que aparecen en la tabla 4.1 rigen el sentido de optimizacin, la direccin
de las desigualdades y los signos de las variables en el dual. Una forma fcil de
recordar el tipo de restriccin en el dual (es decir,# o $) es que si el objetivo dual es
de minimizacin (es decir, apunta hacia abajo), entonces todas las restricciones
sern del tipo $ (es decir, apuntan hacia arriba). Lo opuesto aplica cuando el
objetivo dual es de maximizacin.
EJEMPLO N 01
PROBLEMA PRIMAL
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +6 X 2
X 1 +2 X 2=5
X 1+ 5 X 2 3
4 X 1+ 7 X 2 8
X 1 irrestricta , X 2 0

X 1
X 1= X 1
FUNCIN OBJETIVO
++ 6 X 2
5 X 1
Max ( Z )=5 X 1
SUJETO A
SUSTITUIR POR
++2 X 2=5 y 1
X 1
X 1
++5 X 2 X 3=3 . y 2
+ X 1
X 1
++7 X 2+ X 4=8 . y 3
4 X 1
4 X 1
+ , X 2 , X 3 , X 4 0
, X 1
X 1
FUNCIN OBJETIVO
Min ( Z )=5 y 1+ 3 y 2 +8 y 3
SUJETO A
PROBLEMA DUAL
y 1 y 2 +4 y 3 5
y 1 + y 24 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3 5
y 1 y 2 +4 y 3=5
2 y1 +5 y 2 +7 y 3 6
y 2 0
y3 0
y 1 irrestricta , y 2 0, y 3 0
CONSTRUCCION DEL DUAL
Si el primal es de maximizacin entonces el dual es de minimizacin y viceversa. No es

necesario incluir las variables artificiales en el primal porque stas no cambiaran la
definicin del dual.
El grfico N 01 muestra la tabla simplex inicial, el cual los coeficientes de restriccin
bajo las variables iniciales forman una matriz identidad.
GRFICO 4: Tabla inicial

Con esta disposicin, las iteraciones siguientes de la tabla simplex generadas por las
operaciones de filas de Gauss-Jordan modifican los elementos de la matriz identidad
para generar la matriz inversa (grfico n 02). La matriz inversa es la clave para calcular
todos los elementos de la tabla simplex asociada.
GRFICO 5: Tabla general

2.2.
SOLUCIN PTIMA DUAL
Las soluciones primal y dual estn estn estrechamente relacionados en el sentido de

que la solucin ptima de uno u otro problema da la solucin ptima al otro.
En un modelo de PL en el que la cantidad de variables es considerablemente menor que
La de restricciones, pueden ahorrarse clculos resolviendo el dual porque la cantidad de
clculos simplex depende de la cantidad de restricciones. Los mtodos para determinar
los valores duales son:
a. PRIMER MTODO
PTIMO DE = COEFICIENTE Z PRIMALPTIMO DE LA VARIABLE INICIAL X

( VALOR
)
LA VARIABLE DUAL) (
+ COEFICIENTE OBJETIVO ORIGINAL DE X
i
b. SEGUNDO MTODO
VECTOR FILA DE LOS

VALORES PTIMOS DE = COEFICIENTES OBJETIVO ORIGINALES X INVERSA PRIMAL
LAS VARIABLES DUALES
DE LAS VARIABLES BSICAS PRIMALES
PTIMA
PTIMAS
)(
EJEMPLO N 02
PROBLEMA PRIMAL
FUNCIN OBJETIVO
SUJETO A
Max ( Z )=5 X 1 +12 X 2 +4 X 3
X1 , X2 , X3 0
:
X 1 +2 X 2 + X 3 10
2 X 1X 2+3 X 3=8
FUNCIN OBJETIVO
Max ( Z )=5 X 1 +12 X 2 +4 X 3 +0 X 4MR
SUJETO A
:
X 1 +2 X 2 + X 3 + X 4=10
y1
2 X 1X 2+3 X 3+ R=8
X1 , X2 , X3, X 4 , R 0
FUNCIN OBJETIVO
Min ( Z )=10 y 1+ 8 y 2
SUJETO A
y2
PROBLEMA DUAL
y 1+ 2 y 2 5
2 y1 y 2 12
y 1+ 3 y 2 4
y1 0
y 2 M
Anlisis con el tablero simplex
SOLUCIN POR EL PRIMER MTODO

y 1 0, R 0, y 2 Irrestricta
Las variables primales iniciales x4 y R corresponden slo a las variables y1 y y2

respectivamente. Por lo tanto la solucin dual ptima dual se obtiene de la siguiente
forma:
SOLUCIN POR EL SEGUNDO MTODO

La matriz inversa obtenida en el tablero simplex bajo las variables iniciales x4 y R, es
Inversa ptima =
[ ]
2
5
1
5
1
5
2
5
El orden de las variables bsicas primales ptimas en la columna Bsica es X2 seguida

por X1. Los elementos de los coeficientes objetivo originales para las dos variables
deben aparecer en el mismo orden, es decir.
( coeficiente objetivo originales )= ( coeficiente de x2 , coeficiente de x 1 )

(12,5)
Los valores duales ptimos son:
( y 1 , y 2 ) = coeficiente objetivo x ( inversa ptima )
( originales de X , X )
2
( )
2
( 12,5 ) x 5
1
5
1
5
2
5
29 2
( y 1 , y 2 ) = 5 , 5
Son soluciones factibles x1 = 0, x2 =0 , x3 = 8/3 y y1 = 6, y2 = 0, son soluciones

primales y duales factibles (arbitrarias). Los valores asociados de las funciones objetivo
son:
Z =5 x 1 +12 x 2 + 4 x3 =5 ( 0 ) +12 ( 0 )+ 4
( 83 )= 323
W =10 y 1 +8 y 2=10 ( 6 )+ 8 ( 0 )=60
En el ptimo, la relacin se mantiene como una ecuacin estricta, lo que significa que
los dos valores objetivos son iguales. Observe que la relacin no especifica cul
problema es primal y cul es dual. En este caso slo el sentido de optimizacin
(maximizacin o minimizacin) es importante.
El ptimo no puede ocurrir con z estrictamente menor que w (es decir, z w)
porque, no importa qu tan cerca estn z y w, siempre hay la oportunidad de una mejora,
lo que contradice la optimalidad como lo demuestra la figura 4.2.
GRFICO 6: RELACIN ENTRE Z MXIMO Y W MNIMO

Para cualquier par de soluciones primales y duales factibles
( problemade
maximizacin) ( problemade minimizacin)
7. Mtodo dual smplex

Como en el mtodo smplex (primal), la base el mtodo smplex dual es que cada
iteracin siempre est asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo mover las iteraciones de la solucin hacia la factibilidad.
8. Condicin dual de factibilidad

La variable de salida xr es la variable bsica que tiene el valor ms negativo (los
empates se rompen en forma arbitraria). Si todas las variables bsicas son no negativas,
termina el algoritmo.
9. Condicin dual de optimalidad. La variable de entrada se determina entre las

variables no bsicas, como la que corresponde a
Donde zj - cj es el coeficiente objetivo del rengln z en la tabla, y es el coeficiente

negativo de restriccin de la tabla, asociado con el rengln de la variable de salida xr, y
con la columna de la variable xj no bsica. Los empates se rompen arbitrariamente.
Observe que la condicin de optimalidad dual garantiza que se mantendr la
optimalidad en todas las iteraciones.
Para el inicio de una programacin lineal que sea ptima y no factible a la vez, se deben
satisfacer dos requisitos:
3. La funcin objetivo debe satisfacer la condicin de optimalidad del mtodo
smplex regular.
4. Todas las restricciones deben ser del tipo ().
Por la segunda condicin se requiere convertir toda () a (), slo multiplicando ambos
lados en la desigualdad () por -1. Si en la programacin lineal hay restricciones (=) se
puede reemplazar la ecuacin con dos desigualdades.
Por ejemplo:
x1 + x2 = 2,
Equivale a:
x1 + x2 1, x1 + x2 1
O bien:
x1 + x2 1, -x1 - x2 1
Despus de convertir todas las restricciones en (), la programacin lineal tendr una
solucin de inicio no factible si, y slo si al menos uno de los lados derechos de las
desigualdades es estrictamente negativo. En caso contrario, si z es ptima y ninguno de
los lados derechos es negativo no habr necesidad de aplicar el mtodo smplex dual,
porque la solucin de inicio ya es ptima y factible.
Ejemplo:
Minimizar z= 3x1 + 2x2

Sujeta a:
3x1 + x2 3
4x1 + 3x2 6
x1 + x2 3
x1, x2 0
Solucin:
Como se puede observar las dos primeras restricciones son desigualdades que no
cumplen los requisitos (), multiplicaremos por (-1) y cambia la desigualdad (), luego
en la funcin objetivo hacemos la igualdad a cero y tenemos:
0 = z - 3x1 - 2x2
Sujeta a:
-3x1 - x2 - 3
-4x1 - 3x2 - 6
x1 + x2 3
x1,x2 0
Llevando a la tabla:
Como se puede observar la tabla comienza ptima (todas las z j cj 0 en el rengln z)

y la solucin bsica de inicio es factible(x3 = -3, x4 = -6, x5 = 3).
Segn la condicin dual de factibilidad, x4 es la variable de salida. La tabla siguiente
muestra cmo se usa la condicin dual de optimalidad para determinar la variable de
entrada:
Las razones indican que x2 es la variable de entrada. Hay que observar que una variable
xj es candidata para entrar a la solucin bsica slo que su ij sea estrictamente negativa.
Eso quiere decir que no se deben tener en cuenta las variables x3, x4 y x5.
La siguiente tabla se obtiene con las conocidas operaciones de rengln:
Esta tabla muestra que sale x3 y entra x1, as se obtiene la siguiente tabla:
Esta ltima tabla es factible (y ptima) por lo que se termina el algoritmo. La solucin
correspondiente es: x1 = 3/5, x2 = 6/5 y z = 21/5.
Para reforzar la comprensin del mtodo smplex dual por parte del lector, la figura
siguiente muestra en forma grfica la trayectoria seguida por el algoritmo para resolver
el ejemplo anterior.
Se inicia en el punto extremo A (que es no factible y mejor que el ptimo), pasa a B

(que todava es no factible y mejor que el ptimo) y por ltimo se vuelve factible en C.
En este punto termina el proceso, con C como solucin ptima factible.
Adicionalmente podemos realizar la solucin por el mtodo smplex dual con el

programa TORA que incluso contiene un mdulo tutorial para este mtodo.
10. Algoritmo smplex generalizado
El algoritmo smplex (primal) inicia siendo factible, pero no ptimo. El smplex dual
comienza mejor que el ptimo, pero no factible. Y si un modelo de programacin
lineal iniciara no ptimo y no factible al mismo tiempo? Hemos visto que el smplex
primal tiene en cuenta la no factibilidad de la solucin de inicio usando variables
artificiales. En forma parecida, el smplex dual tiene en cuenta la no optimalidad usando
restricciones artificiales. Aunque esos procedimientos tienen por objeto ampliar el
cmputo automtico, los detalles pueden hacer perder de vista lo que realmente implica
el algoritmo smplex, que es que la solucin ptima de una programacin lineal siempre
se asocia con una solucin de punto de esquina (o bsica). Con base en esta observacin
deberamos poder adaptar nuestros propios algoritmos smplex no ptimos y no

factibles a la vez. En el siguiente ejemplo se ilustra lo que se llama algoritmo smplex
generalizado.
Ejemplo:
Maximizar z=2 x 3
Sujeta a:
x 1 +2 x22 x 3 8
x 1 + x 2+ x 3 8
2 x 1x 2 +4 x3 10
x 1 , x 2 , x 3 0
Solucin:
El modelo de programacin lineal se puede poner en la tabla siguiente, en el que la
solucin bsica de inicio (x4, x5, x6) es al mismo tiempo no ptima (por x 3) y no factible
(por x4 = -8). La primera ecuacin se multiplic por -1 para revelar la no factibilidad en
forma directa, en la columna solucin.
El problema se puede resolver sin usar variables ni restricciones artificiales, como

sigue: quitar primero la no factibilidad aplicando una versin de la condicin smplex
dual de factibilidad, que seleccione a x4 como variable de salida. Para determinar cul es
la variable de entrada todo lo que se necesita es una variable no bsica cuyo coeficiente
de restriccin en el rengln x4 sea estrictamente negativo. Se puede hacer la seleccin
sin cuidarse de mantener la optimalidad, porque de cualquier manera es no existente en
este punto (comprela con la condicin de optimalidad dual). El resultado es la siguiente
tabla:
Ahora la solucin en esta tabla es factible, pero no ptima, y podremos usar el smplex
primal para determinar la solucin ptima. En general, si no nos hubiramos encontrado
la factibilidad en la tabla anterior, habra que repetir el procedimiento las veces
necesarias hasta satisfacer la factibilidad, o hasta que haya pruebas de que el problema
no tenga solucin factible.
Una vez establecida la factibilidad, el siguiente paso es atender la optimalidad,
aplicando la condicin adecuada de optimalidad del mtodo smplex primal.
La esencia del ejemplo es que el mtodo smplex no es rgido. En las publicaciones
abundan las variaciones del mtodo smplex (por ejemplo, el mtodo primal-dual, el
mtodo simtrico, el mtodo entrecruzado y el mtodo mltiplex) que dan la impresin
que cada uno es distinto, cuando en realidad todos buscan una solucin de punto
esquina, con inclinacin hacia los clculos automticos y quiz hacia la eficiencia de
cmputo.
El anlisis de sensibilidad investiga el cambio de la solucin ptima que resulta de hacer
cambios en los parmetros del modelo de programacin lineal. La tabla siguiente
contiene todos los casos posibles que pueden surgir en el anlisis de sensibilidad, as
como las acciones necesarias para obtener la nueva solucin (suponiendo que exista):
Ejemplo
TOYCO arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los
lmites diarios de tiempo disponible para las tres operaciones son 430, 460 y 420
minutos, respectivamente, y las utilidades por tren, camin y coche de juguete son $3,
$2 y $5, respectivamente. Los tiempos de armado por tren, en las tres operaciones son 1,
3 y 1 minutos, respectivamente.
Los tiempos respectivos por camin y por coche son (2, 0, 4) y (1, 2, 0) minutos (un
tiempo de cero indica que no se usa la operacin).
Solucin
Sean x1, x2 y x3 la cantidad diaria de unidades armadas de trenes, camiones y coches, los
modelos de programacin lineal y dual que le corresponden son los siguientes:
Este modelo servir para explicar los distintos procedimientos. Recurdese que ese
modelo es del ensamble de tres clases de juguetes: trenes, camiones y coches. Cada
artculo requiere tres operaciones sucesivas. Se desea determinar la cantidad de
unidades de cada juguete que haga mxima a la utilidad.
La tabla ptima asociada para el primal es:
12. Cambios que afectan la factibilidad

La factibilidad de la solucin ptima en el momento slo puede variar si:
A. Cambia el lado derecho de las restricciones, o
B. Se agrega al modelo una restriccin nueva.
En ambos casos se tiene no factibilidad cuando al menos un elemento del lado derecho
en la tabla ptima se hace negativo; esto es, una o ms de las variables bsicas actuales
se vuelve negativa.
C. Cambios en el lado derecho:
Estos cambios requieren volver a calcular el lado derecho de la tabla:
Recordemos que el lado derecho de la tabla expresa los valores de las variables bsicas.
D. Adicin de nuevas restricciones.

La adicin de una nueva restriccin a un modelo existente puede llevar a uno de los dos
casos siguientes:
La nueva restriccin es redundante, lo que quiere decir que se satisface con la
solucin ptima actual y, por consiguiente, se puede eliminar por completo del
modelo.
La solucin actual viola la nueva restriccin, y en este caso se puede aplicar el
mtodo smplex dual para recuperar la factibilidad.
Se observe que la adicin de una nueva restriccin, como en el caso 2, nunca puede
mejorar el valor objetivo ptimo actual.
13. Cambios que afectan la optimalidad
En esta seccin se examinan dos soluciones particulares que podran afectar la
optimalidad de la solucin actual:
A. Cambios en los coeficientes objetivo originales.
B. Adicin de una nueva actividad econmica (variable) al modelo.
C. Cambios en los coeficientes de la funcin objetivo
Esos cambios slo afectan la optimalidad de la solucin. Por consiguiente requieren
recalcular los coeficientes del rengln z, con el siguiente procedimiento:
1. Calcular los valores duales con los mtodos 1 y 2 de la seccin 4.2.3.
2. Usar los nuevos valores duales en la frmula 2, seccin 4.2.4, para determinar los
nuevos coeficientes en el rengln de z.
Se presentarn dos casos:
1. El nuevo rengln de z satisface la condicin de optimalidad, y la solucin permanece
sin cambio (sin embargo, el valor objetivo ptimo puede cambiar).
2. La condicin de optimalidad no se satisface, y en ese caso se aplica el mtodo
smplex (primal) para recuperar la optimalidad.
D. Adicin de una nueva actividad
La adicin de una nueva actividad en un modelo de programacin lineal equivale a
agregar una nueva variable. En forma intuitiva, la adicin de una nueva actividad slo
es deseable si es rentable, esto es, si mejora el valor ptimo de la funcin objetivo. Esta
condicin se puede verificar aplicando la frmula 2, seccin 4.2.4, a la nueva actividad.
Como esa nueva actividad no es todava parte de la solucin, se puede considerar como
una variable no bsica. Eso quiere decir que los valores duales asociados con la solucin
actual permanecen invariables.
Si la frmula 2 indica que la nueva actividad satisface la condicin de optimalidad, la
actividad no es rentable. En caso contrario, es mejor tener en cuenta la nueva actividad.
El caso de agregar una actividad nueva tambin abarca al caso en el que se hicieron
cambios en los usos de los recursos, en una actividad existente. En forma especfica se
puede considerar a x7 como si al principio tuviera un coeficiente de objetivo cero y uso
cero de los tres recursos, y que esos valores cero se cambiaron a los nuevos valores que
se dan para x7.
Por esta razn no se describir por separado el caso de cambiar los coeficientes de
restriccin de una variable existente.
3. ANALISIS DE SENSIBILIDAD
OBJETIVO
El objetivo del anlisis de sensibilidad es identificar los parmetros sensibles, (por
ejemplo, los parmetros cuyos valores no pueden cambiar sin que cambie la solucin
ptima). Para ciertos datos que no estn clasificados como sensibles, tambin puede
resultar de gran utilidad determinar el intervalo de valores del parmetro para el que la
solucin ptima no cambie.
DEFINICIN
En forma genrica, el anlisis de sensibilidad busca investigar los efectos producidos
por los cambios del entorno sobre el sistema. El propsito general es identificar los
parmetros relativamente sensibles (es decir, aquellos que no pueden cambiarse mucho
sin cambiar la solucin ptima), con el fin de estimarlos con mayor precisin y
seleccionar entonces una solucin que siga siendo buena sobre los intervalos de valores
probables de los parmetros sensibles.
Desde el punto de vista de la programacin lineal, el anlisis de sensibilidad, llamado
tambin anlisis paramtrico, es un mtodo que permite investigar los efectos
producidos por los cambios en los valores de los diferentes parmetros.
Desde el punto de vista de la programacin lineal, el anlisis de sensibilidad, llamado

tambin anlisis paramtrico, es un mtodo que permite investigar los efectos
producidos por los cambios en los valores de los diferentes parmetros sobre la solucin
ptima. Es necesario no perder de vista que los cambios en la solucin del primal
repercuten automticamente en la solucin de su modelo dual. Por lo tanto, puede
elegirse qu modelo (primal o dual) se va a utilizar para investigar los efectos, gracias a
las relaciones primal -dual estudiadas en el captulo anterior.
- IMPORTANCIA
Dado que los parmetros que se muestran en el modelo utilizan valores estimados
basados en una prediccin de las condiciones futuras, los datos obtenidos para
desarrollar estas estimaciones son bastante imperfectos; por esto pueden tomar otros
valores posibles. De ah la importancia de este anlisis.
El anlisis de sensibilidad es una herramienta efectiva, por dos razones fundamentales.
Primera: los modelos de programacin lineal son con frecuencia grandes y costosos;
por lo tanto no es recomendable utilizarlos para un solo caso.
Segunda: los elementos que se dan como datos para un problema de programacin
lineal, la mayora de las veces son estimaciones; por lo tanto es necesario investigar o
tener en cuenta ms de un conjunto de casos posibles.
Por tal motivo estas circunstancias que se presentan deja algunos cabos sueltos, por eso
importante llevar a cabo un anlisis de sensibilidad para investigar el efecto sobre la
solucin ptima proporcionada por la programacin lineal, para verificar si los
parmetros sufren una variacin y toman otros valores posibles.
3.1.
INSTRUMENTOS PARA EL CLCULO DEL ANLISIS DE

SENSIBILIDAD
Para resolver un problema de investigacin de operaciones en donde se pida la

obtencin del anlisis de sensibilidad se recomienda dos formas diferentes para su
solucin las cuales consisten en:
Si se dispone de una calculadora programable o computadora en el cual se pueda
instalar algn software que calcule datos de programacin lineal en este caso
recomendable el WinQsb facilitara mejor la labor del gestionador de toma de
decisiones y la ventaja de utilizar los instrumentos de tecnologa es que permite realizar
modificaciones en valores de forma inmediata y realizar tantos clculos se deseen para
su posteriormente llegar a su anlisis siempre y cuando el problema no sea extenso o
complejo.
3.1.A. CAMBIOS EN LOS PARMETROS DEL MODELO

El anlisis de sensibilidad se lleva a cabo en:
Cambios en los niveles de recursos escasos.
Cambios en los coeficientes de la funcin objetivo (coeficientes de variables
bsicas y coeficientes de variable no bsicas).
Cambios en los coeficientes tecnolgicos (variaciones en las a para variables
bsicas y no bsicas).
Supresin y adicin de restricciones.
Adicin de nuevas variables.
3.1.B. CAMBIOS EN LOS NIVELES DE RECURSOS ESCASOS Bi
La sensibilidad de la solucin ptima de un problema de programacin lineal se mide
a travs de una cota superior y una inferior para el nivel de los recursos que se
modifican. En otras palabras, se busca un rango de factibilidad para el cual la solucin
sigue siendo ptima y solamente se vea afectada la columna de los B, donde aparecen
los valores de las variables bsicas y el valor de la funcin objetivo.
En forma grfica, la variacin en el nivel de recursos sirve para desplazar una lnea, que
representa la restriccin, de manera que se reduzca o aumente la regin factible.
Un ejemplo puede apreciarse en la siguiente grfica:
3.2.
ANLISIS DE LA GRFICA ANTERIOR
Suponga que BC representa l nivel de recurso b y que B es el punto extremo que

representa la solucin ptima y, adems, ABCD son os puntos extremos que demarcan
la regin factible o conjunto convexo.
Ahora se supone que el nivel de recursos tiene un incremento AB, el cual hace que la
lnea que lo representa sea BC.
La solucin ptima se encuentra en B y los puntos que siguen siendo una combinacin
X,Y con valores diferentes, que conllevan a un nuevo valor ptimo de la funcin
objetivo. Si se representa una nueva suposicin, pero ya no de incremento de b sino de
una disminucin, o sea, -Ab,Cul sera la nueva solucin?
Si se observa la grfica, la combinacin ptima X, Y anterior ya no es ptima porque los
puntos ptimos factibles son o A o C. Por lo anterior, hay necesidad de hallar el rango
de factibilidad para poder estudiar las variaciones en la columna de cantidades, de forma
que la solucin inicial siga siendo ptima. Hay dos formas de proceder para establecer
el rango de factibilidad:
Primera. A partir de la solucin ptima y tomando los valores de las variables bsicas
sumarle algebraicamente el coeficiente a multiplicado por el incremento, positivo o
negativo, segn sea aumento o disminucin del nivel del recurso en estudio; luego, a
estas expresiones resultantes deben ser > 0, y finalmente se establece el rango de
factibilidad.
El rango de factibilidad puede utilizarse para determinar el rango de disponibilidad del

recurso analizado y proceder a hallar el efecto sobre la solucin ptima.
La solucin ptima nueva se estima con las frmulas 1 y 2.
PROBLEMA APLICATIVO
Alagh le Cheve vende cuatro tipos de licores (productos). Los recursos
necesarios de cada uno y los precios de venta se presentan en la tabla. En la
actualidad se dispone de 4600 unidades de materia prima y 5000 horas de mano de
obra. Para cumplir con la demanda de los clientes, se tienen que producir
exactamente un total de 750 botellas de licor. Los clientes demandan tambin que
por lo menos se elaboren 550 unidades de licor de la botella 4.
Determine una programacin lineal con el cual se maximicen los ingresos por las
ventas de Alagh le cheve.
MODELO MATEMATICO
Costos y recursos necesarios para ALAGH LE CHEVE
SOLUCIN
Funcin objetivo
Max Z = 5x1 + 8x2 + 10x3 + 12x4
Restricciones
x1 + x2 + x3 + x4 = 750 ------- (PRODUCTO 1, 2, 3, 4)
x4 = 550 ------
(PRODUCTO 4)
2x1 + 3x2 + 4x3 + 7x4 = 4600 ------ (PRODUCTO 1, 2, 3, 4)

3x1 + 4x2 + 5x3 + 6x4 = 5000 ---------- (PRODUCTO 1, 2, 3, 4)
x1, x2, x3,x4 = 0
---------- NO NEGATIVIDAD
3.3.
RESOLUCIN DE PROBLEMA CON EL SOFTWARE WINQSB
Ya que se tiene el modelo matemtico se procede abrir el programa de programacin

lineal y entera (Linear and Integer Programming) en el men inicio, programas,
WinQSB Linear and Integer Programming.
En el men Archivo (File) seleccionar Nuevo problema (New Problem) para ingresar
los aspectos generales del problema:
A continuacin ilustraremos la ventana inicial, en donde introducimos los datos

generales del problema, luego, la ventana de captura de los datos correspondientes a la
funcin objetiva y las restricciones y por ltimo la ventana que nos muestra los
resultados de la solucin ptima.
Se ingresa el ttulo del problema (problema title), se numeran las variables que
intervienen en el problema en este caso son 4 (x1, x2, x3, x4) y el nmero de
restricciones que estn condicionando o limitando nuestro problema en este caso son 4.
Se selecciona el criterio objetivo, y como menciona l a funcin objetivo es: maximizar
(maximizacin).Ahora como se muestra en la restriccin x1, x2 = >0, denota que es una
restriccin de no negatividad (nonnegative continuous), de esta manera, se selecciona
dicha opcin del rea de tipo de variable (Default variable type). Una vez llenados todos
los campos se presiona el botn OK, generando una tabla como se muestra a
continuacin.
CONCLUSIN
El anlisis de sensibilidad es una tcnica de seleccin de alternativas, que permite
evaluar la sensibilidad de la medida de un valor a la variacin de un parmetro.
Cuando se comparan dos alternativas, se calcula y se representa grficamente la medida
de valor para valores diferentes del parmetro a fin de determinar cundo es mejor cada
alternativa. Cuando se espera que diversos parmetros varen durante un rango
predecible, puede representarse grficamente la medida de valor versus cada parmetro
en trminos de una variacin porcentual de la estimacin ms probable. Esto indica a
simple vista dnde es sensible la decisin a un parmetro (graficacin horizontal
aproximada) y dnde hay una ha sensibilidad (pendientes ms grandes y graficacin no
lineal). Tambin, pueden utilizarse tres estimaciones para un parmetro muy
probable, pesimista y optimista a fin de determinar cul alternativa entre muchas es
mejor. En todos estos anlisis se supone que existe independencia entre los parmetros.
El anlisis de sensibilidad es una tcnica de seleccin de alternativas, que permite
evaluar la sensibilidad de la medida de un valor a la variacin de un parmetro.
Cuando se comparan dos alternativas, se calcula y se representa grficamente la medida
de valor para valores diferentes del parmetro a fin de determinar cundo es mejor cada
alternativa. Cuando se espera que diversos parmetros varen durante un rango
predecible, puede representarse grficamente la medida de valor versus cada parmetro
en trminos de una variacin porcentual de la estimacin ms probable. Esto indica a
simple vista dnde es sensible la decisin a un parmetro (graficacin horizontal
aproximada) y dnde hay una ha sensibilidad (pendientes ms grandes y graficacin no
lineal). Tambin, pueden utilizarse tres estimaciones para un parmetro muy
probable, pesimista y optimista a fin de determinar cul alternativa entre muchas es
mejor. En todos estos anlisis se supone que existe independencia entre los parmetros.

Universidad Nacional de San Cristobal de Huamanga

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

Universidad Nacional de San Cristobal de Huamanga

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA

FACULTAD DE INGENIERIA DE MINAS, GEOLOGIA Y CIVIL

: ANALISIS DE SISTEMAS MINEROS (MI-547)

: Mg. Ing. EDMUNDO CAMPOS ARZAPALO

8. RESOLUCIN DE PROBLEMAS CON EL METODO DE SOLVER (EXCEL)

3.12.- REGLAS BASICAS PARA ELABORAR UNA RED O CADENA DE FLECHAS

3.17.1.- CALCULOS DE LAS HOLGURAS DEL PERT

6.- ASIGNACIN DE TIEMPOS A LAS ACTIVIDADES

1.11.1. VARIABLE DISCRETA:

ALGORITMO SMPLEX GENERALIZADO

INSTRUMENTOS PARA EL CLCULO DEL ANLISIS DE

ANLISIS DE SISTEMAS MINEROS Pgina 5

7. Supuestos de la programacin lineal.

Formulacin de modelos de Programacin Lineal.

ANLISIS DE SISTEMAS MINEROS Pgina 8

Planeacin de la fuerza de trabajo.

am1x1 + am2x2 + ... + amnxn bm y

ANLISIS DE SISTEMAS MINEROS Pgina 11

Ejemplo: Problema de mezcla de productos.

ANLISIS DE SISTEMAS MINEROS Pgina 12

Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya

La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las

ANLISIS DE SISTEMAS MINEROS Pgina 14

ANLISIS DE SISTEMAS MINEROS Pgina 15

Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que

ANLISIS DE SISTEMAS MINEROS Pgina 17

Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene intersecciones

ANLISIS DE SISTEMAS MINEROS Pgina 18

Paso 3: localizacin de la solucin ptima.

Multiplquese la ecuacin (1) por 7:

28A + 70B = 280

Sustityase en la ecuacin (1):

Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos

10. Programacin Lineal Mtodo Simplex

ANLISIS DE SISTEMAS MINEROS Pgina 21

Solucin por el mtodo grfico:

ANLISIS DE SISTEMAS MINEROS Pgina 26

en donde el coeficiente en la columna pivote es el nmero en la columna pivote correspondiente a este

ANLISIS DE SISTEMAS MINEROS Pgina 30

x5 = 6 (que no cumple la restriccin de no

Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema

ANLISIS DE SISTEMAS MINEROS Pgina 34

(0, 0, 4, 12, 18)

MINIMIZACIN con el mtodo smplex.

La funcin objetivo de la fase 1 se obtiene dividiendo la funcin objetivo del mtodo de la M

ANLISIS DE SISTEMAS MINEROS Pgina 39

El objetivo que perseguimos es minimizar los costos asociados con el transporte.

En consecuencia, los esfuerzos referentes a la bsqueda de mtodos diferentes de

Desarrollo: Si quisiramos expresarlo como un modelo de programacin lineal, tomara la

ANLISIS DE SISTEMAS MINEROS Pgina 44

ANLISIS DE SISTEMAS MINEROS Pgina 45

Si en caso no se cumpliera con la condicin de equilbrio, podemos agregar un origen o un

ALGORITMO DE RESOLUCIN DE LA ESQUINA NOR- OESTE:

ANLISIS DE SISTEMAS MINEROS Pgina 48

SOLUCIN PASO A PASO

ANLISIS DE SISTEMAS MINEROS Pgina 49

Ahora la cantidad asignada a la esquina noroeste es restada a la demanda de Cali y a la

Continuamos con las iteraciones

El cuadro de las asignaciones (que debemos desarrollarlo paralelamente) queda as:

Los costos asociados a la distribucin son:

ANLISIS DE SISTEMAS MINEROS Pgina 51

El costo total es evidentemente superior al obtenido mediante Programacin Lineal y el

ANLISIS DE SISTEMAS MINEROS Pgina 52

13.4. ALGORIMO DE VOGEL: