PROGRAMACIÓN LINEAL

La programación lineal es el campo de la optimización matemática dedicado a maximizar o

minimizar (optimizar) una función lineal, denominada función objetivo, de tal forma que las
variables de dicha función estén sujetas a una serie de restricciones expresadas mediante un
sistema de ecuaciones o inecuaciones también lineales. El método tradicionalmente usado para
resolver problemas de programación lineal es el Método Simplex.
El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos, a Joseph
Fourier, después de quien nace el método de eliminación de Fourier-Motzkin. La programación
lineal se plantea como un modelo matemático desarrollado durante la Segunda Guerra Mundial
para planificar los gastos y los retornos, a fin de reducir los costos al ejército y aumentar las
pérdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo
usaron en su planificación diaria.

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en 1947,
John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y Leonid
Kantoróvich, un matemático de origen ruso, que utiliza técnicas similares en la economía antes
de Dantzig y ganó el premio Nobel en economía en 1975. En 1979, otro matemático ruso, Leonid
Khachiyan, diseñó el llamado Algoritmo del elipsoide, a través del cual demostró que el
problema de la programación lineal es resoluble de manera eficiente, es decir, en tiempo
polinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método del punto
interior para resolver problemas de programación lineal, lo que constituiría un enorme avance en
los principios teóricos y prácticos en el área.

El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70 puestos

de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia de computación
necesaria para examinar todas las permutaciones a fin de seleccionar la mejor asignación es
inmensa (factorial de 70, 70!) ; el número de posibles configuraciones excede al número de
partículas en el universo. Sin embargo, toma sólo un momento encontrar la solución óptima
mediante el planteamiento del problema como una programación lineal y la aplicación del
algoritmo simplex. La teoría de la programación lineal reduce drásticamente el número de
posibles soluciones factibles que deben ser revisadas.

Existencia de soluciones óptimas

Geométricamente, las restricciones lineales definen la región factible, que es un poliedro
convexo. Una función lineal es una función convexa, por lo que un mínimo local es un mínimo
global; una función lineal es también una función cóncava, así que todo máximo local es también
un máximo global.

Como las funciones lineales no son ni estrictamente convexas ni estrictamente cóncavas, las
soluciones óptimas no son necesariamente únicas.

Si la región factible es acotada y no vacía, entonces existirá al menos una solución óptima, puesto
que una función lineal es continua y por lo tanto alcanza un máximo en cualquier región cerrada
y acotada. Sin embargo, puede no existir una solución óptima en dos situaciones. En primer
lugar, si la región factible es vacía, es decir, si ningún punto verifica todas las restricciones,
entonces el problema es inviable. En segundo lugar, si la región factible no está acotada en la
dirección del gradiente de la función objetivo, el problema es no acotado, y se pueden encontrar
puntos que verifican todas las restricciones y con un valor tan alto como queramos de la función
objetivo.

Programación entera
En algunos casos se requiere que la solución óptima se componga de valores enteros para algunas
de las variables. La resolución de este problema se obtiene analizando las posibles alternativas de
valores enteros de esas variables en un entorno alrededor de la solución obtenida considerando
las variables reales. Muchas veces la solución del programa lineal truncado está lejos de ser el
óptimo entero, por lo que se hace necesario usar algún algoritmo para hallar esta solución de
forma exacta. El más famoso es el método de 'Ramificar y Acotar' o Branch and Bound por su
nombre en inglés. El método de Ramificar y Acotar parte de la adición de nuevas restricciones
para cada variable de decisión (acotar) que al ser evaluado independientemente (ramificar) lleva
al óptimo entero.

LA FUNCIÓN OBJETIVO
La función objetivo tiene una estrecha relación con la pregunta general que se desea responder. Si
en un modelo resultasen distintas preguntas, la función objetivo se relacionaría con la pregunta
del nivel superior, es decir, la pregunta fundamental. Así por ejemplo, si en una situación se
desean minimizar los costos, es muy probable que la pregunta de mayor nivel sea la que se
relacione con aumentar la utilidad en lugar de un interrogante que busque hallar la manera de
disminuir los costos.

LAS VARIABLES DE DECISIÓN

Similar a la relación que existe entre objetivos específicos y objetivo general, se comportan las
variables de decisión respecto a la función objetivo, puesto que estas se identifican partiendo de
una serie de preguntas derivadas de la pregunta fundamental. Las variables de decisión, son en
teoría, factores controlables del sistema que se está modelando, y como tal, estas pueden tomar
diversos valores posibles, de los cuales se precisa conocer su valor óptimo, que contribuya con la
consecución del objetivo de la función general del problema.
LAS RESTRICCIONES
Cuando hablamos de las restricciones en un problema de programación lineal, nos referimos a
todo aquello que limita la libertad de los valores que pueden tomar las variables de decisión.
La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que decidiéramos
darle un valor infinito a nuestras variables de decisión, por ejemplo, ¿qué pasaría si en un
problema que precisa maximizar sus utilidades en un sistema de producción de calzado
decidiéramos producir una cantidad infinita de zapatos? Seguramente ahora nos surgirían
múltiples interrogantes, como por ejemplo:

 ¿Con cuánta materia prima cuento para producirlos?

 ¿Con cuánta mano de obra cuento para fabricarlos?
 ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
 ¿Podría mi fuerza de mercadeo vender todos los zapatos?
 ¿Puedo financiar tal empresa?
Pues bueno, entonces habríamos descubierto que nuestro sistema presenta una serie de limitantes,
tanto físicas, como de contexto, de tal manera que los valores que en un momento dado podrían
tomar nuestras variables de decisión se encuentran condicionados por una serie de restricciones.

EJEMPLO DE RESOLUCIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL

EL PROBLEMA
La fábrica de Hilados y Tejidos "SALAZAR" requiere fabricar dos tejidos de calidad diferente T
y T’; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo c. Para obtener un metro
de T diariamente se necesitan 125 gr de a, 150 gr de b y 72 gr de c; para producir un metro de T’
por día se necesitan 200 gr de a, 100 gr de b y 27 gr de c.

El T se vende a $4000 el metro y el T’ se vende a $5000 el metro. Si se debe obtener el máximo

beneficio, ¿cuántos metros de T y T’ se deben fabricar?
El problema se recomienda leer en más de una ocasión para facilitar el reconocimiento de
las variables, además es muy recomendable la elaboración de tablas o matrices que faciliten
una mayor comprensión del mismo.
PASO 1: "FORMULAR EL PROBLEMA"
Para realizar este paso partimos de la pregunta central del problema.
Y la formulación es:

“Determinar la cantidad de metros diarios de tejido tipo T y T’ a fabricar teniendo en cuenta el

óptimo beneficio respecto a la utilidad”.
PASO 2: DETERMINAR LAS VARIABLES DE DECISIÓN
Basándonos en la formulación del problema nuestras variables de decisión son:

XT: Cantidad de metros diarios de tejido tipo T a fabricar

XT’: Cantidad de metros diarios de tejido tipo T’ a fabricar
PASO 3: DETERMINAR LAS RESTRICCIONES DEL PROBLEMA
En este paso determinamos las funciones que limitan el problema, estas están dadas por
capacidad, disponibilidad, proporción, no negatividad entre otras.

2. MODELO DE PL
son ampliamente utilizados como herramienta de apoyo a la toma de decisiones tanto por sus
propiedades que facilitan su resolución, como así también su pertinencia a distintos problemas de
naturaleza real. A continuación se presentan algunos ejemplos resumidos en complejidad con el
objetivo de mostrar algunas aplicaciones típicas.
Aplicaciones de la Programación Lineal
Problema de Inversión: Considere que usted dispone de un capital de 21.000 dólares para invertir
en la bolsa de valores. Un amigo le recomienda 2 acciones que en el último tiempo han estado al
alza: Acción A y Acción B. La Acción A tiene una rentabilidad del 10% anual y la Acción B del
8% anual. Su amigo le aconseja tener una cartera equilibrada y diversa y por tanto le recomienda
invertir un máximo de 13.000 dólares en la Acción A y como mínimo 6.000 dólares en la Acción
B. Además la inversión en la Acción A debe ser menor o igual que el doble de la inversión
destinada a la Acción B. Usted quiere formular y resolver un modelo de Programación Lineal que
permita obtener la política de inversión que permita obtener la máxima rentabilidad (interés)
anual.
Variables de Decisión:
x = dólares invertidos en Acción A.
y = dólares invertidos en Acción B.
Función Objetivo: Se busca maximizar la rentabilidad anual que resulta de invertir en los 2 tipos
de acciones.
Maximizar 0.1x + 0.08y
Restricciones: Considera las recomendaciones de su amigo.
x + y ≤ 21.000 Se puede invertir como máximo 21.000 dólares en total

x ≤ 13.000 Invertir como máximo 13.000 dólares en Acción A

y ≥ 6.000 Invertir como mínimo 6.000 dólares en Acción B

x - Inversión en A debe ser menor o igual que el doble de la inversión en

 2y ≤ 0 B

x≥0, y≥0 No Negatividad

Sólución Óptima: X = 13.000 Y = 8.000. Valor Óptimo V(P) = 1.940 dólares. Se recomienda
verificar estos resultados a través de la resolución gráfica y/o utilizando Solver de Excel.
Problema de Proceso Productivo: Una empresa produce tres tipos de muebles (A, B y C), cada
uno de los cuales se vende a $200, $150 y $120 respectivamente. Para la producción de estos
muebles la empresa cuenta con 315 horas disponibles en un taller de corte de madera, 110 horas
disponibles en un taller de lijado y 50 horas en un taller de pintado. Se ha estimado que el mueble
A requiere por unidad 15 horas de trabajo en el taller de corte, 2 horas en el taller de lijado y 1
hora en el taller de pintado (estos mismos valores para los muebles B y C son 7,5:3:1 y 5:2:1,
respectivamente). Se requiere formular y resolver un modelo de Programación Lineal que permita
encontrar la cantidad a elaborar y vender de estos muebles de modo que la empresa obtenga el
mayor beneficio.
Variables de Decisión:
X = Unidades a elaborar y vender del mueble A.
Y = Unidades a elaborar y vender del mueble B.
Z = Unidades a elaborar y vender del mueble C.
De esta forma el modelo de optimización que permite encontrar el plan óptimo de producción es
el siguiente:

Este es el modelo utilizado para ejemplificar el uso de Solver de Excel en donde se pueden
encontrar los resultados.
Problema de Mezcla de Productos: Se dispone de 2 ingredientes para fabricar caramelos, cuyo
sabor variará dependiendo de la proporción en que intervengan cada uno de los ingredientes. El
primer ingrediente se compra a $10 por kg. y el segundo a $20 por kg. El proceso de elaboración
supone un costo de $5 por kg. fabricado, cuya cantidad total corresponde simplemente a la suma
de los kg. empleados en la mezcla. La demanda máxima para un mes se cifra en 100 kg y el
precio de venta $50 kg. A la empresa no le interesa producir más de los que puede vender en el
mes. Por último, la composición de la masa debe contener una proporción que no supere el 50%
del primer ingrediente y el 80% del segundo ingrediente. Se requiere determinar cuántos kg. de
caramelos se tiene que fabricar al mes y las proporciones en las que deben ser utilizados los
ingredientes para obtener un máximo beneficio.
Variables de Decisión:
X1: Kg a usar del ingrediente 1 en un mes
X2: Kg a usar del ingrediente 2 en un mes
Función Objetivo: Obtener la maxima utilidad de la venta de los caramelos descontando los
costos de producción
Maximizar 50*(X1 + X2) – 10*X1 – 20*X2 - 5*(X1 + X2) = 35*X1 + 25*X2
Restricciones:
Demanda Máxima: X1 + X2 <= 100
Composición: X1/(X1 + X2) <= 50% o 0,5*X1 – 0,5*X2 <= 0
Composición: X2/(X1 + X2) <= 80% o -0,8*X1 + 0,2*X2 <= 0
No Negatividad: X1,X2>=0

2. FORMA CANÓNICA Y ESTÁNDAR DE LA PL

Un problema de programación lineal se dice que está escrito en “forma estándar” si todas las
restricciones del problema son ecuaciones lineales y todas las variables son no negativas.
Diremos que un problema de programación lineal de minimización está escrito en “forma
canónica” si todas las variables son no negativas y todas las restricciones son del tipo ≥.
Diremos que un problema de programación lineal de maximización está escrito en “forma
canónica” si todas las variables son no negativas y todas las restricciones son del tipo ≤.
Observación: El método simplex, que es un método para resolver problemas de programación
lineal, está diseñado para aplicarse sólo después de que el problema se haya escrito en forma
estándar.
Forma estándar.
Es la igualación de las restricciones del modelo planteado, así como el aumento de variables de
holgura, o bien la resta de variables de exceso.
Ahora se puede formular al modelo matemático para este problema general de asignación de
recursos a actividades. En Datos necesarios para un modelo de programación lineal que maneja
la asignación de recursos a actividades particular, este modelo consiste en elegir valores de
x1,x2,....,xn para:

Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,

sujeta a las restricciones:
C11x1 + C12x2 +....+ C1nxn (≥,≤,=) cn1
C1x1 + C22x2 +....+ C2nxn (≥,≤,=) cn2
X1≥ 0, X2 ≥ 0, ......, Xn≥0

Ejemplo 1
Función objetivo
Maximizar z=X1 + X2

5X1+ 3X2 ≤15

3X1+ 5x2 ≤15
xj ≥0; j=1,2

Pasos para pasar un problema de programación lineal al FORMATO ESTANDAR, se

consideran las siguientes fases:

1. Convertir las desigualdades en igualdades

Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
Variable de holgura.
Se usa para convertir en igualdad una desigualdad de tipo "≤". La igualdad se obtiene al adicionar
en el lado izquierdo de la desigualdad una variable no negativa, que representa el valor que le
hace falta al lado izquierdo para ser igual al lado derecho. Esta se conoce como variable de
holgura, y en el caso particular en el que las restricciones de tipo ≤ se refieren al consumo
máximo de un recurso, la variable adicionada cuantifica la cantidad sobrante de recurso (cantidad
no utilizada) al poner en ejecución la solución óptima.

Todo problema programación lineal que se formula de la forma maximice, con todas sus
restricciones≤ y con la condición de no negatividad se le llama forma estándar o forma normal.
Aquí al igual que en el método algebraico, debemos conseguir una solución básica factible,
aplicando las variables de holgura o artificiales: quedando el sistema de ecuación así:

Maximizar z=x1+x2
5X1+ 3X2 +X3=15
3X1+ 5X2 +X4=15
Xj ≥0;j=1,2,3,4
Las variables básicas son X3 yX4 y por supuesto en la función objetivo Z.
2. Igualar la función objetivo a cero
Necesitamos que la función objetivo siempre sea de minimización y que todas las demás
restricciones sean igualdades.
Este problema de programación lineal aún no está en forma estándar. Entonces el paso a seguir
que tenemos que realizar es:
1. cambiar de maximización a minimización: multiplicando la función objetivo por -1.
En este caso la función objetivo será. Minimizar Z-X1-X2=0 Sujeta a:
5X1+ 3X2 +X3=15 31+ 5X2 +X4=15
 2da. semana:
FORMULACIÓN O PLANTEO DE MODELOS PL
Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real, eliminando las
complejidades y haciendo suposiciones pertinentes; se aplica una técnica matemática y se obtiene
una representación simbólica del mismo.
Un modelo matemático consta al menos de tres elementos o condiciones básicas:
Las Variables de decisión, la Función Objetivo y las Restricciones.
 Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valores conocidos del sistema o que se pueden controlar.
Las variables de decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
 Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros y una
magnitud que representa el objetivo o producto del sistema. Es la medición de la efectividad del
Modelo formulado en función de las variables. Determina lo que se va optimizar (Maximizar o
Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es óptimo (valor
máximo o mínimo), para un conjunto de valores factibles de las variables. Es decir, hay que
reemplazar las variables obtenidas X1, X2, X3,…, Xn; en la Función Objetivo Z = f (C1X1,
C2X2, C3X3,…, CnXn) sujeto a las restricciones del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo debe
expresar la relación entre el costo y las variables de decisión, siendo el resultado el menor costo
de las soluciones factibles obtenidas.
 Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos disponibles. Las
restricciones del modelo limitan el valor de las variables de decisión. Se generan cuando los
recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la Restricción de No
Negatividad de las Variables de decisión, o sea: Xi = 0.
Por ejemplo, si una de las variables de decisión representa el número de empleados de un taller,
el valor de esa variable no puede ser negativo. O también, si una de las variables es la cantidad de
mesas a fabricar, su valor solamente podrá ser igual a cero ó mayor que cero, o sea positivo; sería
absurdo obtener como resultado que se va a fabricar – 4 mesas.
La programación lineal es la interrelación de los componentes de un sistema, en
términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales llamado Modelo
de Programación Lineal. Es una técnica utilizada para desarrollar modelos matemáticos, diseñada
para optimizar el uso de los recursos limitados en una empresa u organización.
El Modelo de Programación Lineal, es una representación simbólica de la realidad que se
estudia, o del problema que se va a solucionar. Se forma con expresiones de lógicas matemáticas,
conteniendo términos que significan contribuciones: a la utilidad (con máximo) o al costo (con
mínimo) en la Función Objetivo del modelo. Y al consumo de recursos disponibles (con
desigualdades = ó = e igualdades =) en las restricciones.
En el presente texto desarrollaremos Modelos Matemáticos de Programación Lineal de:
Maximización y Minimización, los cuales estarán indicados en la Función Objetivo del Modelo.
 Problemas de aplicación para formular un modelo
1). Proceso de producción.- Una fábrica produce dos tipos de productos: M y N, los costos
de producción de ambos productos son $3 para el producto M y $5 para el producto N.
El tiempo total de producción está restringido a 500 horas; y los tiempos de producción son de 8
horas/unidad para el producto M y de 4 horas/unidad para el producto N. Formule el Modelo
matemático que permita determinar la cantidad de productos M y N a producir, y que optimice el
Costo total de producción de los dos productos.
Formulación del Modelo
En la formulación del modelo, podemos ayudarnos con la representación del Problema mediante
un organizador gráfico o esquema:

 Definición de Variables
Se desea formular un modelo matemático para determinar la cantidad que debe producirse por
cada producto (M y N), por lo tanto tendremos dos variables, representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N
 Función Objetivo
Como se tiene información de Costos de producción de los productos M y N, el objetivo será
minimizarlos:

Luego la Función Objetivo será Minimizar "C" igual al Costo total de producción del producto M
más el Costo total de producción del producto N.
Matemáticamente la Función Objetivo es:

 Definición de Restricciones
 El tipo de recurso en el problema es el tiempo (puede ser horas hombre u horas máquina).
Formulamos la restricción, colocando en el lado izquierdo de la inecuación el consumo unitario
de los productos M y N, y en el lado derecho la cantidad disponible del recurso (500 horas).

Resumiendo tenemos el siguiente Modelo matemático de Programación Lineal del Problema (un
modelo con dos variables y una restricción, estando listo para aplicar un método de solución:

2). Líneas de Producción.- Un empresario tiene 80 kg de acero y 120 kg de aluminio, y quiere

fabricar dos modelos de bicicletas: bicicletas de paseo y bicicletas de montaña, para venderlas en
el mercado a S/. 200 y S/. 150 respectivamente cada modelo, a fin de obtener el máximo
beneficio. Para la bicicleta de paseo empleará 1 kg de acero y 3 kg de aluminio, y para la bicicleta
de montaña usará 2 kg de ambos metales. Formular el modelo matemático de programación
lineal, que permita determinar la cantidad óptima de bicicletas a producir, para obtener el mayor
beneficio económico.
Formulación del Modelo
Representamos el Problema mediante un organizador gráfico o esquema

 Definición de Variables:
Se desea determinar la cantidad de bicicletas a producir por cada modelo (paseo y montaña), por
lo tanto tendremos dos variables.
Sean: x1 = Cantidad de bicicletas de paseo a fabricar
x2 = Cantidad de bicicletas de montaña a fabricar
 Función Objetivo
 El objetivo del problema es maximizar los beneficios económicos totales (Z) de los modelos de
bicicletas que fabricará el empresario.
Precio de venta de la bicicleta de paseo = S/. 200
Precio de venta de la bicicleta de montaña = S/. 150
Beneficio económico = Precio de venta unitario x cantidad a fabricar
Beneficio económico total de bicicleta de paseo = 200 x1
Beneficio económico total de bicicleta de montaña = 150 x2
Luego la Función objetivo será: Maximizar: Z = 200 x1 + 150 x2
 Definición de Restricciones
Elaboramos una tabla de materia prima consumida (Acero y Aluminio) por cada modelo de
bicicleta (paseo y montaña) y su disponibilidad:
Modelo de bicicleta Acero Aluminio
Paseo 1 kg. 3 kg.
Montaña 2 kg. 2 kg.
Disponibilidad de materia prima 80 kg. 120 kg.
Restricción del consumo de Acero en la fabricación de bicicletas:
1 x1 + 2 x2 < 80
Restricción del consumo de Aluminio en la fabricación de bicicletas:
3 x1 + 2 x2 < 120
Observación:
 El lado derecho de las restricciones, 80 y 120 representa la disponibilidad en kg. de acero y
aluminio respectivamente (materia prima).
 El lado izquierdo en las restricciones indica el consumo unitario de materia prima por cada
modelo de bicicleta.
 Condición de no negatividad: La producción de cada modelo de las bicicletas pueden ser cero (0)
o mayor que cero, o sea: x1, x2 = 0
Luego el Modelo matemático de Programación Lineal (con dos variables y dos restricciones)
será:

3). Caso de toma de decisiones.- Suponga con los datos del problema 2), anterior, si el
empresario por restricción económica decide hacer solo un modelo de bicicleta. ¿Cuál modelo
debe elegir? ¿Por qué?
Las alternativas de fabricación se desarrollan en las restricciones del Modelo matemático; y
la toma de decisiones se determina evaluando en la Función objetivo las alternativas obtenidas.
La decisión a tomar, por restricción económica, es producir un solo modelo de bicicleta que
genere mayor beneficio al empresario. Luego desarrollamos las alternativas evaluando en las
restricciones del modelo:
La toma de decisiones se realiza evaluando en la Función objetivo las alternativas de fabricación
obtenidas por modelo de bicicleta. A continuación se muestra el procedimiento a realizar.

Toma de decisiones:
Como la Función objetivo es maximizar el beneficio económico, generado por las ventas,
tomamos la decisión de fabricar solo bicicletas de paseo, por ser el modelo que va generar
mayor ganancia, equivalente a S/. 8,000.
Observación:
Hemos demostrado la importancia de formular un modelo matemático adecuado, ya que un error
en la formulación del Modelo, nos puede llevar a tomar una decisión equivocada que puede
generar graves consecuencias para la empresa u organización.
 4. SOLUCIÓN GRAFICA
El método gráfico de solución de problemas de programación lineal (PL) solo aplica a problemas
con dos variables de decisión; sin embargo, ilustra adecuadamente los conceptos que nos
permitirán entender la naturaleza del problema PL y de allí entender los métodos de solución
algebraicos.
Primeramente graficaremos la región factible. Después ilustraremos el comportamiento de
funciones lineales para entender cómo determinar los puntos óptimos.

Ejemplo 1
Suponga que se desea resolver el problema PL:

Max z = 3 x + 2 y

sujeto a

2x + y ≤ 100 R5
x + y ≤ 80 R4
x ≤ 40 R3
x ≥ 0 R1
y ≥ 0 R2

Nuestra primera meta es graficar en el plano la región factible; es decir, graficar la totalidad de
puntos del plano que satisfacen las restricciones. Notemos que las restricciones se deben cumplir
simultáneamente. Es decir, que los puntos deben cumplir la restricción R1, la restricción R2, y
así sucesivamente hasta la restricción R5. Desde el punto de vista de teoría básica de conjuntos,
la región factible es la intersección de los conjuntos que satisfacen por separado cada una de las
restricciones. Para avanzar en nuestra meta, debemos saber cómo determinar los puntos del plano
que satisfacen una desigualdad lineal. Distinguimos dos casos:

Cuando en la desigualdad solo aparece una variable de decisión (es decir, la otra variable tiene
coeficiente cero)

Cuando en la desigualdad aparecen las dos variables de decisión (es decir, ambas tienen
coeficientes diferentes de cero en tal desigualdad)

El análisis gráfico es una alternativa eficiente para enfrentar la resolución de modelos de

Programación Lineal en 2 variables, donde el dominio de puntos factibles (en caso de existir) se
encontrará en el primer cuadrante, como producto de la intersección de las distintas restricciones
del problema lineal.

Una de las propiedades básicas de un modelo de Programación Lineal que admite solución, es
que ésta se encontrará en el vértice o frontera (tramo) del dominio de puntos factibles. Es decir, si
luego de gráficar el dominio y evaluar los distintos vértices de modo de elegir "el mejor"
 candidato según sea nuestro caso (el valor de la función objetivo será la que nos permitirá
discriminar cual es el mejor candidato dependiendo si estamos maximizando o minimizando).
Consideremos un Ejemplo Introductorio en 2 variables:
 D) MIN 8X + 6Y
 S.A. 2X + Y >= 10
 ...... .2X + 2Y >= 16
 ..... ..X>= 0, Y>= 0
Comentario: Nótese que corresponde al Problema Dual de P) cuya resolución se presenta en
nuestro sitio como ejemplo introductorio en la utilización de Solver de MS Excel. Para ver el
detalle de la resolución gráfica de P) se recomienda al usuario ingresar AQUI.
Para resolver el problema D) graficamos el dominio de puntos factibles y las curvas de nivel
asociadas a la función objetivo:

El área achurada en color verde representa el dominio de puntos factibles del problema D), es
decir, son las distintas combinaciones de valores que pueden adoptar las variables de decisión que
satisfacen las restricciones del problema. Cabe destacar que esto corresponde a un dominio no
acotado, lo que no implica que el problema no tenga solución.
Por otra parte sabemos que el óptimo de un problema lineal se encuentra en un vértice o frontera
del dominio de puntos factibles. En este caso tenemos 3 vértices candidatos al óptimo los cuales
se señalan con flecha blanca y azul. El vértice(X,Y)= (0,10) con V(P)=60;
(X,Y)=(2,6) con V(P)=52 y (X,Y)=(8,0) con V(P)=64. El mínimo valor para la función objetivo
se alcanza en (X,Y)=(2,6) con V(P)=52, el cual resulta ser la Solución Óptima de D). Sin
embargo, una forma más eficiente para obtener el óptimo que no implique evaluar cada vértice en
la función objetivo, es desplazando las curvas de nivel de la función objetivo en la dirección del
máximo decrecimiento (en el caso de un problema de minimización). Para un problema de
minimización, el mayor decrecimiento se alcanza en la dirección del vector " - Gradiente
F(X,Y)", en nuestro caso el vector con dirección (-8,-6) (dirección representada por flecha roja).
Luego, el óptimo se alcanza en el último punto donde las curvas de nivel intersectan al dominio
de puntos factibles en la dirección del máximo decrecimiento, cuya solución obviamente
corresponde a (X,Y)=(2,6) con V(P)=52.

ANÁLISIS DE SENSIBILIDAD GRÁFICO PARA 2 RESTRICCIONES

Una vez resuelto un modelo de Programación Lineal resulta útil hacer un análisis de sensibilidad
que permita identificar cómo afecta en los resultados del problema variaciaciones en los
parametros de éste, sin que esto pase por resolver el problema nuevamente.
1. Variación en los Coeficientes de la Función Objetivo: La pregunta que buscamos responder
es cuál es el intervalo de variación para los coeficientes de la función objetivo (cada coeficiente
se analiza por separado) que mantiene la actual Solución Óptima.
Un primer acercamiento es considerar las pendientes de las restricciones activas en el óptimo, es
decir, aquellas restricciones que se cumplen en igualdad (en nuestro caso restricción 1 y 2). La
restricción 1 (2X + Y >=10) tiene pendiente -2. La restricción 2 (2X + 2Y >=16) tiene pendiente -
1. Por otra parte la pendiente de la función objetivo dado C1=8 y C2=6 es -4/3.
En consecuencia, se mantiene la actual Solución Óptima si la pendiente de la función objetivo
(curvas de nivel) varían en el intervalo de las pendientes de las actuales restricciones activas. Esto
es:
-2 <= -C1/C2 <= -1 (Multiplicamos por -1)
2 >= C1/C2 >= 1
Si fijamos C2=6.
2 >= C1/6 >= 1
12 >= C1 >= 6 (Garantiza la actual Solución Óptima con C2 fijo)
Si fijamos C1=8.
2 >= 8/C2 >= 1
8 >= C2 >= 4 (Garantiza la actual Solución Óptima con C1 fijo)
Nótese que en los extremos de los intervalos además de incluir la actual Solución Óptima se
consideran nuevas combinaciones del dominio que mantienen el Valor Óptimo y también son
Solución Óptima de D). Esta situación determina que el problema tiene infinitas soluciones
óptimas.

2. Variación en los lados derechos de las restricciones (cálculo del "precio sombra"): Una
pregunta común en el análisis de sensibilidad resulta ver el impacto que tiene en el valor óptimo
una variación marginal del lado derecho de alguna de sus restricciones (tanto aumento o
decrecimiento). El impacto en el valor óptimo por unidad de variación del lado derecho de una
restricción (manteniendo el resto constante) es el precio sombra asociado a dicha restricción. En
nuestro ejemplo, considere que el lado derecho de la restricción 1 (actualmente b1=10)
corresponde a un recurso escaso (ejemplo: horas hombre, dinero, tiempo, etc). Si sabemos que el
actual valor óptimo V(P)=52, quisieramos saber por ejemplo, cuánto aumentaría el valor óptimo
se dispusiéramos de una unidad adicional del recurso escaso (es decir, pasando a b1*=11). En
forma equivalente frecuentemente se plantea esta inquietud como ¿Cuánto es lo máximo que se
estaría dispuesto a pagar por unidad adicional del recurso asociado a la primera restricción?. Este
valor corresponde al precio sombra.

Precio Sombra Restricción 1: Primero se considera el desplazamiento paralelo de la Restricción

1 (tanto en el sentido de crecimiento o decrecimiento del lado derecho), de modo que la Solución
Óptima se siga encontrando con las actuales restricciones activas (en nuestro caso R1 y R2). Por
ejemplo, desplazando R1 en la dirección de su decrecimiento, el último punto donde se intersecta
R1 con R2 sería en el par ordenado (X,Y)=(0,8). Se propone al usuario el cálculo de la máxima
variación para R1 que se produce en (X,Y)=(8,0).
 En consecuencia, el Precio Sombra asociado a la Restricción 1 queda dado por:

Un Precio Sombra igual a 2 indica por ejemplo que si el lado derecho aumenta en 1 unidad, el
beneficio adicional (incremento en el Valor Óptimo) es de 2 unidades. Adicionalmente, una
pregunta frecuente resulta en identificar el intervalo de variación donde el precio sombra
calculado es válido. El máximo valor al que puede adoptar el lado derecho de R1 es b1*, de
modo que la nueva solución se siga encontrando con R1 y R2 activas. El valor de b1* se obtiene
al evaluar (X,Y)=(8,0) en la Restricción 1: 2*(8) + 1*(0)=16. Siguiendo similar razonamiento el
mínimo valor que puede alcanzar el lado derecho de R1 es b1, que evaluado en (X,Y)=(0,8) en
R1 se obtiene: 2*(0) + 1*(8)=8.
Se recomienda al usuario hacer el cálculo del Precio Sombra para la Restricción 2, el cual
corresponde a 2. Si desea consultar un nuevo ejemplo ingrese a Resolución Gráfica en
Programación Lineal. (Sitio: Investigación Operativa)

ANÁLISIS DE SENSIBILIDAD GRÁFICO PARA 3 RESTRICCIONES

La metodología y conceptos presentados para el caso de 2 restricciones no difiere, sin embargo,
hay que tener especial cuidado cómo la inclusión de una tercera restricción afecta el análisis.
Veamos el siguiente ejemplo:
 P) MAX 4X + 3Y
 S.A. 6X + 2Y <= 120
 ...... .1X + 4Y <= 100
 ........5X + 5Y <= 150
 ..... ..X>= 0, Y>= 0
La resolución gráfica de este ejemplo permite obtener la solución óptima X=15, Y=15 con valor
óptimo V(P)=105, tal como se observa en el gráfico a continuación:

Antes de proceder con el análisis de sensibilidad es conveniente verificar si las actuales

restricciones del problema estan activas en el óptimo, es decir, si se cumplen en igualdad:
 R1: 6*(15) + 2*(15) = 120 => R1 es una restricción activa
 R2: 1*(15) + 4*(15) < 100 => R2 no es una restricción activa
 R3: 5*(15) + 5*(15) = 150 => R3 es una restricción activa
En el caso que el lado derecho de la restricción sea un recurso, resulta lógico tener una
disposición a pagar por unidad adicional en la medida que dicho recurso se este ocupando a
máxima capacidad. En consecuencia, una restricción no activa tiene por definición un precio
sombra igual a cero (caso de R2) ya que un aumento del lado derecho no aumentará el valor
óptimo actual V(P)=150. Sin embargo, sólo en casos muy particulares podemos encontrar
restricciones activas con precio sombra (o costo reducido) igual a cero, lo que es más la
excepción que la regla.
Luego de esta introducción veamos el cálculo del precio sombra o costo reducido para la
restricción 1 (R1). Primero, debemos desplazar en forma paralela la restricción 1 hasta el punto
máximo donde la solución óptima se siga encontrando con las actuales restricciones activas
R1 y R3. Dicho punto es (X,Y)=(30,0). Posteriormente, desplazamos en forma paralela la
restricción 1 (R1) hasta el punto mínimo donde la solución óptima se siga encontrando con las
actuales restricciones activas R1 y R3. Nótese que este desplazamiento queda acotado hasta el
punto donde la restricción 2 (R2) se vuelve activa, que corresponde al punto (X,Y)=(6,666,
23,333) como se muestra en la siguiente gráfica:

Por consiguiente, el precio sombra asociado a la restricción 1 queda dado por:

Siguiendo un procedimiento similar se pueden obtener los precios sombras asociadas a las
restantes restricciones. A continuación se presenta una tabla resumen del análisis de sensibilidad
obtenido con Solver de Excel:
3ra. semana
MÉTODO SIMPLEX Y SUS VARIANTES
El Método Simplex es un método analítico de solución de problemas de programación
lineal capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico sin restricción en el número de variables.

El Método Simplex es un método iterativo que permite ir mejorando la solución en cada paso.
La razón matemática de esta mejora radica en que el método consiste en caminar del vértice de
un poliedro a un vértice vecino de manera que aumente o disminuya (según el contexto de la
función objetivo, sea maximizar o minimizar), dado que el número de vértices que presenta un
poliedro solución es finito siempre se hallará solución.
Este popular método fue creado en el año de 1947 por el estadounidense George Bernard
Dantzig y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un algoritmo capaz de
solucionar problemas de m restricciones y n variables.

¿QUE ES UNA MATRIZ IDENTIDAD?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado finito de
elementos), los cuales pueden ser números reales o complejos, dispuestos en forma de filas y de
columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto de
columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a uno (1) y
todos los demás componentes iguales a cero (0), se denomina matriz idéntica o identidad de
orden n, y se denota por:

La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que el

algoritmo se basa en dicha teoría para la resolución de sus problemas.

OBSERVACIONES IMPORTANTES AL UTILIZAR MÉTODO SIMPLEX

VARIABLES DE HOLGURA Y EXCESO
El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se modelan
mediante programación lineal no lo son, para ello hay que convertir estas inecuaciones en
ecuaciones utilizando unas variables denominadas de holgura y exceso relacionadas con el
recurso al cual hace referencia la restricción y que en el tabulado final representa el "Slack or
surplus" al que hacen referencia los famosos programas de resolución de investigación de
operaciones, estas variables adquieren un gran valor en el análisis de sensibilidad y juegan un rol
fundamental en la creación de la matriz identidad base del Simplex.

Estas variables suelen estar representadas por la letra "S", se suman si la restricción es de signo
"<= " y se restan si la restricción es de signo ">=".
Por ejemplo:

VARIABLE ARTIFICIAL / MÉTODO DE LA "M"

Una variable artificial es un truco matemático para convertir inecuaciones ">=" en ecuaciones, o
cuando aparecen igualdades en el problema original, la característica principal de estas variables
es que no deben formar parte de la solución, dado que no representan recursos. El objetivo
fundamental de estas variables es la formación de la matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las restricciones, su coeficiente
es M (por esto se le denomina Método de la M grande, donde M significa un número demasiado
grande muy poco atractivo para la función objetivo), y el signo en la función objetivo va en
contra del sentido de la misma, es decir, en problemas de Maximización su signo es menos (-) y
en problemas de Minimización su signo es (+), repetimos con el objetivo de que su valor en la
solución sea cero (0).
4ta. semana
DEFINICIÓN DE DUALIDAD
Del latín dualĭtas, el término dualidad señala la existencia de dos fenómenos o caracteres
diferentes en una misma persona o en un mismo estado de cosas. En el ámbito de la filosofía y la
teología, se conoce como dualismo a la doctrina que postula la existencia de dos principios
supremos independientes, antagónicos e irreductibles.

Dualidad
En este sentido, las nociones del bien y del mal son un ejemplo de dualidad. Ambas pueden
definirse por oposición y hacen referencia a dos esencias completamente distintas. Materia-
espíritu y realismo-idealismo son otras muestras de conceptos que conforman una dualidad.

En este caso, todo el conjunto de doctrinas dualistas existentes y que, como hemos mencionado,
parten de esa diferenciación entre el Bien y el Mal tienen una serie de rasgos en común. Así, por
ejemplo, nos encontramos con el hecho de que el Bien siempre se identifica con la luz y también
con el espíritu. Por su parte, el Mal se asocia en todo momento con la oscuridad, con lo que es la
parte corporal y también con el propio Diablo.

De esta manera, podemos ver perfectamente esa dualidad de la que estamos hablando en uno de
los personajes literarios más importantes de toda la historia. Nos estamos refiriendo al
protagonista de la obra “El extraño caso del doctor Jekyll y el señor Hyde”, que en el año 1886
creó el escritor escocés Robert Louis Stevenson.

En concreto, se trata de un científico que ha sido capaz de crear una poción que le permite
cambiar física y personalmente. Así, cuando se convierte en Hyde pasa a ser un hombre violento
capaz de acabar con la vida de otro ser humano. De esta manera, asistimos a las dos caras que
puede tener cualquier persona, el doctor representa al Bien y Hyde a la cara más oculta, siniestra
y violenta del género humano.

La filosofía china apela a la noción del yin y el yang para resumir la dualidad de todo aquello que
existe en el universo. Esta idea puede aplicarse a cualquier situación u objeto, ya que podría
explicarse en la premisa que sostiene que en todo lo bueno hay algo malo y viceversa.

No obstante, a lo largo de la historia han existido otros dualismos importantes. En el caso de la

filosofía nos encontramos, por ejemplo, con el pensador prusiano Immanuel Kant que estableció
la siguiente dualidad: la razón práctica y la razón pura.

El dualismo teológico se basa en la existencia de un principio divino del bien (asociado a la Luz)
en contraposición a un principio divino del mal (las Tinieblas). Dios es señalado como
responsable de la creación del bien, mientras que el mal es atribuido al diablo. El dualismo, por lo
tanto, libera al hombre de la responsabilidad por la existencia del mal en el mundo.

La Iglesia católica se opone a esta dualidad ya que defiende a un Dios omnipotente e infinito, sin
que pueda existir un mal que limite su potencial. Todo lo que existe fue creado por Dios, nada de
lo creado por Dios puede ser malo.
 6.1 RELACIÓN DEL PRIMAL CON EL DUAL
Las relaciones del primal-dual son:
1. Si un problema primal tiene solución factible, el dual tendrá solución factible y
viceversa.
2. Si el problema primal tiene solución factible y función objetivo no acotado, entonces
el dual no tendrá solución factible y viceversa.
3. Si el primal no tiene soluciones factibles el dual no tiene solución factible o la función
objetivo es no acotada.
A menudo en investigación de operaciones, para formular un problema dual se presenta de
acuerdo a la tabla 3.2.1.1
Primal estándar Problema dual
Problema objetivo Objetivo Tipo de restricción Signo de la
variable
Maximización Minimización ≥ No restringida
Minimización Maximización ≤ No restringida
Tabla 3.2.1
La relación entre un problema primal y su dual es presentando las tablas óptimas para ambos.
En la práctica obsérvese que no es necesario resolver ambos, resolviendo uno (mejor
convenga), se puede dar la solución al otro.
Suponga el ejemplo 3.2.1

Primal
𝑀𝑎𝑥 𝑋0 = 𝑋1 + 2𝑋2
𝑠. 𝑎
2𝑋1 + 8𝑋2 ≤ 16
𝑋1 + 𝑋2 ≤ 5
𝑋 1, 𝑋 2 ≥ 0
Dual
𝑀𝑖𝑛 𝑦0 = 16𝑦1 + 5𝑦2

1 Hamdy Taha, Investigación de Operaciones, 6ª Ed. Editorial Prentice Hall

𝑠. 𝑎
2𝑦1 + 𝑦2 ≥ 1
8𝑦1 + 𝑦2 ≥ 2
𝑦 1, 𝑦 2 ≥ 0

Tabla óptima 3.2.2 (resuelta por método simplex)

𝑋 𝑋2 𝑆1 𝑆2 𝐿𝐷
1
𝑌0 0 0 1/6 2/3 6
𝑌2 0 1 1/6 -1/3 1
𝑌 1 0 -1/6 4/3 4
1

Tabla óptima dual 3.2.3 (por doble fase)

Solución óptima
𝑍 𝑚𝑎𝑥 = 6
𝑋1 = 4
𝑉𝑅
𝑋2 = 1
𝑆1 = 0
𝑉𝐻
𝑆2 = 0

𝑋1 𝑋2 𝑆1 𝑆2 𝐴1 𝐴2 𝐿𝐷
𝑦0 0 0 -4 -1 — — 6
𝑦2 0 1 -4/3 1/3 4/3 -1/3 2/3
𝑦1 1 0 1/6 -1/6 -1/6 1/6 1/6

Solución óptima:
𝑍𝑚𝑖𝑛 = 6
𝑦1 = 1/6 𝑦2 = 2/3 𝑆1 = 0 𝑆2 = 0 𝐴1 = 0 𝐴2 = 0
Obsérvese que en ambas tablas 3.2.2 y 3.2.3 tenemos la misma solución óptima.
Análisis . Para el primal 𝑍𝑚𝑎𝑥 = 6, el dual 𝑍𝑚𝑖𝑛 = 6; propiedad que cuando una
maximiza el otro minimiza, en ocasiones no da el mismo valor, esto ocurre cuando la
propiedad de dualidad es débil. En este caso 𝑋0 < 𝑦0, para el problema que se analiza
la dualidad es fuerte 𝑋0 = 𝑦0 considerando que ambos problemas son óptimos.
Análisis . Observemos en el primal los coeficientes en renglón 𝑋0 , los
coeficientes de 𝑆1 y 𝑆2 (variables de inicio) corresponden a la solución de un
problema dual como son 𝑆1 = 1/6 y 𝑆2 = 2/3, estos resultados se comparan en la
tabla 3.2.3 y observamos que corresponden a las variables duales 𝑦1 = 1/6 y 𝑦2 =
2/3.

En resumen, los valores óptimos para un problema dual estarán dados por las variables
de aumento (de inicio) en este caso las variables de holgura 𝑆1 y 𝑆2.
Lo mismo ocurre si observamos el renglón 𝑦0 en la tabla 3.2.3 (dual), la solución
óptima para el primal son los coeficientes que están bajo 𝑆1 y 𝑆2 que corresponden en
orden a 𝑋1 = 4 y 𝑋2 = 1; obsérvese que se prescinde del negativo, esto porque el dual se
cambia a minimizar y conocemos la propiedad de 𝑀𝑎𝑥𝑋0 − 𝑀𝑖𝑛(−𝑦0).
De igual forma, de la tabla óptima 3.2.2 se obtienen las variables de aumento para el
dual, estas se encuentran en el renglón 𝑋0 bajo las variables reales 𝑋1 y 𝑋2; por lo
tanto, las variables de holgura 𝑆1 = 0 𝑆2 = 0.
Así mismo, las variables de aumento para el primal están en el renglón 𝑦0 bajo las
variables duales 𝑦1 y 𝑦2, para nuestro ejemplo 𝑆1 = 0 𝑆2 = 0.
5ta. semana:
MODELOS DE TRANSPORTE
El problema del transporte o distribución, es un problema de redes especial
en programación lineal que se funda
en la necesidad de llevar unidades de
un punto específico
llamado fuente u origen hacia otro
punto específico llamado destino.
Los principales objetivos de un
modelo de transporte son la
satisfacción de todos los
requerimientos establecidos por los
destinos, y claro está, la minimización
de los costos relacionados con el plan
determinado por las rutas escogidas.
El contexto en el que se aplica el
modelo de transporte es amplio y
puede generar soluciones atinentes al
área de operaciones, inventario y
asignación de elementos.
El procedimiento de resolución de un
modelo de transporte se puede llevar
a cabo mediante programación lineal común, sin embargo su estructura permite la creación
de múltiples alternativas de solución tales como la estructura de asignación o los métodos
heurísticos más populares como Vogel, Esquina Noroeste o Mínimos Costos.

Los problemas de transporte o distribución son uno de los más aplicados en la economía
actual, dejando como es de prever múltiples casos de éxito a escala global que estimulan la
aprehensión de los mismos.

PROBLEMA DE TRANSPORTE MEDIANTE PROGRAMACIÓN LINEAL

Como se mencionó anteriormente, la programación lineal puede ser utilizada para la
resolución de modelos de transporte, aunque no sea sensato resolver los modelos mediante
el Método Simplex, si puede ser de gran utilidad la fase de modelización, la programación
carece de la practicidad de los métodos de asignación, pero puede ser de gran importancia
dependiendo de la complejidad de las restricciones adicionales que puede presentar un
problema particular.
 1. MÉTODO DE APROXIMACIÓN DE VOGEL (MAV)

El método de aproximación de Vogel es un método heurístico de resolución de problemas

de transporte capaz de alcanzar una solución básica no artificial de inicio, este modelo
requiere de la realización de un número generalmente mayor de iteraciones que los demás
métodos heurísticos existentes con este fin, sin embargo produce mejores resultados
iniciales que los mismos.

ALGORITMO DE VOGEL

El método consiste en la realización de un algoritmo que consta de 3 pasos fundamentales y

1 más que asegura el ciclo hasta la culminación del método.
PASO 1
Determinar para cada fila y columna una medida de penalización restando los dos costos
menores en filas y columnas.

PASO 2
Escoger la fila o columna con la mayor penalización, es decir que de la resta realizada en el
"Paso 1" se debe escoger el número mayor. En caso de haber empate, se debe escoger
arbitrariamente (a juicio personal).

PASO 3
De la fila o columna de mayor penalización 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 quedará satisfecha por ende se
tachará la fila o columna, en caso de empate solo se tachará 1, la restante quedará 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 básicas en la fila o columna con el método de costos mínimos, detenerse.

- Si todas las filas y columnas que no se tacharon tienen cero oferta y demanda, determine
las variables básicas cero por el método del costo mínimo, 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 MÉTODO DE APROXIMACIÓN DE VOGEL

Por medio de este método resolveremos el ejercicio de transporte resuelto en módulos
anteriores mediante programación lineal.

EL PROBLEMA
Una empresa energética colombiana dispone de cuatro plantas de generación para satisfacer
la demanda diaria eléctrica en cuatro ciudades, Cali, Bogotá, Medellín y Barranquilla. Las
plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de KW al día respectivamente.
Las necesidades de las ciudades de Cali, Bogotá, Medellín y Barranquilla son de 70, 40, 70
y 35 millones de Kw al día respectivamente.

Los costos asociados al envío de suministro energético por cada millón de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla.

Formule un modelo de programación lineal que permita satisfacer las necesidades de todas
las ciudades al tiempo que minimice los costos asociados al transporte.

SOLUCIÓN PASO A PASO

El primer paso es determinar las medidas de penalización y consignarlas en el tabulado de
costos, tal como se muestra a continuación.

El paso siguiente es escoger la mayor penalización, 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 máximo 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 iteración

Continuamos con las iteraciones,
 2. MÉTODO DEL BANQUILLO
La solución obtenida por los métodos anteriores es la solución inicial del método de
banquillo. La forma de verificar si la solución actual puede mejorarse es examinar las
variables no básicas actuales en busca de mejoras potenciales en el valor de la función
objetivo. Si existe una de tales variables, será la variable que entra en cuyo caso una de las
variables b{asicas actuales debe dejar la solución (como en el método simplex).
A fin de determinar la variable que entra y la que sale, se identifica un circuito cerrado para
cada variable no básica. El circuito comienza y termina con la variable no básica designada.
Un circuito consiste en segmentos horizontales y verticales sucesivos (conectados) cuyos
puntos extremos deben ser variables básicas, excepto para los 2 segmentos de inicio y
terminación en la variable no básica.
El circuito se utiliza para comprobar si el valor de la función objetivo puede mejorarse
cuando la variable no básica se aumenta sobre su valor actual de cero.
El procedimiento consiste en encontrar el aumento o disminución en el costo de transporte
como resultado de aumentar unidades en la variable no básica investigada.

Este valor se encuentra asignando signos positivos y negativos alternos en los costos
asociados a las variables que forman el circuito, empezando con el costo de la variable no
básica. La suma de los costos del circuito puede hacerse en el sentido de las manecillas del
reloj o en sentido contrario.

El resultado obtenido en la suma de los costos del circuito puede ser positivo o negativo. Si
es positivo indica que el asignar unidades a la variable que se está considerando aumenta el
costo total de transporte. Pero si este valor es negativo, la solución puede mejorarse
asignado a la variable no básica el valor más pequeño de las variables que deben reducir su
valor en el circuito que se está considerando.

El procedimiento termina hasta que todas las variables no básicas tienen valor positivo en la
suma de los costos del circuito.

Ejemplo:
Encuentre la solución óptima del problema de la compañía de renta de autos utilizando una
solución inicial por el método de costo mínimo y empleando el método de utilización de
banquillo.
¿Cómo asignar?
Restar 3 unidades a negativos y sumar 3 unidades a positivos.

Se establecen nuevos criterios ó caminos

8va. Semana
MÉTODO DE MULTIPLICADORES
Este método reproduce exactamente las mismas iteraciones del método de banquillo. La
principal diferencia ocurre en la forma en que las variables no básicas se evalúan en cada
iteración. Asociados a cada renglón i de la tabla existen multiplicadores Ui similarmente se
asocia un multiplicador Vj a cada columna de la tabla j. Para cada variable básica Xij de la
solución actual, se escribe la ecuación Ui +Vj = Cij. Esas ecuaciones proporcionan m+n-1
relaciones con m+n incógnitas.
Los valores de los multiplicadores pueden ser determinados a partir de las ecuaciones
suponiendo un valor arbitrario para cualquiera de los multiplicadores (usualmente se
establece U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores
desconocidos. Una vez que se hace esto, la evaluación de cada variable no básica X pq está
dada como:

El criterio que se utiliza para seleccionar la variable que entra es el mismo que el método de
banquillo (la mayor negativa).

Ejemplo:
Una compañía está considerando una demanda de 5 clientes utilizando artículos que tienen
disponibles en 2 almacenes. Los almacenes cuentan con 800 y 1000 unidades
respectivamente. Los clientes necesitan 200, 150, 200, 180 y 500 unidades respectivamente.
Los costos de embarque por artículo de los almacenes de los clientes son:

Resuelva el modelo de transporte empleando.

a) Una solución inicial por el método de aproximación de vogel.
b) La solución óptima por el método de multiplicadores.
DESTINO FICTICIO = 570 ARTÍCULOS

Para encontrar el valor de los multiplicadores

Se acostumbra:

Para encontrar costos:

9na. Semana
MODELO DE ASIGNACIÓN
El modelo de asignación es un tipo especial de problema de programación lineal en el que
los asignados son recursos que se destinan a la realización de tareas. Por ejemplo, los
asignados pueden ser empleados a quienes se tiene que dar trabajo. La asignación de
personas a trabajos es una aplicación común del problema de asignación. Sin embargo, los
asignados no tienen que ser personas. También pueden ser máquinas, vehículos o plantas, o
incluso periodos a los que se asignan tareas.
“La mejor persona para el puesto” es una buena descripción del modelo de
asignación.
El objetivo del modelo es determinar la asignación óptima (de costo mínimo) de
trabajadores a puestos.
El modelo general de asignación con n trabajadores y n puestos se representa en la tabla
siguiente:

Para que se ajuste a la

definición de un problema de
asignación, es necesario que este
tipo de aplicaciones se formule de
manera tal que se cumplan los
siguientes supuestos:
1. El número de asignados es
igual al número de tareas. (Este
número se denota por n.)
2. A cada asignado se le asigna sólo una tarea.
3. Cada tarea debe realizarla sólo un asignado.
4. Existe un costo cij asociado con el asignado i (i 5 1, 2, . . . , n) que realiza la tarea j ( j 1,
2, . . . , n).
5. El objetivo es determinar cómo deben hacerse las n asignaciones para minimizar los
costos totales.
Se puede resolver el modelo de asignación en forma directa como modelo normal de
transporte. Sin embargo, el hecho de que todas las ofertas y las demandas son iguales a 1,
condujo al desarrollo de un algoritmo sencillo de solución llamado método húngaro.

MÉTODO HÚNGARO
El método Húngaro es un método de optimización de problemas de asignación, conocido
como tal gracias a que los primeros aportes al método clásico definitivo fueron de Dénes
König y Jenő Egerváry dos matemáticos húngaros. El algoritmo tal como se detallará a
continuación está diseñado para la resolución de problemas de minimización únicamente.
Es importante resaltar que el método húngaro trabaja en una matriz de costos n*m (en este
caso conocida como matriz m*m, dado que el número de filas es igual al número de
columnas n = m).
Para resolver problemas de asignación, aplicando el método Húngaro, se requiere seguir los
siguientes algoritmos o pasos:
Paso 1
En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de todos los
elementos del renglón.
Paso 2
En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y restarlo de
todos los elementos de la columna.

 Paso 2.1
Si no se puede asegurar una asignación factible (con todos los elementos cero) con los
pasos 1 y 2,
a). Trazar la cantidad mínima de líneas horizontales y verticales en la última matriz
reducida que cubran todos los elementos cero.
b). Seleccionar el elemento mínimo no cubierto, restarlo de todo elemento no cubierto y
a continuación sumarlo a todo elemento en la intersección de dos líneas.
c). Si no se puede encontrar una asignación factible entre los elementos cero que
resulten, repetir el paso 2.1. En caso contrario, seguir en el paso 3 para determinar la
asignación óptima.

Paso 3
Identificar la solución óptima como la asignación factible asociada con los elementos cero
de la matriz obtenida en el paso 2.

EJEMPLO #1
Un equipo de 3 mecánicos debe ser asignado para la realización de 3 tareas, donde cada
mecánico debe hacer una tarea. Se requiere encontrar la asignación de costo mínimo para lo
cual se dispone de los costos asociados a que el mecánico i realice la tarea j.

SOLUCIÓN
PASO 1: En la matriz original de costo, identificar el mínimo de cada renglón y restarlo de
todos los elementos del renglón.

PASO 2: En la matriz que resulte del paso 1, identificar el mínimo de cada columna, y
restarlo de todos los elementos de la columna.
PASO 3: Identificar la solución óptima como la asignación factible asociada con los
elementos cero de la matriz obtenida en el paso 2.

Las celdas con valor cero y color cafés son la solución óptima. En consecuencia el
mecánico 1 realiza la tarea 2, el mecánico 2 asuma la tarea 1 y el mecánico 3 la tarea 3.
Cada mecánico realiza exactamente una tarea y el costo total de dicha asignación (valor
óptimo) es de Q9+Q10+Q8=Q27.
10ma. Semana
1. DEFINICIONES DE PROYECTOS
PROBABILÍSTICOS Y DETERMINÍSTICOS
Proyectos probabilísticos
Modelo probabilístico o estadístico es la forma que pueden tomar un conjunto de datos
obtenidos de muestreos de datos con comportamiento que se supone aleatorio.
Un modelo estadístico es un tipo de modelo matemático que usa la probabilidad, y que
incluye un conjunto de asunciones sobre la generación de algunos datos muestrales, de tal
manera que asemejen a los datos de una población mayor.
Las asunciones o hipótesis de un modelo estadístico describen un conjunto de
distribuciones de probabilidad, que son capaces de aproximar de manera adecuada un
conjunto de datos. Las distribuciones de probabilidad inherentes de los modelos
estadísticos son lo que distinguen a los modelos de otros modelos matemáticos
deterministas.
Un modelo estadístico queda especificado por un conjunto de ecuaciones que relacionan
diversas variables aleatorias, y en las que pueden aparecer otras variables no aleatorias.
Como tal "un modelo es una representación formal de una teoría"1
Todos los tests de hipótesis estadísticas y todos los estimadores estadísticos proceden de
modelos estadísticos. De hecho, los modelos estadísticos son una parte fundamentalmente
de la inferencia estadística.

Modelos basados en distribuciones

Pueden ser modelos probabilísticos discretos o continuos. Los primeros, en su mayoría se
basan en repeticiones de pruebas de Bernoulli. Los más utilizados son:
 Modelo de Bernoulli
 Modelo Binomial.
 Modelo Geométrico.
 Modelo Binomial negativo.
 Modelo Hipergeométrico.
 Modelo de Poisson.
Por otro lado, tal como se ha mencionado antes, existen modelos probabilísticos continuos,
entre ellos destacamos:
 Distribución Normal: usada ampliamente en muestras mayores a 30 datos.
 Distribución Chi Cuadrado: usada en muestras pequeñas.
 Distribución Exponencial: usada en duración o donde interviene el paso del tiempo.
 Distribución F o distribución F de Snedecor: usada para controlar la varianza de 2
distribuciones.
Modelo de recuperación de independencia binaria
El modelo probabilístico como modelo de recuperación de independencia binaria fue
desarrollado por Robertson y Spark Jones. Este modelo afirma que pueden caracterizarse
los documentos de una colección mediante el uso de términos de indización. Obviamente
existe un subconjunto ideal de documentos que contiene únicamente los documentos
relevantes a una necesidad de información para la cual se realiza una ponderación de los
términos que componen la consulta realizada por el usuario. A continuación el sistema
calcula la semejanza entre cada documento de la colección y la consulta y presentando los
resultados ordenados por grado de probabilidad de relevancia en la relación a la consulta.
Este modelo evita la comparación exacta ( existencia o no de un término de la consulta en
el documento) y posibilita al usuario realizar un proceso de retroalimentación valorando la
relevancia de los documentos recuperados para que el sistema pueda calcular la
probabilidad en posteriores consultas de que los documentos recuperados sean o no
relevantes en función de los términos utilizados en la consulta sean o no relevantes.
Modelos de regresión
Un modelo estadístico de regresión es una expresión simbólica en forma de igualdad o
ecuación que se emplea en todos los diseños experimentales y en la regresión para indicar
los diferentes factores que modifican la variable de respuesta. El modelo estadístico más
simple es el usado en los diseños completos aleatorizados (DCA). Su modelo es:

Donde
Y = es la variable de respuesta de interés.
μ = promedio general de la población sobre la cual se está trabajando
t = es la variación que se atribuye a los niveles del factor que se está evaluando
(efecto de los tratamientos).
ξ = es la variación de los factores no controlados ( el error experimental)
i = i -ésimo tratamiento
j = j -ésima repetición de cada tratamientos
j(i) = es la variación de las unidades experimentales anidado en los tratamientos.
Los modelos estadísticos pueden ser lineales o no lineales.

DETERMINISTICOS
Un modelo determinista es un modelo matemático donde las mismas entradas o
condiciones iniciales producirán invariablemente las mismas salidas o resultados, no
contemplándose la existencia de azar, o incertidumbre en el proceso modelada mediante
dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de
simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser
adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-
determinista) y caóticos (determinista inpredictible a largo plazo) los modelos deterministas
no pueden predecir adecuadamente la mayor parte de sus características.
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y
elementos ajenos al modelo determinista hará posible que éste se aproxime a un modelo
probabilístico o de enfoque estocástico.
Por ejemplo, la planificación de una línea de producción, en cualquier proceso industrial, es
posible realizarla con la implementación de un sistema de gestión de procesos que incluya
un modelo determinista en el cual estén cuantificadas las materias primas, la mano de obra,
los tiempos de producción y los productos finales asociados a cada proceso.
 Un conjunto de ecuaciones diferenciales de un sistema físico macroscópico constituye un
modelo determinista que puede predecir la evolución determinista en el tiempo de un buen
número de magnitudes características del sistema.

2. DIAGRAMA DE FLECHAS (RED) CPM, PERT

El Diagrama de Flechas indica el orden en que deben ser ejecutadas las actividadesde un
proyecto, permitiendo planificar y controlar su desarrollo,
identificando las actividades que lo componen y determinando su
ruta crítica, mediante una representación de red.
El diagrama de flechas:

 Muestra en un sólo documento el recorrido de un proyecto.

 Hace posible que las actividades correspondientes a un proyecto
determinado, su secuencia y duración, sean conocidas.
 Facilitael control del proyecto, permitiendo responder ante las
dificultades que puedan surgir durante su desarrollo.
 Se evidencian los planes poco realistas, dando oportunidad a su reajuste.
El diagrama de flechas también es conocido bajo otras denominaciones, como: actividad
diagrama de red, diagrama de red, red de actividades, diagrama de nodo, o método de la
ruta crítica (CPM – critical method path).
Está fundamentada en la aplicación de la metodología del camino crítico. Supone una
simplificación de la herramienta de planificación PERT (Program Evaluation and Review
Technique). Este método se desarrolló por la Marina de los Estados Unidos, para apoyar el
proyecto del submarino nuclear Polaris. Su objetivo era facilitar la planificación y
programación de proyectos de gran complejidad y magnitud. El diagrama de flechas
constituye una simplificación del método PERT.
En un proyecto, el trabajo es descompuesto en un conjunto de actividades interdependientes
cuyo orden debe ser respetado. Pero en la secuencia de actividades, algunas de ellas pueden
ser ejecutadas simultáneamente. El diagrama de flechas hace posible que series de
actividades paralelas se pongan de manifiesto, permitiendo el ajuste de la programación del
proyecto y facilitando que éste se efectúe en el mínimo tiempo posible.
De este modo, el diagrama de flechas proporciona la “ruta crítica” del proyecto, que es el
flujo de las actividades decisivas, donde los retrasos afectarán al calendario de la totalidad
del proyecto. También evidencia qué actividades pueden acelerar el proyecto.

Elaboración del Diagrama de Flechas

1. Identificar las actividades. En primer lugar, para la confección del diagrama de

flechas, se procede a la identificación de las actividades que conformarán el proyecto a
planificar. Las actividades se registran en tarjetas. Estas pueden adherirse en un panel, o
situadas en una superficie de trabajo
2. Determinar la primera actividad del proyecto. Posteriormente, y listadas las
actividades, se establece cuál es la primera en la ejecución del proyecto.
3. Iniciar la ordenación de las actividades. A partir de la primera actividad, se pregunta
si hay actividades simultáneas así como qué actividad sucede a la inicial.
4. Proseguir la ordenación de las actividades. A continuación, el proceso descrito se
lleva a cabo hasta que el resto de actividades estén situadas en secuencia o en paralelo.
5. Conectar las actividades y asignar tiempos. Una vez ordenadas las tarjetas, se
numeran y se les asigna a cada actividad un tiempo realista para su cumplimiento.
6. Especificar la trayectoria fundamental. Finalmente,se identifica el recorrido principal.
El método más sencillo para calcular el tiempo el tiempo total para completar el
proyecto, es el de la trayectoria acumulativa más larga. Para ello se suma cada
trayectoria de las actividades conectadas de forma que la trayectoria acumulativa más
larga representa el tiempo de desarrollo del proyecto más rápido posible. A esta
trayectoria se le denomina trayectoria fundamental del proyecto.

Diagrama de Flechas – Final. Pulsar para aumentar

DIAGRAMA CPM
es frecuentemente utilizado en el desarrollo y control de proyectos. El objetivo principal es
determinar la duración de un proyecto, entendiendo éste como una secuencia de actividades
relacionadas entre sí, donde cada una de las actividades tiene una duración estimada.
En este sentido el principal supuesto de CPM es que las actividades y sus tiempos de
duración son conocidos, es decir, no existe incertidumbre. Este supuesto simplificador hace
que esta metodología sea fácil de utilizar y en la medida que se quiera ver el impacto de la
incertidumbre en la duración de un proyecto, se puede utilizar un método complementario
como lo es PERT.
Una ruta es una trayectoria desde el inicio hasta el final de un proyecto. En este sentido, la
longitud de la ruta crítica es igual a la la trayectoria más grande del proyecto. Cabe destacar
que la duración de un proyecto es igual a la ruta crítica.
Etapas de CPM
Para utilizar el método CPM o de Ruta Crítica se necesita seguir los siguientes pasos:
1. Definir el proyecto con todas sus actividades o partes principales.
2. Establecer relaciones entre las actividades. Decidir cuál debe comenzar antes y cuál debe
seguir después.
3. Dibujar un diagrama conectando las diferentes actividades en base a sus relaciones de
precedencia.
4. Definir costos y tiempo estimado para cada actividad.
5. Identificar la trayectoria más larga del proyecto, siendo ésta la que determinará la
duración del proyecto (Ruta Crítica).
6. Utilizar el diagrama como ayuda para planear, supervisar y controlar el proyecto.
Por simplicidad y para facilitar la representación de cada actividad, frecuentemente se
utiliza la siguiente notación:

Donde:

IC : Inicio más cercano, es decir, lo más pronto que puede comenzar la actividad.

TC : Término más cercano, es decir, lo más pronto que puede terminar la actividad.

IL : Inicio más lejano, es decir, lo más tarde que puede comenzar la actividad sin retrasar el
término del proyecto.

TL : Término más lejano, es decir, lo más tarde que puede terminar la actividad sin retrasar
el término del proyecto.
Adicionalmente se define el término Holgura para cada actividad que consiste en el tiempo
máximo que se puede retrasar el comienzo de una actividad sin que esto retrase la
finalización del proyecto. La holgura de una actividad se puede obtener con la siguiente
fórmula:
Holgura = IL - IC = TL - TC
EJEMPLO: A continuación se presenta un resumen de las actividades que requiere un
proyecto para completarse. El tiempo de duración de cada actividad en semanas es fijo. Se
solicita que estime la duración total del proyecto a través del método CPM.
Actividad Duración (sem) Actividad Predecesora
A 6 -
B 8 -
C 12 A,B
D 4 C
 E 6 C
F 15 D,E
G 12 E
H 8 F,G
En consideración a las etapas del método CPM definidas anteriormente, en este caso se
debe desarrollar el paso 3 y 5. En este sentido es necesario construir el diagrama
identificando las relaciones entre las actividades y con el objetivo de resumir la
metodología se incorporará inmediatamente el cálculo de la Holgura, IC, TC, IL, TL para
cada actividad, junto con la identificación de la ruta crítica.

Primero se construye el diagrama identificando cada

actividad en un nodo (círculo) con su nombre respectivo y
entre paréntesis el tiempo estimado. Las flechas entre
actividades señalan las relaciones de predecencia, por
ejemplo, la actividad F sólo puede comenzar una vez
terminadas las actividades D y E.
Luego, se identifica para cada actividad los indicadores IC
y TC. Por ejemplo, para la actividad C el inicio más
cercano es 8 (esto porque C sólo puede comenzar una vez
terminada A y B, siendo B la que más se demora y termina
en 8) y el término más cercano es 20 (dado que la actividad
C demora 12 semanas).
Posteriormente se obtiene el IL y TL para cada actividad.
Con esta información el cálculo de la holgura de cada actividad es simple. Para obtener el
IL y TL de cada actividad nos "movemos" desde el final hasta el inicio. En este caso la
actividad que termina más tarde es H (49 sem) y por tanto nos preguntamos cuándo es lo
más tarde que podría termina H sin retrasar el proyecto (TL), esto claramente es 49. Por
tanto si lo más tarde que puede terminar H es 49, lo más tarde que puede comenzar H para
cumplir este tiempo es 41 (dado que H dura 8 sem). Luego, la holgura de H es cero. Notar
que las actividades con holgura igual a cero corresponden a las actividades de la ruta
crítica. Adicionalmente, un proyecto puede tener más de una ruta crítica.

DIAGRAMA DE PERT
Un Diagrama de PERT permite establecer relaciones a partir de las dependencias de las
actividades de un proyecto. Si el entregable de una actividad es necesario para empezar la
siguiente, situaremos a continuación a segunda tarea. Ninguna actividad se puede realizar
antes si depende de que termine otra que está planificada más tarde. De esta manera, más
sencilla, explicamos qué es el Diagrama de PERT y cómo usar PERT en el proceso de
planificación de tu trabajo.

En el mundo de la gestión y dirección de proyectos, la técnica de PERT es muy popular y

se aplica para conocer las rutas de trabajo óptimas. Por ejemplo, si para realizar la tarea C
se necesita el entregable de la actividad A, PERT nos avisará de que debemos terminar A
antes de que pongamos en marcha C. Pura lógica que a priori no debe tener mayor
complicación. Sin embargo, la cosa se complica cuando la ejecución de una sola actividad
afecta a numerosas actividades.
Las siglas del Diagrama de PERT significan Técnica de Revisión y Evaluación de
Programas, y se puede aplicar en todo el proyecto o únicamente en determinadas fases de la
planificación críticas.

PERT suele utilizarse junto a técnicas CPM (Critical Path Method), para detectar esos
‘cuellos de botella’ que pueden poner en peligro el proyecto al completo. Con PERT y
CPM sabremos el camino crítico de nuestros proyectos y realizaremos un mejor control de
calidad de los resultados del mismo.
Así pues, este concepto está ligado directamente con la fecha de fin del proyecto. Para que
este se realice dentro de plazo, lo primero que se debe desarrollar es la ruta crítica. Por ello,
se hace de imprescindible identificar el camino crítico durante la etapa de planificación, a
través de otra técnica muy similar al método PERT, hablamos del CPM (Critical Path
Method).
Gracias a las dependencias entre actividades extraídas, obtendremos el flujo de trabajo más
óptimo. Sólo así podremos evitar un retraso que
paralice nuestro proyecto. Las actividades que no
se relacionen con la ruta crítica, tienen una
mayor holgura por lo que pueden ser
susceptibles de modificaciones posteriores sin
que afecte a la fecha final del proyecto.
Así pues, mientras que PERT considera los
recursos necesarios para completar las
actividades en una duración determinada, la
lógica del CPM detecta el camino crítico y los posibles ‘cuellos de botella’ del proyecto.

Red PERT
Las técnicas PERT y CPM nos ayudan a programar un proyecto con el coste
mínimo y la duración más adecuada, tal y como lo hace Sinnaps. Con ambas técnicas,
el Project Manager podrá encontrar una compensación del esfuerzo en su proyecto.
Teniendo en cuenta las actividades que no están dentro del camino crítico, el equipo
trabajará en estas tareas cuando tenga disponibles los recursos, dejándolas al servicio de las
actividades críticas en las fases más complicadas del proceso.

EL ORIGEN DE PERT

Se trata de una técnica aplicada importantes proyectos de nuestra historia contemporánea.

La Armada de los Estados Unidos comenzó a utilizarla en 1958 para la planificación
del proyecto Polaris, un misil balístico basado en submarinos, construido con armas
nucleares durante la Guerra Fría. Se dice que gracias a la lógica de PERT, se adelantó dos
años la fecha de terminación de su construcción. Toda una ventaja si tratamos un contexto
bélico. El programa Apolo, por ejemplo, también fue programado siguiendo el método
PERT.
En la actualidad, PERT se emplea tanto en proyecto gubernamentales como relativos a la
industria. De hecho, algunos gobiernos, como el estadounidense o instituciones públicas
como la NASA, exigen a las compañías privadas un trabajo basado en la lógica de PERT.

¿PARA QUÉ SIRVE EL DIAGRAMA DE PERT?

El Diagrama de PERT es utilizado por las empresas desde mediados del siglo pasado. Sus
funcionalidades son múltiples, ya que entre las más destacadas, la técnica de PERT nos
ayuda a saber cuál será el final del proyecto. Es decir, la fecha mínima en la que
terminaremos nuestro trabajo. Esto nos permite establecer una comunicación más
efectiva con el dueño del proyecto o cliente.

Se podría decir que el método PERT cumple unos aspectos primordiales.

— Funciona a través de una red de relaciones de procedencia de los elementos que

componen las actividades, respecto al orden en el que se deben ejecutar.
— Su característica fundamental es la duración de las actividades
— Busca cumplir con fechas de entrega específicas
— Evalúa el impacto de los cambios durante la ejecución del proyecto. Las simulaciones
pueden gestionar mejor la incertidumbre. Si hay desviaciones de lo planificado, se
comprobará cómo afecta ese cambio al proyecto en su conjunto. Lo podemos obtener
automáticamente con aplicaciones avanzadas de gestión.
Además, todo ello puede estar representado en un diagrama de Gantt, tal y como lo hace
la aplicación Sinnaps.
PERT también sirve para muchas más cosas. Recopilamos una serie de ventajas y
desventajas del Diagrama de PERT.

Ventajas

 Organizar actividades.
 Calcular rutas de trabajo optimizadas.
 Tiene en cuenta las dependencias entre las tareas.
 Planificaciones más efectivas y realistas.
 Tiene en cuenta cada actividad de manera individual y su relación con las demás
tareas.
 Permite la identificación de cuellos de botella o nodos críticos en la ruta de trabajo.
 Ayuda a cumplir plazos y presupuestos estimados.
 Mejora la toma de decisiones anticipadas y efectivas.
 Mejor integración y presentación de datos a los interesados del proyecto.

Desventajas

 No fomenta la planificación flexible. Es complicado re-planificar si aplicas técnicas

de PERT en la gestión de proyectos. Afortunadamente, existen aplicaciones como
Sinnaps que superan este límite para adaptar el métodos PERT y CPM al mundo tan
versátil en el que vivimos hoy.
  No disponemos de datos suficientes al crear el diagrama de PERT online. Cuando
realizamos la primera planificación o estimación del proyecto, aún no tenemos una
información exhaustiva y completa del mismo. ¿Cómo saber la estimación exacta de
costes o plazos? De ahí, que tengamos la necesidad de re-planificar y nos lleve a la
primera barrera de PERT: su estatismo.
 Supone un enorme esfuerzo realizar por nosotros mismos una red de PERT de un
proyecto medio. Las rutas de trabajo suelen contener varias actividades, con varias
dependencias entre sí. Debemos tener en cuenta diferentes y múltiples nexos
 Único parámetro es el factor tiempo. Si falla algún dato sobre duraciones de
actividades, cambios de fechas, plazos u otra variación en la gestión de recursos, toda
la red PERT se vendría abajo. De ahí, la importancia de usar apps que tengan en
cuenta estas desventajas del Diagrama de PERT, y que permitan planificaciones
flexibles, como es el caso de Sinnaps.
 No es un método ágil. Por todo lo que hemos mencionado anteriormente, la técnica
de PERT es predictiva pero no es ágil. No permite una revaluación constante de la
planificación, alejándose así de una gestión realista. Sí predice lo que sucederá en
proyectos con un nivel de incertidumbre no muy elevado.

DIFERENCIA ENTRE PERT Y CPM

El modelo PERT y CPM suelen ir asociados en toda gestión de proyectos. Ambas técnicas
llevan empleándose desde los años 50 del siglo XX, cuando comenzaron su aplicación por
la armada estadounidense.
La técnica de PERT se centra en establecer las relaciones entre las actividades, a partir de
las dependencias entre ellas. Mientras que CPM encuentra los caminos críticos y cuellos
de botella del proyecto, apoyada de PERT.
Los caminos críticos son las rutas que primero debemos realizar si queremos terminar en
plazo. Porque muchas actividades estarán esperando que se realicen otras previas. Esta ruta
crítica suele marcar el final del proyecto, ya que suele ser de las más largas del mismo.
11va. Semana:
CIRCULO DE LA RUTA CRITICA
El método de la ruta crítica o del camino crítico es un algoritmo utilizado para el cálculo
de tiempos y plazos en la planificación de proyectos.1 Este sistema de cálculo conocido por
sus siglas en inglés CPM (Critical Path Method), fue desarrollado en la década de 1950 en
Villa Ruiseñor, Chile por el empresario Armando Quiroga, en un centro de investigación de
operaciones para las firmas, buscando el control y la optimización de los costos mediante la
planificación y programación adecuadas de las actividades componentes del proyecto. Otro
proyecto importante de esa época, el proyecto "Polaris" originó en 1958 la creación de uno
de los métodos de programación por camino crítico, conocido con el nombre de PERT
(Program Evaluation and Review Technique).2
En administración y gestión de proyectos, una ruta crítica es la secuencia de los elementos
terminales de la red de proyectos con la mayor duración entre ellos, determinando el tiempo
más corto en el que es posible completar el proyecto. La duración de la ruta crítica
determina la duración del proyecto entero. Cualquier retraso en un elemento de la ruta
crítica afecta a la fecha de término planeada del proyecto, y se dice que no hay holgura en
la ruta crítica.
Un proyecto puede tener varias rutas críticas paralelas. Una ruta paralela adicional a través
de la red con la duración total cercana a la de la ruta crítica, aunque necesariamente menor,
se llama ruta sub-crítica.
Originalmente, el método de la ruta crítica consideró solamente dependencias entre los
elementos terminales. Un concepto relacionado es la cadena crítica, la cual agrega
dependencias de recursos. Cada recurso depende del manejador en el momento donde la
ruta crítica se presente.
A diferencia de la técnica de revisión y evaluación de programas (PERT), el método de la
ruta crítica usa tiempos ciertos (reales o deterministas). Sin embargo, la elaboración de un
proyecto basándose en redes CPM y PERT son similares y consisten en:

 Identificar todas las actividades que involucra el proyecto, lo que significa,

determinar relaciones de precedencia, tiempos técnicos para cada una de las
actividades.
 Construir una red con base en nodos y actividades (o arcos, según el método más
usado), que implican el proyecto.
 Analizar los cálculos específicos, identificando la ruta crítica y las holguras de las
actividades que componen el proyecto.
En términos prácticos, la ruta crítica se interpreta como la dimensión máxima que puede
durar el proyecto y las diferencias con las otras rutas que no sean la crítica, se
denominan tiempos de holgura.

2. CPM-Costo Aceleración (compresión)

 E-GRAFIA
https://es.wikipedia.org/wiki/Programaci%C3%B3n_lineal
https://www.academia.edu/18091363/FORMAS_CANONICA_Y_ESTANDAR
http://www.monografias.com/trabajos96/formulacion-modelos-programacion-
lineal/formulacion-modelos-programacion-lineal.shtml
http://www.mty.itesm.mx/dmti/materias/tc3001/lecturas/tc3001-02-pl-grafico.pdf
http://www.programacionlineal.net/resolucion_grafica.html
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/
https://definicion.de/dualidad/
https://es.scribd.com/document/139987988/3-3-Relacion-Primal-Dual
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/problema-del-transporte-o-
distribuci%C3%B3n/