UNIVERSIDAD DE ANTOFAGASTA

FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL

CURSO PARA
INGENIEROS
INDUSTRIALES

ASIGNATURA: INVESTIGACIN DE OPERACIONES I

PROFESOR: Ronny Huerta Gmez

Francis Balbontn Escorza
Julio Soza Silva
 UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL

2006
INDICE
Pgina
CAPTULO I: ASPECTOS INTRODUCTORIOS.....................................................................1
1.1.- INTRODUCCIN...........................................................................................................1
1.2.- DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS..............................4
1.3.- FORMULACIN DE UN MODELO MATEMTICO.................................................5
1.4.- OBTENCIN DE UNA SOLUCIN A PARTIR DE UN MODELO............................7
1.5.- PRUEBA DEL MODELO...............................................................................................8
1.6.- PREPARACIN PARA LA APLICACIN DEL MODELO.........................................9
CAPTULO II: PROGRAMACIN LINEAL..........................................................................10
2.1.- INTRODUCCIN.........................................................................................................10
2.2.- RESOLUCIN DE UN PROBLEMA DE PROGRAMACIN LINEAL (PPL)
MEDIANTE EL MTODO GRFICO (DOS VARIABLES DECISIONALES)................13
2.2.2.- Anlisis De Casos Excepcionales...........................................................................21
2.2.2.1.- Solucin No Acotada.......................................................................................21
2.2.2.2.- Acotamiento.....................................................................................................22
2.2.2.3.- Inconsistencia..................................................................................................23
2.2.2.4.- No Factibilidad................................................................................................23
2.3.- FORMULACIN DE PROBLEMAS DE PROGRAMACIN LINEAL...................24
2.4.- MTODO SIMPLEX DE LA PROGRAMACIN LINEAL.......................................29
2.4.1.- Reglas De Programacin Lineal.............................................................................31
2.4.2.- Terminologa Bsica...............................................................................................34
2.4.3.- Teora del Problema Del Programacin Lineal......................................................35
2.4.4.- Obtencin de una Solucin Bsica Factible...........................................................36
2.4.4.1.-Forma Matricial................................................................................................37
2.4.5.- Pasos del mtodo simplex......................................................................................38
2.4.6.- Interpretacin Econmica.......................................................................................42
2.5.- METODO DE LA GRAN M.........................................................................................44
2.6.- METODO DE DOBLE FASE.......................................................................................47
2.7.- CASOS ESPECIALES DE PPL MEDIANTE TABLEAU...........................................51
2.7.1.- Problema Con Soluciones ptimas No acotado.....................................................51
2.7.2.- Problema Con Soluciones ptimas Mltiples.......................................................53
2.7.3.- Problema Sin Soluciones o Infactible.....................................................................56
2.7.4.- Problema Con Soluciones Degeneradas.................................................................58
La resolucin mediante el mtodo simplex es:..........................................................................58
CAPITULO III: DUALIDAD Y ANLISIS DE SENSIBILIDAD..........................................60
3.1.- DUALIDAD..................................................................................................................60
3.1.1.- Formulacin del Problema Dual.............................................................................60
3.1.2.- Teoremas de Dualidad............................................................................................65
3.1.4.- Solucin Del Problema Dual..................................................................................66
3.1.5.- Interpretacin Econmica De Las Variables Duales..............................................70
3.1.6.- Mtodo Simplex Dual.............................................................................................72
3.1.7.- Transformacin de Tabla ptima Primal a una Tabla ptima Dual......................74
 UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERA
DEPTO. INGENIERA INDUSTRIAL

3.2.- ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA (ANLISIS

POST-OPTIMAL)..................................................................................................................77
3.2.1.- Anlisis De Sensibilidad Para

Cambios Discretos.................................................78
3.2.1.1.-Cambios Del Vector :...................................................................................78
b

3.2.1.2.-Cambios En El Vector C :...............................................................................82
3.2.1.3.- Cambio En El Coeficiente Tecnolgico a j Cuando J No Es Bsico:............88
3.2.1.4.- Adiciones De Nuevas Actividades X j :..........................................................91
3.2.1.5.- Adicin De Nuevas Restricciones:..................................................................94
3.2.2.- Cambios Continuos Y Programacin Paramtrica.................................................98

3.2.2.1.- Cambio Continuo En El Vector C .................................................................98

3.2.2.2.- Cambio Continuo En El Vector b ................................................................105
3.2.2.3.- Cambio Continuo En Una Columna Tecnolgica No Bsica a j De A.........109
CAPITULO III: PROBLEMA DE TRANSPORTE, TRANSBORDO Y ASIGNACIN......113
3.1.- MODELO DE TRANSPORTE...................................................................................113
3.1.1.- Estructura de Transporte.......................................................................................114
3.1.2.- Algoritmo de Transporte.......................................................................................116
3.1.2.1.- Mtodo Del Extremo Noroccidental (MEN).................................................118
3.1.2.2.- Mtodo De Vogel...........................................................................................122
3.1.2.4.- Mtodo del Costo Mnimo.............................................................................130
3.1.2.4.- Desarrollo Algoritmo De Transporte.............................................................138
3.1.3.- Problemas de Transporte Degenerados................................................................149
 CAPTULO I: ASPECTOS INTRODUCTORIOS

1.1.- INTRODUCCIN
El origen de la investigacin de operaciones (IO) surge durante la segunda guerra
mundial, cuando exista una necesidad urgente de asignar recursos escasos a las
distintas operaciones militares y actividades dentro de cada operacin en la forma
ms efectiva. La fuerza area Britnica form el primer grupo de IO, aunque se
acepta como origen de la investigacin de operaciones al tiempo de la divisin y
especializacin del trabajo; junto a ello, fueron apareciendo nuevos tipos de
problemas cada vez ms complejos y especializados en donde, generalmente, se
pierde el horizonte de solucin del todo (objetivo general) por lo especfico (objetivo
particular), crendose el problema de asignacin de recursos.

Hay dos factores que ayudan al desarrollo de esta temtica: primero, es el gran
conocimiento desarrollado y adquirido en esta rea producto de la especializacin del
trabajo y tcnicas productivas, a modo de ejemplo: el mtodo Simplex para resolver
problemas de programacin lineal (por Dantzig), as como: tambin programacin
dinmica, lneas de espera, teora de inventarios, etc. El segundo factor fue el
avance computacional, ya que disminuy el tiempo de resolucin de problemas muy
tediosos y largos por forma manual, por lo cual, se implementaron muchos
programas asociados a estas temticas.

En el caso particular de Chile, hablar de investigacin de operaciones es solo es

posible en grandes empresas o grupos de empresas comunes, ya que el costo de
infraestructura y de equipos especializados junto al desconocimiento de las mismas,
hace poco probable la utilizacin de las diferentes tcnicas en las PYMES.

La investigacin de operaciones se ocupa de la modelacin cuantitativo (matemtico)

de sistemas reales de administracin complejos y que permitan tomar una decisin
ptima, utilizando tanto tcnicas y metodologas cientficas como experimentales.

La IO se aplica a problemas que se refieren a la conduccin y coordinacin de

operaciones (o actividades) dentro de una organizacin, aplicndose a la
manufactura, transportes, la construccin, telecomunicaciones, planeacin financiera,
salud, etc, es decir, para todo o cualquier tipo de generacin de algn producto,
entendindose por un bien o servicio.

Categoras de problemas:
Problemas determinsticos: Son aquellos en que toda la informacin necesaria
para obtener una solucin se conoce con certeza.
Problema estocstico: Son aquellos en que parte de la informacin necesaria
no se conoce con certeza, sino ms bien se comporta de una manera
probabilstica.

1
Tipos de decisiones:
Decisiones estratgicas: Una decisin de una sola vez que involucra polticas
con consecuencia a largo plazo para la organizacin. Ej. Expansin de lneas
de produccin, Polticas de administracin de inventarios.
Decisiones operacionales: Una decisin que implica aspectos de planificacin
de corto plazo que, generalmente, se deben hacer repetidamente. Ej.
Programacin de la produccin.

Pasos de la investigacin de operaciones:

Observacin cuidadosa y definicin del problema, incluyendo la toma de
datos.
Construccin del modelo cientfico (generalmente matemtico) que es una
abstraccin de la realidad, aqu se propone la hiptesis de que el modelo es
una buena representacin de la realidad, para que as las conclusiones o
soluciones sean vlidas para el problema real.
Realizacin de experimentos para probar la hiptesis
Validacin del modelo.
Conclusiones.

La IO apunta a la solucin ms efectiva del todo, no de un componente o elemento

en particular, es por ello que busca una mejor solucin (solucin ptima) para el

2
problema en cuestin. Se dice una mejor solucin y no la mejor solucin, porque
puede haber varias mejores soluciones (empate), en estos casos prevalece el juicio
del tomador de decisiones en la eleccin final.

Las hiptesis que se plantean son:

Mtodo que represente el sistema real
Las soluciones y conclusiones son vlidas para el problema real

Segn Ackoff y Sasiene, las caractersticas esenciales de la IO, expresadas en estas

definiciones son:
Su orientacin de sistemas
El uso de equipos multidisciplinarios
La aplicacin del mtodo cientfico a problemas de control

Para atacar de una buena forma problemas reales de IO se necesita grupos

interdisciplinarios, as se tienen diferentes enfoques o perspectivas de solucin.

La IO se base, generalmente, en lo cuantitativo, pero esto no significa que siempre

sea as. De esta manera, los modelos de IO se representan a travs de ecuaciones,
que aunque puedan resultar complicadas desde el punto de vista matemtico, tienen
una estructura matemtica fundamental muy sencilla.
U f X i , Yi
sa :
f ( xi , yi )
Donde:
U : utilidad o valor de la ejecucin del sistema. Se le denomina funcin objetivo
xi : variable o constante no controlable, pero que afecta a U, se le denomina
variables exgenas al modelo.
yi : son variables controlables, se les denomina variables endgenas.

Adems, se requiere de una o ms ecuaciones o inecuaciones para expresar el

hecho de que algunas variables controlables o todas, pueden manejarse solo dentro
de ciertos lmites o rangos.

Luego, se resuelve el modelo matemtico, encontrando los valores de las variables

controlables que optimizan el sistema bajo estudio. La solucin del sistema puede
obtenerse mediante la simulacin del mismo por medio de anlisis matemtico.

Los valores de optimizacin de la solucin, mejora la ejecucin del sistema solo si el

modelo es una buena representacin del mismo, por lo tanto, debe probarse la
correspondencia del modelo a la realidad y valorar la solucin.

Las principales etapas que se describen, se deben entender como guas para la
seleccin y adopcin del problema y su solucin. Pueden ser evolutivas iterativas
dependiendo de la informacin disponible.

3
Las tareas principales que se deben, en general, ejecutar en cada etapa son:
Identificar, analizar, evaluar, ordenar, y priorizar los elementos que la componen. La
secuencia descrita en el punteo no es, por lo tanto, imperativa.

Una manera de resumir las etapas usuales (no secuenciales) de un estudio de IO es

el siguiente:
Definicin del problema de inters y recoleccin de datos relevantes.
Formulacin de un modelo matemtico que representa el problema.
Desarrollo de un procedimiento basado en computacin para derivar una
solucin al problema a partir del modelo.
Prueba del modelo y mejoramiento, segn sea necesario.
Preparacin para la aplicacin del modelo descrito por la administracin.
Puesta en marcha.

1.2.- DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS

Generalmente, los problemas estn descritos de una manera vaga y muy general,
lleno de datos que sirven, pero algunos son innecesarios, por lo menos, para el
objetivo que se quiere cumplir, por ello, lo primero que se debe hacer al enfrentarse a
un problema es el estudio del sistema relevante y realizar un resumen bien definido
de lo que se pretende analizar, esto incluye objetivos apropiados, restricciones,
interrelaciones del rea bajo estudio con otras reas de la organizacin, cursos de
accin posibles, lmites de tiempo para tomar la decisin correspondiente, etc. Este
proceso de definir el problema es crucial, ya que de ello depende el tipo y calidad de
la solucin que se obtenga.

Se debe definir en forma clara y explicita, para obtener una respuesta correcta a
partir del problema correcto; debe existir un acuerdo completo de entre las personas
que participen en el estudio, adems de una medida clara y explcitamente
establecida, de efectividad que est en armona con los objetivos o metas globales
de la organizacin.

El equipo de IO o analistas de operaciones son los que plantean soluciones en un

sentido de asesora a los reales tomadores de decisiones, pero estos deben apoyar
de igual forma a este equipo.

La IO se encarga del bienestar de toda la organizacin o estudio, no del bien de un

departamento especfico o elemento en particular, buscando soluciones ptimas
globales y no soluciones subptimas.

En organizaciones con fines de lucro, generalmente, se usa la maximizacin de la

ganancia a largo plazo, evitando problemas de suboptimizacin, obviamente
considerando el valor del dinero en el tiempo, lo de largo plazo proporciona la
flexibilidad de las actividades que no se traducen inmediatamente en ganancias
(ejemplo investigacin y desarrollo), pero siempre hay que tener en cuenta que no es

4
el nico tipo de objetivo a cumplir, esto depender del criterio a satisfacer por los
demandantes del estudio (ejemplo una empresa).

Generalmente hay 5 elementos involucrados en las decisiones sociales en un pas:

Los dueos (accionistas, etc.) que desean obtener ganancias (dividendos,
valuacin de las acciones, etc.).
Los empleados que desean un empleo seguro con sueldos razonables.
Los clientes que quieren un producto confiable a un precio justo.
Los vendedores que piensan en la integridad y el precio justo de venta para
los productos que manejan.
El gobierno, por ende la Nacin, que quiere el pago de impuestos justos y que
se tome en cuenta el inters nacional.

Hay que tener cuidado al recolectar los datos, ya que generalmente son datos
insuficientes o a veces los datos proporcionados son obsoletos, por ello, hay que
revisar que la base de datos recolectada sea actualizada a los objetivos del estudio.

1.3.- FORMULACIN DE UN MODELO MATEMTICO

Los encargados del estudio debern decidir sobre el modelo mas adecuado para
representar la esencia del sistema en estudio, recordando siempre que es slo una
aproximacin de un sistema real.

El modelo expresar el problema de elegir valores para las variables de decisin

que optimicen una funcin objetiva, sujetos al cumplimiento de restricciones dadas.
Tiene la ventaja de ser conciso, comprensible, explicitar las relaciones causa-efecto,
clasificar los datos importantes para el anlisis, y facilitar el manejo posibilitando el
uso de computadores.

Posee algunas desventajas ya que un modelo es slo una aproximacin de un

sistema real para hacerlo manejable y debe ser validado y probado para mejorar su
exactitud de prediccin. Su construccin es evolutiva o iterativa, debiendo
comenzarse en forma sencilla y se va mejorando, hasta lograr un equilibrio deseado
entre precisin y manejo.

El anlisis hecho previamente hay que ordenarlo y presentarlo de la manera ms

conveniente, generalmente, es por medio de un modelo matemtico, para ello existe
o se definen las variables de decisin (x 1, x2,, xn), que son a las cuales les
buscaremos los mejores valores que den por resultado la solucin ptima.

Pasos generales en la construccin de modelos matemticos:

Identificacin de los datos del problema
Identificacin de las variables de decisin
Identificacin de la funcin objetivo
Identificacin de las restricciones

5
La funcin planteada sea maximizar o minimizar se llama funcin objetivo, todas las
limitaciones que se tengan para llevar a cabo cursos de acciones diferentes se
llaman restricciones (generalmente planteadas como desigualdades). Toda constante
de modelo incluida en la funcin objetivo o en las restricciones se llaman parmetros
del modelo.

En la vida real (problemas) los valores de los parmetros se deben estimar, a

diferencia de los problemas tericos en que stas son dadas; es por ello, que la
estimacin del parmetro (bajo un criterio de incertidumbre) debe someterse a un
anlisis de sensibilidad para ver de que forma cambiara la solucin (si es que
cambian) debido a la estimacin misma.

Hay que dejar en claro que para la solucin de un problema no existe una
formulacin nica de un modelo, para un mismo problema pueden existir varios
modelos tiles.

Identificacin de la funcin objetivo.- lo ms comn puede ser: maximizar las

ganancias a largo plazo o minimizar las prdidas a largo plazo, pero puede ser
tambin mantener estables las ganancias, maximizar la participacin del mercado,
diversificar la produccin, mantener la estabilidad en los precios maximizar las
condiciones del trabajo, etc. Generalmente, se puede hacer en tres etapas:
Establecer el objetivo en forma verbal
Descomponer el objetivo en una suma, diferencia o producto de cantidades
individuales.
Expresar las cantidades individuales matemticamente, utilizando las
variables de decisin y otros datos conocidos en el problema.

Identificacin de las restricciones.- Las restricciones son condiciones que las

variables de decisin deben satisfacer para constituir una solucin aceptable, que
limitan el espacio de bsqueda de la solucin al problema, las que pueden provenir
de interrelaciones entre subsistemas, plazos o lmites de tiempo, costos o beneficios
y en su forma de medirlos , y de los efectos posibles en las diferentes partes
involucradas; adems, de la empresa misma como: los dueos (accionistas, los
empleados, los clientes, los vendedores, el gobierno y la nacin. Por lo general,
surgen de:
Limitaciones fsicas
Restricciones impuestas por la administracin
Restricciones externas
Relaciones implicadas entre variables
Restricciones lgicas sobre variables individuales.

Uno de los modelos relativamente ms sencillos de resolver son los de programacin

lineal, que se pueden usar para:
Mezcla de productos que maximice la ganancia
Diseo de terapia de radiacin que combata de manera efectiva un tumor y a
la vez minimice el dao al tejido sano circundante.

6
 Asignacin de acres a distintas cosechas para maximizar el rendimiento total
neto.
Combinacin de mtodos de control de contaminacin que logren estndar de
calidad del aire a un costo mnimo, etc.

El modelo matemtico analiza mejorar las variables relevantes y su causa-efecto. Al

recordar que el modelo es una abstraccin de la realidad capaz de predecir sucesos
de acuerdo a las condiciones de entrada, debe existir una alta correlacin entre la
prediccin del modelo y lo que ocurre en la vida real.

Si en el estudio se contempla ms de un objetivo es necesario transformar y

combinar las medidas respectivas en una medida compuesta de efectividad llamada
medida global de efectividad.

1.4.- OBTENCIN DE UNA SOLUCIN A PARTIR DE UN MODELO

El estudio de IO consiste en desarrollar un procedimiento (o programa) para derivar
una solucin al problema a partir del modelo planteado, es decir, la solucin ptima.

Determinar las expresiones cuantitativas limitantes o restricciones.- representa lo

disponible o posible a disposicin del sistema en estudio. Se expresan en funcin de
los parmetros y de las variables de decisin. En general, a mayor cantidad de
restricciones mayores costos en la realidad.

Es necesario determinar si el modelo formulado (o descrito) se ajusta o no a algn

modelo matemtico conocido. Lo que permitira dada la naturaleza y complejidad del
modelo identificado, usar o no una solucin.

De esta manera, la solucin se puede obtener a partir de: analtica, obtenida a partir
del conjunto de ecuaciones o funciones que miden efectividad (criterio) o
disponibilidad (restricciones); simulada o estadstica, cuando la complejidad es alta o
no existen funciones matemticas que representen a unas restricciones o
limitaciones; y heurstica, cuando existan decisiones cualitativas o de experiencia que
no pueden cuantificarse. Estas soluciones sern satisfactorias, pero no ptimas (slo
cercanas a estas) o Mixtas por combinacin de las anteriores.

Herbert propone el trmino satisfacer en vez de optimizar, ya que como la

optimizacin depende de las fronteras y condiciones de entrada, lo que a veces se
aleja de lo real (el modelo), entonces con el satisfacer se busca una solucin lo
suficientemente buena para el problema que se tiene; Segn Samuel Elion optimizar
es la ciencia de lo absoluto, satisfacer es el arte de lo factible (solucin subptima).

Obtencin o deduccin de la solucin del modelo.- En general, esta etapa no es la

parte ms principal, por ejemplo: si se trabaj bien en las etapas anteriores y se tiene
un modelo matemtico conocido, entonces se tiene un algoritmo ya establecido. Se
estudiarn varios algoritmos establecidos para modelos analticos. Si el modelo

7
pertenece a los dems tipos, el concepto de optimalidad (u ptimo) no est bien
estructurado y slo obtendremos una solucin buena o satisfactoria, que se debe
analizar y mejorar (si se puede) en los pasos que sigan.

Siempre se debe recordar que un modelo es una abstraccin de un problema real

(teora versus realidad), por lo que habr que revisar o ajustar los parmetros del
modelo del sistema lo que se llama anlisis posoptimal o de sensibilidad.

El encontrar la solucin a un problema de IO, independiente de que sea ptima o sub

ptima, se hace necesario realizar un anlisis posptimo que es un anlisis de
sensibilidad para determinar qu parmetros del modelo son los ms crticos
(parmetros sensibles) al determinar la solucin.

Los parmetros sensibles del modelo son aquellos cuyos valores no se pueden
cambiar sin que la solucin ptima cambie.

Algunos parmetros del modelo representan polticas de decisin (como asignacin

de recursos), si es as, existe alguna flexibilidad sobre los valores asignados a estos
parmetros.

El anlisis posptimo, al igual que la prueba del modelo, incluye la obtencin de un

conjunto de soluciones que comprende una serie de aproximaciones, cada vez
mejores al curso de accin ideal. Estas aproximaciones (iteraciones) se repiten hasta
que las mejoras a la solucin sean demasiado pequeas para justificar su
continuacin.

1.5.- PRUEBA DEL MODELO

La prueba del modelo matemtico es similar a la prueba de un programa, ya que una
vez hecho siempre se encuentran fallas (pequeas o no) las que se van mejorando
hasta un nivel aceptable o vlido. A este proceso se le llama validacin del modelo.

La forma en cmo se lleva a cabo esta validacin depender de la complejidad del

problema y del modelo utilizado.

Hay que tener cuidado con el empleo de las unidades, es decir, que sean
dimensionalmente consistentes.

Un modelo es vlido, si independiente de sus inexactitudes de representacin, puede

reproducir en forma confiable el funcionamiento del sistema real bajo estudio.

Se utilizan datos pasados (valores de variables de decisin y para metas) como

entradas, el modelo produce resultados los que se comparan con las salidas
obtenidas del pasado.

8
Por supuesto que no hay garantas de que el comportamiento futuro sea similar al
pasado; si el sistema es nuevo no hay datos histricos, por lo que para probarse,
deber usarse simulacin, o arriesgarse haciendo operar el sistema y el modelo (con
o sin cambios).

Una vez hecho el modelo se usan tcnicas (a veces) retrospectivas, sobre la

estimacin de comportamientos pasados para ver qu hubiera pasado si se
hubiesen tomado tales medidas, sirve para analizar desempeos hipotticos o reas
que no funcionan muy bien.

Las condiciones reales pueden cambiar mucho, haciendo que el modelo sea no
vlido (ej. Parmetros muy diferentes, renovacin de las mquinas con tecnologa
diferente, etc.), por lo que, se deben establecer los controles adecuados para
determinar cualquier cambio significativo del sistema real (procedimientos
sistemticos, controles estadsticos, etc.)

1.6.- PREPARACIN PARA LA APLICACIN DEL MODELO

Una vez validado el modelo se debe implementar un sistema bien documentado para
aplicar el modelo segn lo establecido por la administracin, esto debe incluir el
modelo y el procedimiento de solucin (anlisis posptimo) y los procedimientos
operativos para su implementacin.

Se ejecuta la solucin deducida a partir del modelo. Se explica a los ejecutivos y se

documenta, usando los procedimientos que se utilizan en el sistema real. Se debe
definir normas estndares y observar las respuestas y conductas del sistema a los
cambios; conviene que la administracin superior participe en todas las etapas del
estudio de I.O. para lograr la implementacin de los resultados al sistema real.

9
 CAPTULO II: PROGRAMACIN LINEAL

2.1.- INTRODUCCIN
La aplicacin de la programacin lineal se est ampliando muy rpidamente a todas
las reas del quehacer, tanto a nivel ingenieril como de otras especialidades.

En la vida real, las organizaciones operan con recursos escasos y todas ellas tienen
que tomar decisiones sobre cmo asignar estos recursos, continuamente la direccin
debe asignar estos recursos escasos para alcanzar las metas de la organizacin.

El tipo ms comn de aplicacin abarca el problema general de asignar recursos

limitados entre actividades competitivas de la mejor manera posible (forma ptima),
este problema incluye elegir el nivel de ciertas actividades que compiten por recursos
escasos necesarios para realizarlas. Los niveles de actividad elegidos dictan la
cantidad de cada recurso que consumir cada una de ellas.

La programacin lineal utiliza el modelo matemtico para describir el problema. El

adjetivo lineal significa que usa funciones lineales (de orden 1) y la palabra
programacin es sinnimo de planeacin. As la programacin lineal trata de la
planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado
que mejor alcance la meta especificada entre todas las alternativas de solucin.

Existe un mtodo de solucin eficiente para este tipo de problemas llamado Mtodo
Simplex y existen en el mercado programas computacionales que se apoyan en
ellos, tales como: Lindo, Lingo, AMPL, GAMS, OPL, POM, etc.

Cuando los problemas planteados tienen implicadas dos variables, la solucin se

puede desarrollar por el MTODO GRFICO, donde se grafican todas las
restricciones, quedando un rea achurada llamada rea o zona o regin de solucin
factible (ASF o ZSF o RSF), esto significa que cualquier punto de esa rea es
factible, es decir, debe satisfacer todas las restricciones (pudiese ser una solucin),
pero no todas ellas son la mejor solucin, y eso es lo que se busca, el ptimo. Para
esto, se debe graficar adems la funcin objetivo y desplazarla hacia arriba o abajo
segn sea el objetivo (del estudio) de maximizar o minimizar, hasta tocar en forma
tangente algn punto de la RSF.

Observacin: siempre se trabaja en el primer cuadrante debido a la condicin de no

negatividad ( X j 0, j 1,..., n) .

En el planteamiento del modelo de programacin lineal se debe distinguir entre

recursos, actividad, nivel de actividad, medida global de efectividad.

Notacin:
Z : valor de la medida global de efectividad.

10
xj : nivel de la actividad j (para j = 1, 2, ., n)
cj : incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j
bi : cantidad del recurso i disponible para asignar a las actividades (para i = 1, 2,
, m)
aij : cantidad del recurso i consumido por cada unidad de la actividad j.

Los valores xj son las variables de decisin y los valores de c j, bi , y aij son las
constantes de entada al modelo (parmetros del modelo).

Formato Estndar del Modelo:

Consumo de recurso por unidad de actividad Cantidad
Recurso actividades de recurso
1 2 n disponible
1 a11 a12 a1n b1
2 a21 a22 a2n b2

m am1 am2 amn bm

Contribucin a
Z por unidad c1 c2 cn
de actividad

Caractersticas de la Programacin Lineal:

El problema debe establecerse numricamente (cuantificacin).
Deben haber varias alternativas o caminos de solucin.
Se debe plantear un criterio de optimizacin el que debe traducirse en una
funcin lineal de un cierto nmero de variables decisionales y poder maximizar
o minimizar este criterio. Por lo general, la utilidad es el concepto ms
utilizado, pero este no est relacionado linealmente con el volumen de ventas,
pero el concepto mas correcto, con respecto a las ventas, es la Contribucin
Total, es decir:
Contribucin Total = (Precio de Venta por unidad Costo Variable por
unidad)*Volumen de Venta por unidad
Cuando utilicemos este concepto de utilidad en el contexto de la PL, no
referiremos a la contribucin.
Dichas variables deben satisfacer un determinado nmero de restricciones
lineales expresadas generalmente en forma de desigualdades.
Ninguna de estas variables de decisin pueden tomar valores negativos, as
en trminos de linealidad estn fundamentadas en ciertos supuestos, los que
se nombran a continuacin.

Supuestos de la programacin lineal:

De proporcionalidad.- la contribucin de cada actividad al valor de la funcin
objetivo Z es proporcional al nivel de actividad x j como lo representa el trmino

11
 cjxj en la funcin objetivo, como tambin, la contribucin de cada actividad al
lado izquierdo de cada restriccin funcional es proporcional al nivel de la
actividad xj en la forma en que lo representa el trmino a ijxj en la restriccin. Es
una suposicin sobre las actividades individuales que se considera
independiente de las otras. As se presenta en situaciones tales que la divisin
de efectividad y el uso de recursos sea en cada caso, proporcional al nivel en
que cada actividad se ejecuta.
De aditividad.- cada funcin en un modelo de programacin lineal (ya sea
funcin objetivo o en las restricciones) es la suma de las contribuciones
individuales de las actividades respectivas. Se refiere al efecto de llevar a
cabo actividades en conjunto. As el aporte a la optimizacin del objetivo por
una parte, el consumo de recursos y el aporte al requerimiento en cada
actividad por la otra, debe ser medible de manera tal que resulte factible
sumar independientemente el consumo de todas las actividades consideradas.
De divisibilidad.- las variables de decisin en un modelo de programacin
lineal pueden tomar cualquier valor, incluyendo valores no enteros, que
satisfagan las restricciones funcionales y de no negatividad. Como cada
variable de decisin representa el nivel de alguna actividad, se supondr que
las actividades se pueden realizar a niveles fraccionales. (cuando los valores a
tomar por las variables de decisin no pueden ser fracciones, entonces es
parte de la programacin entera). Se refiere a que las unidades de cada
actividad se pueden dividir en cualquier nivel fraccional, para que se permitan
valores no enteros de las variables de decisin.
De certidumbre.- se supone que los valores asignados a cada parmetro de
un modelo de programacin lineal son constantes conocidas.

Limitaciones de la Programacin Lineal:

Es frecuente que el nivel de las actividades deben ser nmeros enteros, sin
embargo no se puede garantizar que la solucin final estar compuesta por
ellos.
Los precios de cada actividad y sus consumos o aportes asociados al recurso
total disponible o requerimiento final respectivamente, toman valores
constantes para una solucin determinada, es por ello, que se acostumbra a
denominar los parmetros del problema. No obstante en muchas ocasiones,
sus valores no son absolutos y solo se tienen datos aproximados, debido a
que los mdulos de la programacin lineal son usados para seleccionar un
curso de accin futuro, por lo tanto, estos coeficientes deben ser estimados de
acuerdo a pronsticos. El anlisis de sensibilidad de la programacin lineal
permite manejar este tipo de casos.
Los parmetros que entran a jugar en los problemas de programacin lineal
deben ser de tipo determinstico, en consecuencia, no resulta factible
considerar casos en que ellos varan aleatoriamente.
Otra limitacin es su naturaleza esttica, es decir, las soluciones de
maximizacin de utilidades generalmente son aplicables a corto plazo, debido
a la hiptesis de la linealidad y al nfasis puesto sobre los factores de
produccin considerados como fijos, ya que los precios no se mantienen

12
 invariables en el largo plazo y los coeficientes tecnolgicos aumentan
proporcionalmente al requerirse la produccin de una unidad ms.

Por otra parte, la necesidad de trabajar con un nivel fijo de recursos significa que la
solucin tpica de la programacin lineal est tambin confinado a problemas de
corto plazo.

Es recomendable hacer un anlisis de sensibilidad despus de encontrar el punto

ptimo para encontrar los parmetros sensibles.

Un error generalmente cometido en anlisis de problemas de programacin lineal es

que se trata de plantear un modelo con demasiados detalles de la realidad, lo que lo
transforma en un problema complejo y a veces con una solucin muy alejada de lo
efectivo, por ello, lo que se necesita es que exista una correlacin relativamente alta
entre la prediccin del modelo y lo que de hecho pasara en el problema real.

2.2.- RESOLUCIN DE UN PROBLEMA DE PROGRAMACIN

LINEAL (PPL) MEDIANTE EL MTODO GRFICO (DOS
VARIABLES DECISIONALES)
El mtodo de solucin grfica es aplicable slo a problemas simples que no excedan
de dos variables. No obstante, dos variables no son suficientes para describir o
representar problemas reales, pero ste mtodo proporciona importantes ideas de
los procedimientos de solucin de P.L.

Este mtodo grfico se muestra de mejor manera a travs de un ejemplo: una

pequea empresa de muebles fabrica dos productos: mesas y silla, que se deben
procesar a travs de los departamentos de ensamble y acabado. Ensamble tiene 60
horas disponibles y acabado puede manejar a lo mximo 48 horas de trabajo. La
fabricacin de una mesa requiere de 4 horas de ensamble y dos horas de acabado.
Cada silla requiere de dos horas de ensamble y cuatro horas de acabado.

Si la utilidad es de $8 u.m. por mesa y de $6 u.m. por silla. El problema es determinar

la mejor combinacin posible de mesas y sillas para producir, para as vender y
obtener la mxima utilidad.

Hay dos limitaciones (restricciones) en el problema: El tiempo disponible de

ensamble y de acabado.

Resumen de Informacin:
Mesa Silla (u) Horas Directas
(u) Disponibles (hr)
Ensamble 4 (hr) 2 (hr) 60
Acabado 2 (hr) 4 (hr) 48
Utilidad u.m. $8 $6

13
Planteamiento del Problema

Definicin de variables de Decisin: cantidad de sillas y mesas

Xm: cantidad de mesas a producir (u)
Xs cantidad de sillas a producir (u)

Restricciones:

1. Depto. Ensamble:

4 X m 2 X s 60

2. Depto. Acabado

2 X m 4 X s 48

3. No Negatividad

Xm 0
Xs 0

Funcin Objetivo:
Max
U 8X m 6X s

Grfica: Se dibuja sobre el grfico las restricciones de No Negatividad, segn la

figura siguiente:

14
Cada una de las restricciones se grafican, considerando inicialmente la desigualdad
como una igualdad.

As, se grafica la primera restriccin como la ecuacin:

4 X m 2 X s 60
Si : X m 0 X s 30
Si : X s 0 X m 15

Las dos coordenadas anteriores se sealan en la grfica y se unen con una lnea
recta, pero el signo de la desigualad incluye a todos los pares ordenados que estn a
la izquierda de dicha recta. La siguiente figura representa dicha situacin:

Para la segunda ecuacin, se efecta el mismo desarrollo, es as:

2 X m 4 X s 48
Si : X m 0 X s 12
Si : X s 0 X m 24

Las dos coordenadas anteriores se sealan en la grfica y se unen con una lnea
recta, pero el signo de la desigualad incluye a todos los pares ordenados que estn a
la izquierda de dicha recta. La siguiente figura representa dicha situacin:

15
La interseccin de las dos inecuaciones, combinada a la ecuacin de no negatividad,
genera la regin de soluciones factible (RSF), como se indica en la figura. La regin
achurada indica que todos los puntos que estn en los bordes y dentro de a regin
factible, satisfacen simultneamente todas las restricciones del PPL.

El problema es encontrar uno o ms puntos (o soluciones) en la RSF, de manera tal

que maximice la funcin objetivo original. La solucin ptima se debe graficar, a
travs de toda la regin de soluciones. As, cada lnea de isoganancias se obtiene

16
haciendo la funcin objetivo igual a un valor arbitrario, por ejemplo, se elegimos
igualar la utilidad a $48 (u.m.), esta se grfica (con lnea segmentada) de igual
manera que las inecuaciones anteriores. Esta lnea de isoganancias representa
todas las cantidades posibles de mesas y sillas que producirn una utilidad total de
$48 (u.m.). El problema, finalmente, se resume en encontrar la lnea de isoganancia
que tenga la mayor utilidad y que este sobre la regin de soluciones factibles. Lo
anterior se realiza, moviendo la lnea de isoganancia en forma paralela a una lnea
de isoganancia arbitraria, hasta que alcance el ltimo punto de la RSF.

De esta manera, el ltimo punto factible es el identificado con la letra D, por lo cual,
es el punto ptimo se encuentra por la interseccin de las restricciones 1 y 2, as:
4 X m 2 X s 60
2 X m 4 X s 48
X s 6 (u) sillas
X m 12 (u) mesas

El valor de la contribucin mxima es:

max
U 8X m 6X s
U $132 (u.m)

Ejemplo 2:
Una pequea fbrica de muebles, elabora nicamente dos productos: Escritorios y
Sillas. Este fabricante tiene cuatros secciones: seccin corte, en la cual se procesan
silla y escritorios; seccin armado, en la cual se ensamblan las sillas y escritorios;

17
seccin tapicera, en la cual slo se incluye el tapiz de las sillas y seccin cubiertas,
en la cual se fabrican dichas cubiertas y se colocan en los escritorios. Durante el
siguiente periodo de produccin, hay 27.000 minutos disponibles para cada una de
las secciones y este tiempo no se puede alterar dentro de los parmetros del
problema. En cada una de las secciones, se ha establecido que los tiempos
estndares fijos que se necesitan para procesar cada silla son los siguientes: 15; 12;
18,75 minutos, para las secciones de corte, armado y tapicera, respectivamente; en
cambio, para el proceso de cada escritorio se requiere de: 40; 50; 56,25 minutos,
para las secciones de corte, armado y cubierta, respectivamente. Las contribuciones
a la utilidad y a los costos fijos de cada silla son de $25 (u.m.) y para cada escritorio
es de $75 (u.m.).

Se acepta que los costos indirectos totales de los cuatros departamentos son de
$20.500 (u.m.) y los costos totales en mano de obra para todos los departamentos es
de $13.500 (u.m.), resultando un costo fijo total de $34.000 (u.m.). Se supone que la
materia prima es un costo variable y que no hay costos adicionales. El costo de la
materia prima por cada silla es de $5 (u.m.) y de cada escritorio es de $25 (u.m.). El
precio de venta a que se deber ofrecer toda la produccin es de $30 (u.m.) por cada
silla y $100 (u.m) por cada escritorio (sin considerar el costo indirecto). Se pide
maximizar la contribucin a la utilidad.

Resumen de la informacin:
Seccin Silla (min) Escritorio (min) Disponibilidad (min)
Corte 15 40 27.000
Armado 12 50 27.000
Tapicera 18,75 - 27.000
Cubierta - 56,25 27.000
Contribucin
$ 25 $ 75
a la utilidad (u.m.)
Costo Materia
$5 $ 25
Prima (u.m)
Precio Venta (u.m) $ 30 $ 100
Costo Indirecto: $ 20.500 (u.m.)
Costo Mano de Obra: $ 13.500 (u.m.)
Costo Fijo Total: $ 34.000 (u.m.)

Planteamiento del Problema:

1.- Definicin de variables de decisin:
Xs: cantidad de sillas a producir (unidad)
Xe: cantidad de mesas a producir (unidad)

2.- Expresin algebraica de las restricciones:

Corte:
15 X s 40 X e 27.000

18
Armado:
12 X s 50 X e 27.000

Tapicera:
18,75 X s 27.000

Cubierta:
56,25 X e 27.000

No Negatividad:
Xs 0
Xe 0

3.- Expresin algebraica de la funcin objetivo:

max
U 25 X s 75 X e

Representacin Grfica:

El punto que optimiza el objetivo expresado, se localiza de acuerdo a un anlisis de

pendiente (que llamaremos M) de las rectas que la originan y de la funcin objetivo:

Corte
15 27.000 3
Xe *Xs Contribuci n M 0,375
40 40 8
Armado

19
 12 27.000 6
Xe * Xs Contribucin M 0,240
50 50 25
Tapicera
18,75 27.000
Xe * Xs Contribucin M
0 0
Cubierta
0 27.000
Xe *Xs Contribucin M 0
56,25 56,25

Funcin Objetivo:
25 U 1
Xe *Xs Contribucin M 0.333
75 75 3

Podemos observar que la pendiente de la f.o. esta entre la seccin corte y armado
(en valor absoluto), as:
pend _ corte 0,375 pend _ f .o. 0,333 pend _ armado 0,240

Por otra parte, como se aprecia, la f.o. crece mientras ms se aleja del origen, se
puede ver que el punto D cumple con las restricciones impuestas por ele problema y
optimiza, en este caso, la contribucin a la utilidad. En general, no se requiere
analizar el valor de las pendientes de todas las rectas que intervienen, sino que
mediante una inspeccin ocular se puede determinar cuales de todas las
restricciones se deben analizar para detectar el ptimo:

De esta manera:
U $47.500(u.m)
X s* 1.000 (u) sillas
X m* 300 (u) escritorios

En el siguiente cuadro se presenta la relacin de venta, costo y utilidad (no su

contribucin) en los vrtices de la RSF:
A B C D E F
(0; 0) (1.440; 0) (0; 480) (1.000; 300) (250; 480) (1.440; 135)
Costo
34.000 34.000 34.000 34.000 34.000 34.000
Fijo
Materia
0 7.200 12.000 12.500 13.250 10.575
Prima
Costo
34.000 41.200 46.000 46.500 47.250 44.575
Total
Venta
0 43.200 48.000 60.000 55.500 56.700
Total
Utilidad
(34.000) 2.000 2.000 13.500 8.250 12.125
Total
Se puede apreciar que si utilizamos el concepto de contribucin o utilidad, de igual
manera, el punto D es el de mximo beneficio.

20
2.2.2.- Anlisis De Casos Excepcionales

2.2.2.1.- Solucin No Acotada

a.- con recursos ilimitados, se obtienen ganancias ilimitadas, es decir, las variables
de decisin crecen arbitrariamente, lo cual indica que el problema esta mal planteado
matemticamente.
Ejemplo:

Max Z 3 X 1 3 X 2
s.a :
X1 X 2 1
X1 2X 2 4
X 1 0; X 2 0

La funcin objetivo crece sin encontrar ninguna restriccin que la acote, esto implica
que el problema est mal planteado. Se debe replantear las restricciones.

b.- no todas las variables crecen arbitrariamente.-

Ejemplo:

21
 Max Z 5 X 1 4 X 2
s.a :
X1 2
X1 X 2 0
X 1 0; X 2 0

No es necesario que todas las variables crezcan indefinidamente para que la

solucin sea no acotada, basta que una restriccin est mal formulada.

2.2.2.2.- Acotamiento
Las variables crecen arbitrariamente, donde el punto de soluciones factibles es la
lnea de restriccin, generando que el valor de la funcin objetivo sea constante.

Max Z X 1 3 X 2
s.a :
X1 X 2 1
2 X 1 6 X 2 10
X 1 0; X 2 0

22
Este tipo de problema indica un error en la formulacin matemtica.

2.2.2.3.- Inconsistencia
No existe una RSF nica, producto de las restricciones existentes.

Sea el siguiente problema lineal:

Max Z 4 X 1 X 2
s.a :
X1 X 2 2
3X 1 3X 2 9
X 1 0; X 2 0

23
Se debe a que, principalmente, las restricciones son inconsistentes, lo cual provoca
que no exista la certeza absoluta de que los problemas de programacin lineal
tengan soluciones factibles.

2.2.2.4.- No Factibilidad

Para este caso, el problema necesario para definir este tipo de problema es el
siguiente programa matemtico:

Max Z X 1 2 X 2
s.a :
X1 X 2 2
X1 3X 2 3
X 1 0; X 2 0

24
Las soluciones no son factibles en este caso, ya que no respetan las condiciones o
restricciones de no negatividad.

Nota: en la prctica no podemos asegurar que las restricciones sean consistentes y

la solucin acotada.

2.3.- FORMULACIN DE PROBLEMAS DE PROGRAMACIN LINEAL

Veamos este tpico a travs de un ejemplo demostrativo:

Problema 1: un inversionista con ayuda de CORFO pretende invertir en el cultivo de

palta, pomelo, naranja y mango en el valle de Azapa (Arica), persiguiendo dos
objetivos esenciales:
1.- reducir el desempleo rural
2.- aumentar las exportaciones.

Se sabe que la produccin promedio de cada rbol est dado por:

Tipo de Produccin Promedio anual Observacin
rbol (unidades/rbol) (kg/rbol)
Palta 350 150 Una vez al ao
Pomelo 230 200 Una vez al ao
Mango 150 50 Una vez al ao
naranja 400 150 Una vez al ao

El precio promedio en el mercado mundial a precios de 2004 fue de:

Palta : 10 ($/kg)
Pomelo : 4 ($/kg)
Mango : 15 ($/kg)
Naranja : 7 ($/kg)

25
Existe una extensin de 250.000 mt 2 de tierra propicia para el cultivo de estos
productos. Supngase que los ingenieros agrnomos han determinado que las
siguientes extensiones son necesarias para el cultivo de esos productos.
Tipo de rbol extensin mnima de cultivo por rbol
Palta 4 mt2
Pomelo 5 mt2
Mango 3 mt2
Naranja 6 mt2

Afortunadamente, no existen problemas de agua pues hay buenas napas

subterrneas (pozos), como de un canal de regado, que aseguran la existencia de
este lquido por los prximos 20 aos. El costo total por sembrar cada rbol es:
Palta : 2,0 ($)
Pomelo : 0,5 ($)
Mango : 1,0 ($)
Naranja : 1,5 ($)

Estos costos ya incluyen la compra del rbol ms su cuidado y mantenimiento anual

inicial. Cada rbol empieza a ser productivo aproximadamente a los tres aos de ser
plantado. Cada rbol requiere:
Palta : 36 (h-h) de cuidado al ao.
Pomelo : 72 (h-h) de cuidado al ao.
Mango : 50 (h-h) de cuidado al ao.
Naranja : 10 (h-h) de cuidado al ao.

El inversionista pretende invertir $20.000.000 pensando en exportar toda su

produccin a partir del tercer ao. El desempleo en el Valle de Azapa se ha calculado
en 500 personas y el inversionista y CORFO han delineado que este proyecto
cumpla al menos con contratar 200 personas en forma continua (para que CORFO
apoye el proyecto). Bajo estas circunstancias cuntos rboles de palta, pomelo,
mango y naranja debern sembrarse con objeto de maximizar el valor de la futura
exportacin anual.

Desarrollo

1.- resumen de la informacin entregada (a criterio de cada persona para

comprender el problema inicial)

2.- planteamiento matemtico del problema:

a.- definicin de las variables de decisin

sea:
Xp : nmero de rboles de palta a ser plantados
Xl : nmero de rboles de pomelo a ser plantados
Xm : nmero de rboles de mango a ser plantados
Xn : nmero de rboles de naranjo a ser plantados
Pi : precio de la fruta (i = p, l, m, n)

26
b.- planteamientos de las restricciones
1.- Tierra
4X p 5 X l 3 X m 6 X n 250.000

2.- Horas hombre

36 X p 72 X l 50 X m 10 X n 200 * 7,5 * 5 * 52

3.- Capital
2X p 0,5 X l X m 1,5 X n 20.000.000

4.- No negatividad
Xi 0 i p, l , m, n

c.- Funcin Objetivo

VPE = volumen de produccin esperado

= cantidad promedio por cada rbol por el nmero de rboles plantados

Max Z = 150*10*Xp + 200*4*Xl + 50*15*Xm + 150*7*Xn

Max
Z 1.500 Xp 800 Xl 750 Xm 1.050 Xn
s.a :
4 Xp 5 Xl 3 Xm 6 Xn 250.000
36 Xp 72 Xl 50 Xm 10 Xn 390.000
2 Xp 0,5 Xl Xm 1,5 Xn 20.000.000
Xi 0 i p, l , m, n y enteras

Problema 2: Una fbrica de bebidas tiene plantas ubicadas en Concepcin,

Santiago, Antofagasta, Puerto Montt y Arica. La empresa El Botelln fabrica botellas
de vidrio desechables (subsidiaria) y tiene plantas ubicadas en San Bernardo, Chilln
e Iquique.

La demanda mensual de botellas desechables se pronostica en:

Planta de Bebidas Demanda Mensual en Botellas
Santiago 2.000.000
Concepcin 500.000
Puerto Montt 100.000
Antofagasta 400.000
Arica 100.000

Las botellas abiertas se retornan a la fundidora de vidrio, en donde se convierten a

materia prima y de ah se mandan a las fbricas de botellas. As la produccin
mxima mensual de botellas es:
Planta de Bebidas Capacidad Mensual en Botellas
San Bernardo 1.500.000

27
Chilln 1.000.000
Iquique 750.000

El costo por miles de botellas desde las plantas de botellas a las plantas de bebidas
es:
DE \ A San Bernardo Chilln Iquique
Santiago 5 20 15
Concepcin 20 15 2
Puerto Montt 25 2 10
Antofagasta 75 50 40
Arica 45 80 60

Bajo estas condiciones qu programa de distribucin mensual de botellas se

debera establecer a fin de satisfacer la demanda mensual en las fbricas de bebidas
sin exceder la produccin mensual y todo al costo mnimo?

Desarrollo

Variables de decisin.-
Xij : cantidad de botellas (en miles) producidas en la planta i (San Bernardo, Chilln e
Iquique) y enviadas a la planta embotelladora j (Santiago, Concepcin, Puerto Montt,
Antofagasta y Arica) en el mes.

Funcin Objetivo
3 8

Min C
i 1 j 4
ij * X ij Z

i = 1,2,3 planta de botellas

j = 4,5,6,7,8 planta de bebidas

Min
Z= 5X14 + 20X15 + 25X16 + 75X17 + 45X18 +
20X24 + 15X25 + 2X26 + 50X27 + 80X28 +
15X34 + 2X35 + 10X36 + 40X37 + 60X38

Restricciones:

No Negatividad
xij 0
De Demanda
X 14 X 24 X 34 2.000
X 15 X 25 X 35 500
X 16 X 26 X 36 100
X 17 X 27 X 37 400
X 18 X 28 X 38 100

28
De Oferta
X 14 X 15 X 16 X 17 X 18 1.500
X 24 X 25 X 26 X 27 X 28 1.000
X 34 X 35 X 36 X 37 X 38 750

Problema 3: Un barco dispone de tres bodegas para la carga: una proa, una popa y una de
centro. La capacidad mxima de bodega es:
Bodega Capacidad en peso (ton) Mximo en Volumen (pie3)
Proa 2.000 100.000
Centro 3.000 135.000
Popa 1.500 30.000

Las cargas que deben ser transportadas pudiendo ser la cantidad total o parcial, son las
siguientes:
Mercader Carga disponible (ton) Volumen unitario (pie3/ton) Utilidad ($/ton)
a
A 6.000 60 6.000
B 4.000 50 8.000
C 2.000 25 5.000

A fin de asegurar la estabilidad del barco, el peso en cada bodega debe ser
proporcional a su capacidad en toneladas. Cmo debe ser distribuida la carga a fin
de asegurar una utilidad mxima?

Desarrollo

Variables de decisin
Xip : cantidad de carga de mercadera i, a ser llevados a proa
Xic : cantidad de carga de mercadera i, a ser llevados a centro
Xipp: cantidad de carga de mercadera i, a ser llevados a popa
i = A, B, C

Restricciones:

No Negatividad
X ip , X ic , X ipp 0

De capacidad mxima de bodegas

X Ap X Bp X Cp 2.000
X Ac X Bc X Cc 3.000
X App X Bpp X Cpp 1.500

Del volumen mximo de bodegas

29
 60 X Ap 25 X Bp 25 X Cp 100.000
60 X Ac 50 X Bc 25 X Cc 135.000
60 X App 50 X Bpp 25 X Cpp 30.000

De las mercaderas a las bodegas

X Ap X Ac X App 6.000
X Bp X Bc X Bpp 4.000
X Cp X Cc X Cpp 2.000

De proporcionalidad a la capacidad
( X Ap X Bp X Cp ) ( X Ac X Bc X Cc ) ( X App X Bpp X Cpp )

2.000 3.000 1.500

Funcin Objetivo

Max
Z = 6000(XAp + XAc + XApp) + 8000(XBp + XBc + XBpp) + 5000(XCp + XCc + XCpp)

2.4.- MTODO SIMPLEX DE LA PROGRAMACIN LINEAL

El mtodo simplex comienza con la siguiente estructura:
Forma cannica
Opt

Z CX (a )
s.a :

A X b (b)

x0 (c )
(a) funcin lineal llamada funcin objetivo, donde el concepto de optimizacin puede
ser maximizar (para nuestro caso) o minimizar
(b) restricciones de desigualdad
(c) restricciones de no negatividad

X : vector columna con n componentes, se le denomina vector de actividades (n

componentes que son las variables de decisin)

30
 x1
x

2

X


xn
n1

C: vector rengln con n componentes, se le denomina vector de precios o costos

unitarios (contribuciones unitarias)

C c1 , c2 , ... , c3 1 n

b : vector columna con m componentes, se le denomina vector disponibilidad de

recursos

b1
b
2
b


bm
m1

0: vector columna de n ceros

0
0

0


0
n1

31

A: matriz de m renglones y de n columnas, se le denomina matriz de coeficientes
tecnolgicos

a11 a12 a1n

a a a2n
21 22
A


am1 am2 amn mn

aij: coeficientes tecnolgicos, elementos de la matriz A con i = 1,2,,m ; j = 1,2,,n;
representa la cantidad de recurso j que necesita por unidad de la actividad i.

Matricialmente el problema de programacin lineal se puede expresar como:

Optimizar

x1
x
2
Z= c1 , c2 , ... , c3 1n *


xn
n1
s.a:

a11 a12 a1n x1 b1

a a a2n x b
21 22 2 2
*


am1 am2 amn mn xn bm
n1 m1

32
 x1 0
x 0
2



xn 0
n1 n 1

2.4.1.- Reglas De Programacin Lineal

Regla 1.-
a.- maximizar C X es equivalente a minimizar C X .
b.- minimizar C X c*x es equivalente a maximizar C X .

Regla 2.-
a.- la desigualdad A X b es equivalente a la desigualdad A X b .
b.- la desigualdad A X b es equivalente a la desigualdad A X b .

Regla 3.-
Toda igualdad de la forma A X b , se puede descomponer como la interseccin de
dos desigualdades A X b y A X b .

Regla4.-
a.- Toda desigualdad de la forma A X b , se puede convertir en igualdad,
mediante la adicin del vector columna Y de m componentes no negativos, llamada
variable de holgura

y1 0
y 0
2
Y


ym 0
m1 m 1

33
b.- Toda desigualdad de la forma A X b , se puede convertir en igualdad mediante
la resta del vector columna H de m componentes no negativos, llamada variable
superfluas o de exceso.

h1 0
h 0
2
H


hm 0
m1 m 1

Regla 5.-
Una variable no restringida, la cual toma toda clase de valores: negativos, ceros y
positivos, se puede escribir como la diferencia de dos variables no negativas

Ejemplos de cada regla.-

R1:
max
Z 3 x1 8 x2
min
Z 3 x1 8 x2

R2.-
3 x1 8 x2 20

3 x1 8 x2 20

R3.-
10 x1 3 x2 7

10 x1 3 x2 7
10 x1 3 x2 7

R4 (a).-

34
 10 x1 x2 5
7 x1 2 x2 1
x1 , x2 0

10 x1 x2 y1 5
7 x1 2 x2 y2 1
x1 , x2 0
y1 , y2 0

R5.-
x1 : variable no restrigida
x1 x 2 x3

x 2 x3 x1 0
x 2 x3 x1 0
x 2 x3 x1 0

Ejemplo.-
Convertir el problema de programacin lineal a la forma cannica
Min
Z 3 x1 4 x2 x3 (a)
s.a :
0,5 x1 2 x2 3
(b), (c)
x2 x3 4
x1 0, x2 0, x3 no restingida (d), (e), (f)

Desarrollo
La funcin objetivo queda por R1:
Max U = -Z = -3x1 + 4x2 x3

Las restricciones quedan por R2:

0.5 x1 2 x 2 3 de (b)
x4 x2 0 de (e)

Entonces la restriccin (c) queda por R3:

x 2 x 3 4 x 2 x 3 4 x 4 x3 4
x 2 x3 4 x 2 x3 4 x 4 x 3 4
La restriccin (f) queda por R5:
x 4 x5 x6 4
x3 = x5 x6
x 4 x5 x6 4

Reemplazando, y acomodando a la forma cannica queda:

35
Max U = -Z = -3x1 + 4x2 x5 + x6
S.A.
0.5 x1 2 x 4 3
x 4 x5 x 6 4
x 4 x5 x 6 4
x1 , x 4 , x5 , x 6 0

2.4.2.- Terminologa Bsica

a.- Regin de Soluciones Factibles (RSF): es el conjunto convexo, en el cual se
encuentran todas las soluciones factibles.
b.- Solucin del Problema: se llama solucin a cualquier especificacin de valores
para las variables de decisin (X1, X2,, Xn) sin importar si es una solucin deseable
o, incluso, admisible.
c.- Solucin Factible: es aquel vector columna X T = (X1, X2 ,, Xn) que satisface
todas las restricciones
d.- Solucin Bsica: es una solucin que est en el vrtice, la cual puede ser factible
o no.
e.- Solucin Bsica Factible: es una solucin factible que se encuentra en un vrtice.
f.- Solucin ptima: es una solucin bsica factible que tiene el valor ms favorable
de la funcin objetivo.

El conjunto de todas las soluciones factibles de un problema de programacin lineal

es un conjunto convexo (se exige que, tanto la funcin objetivo como las
restricciones sean funciones convexas). Cuando una solucin ptima existe, est en
una esquina o punto extremo del conjunto convexo de soluciones factibles, los
puntos extremos del conjunto convexo de soluciones factibles son las soluciones
bsicas factibles.

Por ejemplo:

La solucin bsica factible (S.B.F) est en los vrtices ABC.

Por lo tanto, una solucin ptima a un problema de programacin lineal (PPL)

estar contenida en el conjunto de soluciones bsicas factibles.

36
Existe un nmero finito de S.B.F. y, por lo tanto, tericamente es posible concebir una
solucin ptima, entonces para obtener la solucin de un PPL habr que ver en
teora qu valor tiene la funcin objetivo y seleccionar la mejor. Esto puede
convertirse en una tarea bastante ardua, s se tiene en cuenta que una regin factible
proveniente de un PPL con n incgnitas y m restricciones puede tener un nmero
mximo de:

n n!
puntos extremos

m !(nm m)!
Dnde n > m, para que exista un espacio de soluciones factibles mayor que un slo
punto, es decir, que las restricciones sean linealmente independientes (l.i.)

Por ejemplo: Si n = 50 y m = 30

50 50!
= 4.7129 * 1013 puntos extremos a analizar

30 30!(5030)!
Las tcnicas ms eficientes aplicadas para resolver conjunto de ecuaciones
simultneas son los procedimientos iterativos. El mtodo simplex tambin utiliza un
mtodo iterativo de solucin, el cual consiste en examinar las soluciones bsicas
factibles. En cada iteracin, el mtodo simplex pasa de una solucin factible inicial a
otra solucin factible y, finalmente, en un nmero finito de pasos (iteraciones) llega a
una solucin bsica factible ptima. Como la funcin objetivo (Z) debe ser mejorada
(o por lo menos, no empeorada) en cada paso, el nmero de soluciones bsicas
factibles que debe ser examinado antes de encontrar una solucin ptima es mucho
ms reducido que el nmero total de soluciones bsicas factibles que existe.

37
2.4.3.- Teora del Problema Del Programacin Lineal
Max

Z C X
s.a :

A X b

x0
La estructura ms conveniente para la manipulacin algebraica y la identificacin de
las soluciones factibles en un vrtice es lo que se llama Forma Aumentada del
Problema, el cual consiste en que el problema original cannico (contiene slo las
variables decisionales), se aumente el nmero de variables, especficamente, de
holgura necesarias para aplicar el mtodo simplex.
Para obtener la forma aumentada del problema, se introduce el vector columna de
las variables de holgura.

X n1
X
n2
Xs


X nm

De manera que las restricciones se conviertan en

38
 X X
A , I b ; 0
X s Xs
Donde:

I : matriz identidad, de orden ( m m )

0 : vector nulo que ahora tiene n+m elementos

2.4.4.- Obtencin de una Solucin Bsica Factible

El objetivo del mtodo simplex es obtener una sucesin de SBF mejoradas hasta
alcanzar la solucin ptima. Una de las caractersticas claves del mtodo simplex
tiene que ver con la forma en que se obtiene cada nueva SBF, despus de identificar
sus variables bsicas y no bsicas. Dadas estas variables, la solucin bsica que

X
resulta de la solucin de las m ecuaciones: A , I b , en las que n variables de entre

X s
X
todas las (n + m) elementos de :
X , se igualan a cero. Cuando se eliminan estas n

s
variables igualndolas a cero queda un conjunto de m ecuaciones con m incgnitas
(variables bsicas).

39

Este sistema de ecuaciones se puede denotar por BX B b , donde:

X B1
X

B2

XB


X Bm
m1

X B : vector de variables bsicas el cual se obtiene de eliminar las variables no

x
bsicas de
x
s
B: es la matriz de base

B11 B12 B1m

B B B
21 22 2m

B


Bm1 Bm2 Bmm
mm
La cual se obtiene al eliminar las columnas correspondientes a los coeficientes de las
variables no bsicas de A , I .

El mtodo Simplex introduce solo variables bsicas, tales que B sea no singular, de
manera que B-1 siempre exista, es decir:

40
 B 1BX B B 1b
IX B B 1b

La solucin para las variables bsicas es:

X B B 1b

Por lo tanto, para

obtener el valor ptimo de la funcin objetivo debemos reemplazar
X
los valores de B en la funcin objetivo.

Sea C B el vector cuyos elementos son los coeficientes de la funcin objetivo,
incluyendo los ceros para las variables de holgura, que corresponden a los
elementos de X B . El valor de la funcin objetivo para esta solucin bsica es
entonces:

Z CB X B CB B 1b

2.4.4.1.-Forma Matricial
Cuando se inicia el mtodo simplex, la forma matricial del conjunto de ecuaciones es
el siguiente:

Z
1 -C 0 0
X
0 A I b
X
S
Luego, las operaciones algebraicas realizadas por el mtodo simplex se expresan en
forma matricial, pre-multiplicando ambos lados del conjunto original de ecuaciones

41
por la matriz apropiada. Esta matriz tiene el mismo nmero de elementos que la
matriz idntica. En particular, despus de cualquier iteracin tenemos:
Z CB B 1b
X B B 1b
El segundo miembro de estas ecuaciones se ha convertido en:

Z 1 CB 0 CB b
1 1
B B
-1* 1
X B 0 B b B b
Por lo tanto, las operaciones algebraicas en ambos miembros del conjunto original de
ecuaciones han sido equivalentes, se usa esta misma matriz, que pre- multiplicada el
lado derecho original para pre-multiplicar el lado izquierdo. En consecuencia:
Z
1 C B B-1 1 C 0
1 C B B A C C B B 1
1

0 A 1 0
-1
0 B B-1 A B-1

La forma matricial deseada del conjunto de ecuaciones despus de cualquier

iteracin es:

42
 Z
1 C B B 1 A C C B B 1 CB B 1b
x
0 B-1 A B-1 B 1b
xs

La ventaja del Tableau es que ordena y automatiza este procedimiento. Por lo tanto,
la forma de Tableau para cualquier iteracin es la siguiente:
Utilidad neta Precios sombra
Variables de Variables de
decisin holgura
X1 X2 Xn X n 1 X n 2 X n m Valores de
Z
variables base
Variables
1 C B B -1 A C C B B-1 CB X B
bsicas
X B1 0
X B2 0
B 1 A B 1 B-1 b

X Bm 0

2.4.5.- Pasos del mtodo simplex

Paso 1:
Dado cualquier P.L. transformece por medio de las reglas de equivalencia 1,2,3,5 al
P.L. cannico:

Max : Z CX
s.a. :
AX b
x0
Paso 2:
Rescribir la F.O. de la siguiente manera:
Z CX 0

Paso 3:
Aplicar la regla de equivalencia 4, para convertir todas las desigualdades (variables
de holgura) en igualdades.

Con estos tres primeros pasos, la forma cannica queda convertida en:

43
 Max : Z - CX 0
s.a.
AX Y b
X0
Y0
Donde Y: vector de variables de holgura.

El PPL de manera de un sistema de ecuaciones:

Z C1 x1 C 2 x2 C n xn 0 * x n 1 0 * x n 2 0 * xn m 0
a11 x1 a12 x 2 a1n x n x n 1 b1
a 21 x1 a 22 x 2 x n 2 b2

a m1 x1 am 2 x2 a mn x n xn m bm
x 1 0 ; x 2 0 x n 0 variables de decision
X n 1 0, x n 2 X n m 0 variables de holgura
Este paso es necesario, pues la adicin de las variables de holgura crea la primera
base B que resulta ser la matriz identidad. A su vez, se genera el primer punto
extremo de la regin de factibilidad cuyas coordenadas estn dadas por el vector b.

Paso 4:
Construir la tabla con los coeficientes del programa, como se muestra a continuacin:

Forma condensada:
Z X1 X2 Xn X n 1 X n 2 X n m
1 CB B A C
-1
C B B-1 C B xB
xB1 0
xB 2 0
B 1 A B 1 B-1 b

xBm 0

Forma extensa:
Z x1 x2 xn xn 1 xn 2 xn m
1 z1 c1 z 2 c2 z n cn z n 1 c n1 z n 2 c n 2 z nZ
m0 c n m

44
AB1 0 Y11 Y12 Y1n Y1( n 1) Y1( n 2) Y1( n m ) xB1
AB 2 0 Y21 Y22 Y2 n Y2 ( n 1) Y2( n 2) Y2( n m ) xB 2

ABm 0 Ym1 Ym 2 Ymn Ym ( n 1) Ym ( n 2) Ym ( n m ) xBm

Vectores que integran la base actual Identificacin del punto extremo asociado a la base actual

Cada columna de la matriz A y la inversa B se le denomina a1 , a2 ,, a n m

Paso 5:
Seleccionar como vector de entrada aquel cuyo costo reducido (utilidad neta o precio
sombra) z j c j sea el ms negativa, si no hay ningn candidato de entrada, es decir,
todas las z j c j 0, j A , entonces la solucin X B es ptima; en caso de
empate, este se rompe arbitrariamente.

Paso 6:
Una vez seleccionada la columna a j que entrar a la nueva base, se selecciona el
vector de salida a Br de la base actual, utilizando la siguiente regla:
X Br
X

min Bk / Ykj 0
Yrj k Y
kj

En el caso que todas las Ykj del denominador sean negativos, se tiene una
solucin no acotada.

Paso 7:
La interseccin en el Tableau de la columna que entra y la fila que sale, determina el
elemento pivote Yrj , con el objetivo de convertir a la columna a j en el vector
unitario, es decir, ceros en toda la columna y un uno en la r-ava componente (el
mismo pivote Yrj ). Regrese al paso 5.
Nota: z j c j nos indica la utilidad ganada al introducir una unidad.

Ejemplo:

Max : Z 5000 X 1 3000 X 2

s.a.
3 X 1 5 X 2 15
5X1 2 X 2 10
X1 0 ; X 2 0
Resolucin:

45
1: Mtodo Grfico

2: Mtodo Simplex

Paso 2 y 3
Max : Z 5000 X 1 3000 X 2 0
s.a.
3 X 1 5 X 2 X 3 15
5X1 2 X 2 X 4 10
X1 0 ; X 2 0
X3 0 ; X4 0
Paso 4: Tableau:
Tableau 0:
Z X1 X2 X3 X4
1 -5.000 -3.000 0 0 0
X3 0 3 5 1 0 15
X4 0 5 2 0 1 10

Paso 5: El menor valor fila

Paso 6: El menor valor columna X3 =15/3=5; X4 =10/5=2
Paso 7: Pivote

Tableau 1:

46
 Z X1 X2 X3 X4
1 0 -1.000 0 1.000 10.000
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2
Tableau 2:
z x1 x2 x3 x4 Z*
1 0 0 5.000/19 16.000/19 235.000/19
x2 0 0 1 5/19 -3/19 45/19
x1 0 1 0 -2/19 5/19 20/19

La solucin bsica factible ptima es:

20 45
X1 (u) X2 (u)
19 19
X3 0 X4 0

235000
Z $ (um)
19

2.4.6.- Interpretacin Econmica

El mtodo simplex comienza con una produccin cero para ambos productos y una
solucin bsica factible inicial, pero que no es muy rentable, entonces se introduce el
producto 1 a la solucin, debido a que tena la contribucin ms grande sobre la
utilidad ($5.000 um). As, es un mtodo de pasos ascendentes y que se mueve en la
direccin de la utilidad neta ms grande (gradiente de la funcin objetivo) y que
mejora en cada estado.

En este caso, se introdujo el producto 1 tanto como fue posible hasta alcanzar la
restriccin n 2, que fue la ms importante y limit la cantidad de X1 a dos unidades,
es as que al producir estas dos unidades de X 1 , la utilidad se increment de 0 a
$10.000 u.m.

Luego se realiza un clculo si se puede mejorar an ms la utilidad introduciendo

algo del segundo producto. Este clculo requiri una sustitucin entre el producto 1 y
el producto 2. Conforme se incrementa X 2 , se produce menos del producto 1,
debido a que las restricciones limitan las cantidades disponibles de recursos.

El efecto neto sobre la utilidad de incrementar el producto 2 y disminuir el producto 1

se representa por el clculo de z 2 c2 , el cual indic que la utilidad se podra mejorar
en $1.000 um por unidad de X 2 producida. En seguida, se encontr que un mximo
de 2,37 unidades de X 2 deberan ser introducidas a la solucin, debido a la
combinacin de las restricciones, lo cual aument de 0 a 2,37 unidades de X 2 y
disminuyo de 2 a 1,05 unidades de X 1 . El efecto neto de estos cambios en X 1 y
X 2 fue una utilidad de $12.368,4. En este punto, el mtodo simplex determin que
no era posible mejorar ms la utilidad.

47
Ejemplo:

Max:Z 8X1 6X2 Max:Z 8X1 6X2 0

s.a s.a
4X1 2X2 60 4X1 2X2 X3 60

2X1 4X2 48 2X1 4X2 X4 48
X1 0 ; X 2 0 X1 0 ; X 2 0
X3 0 ; X4 0
Tableau 0:
Z X1 X2 X3 X4
1 -8 -6 0 0 0
X3 0 4 2 1 0 60
X4 0 2 4 0 1 48

Paso 5: El menor valor fila

Paso 6: El menor valor columna X3 =60/4=15; X4 =48/2=24
Paso 7: Pivote

Tableau 1:
Z X1 X2 X3 X4
1 0 -2 2 0 120
X1 0 1 1/2 1/4 0 15
X4 0 0 3 3 -1/2 1 18

48
Tableau 2:
Z X1 X2 X3 X4 Z*
1 0 0 5/3 2/3 132
X1 0 1 0 1/3 -1/6 12
X2 0 0 1 -1/6 1/3 6

La solucin es:
x1 12(u ) x2 6(u ) Z $132(u.m)

Ejemplo:
Min : Z 3x1 5x2
s.a.
x1 4
x2 6
3x1 2 x2 18
x1 , x2 0

El PPL de manera cannico es:

49
 Max:U Z 3x1 5x2 Max :U 3x1 5x2 0
s a.. s a..
x1 4 x1 x3 4

x2 6 x2 x 4 6
3x1 2x2 18 3x1 2x2 x5 18
x1 , x2 0 x1, x2, x3, x4,x5 0
Tableau 0:
U X1 X2 X3 X4 X5 Z0
1 -3 5 0 0 0 0
X3 0 1 0 1 0 0 4
X4 0 0 1 0 1 0 6
X5 0 -3 -2 0 0 1 -18

En este caso, al evaluar el primer tableau, tenemos que la tercera restriccin tiene
asignado un recurso negativo (-18), por ende, el valor de x 5, siendo una variable de
holguras, tiene una valor negativo asignado inicialmente, violando la restriccin
general de no negatividad. Debido a lo anterior, es que surgen dos mtodos, basados
en el mtodo simplex para solucionar este tipo de problemas (conocidos de
penalizacin sobre la funcin objetivo), los cuales son: Mtodo de la Gran M y el
Mtodo de Doble Fase.

2.5.- METODO DE LA GRAN M

ste mtodo consisten en modificar el problema original y transformarlo a la forma
cannica, lo cual se logra agregando un nuevo vector, conocido como variable
artificial W, a las restricciones que generan el problema de negatividad en las

50
variables de holgura (por lo general, ocurren las restricciones de igualdad y mayor-
igual). Estas variables penalizan a la funcin objetivo con un costo de MW, donde M
es un valor positivo arbitrario muy elevado. Como el mtodo simplex siempre trata de
mejorar la funcin objetivo, por ello es que ste tratar de sacar a W de la base
cuanto antes posible. Cuando W sale de la base, esto se traduce en que se ha
retornado al problema original y cuya solucin ptima estar garantizada por el
mtodo simplex. Si durante la operacin se llegar a una solucin ptima en que W
tiene un valor positivo, entonces implica que el problema original no tiene solucin (o
la solucin es infactible).

Nota: hay que tener presente que cuando la funcin objetivo es una maximizacin, la
variable artificial la penalizar con un valor negativo (-MW), en cambio, para una
funcin objetivo de minimizacin, la variable artificial la penalizara con un valor
positivo (+MW).

Ejemplo:
max
La forma estndar del modelo
simplex queda:
z 4 X1 X 2
s.a :
3X1 X 2 3
4 X1 3X 2 6
X1 2 X 2 4
X 1, X 2 0
max
z 4X1 X 2
s.a :
3X 1 X2 3
4X1 3X 2 X3 6
X1 2X 2 X4 4
X1, X 2 , X 3, X 4 0

Pero la restriccin 1 y 2 no tienen variables que desempeen la funcin de variable

holgura, es decir, en la primera no existe variable y en la segunda hay una variable
superflua, por lo cual, para solucionar dicho problema, se le adicionan dos variables
artificiales w1 y w2:
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6

51
Entonces, el PPL queda:
max
z 4X1 X2 MW1 MW2
s.a :
3X 1 X2 W1 3
4X1 3X 2 x3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0

Tenemos tres ecuaciones y seis incgnitas, por ello, la base inicial debe incluir 6-3=3
variables bsicas con valor distinto a cero e igual nmero de no bsicas con valor
igual a cero. Para ello, la funcin objetivo debe contener el mismo nmero de
variables que no estn en la base, pero la funcin objetivo esta constituida por cuatro
variables, por lo cual, ser necesario sustituir los trminos de w 1 y w2 para obtener la
forma cannica adecuada; lo anterior, se efecta reemplazando dichos trminos
partir de las restricciones que poseen dichas variables w 1 y w2. Para nuestro caso,
corresponde a la restriccin 1 y 2:
W1 3 3X 1 X2
W2 6 4X1 3X 2 X3

Por lo tanto, la funcin objetivo queda como:

Z 4 X 1 X 2 M (3 3 X 1 X 2 ) M (6 4 X 1 3 X 2 X 3 )
Z 4 X 1 X 2 3M 3MX 1 MX 2 6M 4 MX 1 3MX 2 MX 3
Z X 1 ( 4 7 M ) X 2 (1 4M ) MX 3 9M

Z (4 7 M ) X 1 (1 4M ) X 2 MX 3 9M

Finalmente, el PPL queda de la siguiente manera:

max
z (4 7 M ) X 1 (1 4 M ) X 2 MX 3 9 M
s.a :
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0

El tableau inicial queda:

Z X1 X2 X3 W1 W2 X4
1 -(4+7M) -(1+4M) M 0 0 0 -9M
W1 0 3 1 0 1 0 0 3
W2 0 4 3 -1 0 1 0 6
X4 0 1 2 0 0 0 1 4

52
 Z X1 X2 X3 W1 W2 X4
1 0 (1-5M)/3 M (4+7M)/3 0 0 4-2M
X1 0 1 1/3 0 1/3 0 0 1
W2 0 0 5/3 -1 -4/3 1 0 2
X4 0 0 5/3 0 -1/3 0 1 3

Z X1 X2 X3 W1 W2 X4
1 0 0 1/5 (8+5M)/5 -(1- 0 18/5
5M)/5
X1 0 1 0 1/5 3/5 -1/5 0 3/5
X2 0 0 1 -3/5 -4/5 3/5 0 6/5
X4 0 0 0 1 1 -1 1 1
La solucin ptima es:

X 1 3 / 5
X B X 2 6 / 5 W1 0
X W
X N X 4 1 W2 0

X3 0
Z $18 / 5(um)
2.6.- METODO DE DOBLE FASE
Al igual que el mtodo de la gran M, este mtodo cumple con los mismos objetivos
que el anterior, pero de la siguiente manera. Sea el siguiente problema original (en
este caso usaremos la minimizacin para la funcin objetivo, aunque el mtodo es
independiente si es maximizacin, slo hay que interpretar bien el sentido de las
reglas a utilizar):

53
 min
Z CX
s.a. :
A X b
X 0
Introducimos las variables artificiales al problema original:
min
Z CX
s.a. :
A X Y W b
X 0, Y 0,W 0
FASE I:
Se resuelve el siguiente problema.
min
W Wi
i 1

s.a. :
A X Y W b
X 0,Y 0,W 0

La solucin ptima en esta fase debe ser W = 0. Si se tiene que W > 0, el problema
no tiene solucin.

Si la primera fase es efectivamente ptima, se pasa a la siguiente fase.

FASE II:

54
Se toma toda la tabla ptima anterior, ignorando nicamente las columnas asociadas
a los Wi y el rengln de costos reducidos z j c j , sustituyendo este rengln por la
funcin objetivo inicial:

min
Z C X
s.a. :
B 1 AX B 1Y B 1b
X 0, X 0
Ejemplo:
min : Z 4 X 1 X 2
s.a :
3X 1 X 2 3
4 X 1 3X 2 6
X1 2X 2 4
X1, X 2 0
Fase I:
min
W W1 W2
s.a. :
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0

Al igual que el mtodo de la gran M, la solucin debe estar constituida de tres

variables, entonces:
W W1 W 2
W (3 3 X 1 X 2 ) (6 4 X 1 3 X 2 X 3 )
W 7 X 1 4 X 2 X 3 9
W 7X1 4X 2 X 3 9

55
El problema estndar queda:
min
W 7X1 4X 2 X 3 9
s.a. :
3X 1 X2 W1 3
4X1 3X 2 X3 W2 6
X1 2X 2 X4 4
X 1 , X 2 , X 3 , X 4 , W1 , W2 0

La tabla inicial queda:

W X1 X2 X3 W1 W2 X4
1 7 4 -1 0 0 0 9
W1 0 3 1 0 1 0 0 3
W2 0 4 3 -1 0 1 0 6
X4 0 1 2 0 0 0 1 4

W X1 X2 X3 W1 W2 X4
1 0 5/3 -1 -7/3 0 0 2
X1 0 1 1/3 0 1/3 0 0 1
W2 0 0 5/3 -1 -4/3 1 0 2
X4 0 0 5/3 0 -1/3 0 1 3
W X1 X2 X3 W1 W2 X4
1 0 0 0 -1 -1 0 0
X1 0 1 0 1/5 3/5 -1/5 0 3/5
X2 0 0 1 -3/5 -4/5 3/5 0 6/5
X4 0 0 0 1 1 -1 1 1

Por lo tanto, como W=0, el problema tiene solucin factible y pasamos a la fase II.

FASE II:
Las variables artificiales han servido a su propsito y se deben eliminar en todos los
clculos siguientes. Lo anterior significa que las ecuaciones de la tabla ptima de la
fase I se pueden escribir como:
1 3
X1 X3
5 5
3 6
X2 X3
5 5
X3 X4 1

Las ecuaciones anteriores son exactamente equivalentes a la forma estndar del

problema original (antes de agregar las variables artificiales). Por lo tanto, el
problema original se puede rescribir como:

56
min
z 4X1 X 2
s.a. :
1 3
X1 X3
5 5
3 6
X2 X3
5 5
X3 X4 1
X1, X 2 , X 3, X 4 0

Se puede apreciar que la fase I nos proporciona una solucin bsica inicial
preparada para el problema original. Es decir, queda 4(variables) - 3(restricciones) =
1 variable asignado con valor cero, es decir, X 3 = 0 y la solucin bsica factible inicial
est constituida por X1 ,X2 y X4.

Pero, para terminar de resolver el problema, nuevamente debemos sustituir las

variables X1 y X2 en la funcin objetivo (tal como se efecto en el mtodo de la Gran
M), utilizando la primera y segunda ecuacin, entonces:
Z 4X1 X 2
3 1 6 3 12 4 6 3
Z 4( X 3 ) ( X 3 ) X3 X3
5 5 5 5 5 5 5 5
1 18
z X3
5 5

El problema estndar final:

min
1 18
Z X3
5 5
s.a. :
1 3
X1 X3
5 5
3 6
X2 X3
5 5
X3 X4 1
X1, X 2 , X 3, X 4 0

Por lo tanto, la tabla inicial de la fase II se convierte en:

Z X1 X2 X3 X4
1 0 0 1/5 0 18/5
X1 0 1 0 1/5 0 3/5
X2 0 0 1 -3/5 0 6/5
X4 0 0 0 1 1 1

Z X1 X2 X3 X4

57
 1 0 0 0 -1/5 17/5
X1 0 1 0 0 -1/5 2/5
X2 0 0 1 0 3/5 9/5
X3 0 0 0 1 1 1

La solucin ptima es:

X 1 2 / 5

X B X 2 9 / 5
X
X N X 3 1

X 4 0
Z $17 / 5(um)
2.7.- CASOS ESPECIALES DE PPL MEDIANTE TABLEAU
Como hemos analizado hasta ahora, el desarrollo y resolucin de PPL, mediante
tablas no es complejo pero si algo trabajoso. En este punto veremos, al igual como lo
vimos en el punto 2.2.2, dnde efectuamos un estudio desde la perspectiva del
mtodo grfico, ahora los casos especiales que informa la resolucin de distintos
problemas a travs de los tableau.

La utilidad de lo anterior, es que nos permitir analizar distintos casos que no son
previsibles cuando se resuelve cualquier problema particular.

2.7.1.- Problema Con Soluciones ptimas No acotado

Existen problemas de programacin lineal, cuyas soluciones ptimas no son
nmeros finitos, sino por el contrario es el infinito, lo cual quiere indicar que,
dependiendo de la funcin objetivo (minimizacin o maximizacin), no existe ninguna
restriccin que acote su crecimiento o, que es lo mismo, crece de manera indefinida
sin violar ninguna restriccin o cuando menos en una direccin determinada. As, se
dice que el espacio de soluciones y el valor ptimo de la funcin objetivo es no
acotado.

Veamos el siguiente problema lineal:

58
 Mx Z 4 X 1 4 X 2
s.a. :
2X1 2X 2 2
X1 2X 2 4
X1, X 2 0
Su representacin grfica es la siguiente:

Hemos visto que a medida que crece la funcin objetivo paralelamente hacia la
derecha, su valor crece o incrementa, pero la RSF no es un conjunto cerrado o
acotado por el lado derecho, por lo cual, la funcin objetivo no tiene limite y, por
ende, su valor es infinito.

Ahora, como podemos identificar dicho estudio con el mtodo simplex. Sea el
problema de programacin lineal cannico:

59
 Max : Z CX
s.a. :
AX b
x0
En cualquier iteracin del mtodo simplex, el vector que entra a la base es el
asociado a la variable X k, entonces si todas las Yik 0, i 1, , m , la solucin del
problema lineal es no acotado.

Retomemos el ejemplo ya resuelto por el mtodo grfico:

Mx Z 4 X 1 4 X 2
s.a. :
2X1 2X 2 2
X1 2X 2 4
X1, X 2 0
Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X1 X2 X3 X4
1 -4 -4 0 0 0
X3 0 -2 2 1 0 2
X4 0 -1 2 0 1 4

Z X1 X2 X3 X4
1 -8 0 2 0 4
X2 0 -1 1 1/2 0 1
X4 0 1 0 -1 1 2

Z X1 X2 X3 X4
1 0 0 -6 8 20
X2 0 0 1 -1/2 1 3
X1 0 1 0 -1 1 2

60
Como se puede apreciar, en esta tercera iteracin X 3 debe entrar a la base, pero
Y13 1 / 2 0 y Y23 1 / 2 0 .

Por lo tanto, no es posible aplicar la regla de seleccin que indica que variable debe
salir de la base ptima.

2.7.2.- Problema Con Soluciones ptimas Mltiples

A diferencia del problema anterior, existen otro tipo de problemas que no tienen una
nica solucin ptima, sino que al contrario, tienen un infinito nmero de soluciones
ptimas, pero acotadas en una regin determinada para las cuales la solucin
respectiva generar el mismo valor en la funcin objetivo, por lo general, para que
esto ocurra estos son conjuntos cerrados en segmentos de rectas o en rigor
matemtico se refiere a combinaciones lineales convexas, en el cual deben existir
puntos extremos que permitirn acotar el limite de los trazos existentes de la regin
de soluciones factibles. Cuando hablamos de estos casos se dice que la funcin
objetivo es paralela a una restriccin de enlace, es decir, una restriccin que se
satisface en el sentido de la igualdad a travs de la solucin ptima.

Veamos ahora el siguiente problema lineal:

Mx Z 5 X 1 2 X 2
s.a. :
6 X 1 10 X 2 30
10 X 1 4 X 2 20
X1, X 2 0

La representacin grfica es la siguiente:

61
Como se aprecia, la funcin objetivo tiene un valor mximo (ptimo) cuando coincide
con el trazo AB de la RSF. Como se ha dicho, la solucin ptima sigue estando en un
punto extremo (vrtice), solo que la gran diferencia es que son dos puntos ptimos a
conocer, el punto A y B. Es necesario recordar el concepto de la combinacin lineal
convexa entre dos puntos A y B, ya que cualquier punto perteneciente a la recta AB
tambin es ptima, es decir, como existen infinitos puntos tambin existen infinitos
puntos ptimos que generan el mismo valor de la funcin objetivo.

Matemticamente, se tiene que si XA es el vector asociado al punto A y X B es el

vector asociado al punto B, entonces:
X X A (1 ) X B , 0 1
es tambin un punto ptimo.

Nuevamente debemos indicar cuales sern las condiciones que nos permitirn
identificar soluciones mltiples ptimas mediante el mtodo simplex. Sea el problema
de programacin lineal cannico:

62
 Max : Z CX
s.a. :
AX b
x0
Si existe un vector asociado a Xk que no est en la base ptima, cuyo costo reducido
z k c k 0 , el resto de los z i ci 0 y todas Yik 0, i 1, , m , entonces el
problema de programacin lineal tiene soluciones mltiples y la base es ptima.

Retomemos el ejemplo ya visto en este caso:

Mx Z 5 X 1 2 X 2
s.a. :
6 X 1 10 X 2 30
10 X 1 4 X 2 20
X1, X 2 0
Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X1 X2 X3 X4
1 -5 -2 0 0 0
X3 0 6 10 1 0 30
X4 0 10 4 0 1 20

Z X1 X2 X3 X4
1 0 0 0 1/2 10
X3 0 0 38/5 1 -3/5 18
X1 0 1 0 0 1/10 2

Como z 2 c2 0 y la variable X2 no esta en la base, ya que B=(X 2,X1) y todas las

z j c j 0, i A , se tiene una solucin ptima mltiple. De esta manera, un punto
extremo ptimo es el siguiente:

63
 X1 2
X 0
X 2
1
X 3 18

X4 0
Z $10(um)

Para determinar cual sera el otro punto extremo, se deber introducir a la base la
variable X2, asi:
Z X1 X2 X3 X4
1 0 0 0 1/2 10
X2 0 0 1 5/38 -3/38 45/19
X1 0 1 0 -1/19 5/38 20/19

Esta tableau tambin es ptima y corresponde a un punto extremo X , cuyos

componentes son los siguientes:
X 1 20 / 19
X 45 / 19
X 2
2
X3 0

X 4 0
Z $10(um)

Como ya se explic, existe una combinacin lineal convexa entre los puntos X1 y X2
que tambin es ptima, es decir, se genera el mismo valor de la funcin objetivo. La
expresin matemtica que define dicha expresin, asociada a un X * es:
2 20 / 19
0 45 / 19
X X (1 ) X
* 1 2 (1 ) , 0 1
18 0

0 0
la cual genera un punto ptimo de un conjunto de puntos ptimos existentes.

2.7.3.- Problema Sin Soluciones o Infactible

Como se ha explicado anteriormente, el mtodo de penalizacin o el mtodo de
doble fase permiten identificar cundo un problema de programacin lineal no tiene
solucin.

Por lo general, si las restricciones no se pueden satisfacer en forma simultnea, se

dice que el problema no tiene solucin; esta situacin no ocurre cuando las
restricciones son:

1. del tipo , ya que las variables de holgura siempre generarn una RSF y, por
lo tanto, existir una solucin factible ptima,

64
 2. del tipo efectivamente generan variables artificiales W que por su
estructura no nos garantizan una solucin factible al modelo inicial y aunque
se efecten las provisiones necesarias para que exista un solucin ptima, es
decir, que efectivamente W = 0, si no existe una RSF el problema no tendr
solucin.

Veamos el siguiente caso de problema lineal:

Mx
Z 2 X1 2 X 2
sa :
X1 X 2 2
X1 X 2 4
X1, X 2 0
La representacin grfica es la siguiente:

Como se puede observar, no existen valores de X 1 y X2 que puedan estar

simultneamente en ambas regiones sombreadas.

Veamos ahora cmo identificamos esta condicin por medio del mtodo de
penalizacin de Gran M, presentando primero el PPL estndar y el tableau original:

65
 Mx
Z 2 X 1 2 X 2 MW 0
sa :
X1 X 2 X 3 2
X1 X 2 X 4 W 4
X1, X 2 0
Z X1 X2 X3 X4 W
1 -2 -2 0 0 M 0
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4

Z X1 X2 X3 X4 W
1 -2-M -2-M 0 M 0 -4M
X3 0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4

Z X1 X2 X3 X4 W
1 0 0 2+M M 0 4-2M
X1 0 1 1 1 0 0 2
W 0 0 0 -1 -1 1 2

Como vemos, la solucin ptima al problema modificado, se obtiene en el ltimo

tableau, pero como la variable artificial no es nula, sino que W = 2, el problema
original no tiene solucin factible.

2.7.4.- Problema Con Soluciones Degeneradas

Como se ha explicado otras veces, al existir un empate al momento de decidir que
vector entra a la base, este se puede romper de manera arbitraria sin tener un efecto
considerable en el nmero de iteraciones del mtodo simplex. En cambio, un empate
en el vector de salida no se puede decidir de manera arbitraria porque se puede
ocasionar un ciclaje tal que nunca se obtenga la solucin ptima, es as que en la
siguiente iteracin una o mas variables bsicas sern obligadamente iguales a cero,
basta recordar que en los ejemplo vistos de programacin lineal, siempre las
variables tomaron valores estrictamente positivos. De esta manera, esta condicin
revela que el modelo tiene cuando menos una restriccin redundante.

66
Veamos el siguiente ejemplo:
Max
Z 3X1 9 X 2
sa :
X1 4X 2 8
X1 2X 2 4
X1, X 2 0
La resolucin mediante el mtodo simplex es:
Z X1 X2 X3 X4
1 -3 -9 0 0 0
X3 0 1 4 1 0 8
X4 0 1 2 0 1 4

Z X1 X2 X3 X4
1 -3/4 0 9/4 0 18
X2 0 1/4 1 0 2
X4 0 1/2 0 -1/2 1 0

Z X1 X2 X3 X4
1 0 0 3/2 3/2 18
X2 0 0 1 -1/2 2
X1 0 1 0 -1 2 0
Podemos ver en este caso que en la segunda iteracin ya se obtuvo el valor ptimo
de la funcin objetivo, pero sus vectores bsicos no son los ltimos; en cambio, en la
ltima iteracin los vectores bsicos son los ltimos, pero la solucin no mejoro. En
esta caso se puede apreciar que la primera restriccin es redundante (vista de
manera grfica), por lo cual, se dice que el punto esta mas que determinado o
sobredeterminado, ya que solo son necesarias las restricciones de negatividad y la
segunda restriccin. Lamentablemente, no existe ninguna tcnica confiable que nos
permita identificar restricciones redundantes a partir del tableau, slo se puede
apreciar por el mtodo grfico, como se ve a continuacin del ejemplo anterior.

67
Como vimos anteriormente, las iteraciones uno y dos generaron una suerte de
ciclaje, ya que a partir de un estado comn (valor objetivo iguales) se obtuvieron
soluciones distintas. Pero que pasa cuando son ms de dos variables, la respuesta
es ms compleja ya que el ciclaje o reciclaje, efectivamente, se vuelve ms notorio,
ya que a partir del tableau inicial y despus de sucesivas iteraciones aplicando el
mtodo simplex, podemos volver nuevamente al tableau inicial sin poder llegar a la
solucin ptima. Las tcnicas utilizadas para solucionar el ciclaje generan una
reduccin drstica en los clculos y, por ende, en los tiempos de ejecucin, pero una
tcnica que mejora esta causa es la Regla Lexicogrficas.

68
 CAPITULO III: DUALIDAD Y ANLISIS DE SENSIBILIDAD

3.1.- DUALIDAD
Uno de los descubrimientos ms importantes durante el desarrollo inicial de la
programacin lineal fue el concepto de dualidad y sus importantes ramificaciones,
ste revel que asociado a todo problema de programacin lineal existe otro
problema lineal llamado Dual. Las relaciones entre el problema dual y el original
(llamado primal) son tiles en una gran variedad de situaciones. Por ejemplo la
solucin ptima del problema dual es la que proporciona los precios sombra, otro
aspecto importante de la teora de la dualidad es la interpretacin y realizacin del
anlisis de sensibilidad; dado que algunos o todos los valores de los parmetros que
se emplean en el modelo original son slo estimaciones de las condiciones futuras,
es necesario investigar el efecto que tendra sobre la solucin ptima en caso que
prevalecieran otras condiciones e incluso ciertos valores de estos parmetros (como
la cantidad de recursos ) pueden representar decisiones de la gerencia en cuyo caso
su eleccin debe ser el punto ms importante de la investigacin y se puede estudiar
a travs del anlisis de sensibilidad.

3.1.1.- Formulacin del Problema Dual.

Para construir, tanto el problema primal y dual, ambos problemas se construyen con
los mismos vector ya conocidos, es decir, de costos o precios (C), vector de recursos
(b) y coeficientes tecnolgicos (A). De esta manera, asociada a la estructura de un
P.P.L. primal de la siguiente forma:

Max.

Z C X
s.a. Problema Primal

AX b

X0
Entonces, el P.P.L. dual se define como determinar las variables duales
w1 , w2 , , wm , por lo cual, se define la siguiente estructura:

69
 Min

G bT W
s.a. Problema Dual

AT W CT

W 0

Donde:

C T : Vector columna con n componentes transpuesta del vector C, vector de
disponibilidad

de recursos duales.
W : Vector columna con m componentes; vector de actividades de variables duales.

AT : Transpuesta de la matriz A, es decir, matriz de n m elementos, matriz de
coeficientes tecnolgicos.
G: Funcin objetivo dual, escalar.

b T : Vector de precios unitarios duales transpuesta del vector b; vector regln con m
componentes

0 : Vector columna con m ceros.

Formas de Dualidad

Habamos visto que:

Max ZCX Min G b W

T

s.a s.a
1.- T T
A X b A W C
X 0 W 0

70
Otras formas seran:

T
Min Z C X Max G b W
s.a s.a
2.-
A X b AT W CT
X 0 W 0
Veamos, por ejemplo, como se demuestra el PPL dual a partir del PPL primal:

Max - Z C X
s.a.
A X b
X 0
Aplicando la definicin de dualidad,

Min - G bT W
s.a.
AT W C T
W 0

Que es equivalente a:

71
 Max G bT W
s.a.
AT W C T
W 0

T
Max Z C X Min G b W
s.a s.a
3.-
A X b AT W CT
X 0 W norestringida
T
Max Z C X Min G b W
s.a s.a
4.-
A X b AT W CT
X 0 W 0
72
Resumiendo, podemos formular el problema dual de cualquier problema primal,
segn la siguiente tabla:
Problema de Maximizacin Problema de Minimizacin
Si la restriccin es: La variable asociada es:
0
0
= irrestricta
Si la variable es: La restriccin correspondiente es:
0
0
irrestricta =

Ejemplo:
Dado el siguiente problema primal
Max Z 3 X1 8 X 2 2 X 3 4 X 4
s.a.
X1 X 2 2 X 3 3 X 4 5
X1 X 2 -1
X 3 - X 4 46
X1, X 2 , X 3 , X 4 0

Encuentre el problema dual asociado:

73
 3
1123 5
8T
A 1 1 0 0 b -1 C
2
0 0 1 1 46
4
1 1 0
1 1 0
AT bT 5 1 46 C 3 8 2 4
2 0 1
3 0 1

El PPL dual de forma matricial:

W1
Min G 5 -1 46 W2
W3
s.a.
1 1 0 3
W1
1 1 0 8
W2
2 0 1 2
W3
3 0 1 4

El PPL dual de forma extensa:

74
 Min G 5W1 W2 46W3
s.a.
W1 W2 3
W1 W2 8
2W 1 W3 2
3W1 W3 4
W1,W2 ,W3 0

Usos del problema Dual:

a) Resolver problemas lineales que tienen ms restricciones que actividades

Ejemplo:

Max Z 2X1 4X2

s.a.
X1 X 2 6 Min G 6W1 8W2 2W3 8W4 6W5 8W6
2 X1 X 2 8 s.a.
3 X1 2 X 2 2 W1 2W2 3W3 6W4 3W5 4W6 2
6 X1 8 X 2 8 W1 W2 2W3 8W4 4W5 W6 4
3 X1 4 X 2 6 W1,W2 ,W3,W4 ,W5,W6 0
4 X1 X 2 8
X1 , X 2 0
b) Hacer interpretaciones econmicas de las soluciones ptimas de los P.L.L.

75
c) Generar mtodos como el Dual Simplex para el anlisis de sensibilidad de los
P.L.L.

d) Generar nuevos algoritmos para la solucin de problemas de redes de

optimizacin

Un resultado interesante que permite centrar la atencin, respecto a la relacin entre

ambos problemas y muestra que las denominaciones primal y dual son slo
arbitrarias, es la siguiente:

Teorema 1: Dado un problema primal (P), el dual del problema dual es el problema
primal.

Para demostrar esta condicin, utilizando el problema primal (P) original, se tiene que
el problema dual (D) asociado es:

Min G bT W
s.a.
AT W C T
W 0
Transformemos este problema a maximizacin y multiplicando por (-1):

Max - G bT W
s.a.
AT W C T
W 0
Ahora, apliquemos el dual a este problema

76
 Min - Z C X
s.a.
A X b
X 0
El cual es equivalente a:

Max Z C X
s.a.
A X b
X 0

3.1.2.- Teoremas de Dualidad

Estos teoremas se basan en la siguiente estructura:

T
Max Z CX Min G b W
s.a s.a

AX b AT W CT
X0 W 0
Teorema N2: Teorema Dbil de Dualidad:

77
Si el problema primal es de maximizacin y el problema dual de minimizacin,
entonces X y W son soluciones factibles del problema primal y dual,
respectivamente. Entonces se cumple que:
Z C X bT W G

Dem:
Si X es factible para (P), entonces A X b, y premultiplicando por W
T
0:
W AX W b .
T T

Si W es factible para (D), entonces AT W C T , y premultiplicando por X 0:

T T
X A X X C
T T

Luego:
T
C X W AX b T W Z G

El valor de la funcin objetivo de cualquier solucin factible del problema de

maximizacin, es una cota inferior del valor ptimo del problema de minimizacin, el
cual es anlogo para el caso contrario.

Quiere decir que para cualquier par de soluciones factibles X ,W del primal y dual,
la funcin objetivo del primal es siempre menor o igual a la funcin objetivo del dual.

Corolario 1: Si el problema primal no tiene solucin factible (infactible) y el problema

dual tiene al menos una, entonces el dual tiene solucin ptima no acotada. Por el
contrario si el problema dual no tiene solucin factible (infactible) y el problema primal
tiene al menos una, entonces tiene una solucin ptima no acotada.

Corolario 2: Ambos problemas dual y primal no tienen solucin

Teorema N3: Teorema Fundamental de Dualidad

Dados un par de problemas Primal-Dual, si uno de ellos admite solucin ptima,
entonces el otro tambin la admite y los respectivos valore son ptimos y sus
respectivas funciones objetivos ptimas son iguales, es decir, si X* es ptimo para el
problema primal y W* es ptimo para el problema dual, entonces:
Z CX * bT W * G

3.1.4.- Solucin Del Problema Dual

La solucin de un P.P.L. primal por el mtodo simplex resuelve implcitamente el
problema dual.

Supongamos el siguiente problema primal (P):

78
 Max Z CX
s.a.
P
AX b
X0
Supongamos que la matriz A puede ser subdividida en:
A B| N
B = Matriz de vectores bsicos
N = Matriz de vectores no bsicos

Entonces el P.P.L. Primal anterior queda como:

Max Z C BX B C N X N
s.a.
BX B NX N b
XB 0 ; X N 0
La solucin de este problema existe, pero el problema consistir en hacer X N = 0 (ya
que es no bsica) y resolver el vector XB en trminos de la base B, quedando as:
X B B 1b
Z CBX B

Z C B B -1b

La funcin objetivo Dual est definida como:

G bT W W T b

En condiciones de optimalidad (segn el teorema fundamental) se cumple que:

Z G

C B 1b W Tb
B

De esta manera, w es el vector dual ptimo, cuyo valor es:

W T C B B 1

Dentro del Tableau del P.P.L. primal C B B 1 corresponde al valor de los costos
reducidos de las variables de holgura.

79
Ejemplo:
Hallar el valor de las variables duales ptimas y su funcin objetivo del P.P.L:

Max Z 4 X1 3X 2
s.a.
2 X1 3 X 2 18 ( P)
4 X1 2 X 2 10
X1 , X 2 0

Formular el problema dual

Min G 18W1 10W2

s.a.
2W1 4W2 4 D
3W1 2W2 3
W1,W2 0

La ltima tabla para el primal queda como:

Z X1 X2 X3 X4 Z0
1 2 0 0 3/2 15
X3 0 -4 0 1 -3/2 3
X2 0 2 1 0 1/2 5

La solucin ptima para el primal es:

* 0 X* X* X*
X1 2 5 3 3 4 0

As, la solucin ptima para el problema dual es:

W T C B B 1
W1* Z 3 C3 0

W2* Z 4 C 4 3 / 2

Luego, comprobaremos si la solucin dual es factible y ptima. Comprobando en las

restricciones duales se tiene:

80
2 0 4 3 / 2 6 4
3 0 2 3 / 2 3 3
0 0 ; 3/2 0
G 18 0 10 3 / 2 15 Z

Las soluciones ptimas de un par de problemas primal-dual satisfacen otra relacin

que es muy til en la interpretacin econmica de las soluciones. Esta relacin se
puede formular para un par cualquiera de problemas primal-dual lineales, pero slo
consideraremos la definicin inicial de la relacin de dualidad, es decir para:

T
Max Z CX Min G b W
s.a s.a

AX b ATW CT
X0 W 0
Teorema N4: Teorema de Holguras Complementarias Dbil
Dado los problemas Primal y Dual estndares, una condicin necesaria y suficiente
para X y W sean ptimas, respectivamente de (P) y (D) es:
T
W (b A X ) 0
T
X ( AT W C T ) 0

Demostracin:
Sea:
v b AX 0 variables de holgura del problema primal
u AT W C T 0 variables de holgura del problema dual

Sea X W un par de soluciones del primal y dual, entonces la condicin del teorema
se puede expresar como:
T
v W 0
T
u X 0

De manera tal, que:

81
v b AX 0
u AT W C T 0

De esta manera, como X es el primal factible, entonces multiplicando W 0 en la

restriccin A X b :
T T
W AX W b

T
Dado que v W 0, se obtiene:
T T
W AX W b

De manera analoga, se obtiene:

T
X AW CX

Y comparando ambas ecuaciones, se obtiene que:

T
C X W AX b T W
Z ( X ) G (W )

Producto de lo anterior, se tienen los siguientes resultados:

a. W 0 implica AX b
b. AX b implica W 0
c. X 0 implica A W CT
T

d. AT W C T implica X 0

Pero que pasa en el caso que W 0 A X b, o que X 0 AT W C T . El siguiente

teorema soluciona dicha situacin.

Teorema N5: Teorema de Holguras Complementarias

Dado los problemas Primal y Dual estndares, tienen soluciones factibles, entonces
existen soluciones ptimas X y W , tal que:
T
(b A X ) W 0
T
(A W C ) X
T T
0

Producto de lo anterior, se tienen los siguientes resultados:

a. si (b-A X ) 0 implica W 0
b. si W 0 implica b-A X 0
c. si (A W C ) 0
T T
implica X 0
d. si X 0 implica AT W C T 0

3.1.5.- Interpretacin Econmica De Las Variables Duales

Se ha visto que:
W T C B B 1

82
Como B-1 es la inversa de la base ptima del problema primal, entonces
multipliquemos por la base ptima dicha ecuacin:
W T B C B B 1B

W T B C B

Como B esta compuesta por m columnas aj de A, la igualdad anterior puede

expresarse en trminos de los componentes a j de la base.
WT a C j B
j Bj

De esta manera:
B
C 1a CB
B
j j
Y
j
Y
C CB z CB
B j j j j

La igualdad anterior es equivalente a la definicin de z j dada con anterioridad y que

era:
z j W T a j , j B

Si se toma el vector de recursos b y se incrementa en b , de tal forma que la base

ptima B no cambie, por lo cual, la nueva solucin x B seguir siendo ptima, siempre
y cuando se cumpla que:
X B B 1 b b 0

De esta manera, producto de lo anterior, tampoco cambian los costos reducidos

z j c j , es decir:
z c B
C 1a C j A
j j B j j

En cambio, la funcin dual ha sufrido una variacin, pues ahora se tendr:

W T b
G
' W T b b W T b W
G T b

Z
'
G Z W T b
'
G Z '

Z ' Z W T b

Nota: b es un cambio unitario en el vector recursos, relacionado con w, que es el

precio sombra.

La igualdad anterior indica que un pequeo incremento en el vector recursos ha

cambiado el valor ptimo de la funcin objetivo dual, y por lo tanto, el valor ptimo de
la funcin objetivo primal. Este cambio es W T b.

83
Si el cambio en el vector recurso b es u (unitario), la funcin objetivo cambiar en w
unidades, es decir, que si la componente bi i 1, , n de b, sufre un cambio
unitario, la funcin objetivo sufrir un cambio w i (la i-sima del vector dual).

Nota: es importante notar que la interpolacin econmica es vlida nicamente para

cambios en b, ya que estos no afectan, por lo general, la estructura de la base
ptima. Este tipo de interpolacin de variables duales se conoce con el nombre de
precio sombra.

Ejemplo:

Si en el problema anterior b 2 se convierte de 10 a 11 unidades (cambio unitario), el

nuevo valor de la funcin objetivo ser:
Tenemos que los valores, obtenidos del primal son:
W* 0 X* 3 X* 0
1 3 1
W * 3/ 2 X* 5 Z* 15
2 2

Luego, la variacin de la funcin objetivo es:

b 11 10 1
2
3 33
Z ' Z W b 15 1 16.5
2 2 2 2

Qu sucede, si cambio ahora b2 de 10 a 9 unidades?

b 9 10 1
2
3 27
Z ' Z W b 15 ( 1) 13.5
2 2 2 2

Qu sucede si se aumenta el recurso b1 de 18 a 19 unidades?

No sucede nada, porque el precio sombra no esta ocupando todo el recurso.

Entonces, si se aumenta (o decrece) el recurso 2, se mejora (o empeora) la funcin

objetivo, en cambio, si se mejora el recurso 1 slo se tendr ms holgura para dicho
recurso.

Hay que indicar que la interpretacin econmica es vlida solamente para cambios
unitarios en el vector b, ya que estos no afectan a la base ptima.

Los cambios que no sean unitarios (en los distintos recursos), se estudiarn en el
anlisis de sensibilidad y programacin paramtrica, el cual se ver ms adelante.

3.1.6.- Mtodo Simplex Dual

El mtodo simplex dual fue desarrollado para solucionar directamente el problema
dual. Se basa en el mtodo simplex primal y opera, segn el siguiente
procedimiento:

84
Dado el siguiente problema primal-dual:

Max Z C X Min G b W
T

s.a s.a
T T
A X b A W C
X 0 W 0
Paso1:
Construya el tableau cero, siguiendo las mismas reglas vistas para el mtodo
simplex, es decir, que aparezca la matriz identidad y que los costos reducidos, en
este caso, sean mayores o iguales a cero, es decir:
z c 0 , j A
j j

Paso2:
Revisar todos los X Bi , i 1, , m :
1. Si todos los X Bi 0 , entonces el tableau actual es ptimo y, por ende, la solucin
es ptima.
2. Si uno o ms X Bi 0 , entonces se selecciona el vector b r que debe abandonar la
base, utilizando la siguiente expresin:
X br Min
i 1, , m

X ;X
Bi Bi
0

Paso 3
El vector xk de entrada a la base, debe satisfacer la siguiente regla, la cual es:
zk ck z c
j j
Max ,Y 0
Yrk j 1, , n Y r j
rj

Paso 4
La columna xk se convierte en el vector unitario, cuyo pivote Y rk es igual a uno.
Dichos cambio se efectan con operaciones matriciales elementales. Regrese al
paso 2 hasta que se cumplan las condiciones de optimalidad.

85
Ejemplo:
Resolver usando el Simplex Dual:

Min G 18W1 10W2

s.a.
2W1 4W2 4
3W1 2W2 3
W1, W2 0

Notemos que el problema se puede resolver utilizando los mtodos de la gran M o

Doble Fase, como lo explicamos anteriormente. Veamos el mtodo simplex dual y
luego efectuemos una comparacin entre ellos.

Max H -G -18W - 10W

1 2
s.a.
- 2W - 4W W -4
1 2 3
- 3W - 2W W -3
1 2 4
W ,W ,W ,W 0
1 2 3 4

H W1 W2 W3 W4 H0
1 18 10 0 0 0
W3 0 -2 -4 1 0 -4
W4 0 -3 -2 0 1 -3

H W1 W2 W3 W4 H0
1 13 0 5/2 0 -10
W2 0 1/2 1 -1/4 0 1
W4 0 -2 0 -1/2 1 -1

H W1 W2 W3 W4 H0
1 3 0 0 5 -15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2

La solucin al problema dual es:

86
 W2 3 / 2

WB W3 2
W
WN W1 0

W4 0
G H 15

La diferencia entre el mtodo dual simpleX y los dos de penalizacin, radica en que,
primero no se utilizan variables artificiales y, segundo existen menos iteraciones,
pero la desventaja es que exige la condicin de factibilidad dual, es decir,
z c 0 , j A
j j

3.1.7.- Transformacin de Tabla ptima Primal a una Tabla ptima Dual

Como se ha explicado anteriormente, tanto el PPL primal como el dual estn
relacionados a travs de:

Max Z CX Min G b W
T

s.a s.a
T T
AX b A W C
X 0 W 0
De esta manera, existe una relacin directa entre el tableau ptimo primal y dual, el
cual se puede obtener con el siguiente procedimiento:

Paso 1
Las variables no bsicas de la tabla ptima primal pasan a ser las variables bsicas
de la tabla dual. Asigne las variables duales, respetando el orden en que aparecen
en la tabla primal, comenzando por las variables de holgura.

Paso 2

87
El valor de las variables bsicas duales corresponde al valor de los costos reducidos
de las variables no bsicas del problema primal, comenzando por las variables de
holgura.

Paso 3
Los costos reducidos de las variables duales no bsicas corresponden al valor de las
variables bsicas del problema primal.

Paso 4
Para obtener los Yj de las variables no bsicas del problema dual, se pasa a
columna las filas (asociada a las variables bsicas) los valores relacionados a las
variables no bsicas del primal, comenzando por las variables de holgura y
multiplicando por (-1).

Paso 5
El valor ptimo de la funcin dual es el mismo que el valor ptimo del problema
primal en el tableau ptimo.

Ejemplo:

Max Z 4X 3X Min G 18W 10W

12 1 2
s.a. s.a.
2X 3X 18 2W 4W 4
12 12
4X 2X 10 3W 2W 3
12 12
X ,X 0 W ,W 0
12 12

Tableau Primal
W3 W4 W1 W2
Z X1 X2 X3 X4 Z0
1 2 0 0 3/2 15

88
 X3 0 -4 0 1 -3/2 3
X2 0 2 1 0 1/2 5

Tableau Dual
G W1 W2 W3 W4 G0
1 3 0 0 5 15
W2 0 3/2 1 0 -1/2 3/2
W3 0 4 0 1 -2 2

Ejemplo:
Dado el siguiente problema dual, resolver el problema primal asociado mediante el
mtodo simplex y a partir de esta obtenga la tabla ptima del problema dual.
Min G 2W1 W2
s.a.
3W1 W2 3
(Pr oblema _ Dual)
4W1 3W2 6
W1 2W2 3
W1, W2 0
Desarrollo:
El problema primal asociado al dual anterior es:

Max Z 3X1 6X2 3X3

s.a.
3X1 4X2 X3 2 (Pr oblema _ Pr imal)
X1 3X2 2X3 1
X1, X2, X3 0
Aplicando la forma estndar:

89
 Max - 3X1 - 6X 2 - 3X3 0
s.a.
3X1 3X 2 2X3 X 4 2
X1 3X 2 2X3 X5 1
X1, X 2 , X3 , X 4 , X5 0

Tableau Primal
Z X1 X2 X3 X4 X5 Z0
1 -3 -6 -3 0 0 0
X4 0 3 4 1 1 0 2
X5 0 1 3 2 0 1 1
1 -1 0 1 0 2 2
X4 0 5/3 0 -5/3 1 -4/3 2/3
X2 0 1/3 1 2/3 0 1/3 1/3
1 0 0 0 3/5 6/5 12/5
X1 0 1 0 -1 3/5 -4/5 2/5
X2 0 0 1 1 -1/5 3/5 1/5

Tableau Dual
G W1 W2 W3 W4 W5 G0
1 0 0 2/5 1/5 0 -12/5
W1 0 1 0 -3/5 1/5 0 3/5
W2 0 0 1 4/5 -3/5 0 6/5
W5 0 0 0 1 -1 1 0

3.2.- ANLISIS DE SENSIBILIDAD Y PROGRAMACIN

PARAMTRICA (ANLISIS POST-OPTIMAL)
Una vez resuelto el problema de programacin lineal, puede ocurrir que se pueda
hacer variar los parmetros ms relevantes del P.P.L., lo cual dar origen a un nuevo
problema, pero ser necesario en este caso resolver el problema desde el principio.
La respuesta es no, afortunadamente, ya que existe el mtodo de anlisis de
sensibilidad, el cual comienza utilizando la solucin ptima del problema original
hasta encontrar la solucin ptima del problema nuevo. Los cambios que pueden
ocurrir para estos objetivos son los siguientes:

1.- Cambios en el vector b.

90
2.- Cambios en el vector C.
3.- Cambios en la matriz A.
4.-Cambios en el vector X.
5.-Cambio en el nmero de restricciones.

Los tres primeros cambios pueden ocurrir, tanto de manera continua o discreta, en
cambio, los dos ltimos slo pueden ocurrir de manera continua. El cambio discreto
significa hacer variar una o varias componentes del problema original y
reemplazarlos por nuevas cantidades. Para el cambio continuo, dnde el anlisis de
sensibilidad se llama programacin

paramtrica, sufren cambios descritos por:
b b , -

C C , -
a j a j , - , j A
Donde:

b, C , a j : Vectores con las mismas dimensiones que los vectores b , C, A
, , : escalares que pueden tomar cualquier valor real.

3.2.1.- Anlisis De Sensibilidad Para Cambios Discretos

3.2.1.1.-Cambios Del Vector b :
Supongamos que el siguiente P.P.L. original, cuya solucin ptima se conoce, es:

Max Z C X
s.a.
Problema Original (PO)
A X b
X 0

Se produce un cambio discreto en el vector b , cuyo nuevo valor ser b b , donde
b es un vector de m componentes. El nuevo problema a resolver es:

Max Z C X
s.a.
Problema Nuevo (PN)
A X b b
X 0

91
Como se comienza de la solucin ptima del PO, sabemos que B 1 es la inversa de
la base ptima B del problema original, entonces la solucin al PO es:
X B B 1b
y
Z CB X B

Al cambiar b a b b el vector XB cambia a uno nuevo X B dado por:
X B B 1 b b .

Si X B 0 , entonces ser la nueva solucin ptima del problema nuevo y el valor

de la funcin objetivo ser Z CB X B .
Si X B 0 , entonces no ser factible y se utilizar el mtodo dual simplex para
restaurar la factibilidad y, de hecho, la optimalidad del problema nuevo. El simplex
dual se debe aplicar sobre la tabla ptima del problema original cambiando: X B
por X B .
Ejemplo:
Suponga que se quiere producir un volumen X de un producto qumico A, el cual se
vende a $ 5/litro y otro volumen Y de otro producto qumico B, a un precio de $3/litro.
Existen dos restricciones, siendo las ms importantes: personal y costo de
produccin. La primera tiene un mximo de 15 personas, mientras que la segunda
tiene un mximo de $10/hora de trabajo. Los coeficientes tecnolgicos son los
siguientes:
Recurso\Producto Producto Qumico A Producto Qumico B
Personal 3 5
Costo de produccin 5 2

Sea
X1: nmero de litros del producto qumico A.
X2: nmero de litros del producto qumico B.

El programa lineal y tableau inicial y ptimos son los siguientes:

Max Z 5X1 3X2

s.a.
3X1 5X 2 15 (PO)
5X1 2X2 10
X1, X2 0

Z X1 X2 X3 X4 Z0

92
 1 -5 -3 0 0 0
X3 0 3 5 1 0 15
X4 0 5 2 0 1 10
1 0 -1 0 1 10
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

X 2 45 / 19

* X B X 1 20 / 19
X
Z* 235/19

X X
N 3 0
X 0
4

5 / 19 3 / 19
B 1
2 / 19 5 / 19
a.- Supongamos que producto del mercado laboral, nuevas restricciones al empleo y
la situacin macroeconmica, se debe reducir a 5 el nmero de empleados y la el
costo de produccin a $5/hora.

El nuevo vector de disponibilidad de recursos es:

93
 15 10 5
b
10 5 5
El nuevo programa lineal a resolver es:

Max : Z 5X 3X
1 2
s.a.
3X 5X 5 (PN )
1 2
5X 2X 5
1 2
X ,X 0
1 2
No es necesario resolver el problema desde el principio, sino que utilizaremos el
anlisis de sensibilidad, con el cual, determinamos si el nuevo vector X B B 1 b b
es factible o no. Si no es as, habr que restablecer la factibilidad y la optimalidad,
utilizando el simplex dual, a partir de la tabla ptima del PO. Sea:

94
 5 /
X B 1bb 0 19 3 / 19 5 1 0 / 19
B 2/19 5/19 5 15/19

Por lo tanto, el nuevo vector es:

X2 0/1 19
XB es ptimo
X 5/1 19
1
El nuevo valor de la funcin objetivo es:
X
Z C B X B C2 C1 2 3 5
10 / 19
X
1 15 / 19
Z * 105 / 19 $5.53

Hay que notar que una reduccin en ambas restricciones, por si redujo la produccin
de cada producto qumico y, por ende, la utilidad esperada.

b.- Supongamos ahora, que el personal se reduce a 10 personas, pero se produce

un incremento en el costo mximo por hora de produccin, siendo este de $20. El
nuevo escenario sera:

95
 Max : Z 5X 3X
1 2
s.a.
3X 5X 10 (PN )
1 2
5X 2X 20
1 2
X ,X 0
1 2
Utilizando el anlisis de sensibilidad, se tiene que:

5 /
X B 1bb 0 19 3 / 1 9 1 0 1 0 / 1 9
B 2/19 5/19 20 80/19

Por lo tanto, el nuevo vector es:

10 / 19
XB no es ptimo

80/19
Por lo tanto, el necesario utilizar simplex dual para restaurar la factibilidad y obtener
la optimalidad. De esta manera, utilizando el tableau ptima del PO y reemplazando
los valores de la columna X B por X B , se tiene:

96
 Z X1 X2 X3 X4 Z0
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 -10/19
X1 0 1 0 -2/19 5/19 80/19
1 0 16/3 5/3 0
X4 0 0 -19/3 -5/3 1 10/3
X1 0 1 5/3 1/3 0 10/3

La nueva solucin es:

X1= 10/3 litros de producto qumico A por hora.
X2= 0 litros de producto qumico B por hora.

El nuevo valor de la funcin objetivo es:

X
Z C B X B C 4 C1 4 0 5
10 / 3
X
1 10 / 3
Z * 50 / 3 $16,67

Es fcil ver que el hecho de slo producir producto qumico A, implica:

10
3 5 0 10
3

Obreros, lo cual genera que la holgura X3=0, mientras que la otra restriccin:
10 50
5 2 0 20
3 3

50 10
X 20 -
4 3 3

3.2.1.2.-Cambios En El Vector C :
Supongamos nuevamente el siguiente problema original:

Max Z CX
s.a.
Pr oblema Original
A*X b

X0

El cambio discreto en el vector C , ser un nuevo valor C C , donde C es un
vector de n componentes. El problema nuevo a resolver es:

97

Max Z (C C)X
s.a.
Pr oblema Nuevo
A*X b

X0
Sea B 1 la inversa de la base ptima asociada al problema original. Entonces, al
generar el incremento de C, se tiene que los z j c j cambian a z c j c j , o sea:


z c c C B B 1a j c j c j W T a j c j c j
j j j

Donde a j es la columna de la matriz A.

Se sabe que en condiciones de optimalidad z j c j c j 0, j A , no en B y

z c c 0, j B , entonces, si se cumplen estas dos condiciones, el vector X
j j j B
asociado a la tabla ptima del problema original permanece ptimo y al nuevo valor
de la funcin objetivo ser:

Z C
B
C
B
X B
En caso contrario, es decir, z j c j c j 0 , se deber hacer primero

z c c 0, j B , mediante operaciones matriciales elementales y despus
j j j

obtener las condiciones de optimalidad, z j c j 0, j A mediante el mtodo simplex

primal.

Ejemplo:
a.- Sigamos con el ejemplo del caso anterior:

Max Z 5X 3X
1 2
s.a.
3X 5X 15 Pr oblema Original
1 2
5X 2X 10
1 2
X ,X 0
12
Supongamos que el precio unitario del producto qumico B, se reduce a $3 a $1 por
lo tanto, el problema original queda:

98
 Max Z 5X X
1 2
s.a.
3X 5X 15 (PN )
1 2
5X 2X 10
1 2
X ,X 0
1 2

Por lo tanto C C 5 3 0 0 0 2 0 0 5 1 0 0

Como la nica componente de C que cambio es c 2, entonces indica que slo cambia
el costo reducido z2 c2 es:
5
z2 c2 c2 W T a2 c2 c2
16 5
19 2
1 3 1 2 0 ,
19

Pero sabemos que en condiciones de optimalidad z 2 c2 c2 0 , ya que j=2 est en

la base original ptima del problema original, por lo tanto, hay que reemplazar el
valor del costo reducido asociado a dicha variable y mediante operaciones
matriciales elementales se debe restablecer la factibilidad, a partir de la siguiente
tabla ptima del problema original:
Z X1 X2 X3 X4 Z0
1 0 2 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Al restablecer la factibilidad, la tabla queda de la siguiente forma:

Z X1 X2 X3 X4 Z0
1 0 0 -5/19 22/19 145/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

La cual no es ptima, ya que z 3 c3 0 . Utilizando el mtodo simplex primal, se

obtiene la nueva solucin:
Z X1 X2 X3 X4 Z0
1 0 1 0 1 10
X3 0 0 19/5 1 -3/5 9
X1 0 1 2/5 0 1/5 2

La solucin ptima para este nuevo problema es:

99
 X3 9

* X B X1 2
X
X X 0
N 2
X 0
4
Z* 10

Se concluye que se deja de producir del bien 2, ya que sus costos son mayores que
sus ganancias, por lo cual, slo se produce del bien 1, el cual est limitado por la
restriccin 1 (cuello de botella).

b.- Sigamos con el ejemplo del caso anterior, pero ahora supongamos que el precio
unitario del producto qumico A y B, se reducen de $5 a $1 y $3 a $1,
respectivamente, entonces el problema nuevo queda:

Max Z X X
1 2
s.a.
3X 5X 15 ( PN )
1 2
5X 2X 10
1 2
X ,X 0
1 2

Por lo tanto C C 5 3 0 0 4 2 0 0 1 1 0 0

Las componentes de C que cambian son c 1 y c2, generando que cambien los costos
reducidos z1 c1 z 2 c2 , entonces:
5
z1 c1 c1 W T a1 c1 c1
16 3
19 5
1 5 1 4 0
19

5
z 2 c2 c2 W T a2 c2 c2
16 5
19 2
1 3 1 2 0 ,
19

Como sabemos que el vector X 1 y X2 estn en la base ptima, entonces se deben

cumplir las condiciones de optimalidad z1 c1 c1 0 z 2 c2 c 2 0 , ya que j=1,2
estn en la base original ptima del problema original, por lo tanto, reemplazando
dichos valores y mediante operaciones matriciales elementales se debe restablecer
la factibilidad, quedando la siguiente tabla inicial del PO:
Z X1 X2 X3 X4 Z0
1 4 2 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

Al restablecer la factibilidad e indirectamente la optimalidad, la tabla nueva queda:

100
 Z X1 X2 X3 X4 Z0
1 0 0 3/19 2/19 65/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

De esta manera, el tableau del PN es ptimo, con los siguientes resultados:

X 2 45 / 19

* X B X1 20 / 19
X
X X
N 3 0
X 0
4
Z* 65 / 19 3,42

De esta manera, la reduccin de los precios unitarios, genero que la utilidad final se
redujera de $12,37 a $3,42, ya que no variaron las producciones de los productos
qumicos A y B.

c.- Supongamos ahora el siguiente problema:

Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Supongamos que el precio unitario de la primera actividad es $6, por lo tanto, el

problema nuevo queda:

101
 Max Z 6X 5X
1 2
s.a.
X 4 ( PN )
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3 5 0 0 3 0 0 0 6 5 0 0

Como la nica componente de C que cambio es c 1, entonces indica que slo cambia
el costo reducido z1 c1 es:

z1 c1 c1 W T a1 c c 0
1 1
5 1

2 3
6
15
2
3
6 0,
2

Pero sabemos que en condiciones de optimalidad z1 c1 c1 0 , ya que j=1 no est

en la base original ptima del problema original, por lo tanto, no es necesario
restablecer la optimalidad, quedando la siguiente tabla ptima del PN:
Z X1 X2 X3 X4 Z0
1 3/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Por lo tanto, ya es ptimo, lo cual quiere decir que en incremento del precio unitario
de $3 a $6 sobre la primera actividad (que no es bsica) no ha generado un cambio
en la solucin ptima del PO, siendo la misma para el PN, es decir:
X 3 4

* X B X 2 9
X
X X 0
N 1
X 0
4
Z* 45

Lo anterior se explica de manera sencilla, como X 1 no es bsica, su nivel de

utilizacin es de cero, pero el incremento de su precio unitario no es lo
suficientemente atractivo para que su utilizacin se incremente del valor cero.

d.- Utilizando el problema anterior, ahora supongamos que el precio unitario de la

primera actividad es $10, por lo tanto, el problema original queda:

102
 Max Z 10X 5X
1 2
s.a.
X 4 (PN )
1
3X 2X 18
1 2
X ,X 0
1 2
Por lo tanto, el vector queda:
C C 3 5 0 0 7 0 0 0 10 5 0 0

Como la nica componente de C que cambio es c 1, entonces indica que slo cambia
el costo reducido z1 c1 es:

z1 c1 c1 W T a1 c1 c1 0
5 1
10
15 5
10 0 ,
2 3 2 2

En este caso, la condicin indica que si z1 c1 c1 0 no es ptimo y como j=1 no

est en la base ptima original, por lo tanto, hay que aplicar el mtodo simplex para obtener la
optimalidad del PN. As:
Z X1 X2 X3 X4 Z0
1 -5/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9
Z X1 X2 X3 X4 Z0
1 0 0 5/2 5/2 55
X1 0 0 0 1 0 4
X2 0 0 1 -3/2 1/9 3

Por lo tanto, es ptimo, lo cual quiere decir que en incremento del precio unitario de
$3 a $10 sobre la primera actividad (que no es bsica) ha generado un cambio en la
solucin ptima, la cual es:
X1 4

* X B X 2 3
X
X X 0
N 3
X 0
4
Z* 45
Lo anterior significa que como X 1 no es bsica, su nivel de utilizacin es de cero,
pero el incremento de su precio unitario es lo suficientemente atractivo para que su
nivel de utilizacin se incremente de su valor cero a 4 unidades, pero a su vez se
reduce el nivel de utilizacin del producto dos de 9 a 3 unidades, lo bueno es que
dicho cambio incrementa la utilidad de $45 a $55.

103
3.2.1.3.- Cambio En El Coeficiente Tecnolgico a j Cuando J No Es Bsico:
En el caso que se trate de una variable bsica, se recomienda que se resuelva el
nuevo problema desde el principio, aunque existen mtodos de anlisis de
sensibilidad para este caso, estos son demasiados complejos.

Si ocurre un cambio discreto en uno o varios coeficientes tecnolgicos, asociado a

las variables no bsicas, se tiene que si un cambio en los componentes del vector
a j , j N (no bsico), ocasiona un cambio en el trmino z j c j , j N , puesto que:
z c C B 1a c
j j B j j

Si el vector a j se cambia a una nueva a j , el nuevo trmino ser:

z c W T a j c j
j j

Mientras este trmino sea z j c j 0, j N , la solucin ptima asociada en el

problema original sigue siendo ptima

En caso contrario, es decir, z j c j 0, j N , hay que aplicar el mtodo simplex para

obtener una nueva solucin ptima del problema nuevo, teniendo cuidado de que el
1
vector Yj del tableau ptimo del problema original sea actualizado por otro Y j B a j

Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:

Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Supongamos que ocurre un cambio tecnolgico en la primera actividad, donde se

cambia de 1 a 2, con respecto a la primera restriccin y se cambia de 3 a 2, con
respecto a la segunda, por lo tanto, el problema nuevo queda:

104
 Max Z 3X 5X
1 2
s.a.
2X 4 ( PN )
1
2X 2X 18
1 2
X ,X 0
1 2
donde :
1 2
a a
1 3 1 2

Como slo se cambio el vector a1, entonces slo cambia el costo reducido z c
1 1 de
la siguiente manera:
5 2
z c W T a1 c 0 3 53 2 0 ,
1 1 1 2 2

Como z1 c1 0 , y j=1 no est en la base original ptima del problema original, por
lo tanto, reemplazando este valor en el tableau del PO, el problema queda:
Z X1 X2 X3 X4 Z0
1 2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

El tableau es ptimo y la solucin del PO sigue siendo ptima para el PN, as:
X3 4

X B X 2 9
X
X X 0
N 1
X 0
4
Z 45

b.- Supongamos nuevamente que ocurre un cambio tecnolgico en la primera

actividad, donde se cambia de 1 a 10, con respecto a la primera restriccin y se
cambia de 3 a 1, con respecto a la segunda, por lo tanto, el problema nuevo queda:

105
 Max Z 3X 5X
1 2
s.a.
10X 4 ( PN )
1
1X 2X 18
1 2
X ,X 0
1 2
donde :
1 10
a a
1 3 1 1

Como slo se cambi el vector a 1, entonces se modifica el costo reducido z c

1 1 de la
siguiente manera:
5 10 5 1
z c W T a1 c 0 3 3 0,
1 1 1 2 1 2 2

Como z1 c1 0 , y j=1 no est en la base ptima original del problema original, por
lo tanto, hay que aplicar el mtodo simplex, pero actualizando el vector Y1 del
tableau original por otro nuevo Y1 , dado por:
1 0 10 10
Y j B 1a j
0 1 / 2 1 1 / 2

El tableau del PN, luego de actualizar el trmino z1 c1 y la columna Y1 es:

Z X1 X2 X3 X4 Z0
1 -1/2 0 0 5/2 45
X3 0 10 0 1 0 4
X2 0 1/2 1 0 1/2 9

Como no es ptimo, por lo cual, hay que aplicar el mtodo simplex para regresar a la
optimalidad, quedando el siguiente tableau final del PN:
Z X1 X2 X3 X4 Z0
1 0 0 1/20 5/2 181/5
X1 0 1 0 1/10 0 2/5
X2 0 0 1 -1/20 1/2 44/5

La nueva solucin ptima del PN es:

106
 X1 2 / 5

X B X 2 44 / 5
X
X X
N 3 0
X 0
4
Z 181 / 5 36, 2

3.2.1.4.- Adiciones De Nuevas Actividades X j :

La adicin de nuevas variables X j crea un nuevo trmino de costos reducidos z j c j
y una nueva columna Yj en la tableau. Si asociado a la nueva actividad X j se
conoce su precio unitario c j y su vector de coeficientes tecnolgicos a j , los nuevos
elementos se calculan como:
z j c j WT a j C j

Y j B 1a j

Si el nuevo Z j C j 0 , la nueva variable Xj no debe entrar a la base y su valor de

utilizacin es cero.

Si Z j C j 0 , se introduce el vector Yj en la tabla y se aplica el mtodo simplex hasta

obtener la optimalidad.

Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:

Max Z 3X 5X
1 2
s.a.
X 4 Pr oblema Original
1
3X 2X 18
1 2
X ,X 0
1 2
El cual presenta el siguiente tableau ptimo:
Z X1 X2 X3 X4 Z0
1 9/2 0 0 5/2 45
X3 0 1 0 1 0 4
X2 0 3/2 1 0 1/2 9

Supongamos que ahora se crea un nuevo producto X 5, entonces la pregunta es si

conviene producir dicha actividad, cuyo precio unitario es de $7 y su vector de

107
coeficientes tecnolgicos asociado a la primera y segunda restriccin es de 1 y 2,
respectivamente, por lo tanto, el problema nuevo queda:

Max Z 3X 5X 7 X
1 2 5
s.a.
2X X 4 ( PN )
1 5
2X 2X 2 X 18
1 2 5
X ,X , X 0
1 2 5
donde :
1
a
5 2

El nuevo elemento genera un nuevo costo reducido z

5
c
5 de la siguiente manera:
5 1
z c W T a5 c 0 7 5 7 2 0 ,
5 5 5 2 2

Como z c 0, hay que calcular la columna Y5 del nuevo tableau dado por:
5 5
1 0 1 1
Y5 B 1a5
0 1 / 2
2 1

El nuevo tableau queda de la siguiente manera, luego de ingresar los costos reducidos y el
vector columna asociado, y sobre el cual hay que aplicar el mtodo simplex primal:
Z X1 X2 X5 X3 X4 Z0
1 9/2 0 -2 0 5/2 45
X3 0 1 0 1 1 0 4
X2 0 3/2 1 1 0 1/2 9

El tableau final del PN, luego de restablecer la optimalidad de este problema, queda
finalmente::
Z X1 X2 X5 X3 X4 Z0
1 13/2 0 0 2 5/2 53
X5 0 1 0 1 1 0 4
X2 0 1/2 1 0 -1 1/2 5

Es ptimo este tableau, lo cual indica que la solucin ptima del PO cambia,
generando que el PN tenga la siguiente solucin ptima:

108
 X 5 4

X 2 5
X
X B X1 0
X
N X 0
3
X 0
4
Z 53

La nueva solucin indica que la actividad X 5 se debe producir a un nivel de 4

unidades, la actividad X2 se debe reducir de 9 a 5 unidades y dejar de producir la
actividad X1, lo cual genera un incremento en la utilidad de $45 a $53.

b.- Utilizando el mismo problema anterior, supongamos que ahora el nuevo producto
X5 tiene un precio unitario de $4 y su vector de coeficientes tecnolgicos asociado a
la primera y segunda restriccin es de 10 y 4, respectivamente. Por lo tanto, el
problema nuevo queda:

Max Z 3X 5X 4 X
1 2 5
s.a.
2X 10X 4 ( PN )
1 5
2X 2X 4 X 18
1 2 5
X ,X , X 0
1 2 5
donde :
10
a
5 4

El nuevo costo reducido z

5
c
5 es el siguiente:
5 10
z c W T a5 c 0 4 10 4 6 0 ,
5 5 5 2 4

Como z5 c5 0 , el tableau ptimo del problema original es ptimo del problema

nuevo y X5 debe ser igual a cero. Para objetivos prcticos, se puede calcular la
columna Y5 del nuevo tableau dado por:
1 0 10 10
Y j B 1a j
0 1 / 2 4 2

De esta manera, el nuevo tableau ptimo queda:

Z X1 X2 X5 X3 X4 Z0
1 2 0 6 0 5/2 45
X3 0 1 0 10 1 0 4
X2 0 3/2 1 2 0 9

109
Esto quiere decir, que bajo las condiciones actuales, no se debe producir X 5 y la
solucin ptima del PN es la misma del PO, es decir:
X 3 4

X 2 9
X
X B X1 0
X
N X 0
5
X 0
4
Z 45

Como punto aparte, conviene explicar claramente el significado de z j c j , que tiene

dos interpretaciones:
1. z j c j es la reduccin (aumento) del valor de la funcin objetivo en el caso de
maximizacin (minimizacin), al aumentar en una unidad el valor de la actividad
X j , j N (no bsica), o bien
2. z j c j es el valor de c j debe aumentar (disminuir), en el caso de maximizacin
(minimizacin), para que X j , j N se convierta de una actividad no bsica a
bsica.

En este caso, se debe evaluar los cambios de los siguientes trminos:

Z Z ( z j c j )
c j c j ( z j c j )

3.2.1.5.- Adicin De Nuevas Restricciones:

Si al aadir k nuevas restricciones del tipo:
n


j 1
aij X j bi , i m 1, , m k

al problema original, la solucin ptima X B asociada al problema original las satisface,

entonces XB es tambin ptima solucin del problema nuevo.

En caso contrario, si XB viola alguna de las restricciones habr que restablecer la

factibilidad del problema nuevo y obtener su optimalidad va mtodo simplex dual.

Al ser necesario la aplicacin del mtodo simplex dual, cada una de las k
restricciones se deben aadir en el tableau ptimo del problema original con sus
correspondientes variables de holgura. Todos los vectores unitarios asociado al
tableau ptimo del PO deben restablecerse por medio de operaciones elementales
matriciales. De esta manera, el mtodo dual simplex se debe aplicar hasta obtener
una solucin ptima.

Ejemplo:
a.- Retomemos nuevamente el siguiente problema:

110
 Max Z 5X1 3X2
s.a.
3X1 5X 2 15 (PO)
5X1 2X2 10
X1, X2 0

Z X1 X2 X3 X4 Z0
1 0 0 5/19 16/19 235/19
X2 0 0 1 5/19 -3/19 45/19
X1 0 1 0 -2/19 5/19 20/19

La solucin ptima del PO es:

X 2 45 / 19

X B X1 20 / 19
X
X X
N 3 0
X 0
4
Z 235/19

Supongamos que la nueva restriccin es:

X2 1

Reemplazando el valor de la variable X2:

45
1
19

Es obvio que la solucin ptima del problema original viola la nueva restriccin, ya
que no es menor o igual que uno. Entonces, el problema nuevo a resolver es:
Max Z 5X1 3X 2
s.a.
3X1 5X2 15
(PN )
5X1 2X 2 10
X 1
2
X1, X 2 0

111
Agregando las variables de holgura, se tiene que:
Max Z 5X1 3X 2
s.a.
3X1 5X 2 X 3 15
5X1 2X 2 X4 10
X X5 1
2
X1, X 2 , X , X , X 0
3 4 5
De esta manera, el tableau ptimo del problema original queda:
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 1 0 0 1 1

Como el vector columna de Y 2 no es el vector unitario, por medio de operaciones

matriciales elementales se vuelve a generar la identidad (factibilidad):
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 0 -5/19 3/19 1 -26/19

Aplicando el mtodo dual simplex, se obtiene el tableau ptimo:

Z X1 X2 X3 X4 X5 Z0
1 0 0 0 1 1 11
X2 0 0 1 0 0 1 1
X1 0 1 0 0 1/5 -2/5 8/5
X3 0 0 0 1 -3/5 -19/5 26/5

La nueva solucin ptima es:

X2 1

X1 8 / 5
XB
X X
X 3 26 / 5
N X
4 0
X 0
5
Z 11

112
b.- Supongamos que la nueva restriccin es:
X 2 10

Reemplazando nuevamente el valor de X2:

45
10
19

Es obvio analizar que la solucin ptima del problema original no viola la nueva
restriccin, ya que es menor o igual que diez, por lo cual, la solucin ptima del
problema original sigue siendo ptima para el problema nuevo. Para analizar este
suceso, veamos como queda el problema nuevo, aunque no es necesario efectuar
este anlisis:
Max Z 5X1 3X2
s.a.
3X1 5X2 15
(PN )
5X1 2X2 10
X 10
2
X1, X2 0
Agregando las variables de holgura, se tiene que:
Max Z 5X1 3X 2
s.a.
3X1 5X 2 X 3 15
5X1 2X 2 X4 10
X X 5 10
2
X1, X 2 , X , X , X 0
3 4 5
De esta manera, el tableau ptimo del problema nuevo queda:
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 1 0 0 1 10

113
Como el vector columna de Y 2 no es el vector unitario, por medio de operaciones
matriciales elementales se vuelve a generar la identidad (factibilidad):
Z X1 X2 X3 X4 X5 Z0
1 0 0 5/19 16/19 0 235/19
X2 0 0 1 5/19 -3/19 0 45/19
X1 0 1 0 -2/19 5/19 0 20/19
X5 0 0 0 -5/19 3/19 1 145/19

La nueva solucin ptima es la misma que la original, a excepcin de la variable de

holgura X5 que se agrega a las variables del problema, quedando finalmente:
X 2 45 / 19

X1 20 / 19
X
X B X 5 145 / 19
X
N X 0
3
X 0
4
235
Z 12,37
19

3.2.2.- Cambios Continuos Y Programacin Paramtrica

Como vimos anteriormente, los cambios continuos pueden en tres elementos del
problema primal:
1. Parametrizacin o cambio continuo en el vector C,
2. Parametrizacin o cambio continuo en el vector b,
3. Parametrizacin o cambio continuo en un vector tecnolgico no bsico a j , j N .

Ya vimos cambios especficos en los parmetros del modelo, en cambio, el enfoque

paramtrico hace variar de manera continua uno o ms parmetros sobre el intervalo
(o intervalos).

3.2.2.1.- Cambio Continuo En El Vector C
El problema nuevo a resolver es:
MAX
Z (C ) X
sa : (PN )
AX b
X 0

114
Donde:
C: vector con n componentes, que representa el precio unitario actual.
: vector con n componentes, que representa el porcentaje de aumento de precios.
C : vector paramtrico que indica los cambios continuos, con .

El estudio se restringir al caso de en que 0 , puesto que para el caso de 0 ,

todos los resultados que se obtengan sern anlogos.

De esta manera, cuando el vector paramtrico C varia, tambin lo hacen los

costos reducidos z j c j , j A . Para analizar esta variacin, se establecer que B 0
es la base ptima asociada al problema original cuando 0 , es decir:
MAX
Z CX
sa : ( PO)
AX B
X 0
De esta manera, el nuevo valor de los z j c j , j A , denotado por z j c j :
z j c j (C B 0 B 0 ) B01a j (c j j ), j A
z j c j C B 0 B01a j B 0 B01a j c j j C B 0 B01a j c j B 0 B01a j j
z j c j z j c j ( B 0 B01a j j ), j A

Donde CB0 y son las componentes de C y asociada a la base ptima B0.

Ahora, debemos preguntarnos si existe algn valor crtico de , por ejemplo , tal
que para valores mayores que la base ptima B0 dejara de ser ptima.

Sabemos que la optimalidad, para cualquier valor de se obtiene cuando

z j c j 0, j A y, adems sabemos que z j c j 0, j , por que B0 es ptimo para
0 , por lo cual, slo nos queda analizar el segundo trmino de z j c j , es decir:
B 0 B01a j j

De esta manera:
1
1. Si B 0 B0 a j j 0, j A , entonces la base ptima B0, asociada al tableau
ptimo del problema original, sigue siendo ptimo para cualquier valor de 0 .

115
 1
2. Si para algn j A existiese un valor correspondiente a B 0 B0 a j j 0 ,
entonces existe un valor crtico para , denotado por , el cul se calcula de la
siguiente manera:
( z k ck )
* 1
B 0 B0 a j j
(z j c j )
* Mn
/ B 0 B01a j j 0
B 0 B0 a j j
jN 1

Para el cual B0 deja de ser ptimo para valores de * y la solucin ptima seria:
Z B 0 (C B 0 B 0 ) X B 0

Pero que pasa cuando * , la respuesta indica que es necesario reoptimizar el

tableau ptimo correspondiente a 0 , generando dos casos:
a. Cuando dada por la ecuacin anterior, tiene un valor mnimo nico:
i. Si Yik 0, i 1, , m , entonces No existe un ptimo finito para valores de
* , es decir, en este caso el problema lineal para valores * , tiene
como solucin ptima el infinito.
ii. Si Yik 0, i 1, , m , el mtodo simplex se aplica de la manera usual hasta
obtener una nueva solucin ptima, con la salvedad de que todos los valores
z j c j , j A deben de actualizarse y la base asociada a esta nueva
solucin ptima es B1
Se debe volver a analizar, en este sentido, si existe un valor crtico de en
este caso , de manera tal que B1 sigue siendo ptima para el rango de
* * ** . En este caso, el valor de es:
(z j c j )
** Mn
/ B1 B11 a j j 0
B1 B1 a j j
1
jN

b. Cuando dada por la ecuacin anterior, no tiene un valor mnimo nico:

En este caso, es necesario hacer varios cambios en la base, utilizando para ello el
mtodo simplex hasta corroborar que no existe ciclaje, en cuyo caso, segn lo
explicado en el caso a, se aplica aqu, o bien demostrar que no existe una solucin
ptima finita para valores de * .

Ejemplo:
Considere el siguiente problema nuevo

116
 max Z 3 6 X 1 2 2 X 2 5 5 X 3
s.a. :
X 1 2 X 2 X 3 430
(PN )
3X1 2 X 3 460
X1 4X 2 420
X 1 0, X 2 0, X 3 0
Para este caso:
C c1 c2 c3 3 2 5
1 2 3 6 2 5

Para =0, se vuelve al problema original:

max Z 3X 1 2 X 2 5 X 3
s.a. :
X 1 2 X 2 X 3 430
(PN )
3X1 2 X 3 460
X1 4 X 2 420
X 1 0, X 2 0, X 3 0
El Tableau inicial y ptimo, respectivamente, del problema original es el siguiente:
Z X1 X2 X3 X4 X5 X6 Z*
1 -3 -2 -5 0 0 0 0
X2 0 1 2 1 1 0 0 430
X3 0 3 0 2 0 1 0 460
X6 0 1 4 0 0 0 1 420

Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20

Para =0, los resultados ptimos son los siguientes:

117
 X 2 100
X 230
3
X 20
X
X B 6
X N X1 0
X 4 0

X 5 0
Z 1.350

Adems, los elementos necesarios a reconocer son:

1 / 2 1/ 4 0
B 0
1
0 1/ 2 0
2 1 1
VB0 X 2 X3 X6
VN 0 X 1 X4 X5

Es as, que es necesario calcular si existe un valor crtico *, de manera tal, que la
base ptima no cambie:
(z j c j )
* Mn
/ B 0 B01a j j 0
B 0 B0 a j j
jN 1
0

De esta manera, hay que analizar:

B 0 B01 a j j 0, j 1,4,5

B 0 B01 a j j 2 3 6 B01 Y1 Y4 Y5 1 4 5
Para cada caso se tiene que:
1 / 2 1 / 4 0 1 1 0
1
B0 B a N 0 N 0
0 2 5 0 0 1/ 2 0 3 0 1 6 0 0
2 1 1 1 0 0
1 1 0
B 0 B01 a N 0 N 0 1 3 0 3 0 1 6 0 0 8 1 3 6 0 0
1 0 0
B 0 B01 a N 0 N 0 14 1 3

Es fcil ver ahora que:

B 0 B01 a1 1 14 0
B 0 B01a 4 4 1 0
B 0 B01 a5 5 3 0

De esta manera, el nico elemento que es relevante es la variacin asociada a X 4,

por lo tanto, nuestro candidato genera el valor crtico de *, es cual es:

118
 ( z 4 c4 ) 1
* 1 1
B 0 B0 a 4 4 1

De esta manera, el rango de esta acotado por 0 1 , los cuales generan las
siguientes soluciones ptimas.
X 2 100
X 230
3
X B X 6 20
X
X N X1 0
X 4 0

X 5 0
X 2 100
Z B 0 (C B 0 B 0 ) X B 0 c 2 2 c3 3 c6 6 X 3 2 2 5 5 0 230

X 6 20
Z B 0 200 200 1.150 1.150 1.350 950

Por ejemplo, si =1/2, se tiene que

1
Z B 0 1.350 950 1.825
2
Se puede analizar si existe algn otro rango de , el cual genera el intervalo
* * ** . Para efectuar este anlisis, del tableau ptimo cuando =0, se
actualizan los costos reducidos z j c j , j N , para *=1:
z1 c1 z1 c1 * ( B 0 B01 a1 1 ) 4 1(14) 18
z4 c4 z 4 c4 * ( B 0 B01a4 4 ) 1 1(1) 0
z5 c5 z 5 c5 * ( B 0 B01a5 5 ) 2 1(3) 5

El valor de la funcin objetivo en el tableau, se obtiene tambin cuando =1, es decir:

Z B 0 1.350 950 1 2.300 .

Analizando los elementos anteriores, se puede apreciar que X 4 debe entrar a la base
del problema original y aplicando el mtodo simplex se obtiene el nuevo tableau
ptimo, segn se muestra a continuacin:
Z X1 X2 X3 X4 X5 X6 Z*
1 18 0 0 0 5 0 2300
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20

Z X1 X2 X3 X4 X5 X6 Z*
1 18 0 0 0 5 0 2300

119
 X4 0 -1/2 2 0 1 -1/2 0 200
X3 0 3/2 0 1 0 0 230
X6 0 1 4 0 0 0 1 420

Los resultados ptimos para el rango de que esta acotado por 1 1 ** son:.
X 4 200
X 230
3
X X 420
X B 6
X N X1 0
X 2 0

X 5 0
X4 100
Z B 0 (C B 0 B 0 ) X B 0 c4 4 c3 3 c6 6 X 3 0 5 5 0 230
X 6 20
Z B 0 1.150 1.150

Los elementos necesarios a reconocer en este rango son:

1 1/ 2 0
B1
1
0 1/ 2 0
0 1 1
VB1 X 4 X3 X6
VN1 X 1 X2 X5

Slo falta calcular si efectivamente existe un valor crtico **, de manera tal que acote
las soluciones y la funcin, a travs de:
B1 B11a j j 0, j 1,2,5

B1 B11a j j 4 3 6 B11 Y1 Y2 Y5 1 2 5

Para cada caso se tiene que:

1 1/ 2 0 1 2 0
B1 B a N 1 N 1 0
1
1
5 0 0 1/ 2 0 3 0 1 6 2 0
0 1 1 1 4 0
1 2 0
5 15 5
1
1
B1 B a N 1 N 1 0 0 3 0 1 6 2 0 0 6 2 0
2 2 2
1 4 0
27 5
B1 B11a N 1 N 1 2
2 2

120
Es fcil ver ahora que:
27
B1 B11a1 1 0
2
B1 B11 a 2 2 2 0
5
B1 B11a5 5 0
2

1
Por lo cual, ninguno cumple la condicin que: B1 B1 a j j 0, j 1,2,5 , indicando
que ** es igual a infinito, es decir que 1 .

Finalmente, se puede concluir que la solucin ptima es:

Para el rango entre 1 1
X 2 100
X 230
3
X 420
X
X B 6
X N X1 0
X4 0

X 5 0
Z B 0 1.350 950

Para el rango entre 1

X 4 200
X 230
3
X X 420
X B 6
X N X1 0
X2 0

X 5 0
Z B 0 1.150 1.150

3.2.2.2.- Cambio Continuo En El Vector b
El problema a resolver es el siguiente:

121
 max Z CX
s.a :
(PN )
AX b
X 0
donde:
b : vector paramtrico que indica los cambios continuos en la disponibilidad de
recursos b, con
: vector de m componentes

Este estudio estar restringido solo para 0 , puesto que para el caso de 0 ,
todos los resultados que se obtienen son anlogos. Sea B 0, la base ptima asociada
al problema original, es decir, cuando = 0.

max Z CX
s.a :
(PO)
AX b
X 0
Un cambio en el parmetro b hace variar el XB0 y el valor de la funcin objetivo
en el problema original. Sabemos que:
X B B 1b

Si efectivamente en b ocurre un cambio paramtrico:

X B 0 B01 (b )
Z C X
B0 B0 B0

Debemos determinar si existe algn valor crtico de , tal que para valores mayores
de , la sabe B0 dejara de ser ptima:
1. Si X B 0 B01 (b ) 0 , para cualquier valor de , entonces la base sigue
siendo ptima.

2. Si alguna componente de X B 0 B01 (b ) 0 , B0 deja de ser ptima y el valor

de * se determina mediante la siguiente relacin:

122
 X B 0 B01b B01 X B 0 B01
X
* min 1B 0i / B01 i 0
i 1,, m
B0 i
Donde:
X B 0i : es la i-sima componente, i=1,,m del vector bsico X B0
i : es la i-sima componente, i=1,,m del vector
: el rango asociado sera 0 * .

Cuando * , se puede obtener una nueva solucin factible, utilizando el mtodo

simplex dual, una vez actualizado X B 0 y Z * el tableau ptimo del problema original.
Cuando se efecta la operacin respectiva, se obtiene una nueva solucin ptima
X B1 , la cual esta asociada a una nueva base B 1, lo cual nos permite, nuevamente,
obtener un segundo valor crtico de , siendo ste por lo tanto, el rango asociado
sera * * ** .

Ejemplo:
Consideremos el siguiente caso de programacin lineal paramtrica:
max Z 3 X1 2 X 2 5 X 3
s.a. :
X1 2 X 2 X 3 430 100
( PN )
3 X1 2 X 3 460 200
X1 4 X 2 420 400
X1 0, X 2 0, X 3 0
Dnde:
b1 430 1 100
b b 2 460 , 2 200
b3 420 3 400

Si =0, se tiene el problema original:

123
 max Z 3X1 2 X 2 5 X 3
s.a. :
X1 2 X 2 X 3 430
(PO)
3 X1 2 X 3 460
X1 4 X 2 420
X1 0, X 2 0, X 3 0
De esta manera, aplicando los conceptos ya utilizados, se forma la base inicial y
mediante el mtodo simplex se obtiene el tableau ptimo del problema original:
Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20

Los resultados ptimos para este caso son:

X 2 100
X 230
3
X X 20
X B 6 La base ptima, las variables bsicas y no bsicas que
X N X 1 0 constituyen el problema son:
X4 0 1 / 2 1 / 4 0
B01 0 1/ 2 0
5
X 0
2 1 1
Z 1.350
VB0 X 2 X3 X6
VN 0 X 1 X4 X5

De esta manera, el valor de * queda determinado por:

X
* min 1B 0i / B01 i 0
i 1, , m
B0 i
1 / 2 1/ 4 0 100 100
B 0
1
0 1/ 2 0 200 100
2 1 1 400 0

1
Como B0 3 100 0 , efectivamente existe un valor crtico de *, siendo este:

124
 X 230
* 1B 0i 2,3
B0 i 100

Es as que para el rango de 0 2,3 , la solucin ptima esta estructurada como:

X 2 1 / 2 1 / 4 0 430 100

X B 0 X 3 B0 (b ) B0 b B0 0
1 1 1
1 / 2 0 460 100

X 6 2 1 1 420 0
X 2 100 100
X B 0 X 3 230 100
X 6 20

La funcin objetivo viene dada por 0 2,3 , entonces:

X2 100 100
Z B 0 CB 0 X B 0 c2 c3 c6 X 3 2 5 0 230 100

X 6 20
Z B 0 1.350 300

Que pasa para valores de 2,3 , se deber actualizar el vector X B0 y la funcin

objetivo para =2,3, generando que:
X 2 100 100 2,3 330
X B 0 X 3 230 100 2,3 0
X 6 20 20
Z B 0 1.350 300 2,3 660

De esta manera, al tableau actualizado se le aplica el mtodo simplex dual, pero en

este caso, aunque ningn XBi es negativo, se debe obligar a X 3=0 a salir de la base
inicial:
Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 660
X2 0 -1/4 1 0 1/2 -1/4 0 330
X3 0 3/2 0 1 0 1/2 0 0
X6 0 2 0 0 -2 1 1 20
Lamentablemente, al aplicar el mtodo simplex dual, no es posible determinar el
vector de entrada, ya que todos los Y3 j 0 , lo cual indica que el problema
paramtrico no tiene solucin para cualquier valor de 2,3 .

125
3.2.2.3.- Cambio Continuo En Una Columna Tecnolgica No Bsica a j De A
El nuevo problema a resolver es:

Max
A difiere de la matriz A,
nicamente en una columna no Z CX
bsica (la columna j), dnde:
a j a j j , j N sa : ( PN )
Con a j A y y j
vector columna de m A X b
componentes.
X 0
El anlisis se restringir slo para
el caso de 0 , ya que para 0 , todos los resultados obtenidos sern anlogos.

Hay que aclarar que, a diferencia de los dos casos anteriores, una vez obtenido el
valor crtico de (por ejemplo, el anlisis no se puede volver a realizar para
valores de * , ya que en este caso a j se convierte de un vector no bsico (
0 * ) a un vector bsico ( * ). Dicho este comentario, se continuar el
estudio paramtrico de esta variable.

Sea B0 la base ptima asociada al problema original, es decir, 0 :

Max
Z CX
sa ( PO)
AX b
X 0
El cambio paramtrico en el vector a j ocasiona que los costos reducidos se
modifiquen de z j c j 0, j a z j c j , de la siguiente manera:
z j c j C B 0 B01a j c j , j N
z j c j C B 0 B01 (a j j ) c j C B 0 B01a j C B 0 B01 j c j

z j c j C B 0 B01a j c j C B 0 B01 j
z j c j z j c j C B 0 B01 j , j N

De esta manera, se tiene que:

1. Si z j c j 0 y para cualquier valor de 0 , entonces B0 sigue siendo ptima
para el nuevo problema.

126
2. Si z j c j 0 para algn valor de j N , entonces existe un , el cual se
determina por la siguiente relacin (como se ha efectuado en los casos
anteriores):

* Mn

zj cj
/ C B 0 B01 j 0

C B 0 B0 j
j 1,, m 1

En este caso, B0 es ptima solamente para el rango de 0 * y nada se puede
decir para valores de * .

Ejemplo:
Resuelva el siguiente PPL:
max Z 3 X 1 2 X 2 5 X 3
s.a. :
(1 ) X 1 2 X 2 X 3 430
(PN )
(3 ) X 1 2 X 3 460
X1 4X 2 420
X 1 0, X 2 0, X 3 0
Donde el vector tecnolgico paramtrico a1 es:
a1 a1 1
1 1
a1 3 1

1 0

Para =0, el problema original es el siguiente:

max Z 3X 1 2 X 2 5 X 3
s.a. :
X 1 2 X 2 X 3 430
(PO)
3X1 2 X 3 460
X1 4X 2 420
X 1 0, X 2 0, X 3 0
El tableau asociado es:

127
 Z X1 X2 X3 X4 X5 X6 Z*
1 4 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20

Los resultados ptimos para este caso son:

X 2 100
X 230
3 Como existe un cambio paramtrico, asociado a la variable
X X 20
X B 6 X1 en sus actividades tecnolgicas, ocasiona que los costos
X N X 1 0 reducidos z1 c1 sufran cambios y, por ende, debemos
X 4 0 determinar si existe un valor crtico de , entonces debemos
evaluar la siguiente expresin:
X 5 0
z1 c1 z1 c1 C B 0 B01 1
Z 1.350
Entonces:
z1 c1 4
1 / 2 1/ 4 0 1 1
C B 0 B 1 2
1
0 5 0 0 1/ 2 0 1 1 2 0 1 1
2 1 1 0 0

De esta manera, el :
4
* 4
1

Los costos reducidos, asociados a X1 y 0 4 son:

z1 c1 4 (1) 4

Finalmente, se puede decir que para valores de , en el rango de 0 4 , la

solucin ptima para el problema nuevo es:
X 2 100
X 230
3
X X 20
X B 6
X N X1 0
X 4 0

X 5 0
Z 1.350

Por ejemplo, si =4, entonces:

z1 c1 0

128
El tableau asociado seria:
Z X1 X2 X3 X4 X5 X6 Z*
1 0 0 0 1 2 0 1350
X2 0 -1/4 1 0 1/2 -1/4 0 100
X3 0 3/2 0 1 0 1/2 0 230
X6 0 2 0 0 -2 1 1 20

Qu sucede con este tableau ptimo?. Lamentablemente, al tratar de ingresar X 1 a

la base, se genera un problema, producto de ingresar una variable que no era bsica
a ser bsica.

129
 CAPITULO III: PROBLEMA DE TRANSPORTE,
TRANSBORDO Y ASIGNACIN

3.1.- MODELO DE TRANSPORTE

En este captulo nos referiremos al modelo de transporte estndar, aunque existen
variantes, los cuales complejizan este problema, no es el objetivo introductoria de
este captulo.

En estricto rigor, el modelo de transporte busca determinar el mejor plan de envos

desde uno o ms centros de oferta (produccin de algn producto) hacia los centros
de consumo (demanda por dicho producto), es as, que se cuenta con la siguiente
informacin:
1. Nivel de oferta en cada origen y cantidad de demanda en cada destino.
2. El costo de transporte unitario de la mercadera entre las fuentes y los
destinos.
3. Un supuesto fuerte es que existe una nica mercadera o producto.

Hay que tener presente que cada destino puede absorber, a travs de su demanda,
la produccin de los distintos orgenes, por lo cual, el objetivo principal es determinar
la cantidad ptima que se debe enviar desde cada origen a cada destino, de manera
tal que el costo total de transporte sea mnimo.

La siguiente figura representa el modelo de transporte como una red con m centros
de oferta, que tienen que surtir a n centros de consumo, dnde cada nodo
representa un origen o destino y los arcos indican una conexin entre un origen y
destino indica que se puede transportar un producto.

130
Donde:

ai : Capacidad de oferta del origen i

bJ : Demanda del centro de consumo i
CiJ : Costo de enviar una unidad de producto del origen i al destino j
XiJ : Cantidad de productos a enviar desde el origen i al centro de consumo j

3.1.1.- Estructura de Transporte

E problema se reduce a determinar cuantas unidades de producto deben enviarse
desde el origen i al centro de consumo j, tal que se minimicen los costos de
transporte, se satisfaga la demanda del centro de consumo j y no se exceda la
capacidad de oferta del origen i.

El problema de transporte (PT), modelado usando P.L. queda como:

m n
Min Z Cij X ij
i1 j 1
s.a.
n
X ij ai , i 1, , m,
j 1
m
X b , j 1, , n
i1 ij j
X ij 0, i, j

El primer conjunto de restricciones indica que la suma de envos a distintos destinos,

no puede exceder el nivel de produccin de cada origen y el segunda conjunto de
restricciones indica que la suma de recepciones de los distintos orgenes, no puede
ser menor que el nivel de demanda de de cada destino.

Este problema indica que:

m n

a b
i 1
i
j 1
j

lo cual, nos permite definir el siguiente teorema.

Teorema 1: Una condicin necesaria y suficiente para que el problema de transporte,

tenga solucin es que la oferta sea igual a la demanda:

131
 m n

i 1
ai
j 1
bj

Con esto, el problema a resolver es:

m n
Min Z Cij X ij
i1 j1
s.a.
n
X a , i 1, , m,
j 1 ij i
m
X b , j 1, , n
i1 ij j
X ij 0, i, j

Esta ltima estructura de programacin lineal, se conoce estructura de transporte.

Si escribisemos el Problema de Transporte de forma condensada, sera:

Min
Z CX
sa : PT
AX d
X 0
Donde:

132
X T X 11 X 12 X 1n X 21 X 22 X 2n X m1 X m2 X mn
C C11 C12 C1n C 21 C 22 C2n C m1 Cm 2 C mn
d T a1 a2 am b1 b2 bn
1 0 0 0 0
0 1 0 0 0

0 0 1 0 0
m renglones
A m n renglones

0 0 0 0 1

I n I n I n I I n n renglones
n
m n columnas

El vector 1 y el vector 0 de la matriz A son vectores fila conteniendo,

respectivamente, n unos y n ceros, y In es la matriz identidad de n n componentes,
tal como se muestra a continuacin:
1 1 1 1 1

n componentes
0 0 0 0 0

n componentes

1 0 0 0
0 1 0 0
In n componentes


0 0 0 1
n componentes
Esta estructura y dos propiedades sobre la matriz A, permiten el desarrollo de un
nuevo algoritmo, llamado de transporte, que resuelve este tipo de problema de
manera ms eficiente (menos tiempo e iteraciones) que el mtodo simplex. De
acuerdo a lo ya estudiado, podemos analizar que la aplicacin del mtodo simplex
generara un sin fin de iteraciones, partiendo de una base inicial y llegando a la
solucin ptima, pero por la cantidad de variables puede resultar engorroso este
desarrollo. Pero mediante ciertos trucos que permiten simplificar este problema lineal
y mediante la simplificacin del cambio de las variables bsicas, le permitio a Dr.
Dantzig desarrollar el algoritmo de transporte.

3.1.2.- Algoritmo de Transporte

Como hemos mencionado, lo que se quiere resolver es:

133
 m n
Min Z Cij X ij
i1 j1
s.a.
n
X a , i 1, , m,
j 1 ij i
m
X b , j 1, , n
i1 ij j
X ij 0, i, j

Este problema se facilita, como indicamos anteriormente, si se establecen dos

matrices: una de costos y la otra de flujos, tal como se muestra a continuacin:
1 2 3 n Oferta
1 C11 C12 C13 C1n a1
2 C 21 C 22 C 23 C 2n a2
3 C31 C32 C33 C3n a3
Matriz de costos


m C m1 Cm2 C m3 C mn am
Demanda b1 b2 b3 bn
1 2 3 n Oferta
1 X 11 X 12 X 13 X 1n a1
2 X 21 X 22 X 23 X 2n a2
3 X 31 X 32 X 33 X 3n a3
Matriz de flujos


m X m1 X m2 X m3 X mn am
Demanda b1 b2 b3 bn

Nota: Este algoritmo tambin se conoce como Stepping Stone Algorithm o Algoritmo
de Saltando Piedras.

En el caso que la oferta total sea mayor que la demanda total, entonces se tendr:
m n
ai b j
i 1 j 1

134
Para solucionar este conflicto, se introduce un Centro de Consumo Artificial, cuya
demanda estar dado por:
m n
bn1 ai b j
i 1 j 1

Los costos unitarios hacia ese centro de consumo b n+1 sern todos ceros, es decir, la
matriz de costos asociada quedar:
1 2 3 n n 1 Oferta
1 C11 C12 C13 C1n 0 a
1
2 C 21 C 22 C 23 C 2n 0 a
2
3 C31 C32 C33 C3n 0 a
3


m C m1 C m 2 C m3 C mn 0 a
n
Demanda b1 b2 b3 bn bn1

Por otro lado, si la demanda total excede a la oferta total, es decir:

n n
b j ai
j 1 i 1

Entonces, se aade un Centro de Oferta Artificial, cuya oferta ser:

a b a
m 1 j i

Los costos unitarios hacia ese centro d oferta a n+1, sern todos ceros, es decir, la
matriz de costos queda:
1 2 n Oferta
1 C11 C 21 C1n a1
2 C12 C 22 C 2n a2

m C m1 Cm2 C mn an
m 1 0 0 0 a m1
Demanda b1 b2 bn

Una vez que el problema de transporte est balanceado, ya sea agregando centros
de demanda o centros de oferta ficticios o artificiales, se asegura que cumple con la
condicin necesaria y suficiente para que el problema tenga solucin.

Con lo anterior, se requiere que dicha solucin inicial que sea bsica (SBFI) y
factible. Para obtener dicha solucin bsica factible inicial, se utilizan distintos
mecanismos para su obtencin, siendo en nuestro caso tres: Mtodo de la Esquina
Noroccidental, Mtodo del Mnimo Costo y Mtodo de Vogel.

135
3.1.2.1.- Mtodo Del Extremo Noroccidental (MEN)
El punto de partida es un matriz con orgenes, destinos, ofertas y demandas de un
problema balanceado, como se muestra a continuacin:
1 2 3 n Oferta
1 a1
2 a2
3 a3


m am
Demanda b1 b2 b3 bn

Para obtener una solucin bsica factible se empieza a construir una matriz de flujos
de la siguiente manera:

Paso 1:
En la posicin (1,1), que es la esquina N-0 de la matriz ( de ah su nombre), se
asigna el siguiente flujo a dicha posicin:
X 11 Min a1 , b1
a1 a1 X 11

b b1 X 11
1
Si se estuviera en una posicin cualesquiera (i, j):

X ij Min ai , b j
a i ai X ij

b b X ij
j i

Paso 2:
Ocurrir que una de los componentes, ya sea demanda u oferta ser igual a cero,
por lo cual:
Si a1 0 , pasar a la posicin (2,1) y hacer X 21 Min a2 , b1 Min a2 , b1 X11 .
Si b 0 ,
1 pasar a la posicin (1,2) y hacer X
12

2 1

Min a1 , b Min a X , b
11 2

Esta condicin de manera general, posicin (i, j) indica que:
1. Si ai 0 () , descender a la posicin (i+1, j) y hacer X i i, j Min ai 1 , b j .
b 0 ( ) Min
2. Si j , avanzar a la posicin (i, j+1) y hacer X
i, j 1 a i , b
j 1

Paso 3:
Continuar con la misma lgica hasta llegar a la posicin (m, n). La matriz de flujos
que se obtenga ser factible y bsica para el problema de transporte.

Ejemplo:

136
Se tiene tres plantas, las cuales abastecen a 5 regiones; como se indica a
continuacin:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 16 19 16 60
3 18 15 18 20 M 90
Demanda 30 40 70 40 60

Nota: La letra M indica que la planta 3 no abastece a la regin 5, dnde es un valor

muy alto (Penalizacin).

Solucin:
Se debe analizar si la demanda es igual a la oferta, es decir:
a b
i
i
j
j

40 60 90 30 40 70 40 60
190 240
Como existe una mayor demanda que oferta, implica que de acuerdo a nuestras
definiciones, es necesario agregar un centro de oferta artificial (m+1=3+1=4), as la
matriz queda con un Centro de Oferta Artificial 4 y una oferta a 4=50 y los costos
asociados a cada centro de demanda es igual a cero, entonces la matriz de costos
asociada es la siguiente:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60

Con la matriz anterior, nos permite buscar nuestro objetivo, el cual es obtener la
matriz de flujos, siendo inicialmente igual a:
1 2 3 4 5 Oferta
1 40
2 60
3 90
4 50
Demanda 30 40 70 40 60

A continuacin, se obtendr la solucin bsica falible inicial, aplicando la MEN:

Iteracin 1:
Paso 1:

137

X 11 Min a1 , b1 Min 40,30 30
a1 40 30 10

b 30 30 0
1
De esta manera, el centro de consumo 1 ha sido abastecido completamente y con el
resto del centro de demanda 1, se puede abastecer a otro mercado.
Paso 2:
Como b1 0 , se pasa a la posicin (1,2), entonces:
X12 Mina1, b2 (10,4) 10
a1 10 10 0
b2 40 10 30

De ac en adelante, no se indicarn los pasos 1 y 2, ya que estos se traslapan:

Iteracin 2: Como a1 0 , se pasa a la posicin (2,2):

X 22 Min a 2 , b2 60,30 30
a 60 30 30
2

b 30 30 0
2

Iteracin 3: Como b2 0 , entonces pasa a la posicin (2,3)

X 23 Min a 2 , b3 Min 30,70 30

a 30 30 0
2
b 70 30 40
3

Iteracin 4: Como a 2 0 , entonces pasa a la posicin (3,3)

X 33 Min a3 , b3 90,40 40
a 90 40 50
3

b 40 40 0
3

Iteracin 5: Como b3 0 , entonces pasa a la posicin (3,4)

X 34 Min a3 , b4 50,40 40

a 50 40 10
3
b 40 40 0
4

Iteracin 6: Como b4 0 , entonces pasa a la posicin (3,5)

X 35 Min a 3 , b5 10,60 10

a 10 10 0
3
b 60 10 50
5

138
Iteracin 7: Como a 3 0 , entonces pasa a la posicin (4,5)
X 45 Min a 4 , b5 50,50 50
a 50 50 0
4

b 50 50 0
5

Notemos que la posicin (4, 5) es efectivamente la ltima posicin.

La solucin bsica factible inicial de la matriz de flujos es:

1 2 3 4 5 Oferta
1
1 30 10 2 0 0 0 40
3
2 0 30 30 4 0 0 60
5 6
3 0 0 40 40 10 7 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60

Costo MEN:
Cij X ij 20 * 30 19 *10 20 * 30 13 * 30 18 * 40 20 * 40 M *10 0 * 50 $3.300 10M
i j
Los nmeros sobre las flechas indican las iteraciones de MEN. La solucin inicial es
bsica, ya que hay m n 1 4 5 1 8 flujos que X ij 0 y el resto, es decir,
m n m n 1 4 5 8 12 flujos son iguales acero X ij 0 . Lo anterior indica que
se satisfacen las restricciones de oferta y las restricciones de demanda y adems, la
solucin inicial es no-degenerada, porque hay exactamente m n 1 flujos en la
base que son positivos.

Aunque este mtodo es sencillo, tiene como desventaja que la SBFI de la regin de
soluciones del PT, se encuentra demasiado alejado de la solucin ptima, es decir,
desde este punto hasta la solucin ptima se requerirn varias iteraciones, lo cual
puede ser costoso desde el punto de uso del computador. La cusa principal de este
problema es que este mtodo no toma en cuenta el costo, slo la oferta y la
demanda.

Del ejemplo anterior, se puede analizar que existe un valor extremadamente elevado
(10M), el cual no favorece para nada el costo del transporte, asociado a la solucin
inicial del problema.

3.1.2.2.- Mtodo De Vogel

Este mtodo, que nos entrega una solucin bsica factible inicial para el algoritmo de
transporte, nos proporciona una solucin ms cercana al punto ptimo. Los pasos a
seguir son los siguientes:

139
Paso 1:
Construya la matriz de costos y flujos asociados al problema balanceado y vaya al
paso 3.

Paso 2:
Utilice el remanente de la matriz de costos y flujos una vez que estos ltimas se
hayan asignado.
Paso 3:
Se entiende por diferencia de fila (de columna) a la diferencia entre los dos nmeros
ms pequeos que hay en la fila (columna). Calcule todas las diferencias de filas o
columnas de la matriz de costos.

Paso 4:
Seleccione aquella fila o columna con mayor diferencia. Los empates se rompen de
manera arbitraria.

Paso 5:
Seleccione el costo ms pequeo en la matriz de costos, ya sea en la fila o columna
seleccionada en el paso anterior. Designe a esta posicin como C ij.

Paso 6:
En la matriz de flujo, hgase
X ij Min ai , b j , donde la posicin (i,j) fue identificada en
el paso anterior.

Hgase la oferta ai igual a:

a i ai X ij

y la demanda bj igual a:
b b X ij
j i

Paso 7:
1. Si ai 0 , llnese la fila i de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese esa fila de cualquier consideracin futura en la matriz de
costos.

2. Si b j 0 , llnese la columna j de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese a esa columna de cualquier consideracin futura en la
matriz de costos.
Regrese al paso 2

Ejemplo
Resolvamos el mismo problema anterior, pero utilizando el mtodo de Vogel:
Iteracin 1:
Matriz de Costos y Flujos:

140
 1 2 3 4 5 Oferta 1 2 3 4 5 Oferta
1 20 19 14 21 16 40 1 40
2 15 20 13 19 16 60 2 60
3 18 15 18 20 M 90 3 90
4 0 0 0 0 0 50 4 50
Demanda 30 40 70 40 60 Demanda 30 40 70 40 60

Paso 3:
1 2 3 4 5 Oferta Diferenci
a
1 20 19 14 21 16 40 2
2 15 20 13 19 16 60 2
3 18 15 18 20 M 90 3
4 0 0 0 0 0 50 0
Demanda 30 40 70 40 60
Diferencia 15 15 13 19 16
Rojo: mnimos por fila . Azul: mnimos por columna .
Paso 4:
Se selecciona la columna cuatro por tener la mayor diferencia que es 19.
Paso 5:
El costo ms pequeo corresponde a Cij C 44 0 .
Paso 6:
X 44 min( a 4 , b4 ) min(50,40) 40

a 4 a4 X 44 50 40 10 b 4 b4 X 44 40 40 0
Paso 7:

Como b 4 0 , todos los elementos de la columna 4, a excepcin de X 44, se hacen
igual a cero y la columna 4 se elimina para cualquier consideracin futura.

Iteracin 2:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 40
2 0 60
3 0 90
4 40 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:

141
 1 2 3 4 5 Oferta Diferencia
1 20 19 14 16 40 2
2 15 20 13 16 60 2
3 18 15 18 M 90 3
4 0 0 0 0 10 0
Demanda 30 40 70 0 60
Diferenci 15 15 13 16
a
Paso 4:
Se selecciona la columna cinco por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a Cij C 45 0 .
Paso 6:
X 45 min(a 4 , b5 ) min(10,60) 10

a 4 a 4 X 45 10 10 0 b 5 b5 X 45 60 10 50
Paso 7:
Como a 4 0 , todos los elementos de la fila 4 se hacen cero, a excepcin de X 45 y la
fila 4 se elimina para cualquier consideracin futura.

Iteracin 3:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 40
2 0 60
3 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 20 19 14 16 40 2
2 15 20 13 16 60 2
3 18 15 18 M 90 3
4 0
Demanda 30 40 70 0 50
Diferenci 3 4 1 0
a
Paso 4:
Se selecciona la columna dos por tener la mayor diferencia que es 4.

142
Paso 5:
El costo ms pequeo corresponde a Cij C32 15 .
Paso 6:
X 32 min(a3 , b2 ) min(90,40) 40
a3 a3 X 32 90 40 5 0 b2 b2 X 32 40 40 0
Paso 7:
Como b2 0 , todos los elementos de la columna 2 se hacen cero, a excepcin de
X32 y la columna 2 se elimina para cualquier consideracin futura.

Iteracin 4:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 40
2 0 0 60
3 40 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 20 14 16 40 2
2 15 13 16 60 2
3 18 18 M 50 0
4 0
Demanda 30 0 70 0 50
Diferenci 3 1 0
a
Paso 4:
Se selecciona la columna uno por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a Cij C 21 15 .
Paso 6:
X 21 min(a 2 , b1 ) min(60,30) 30
a 2 a2 X 21 60 30 3 0 b1 b1 X 21 30 30 0
Paso 7:
Como b1 0 , todos los elementos de la columna 1 se hacen cero, a excepcin de
X21 y la columna 1 se elimina para cualquier consideracin futura.

143
Iteracin 5:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 40
2 30 0 0 60
3 0 40 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 14 16 40 2
2 13 16 30 3
3 18 M 50 M-18
4 0
Demanda 0 0 70 0 50
Diferenci 1 0
a
Paso 4:
Se selecciona la fila tres por tener la mayor diferencia que es M-18.
Paso 5:
El costo ms pequeo corresponde a Cij C33 18 .
Paso 6:
X 33 min(a 3 , b3 ) min(50,70) 50
a 3 a 3 X 33 50 50 0 b3 b3 X 33 70 50 20
Paso 7:
Como a3 0 , todos los elementos de la fila 3 se hacen cero, a excepcin de X 33 y la
fila 3 se elimina para cualquier consideracin futura.

Iteracin 6:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60

144
 1 2 3 4 5 Oferta
1 0 0 0 40
2 30 0 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 14 16 40 2
2 13 16 30 3
3 0
4 0
Demanda 0 0 20 0 50
Diferenci 1 0
a
Paso 4:
Se selecciona la fila dos por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a Cij C 23 13 .
Paso 6:
X 23 min( a 2 , b3 ) min(30,20) 20
a 2 a 2 X 23 30 20 10 b3 b3 X 23 20 20 0
Paso 7:
Como b3 0 , todos los elementos de la columna 3 se hacen cero, a excepcin de
X23 y la columna 3 se elimina para cualquier consideracin futura.

Iteracin 7:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 0 40
2 30 0 20 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:

1 2 3 4 5 Oferta Diferencia

145
 1 16 40 16
2 16 10 16
3 0
4 0
Demanda 0 0 0 0 50
Diferenci 0
a
Paso 4:
Se selecciona la fila uno o dos (arbitrariamente se rompe este empate) por tener la
mayor diferencia que es 16.

Paso 5:
El costo ms pequeo corresponde a Cij C15 16 .
Paso 6:
X 15 min(a1 , b5 ) min(40,50) 40
a1 a1 X 15 40 40 0 b5 b5 X 15 50 40 10
Paso 7:
Como a1 0 , todos los elementos de la fila 1 se hacen cero, a excepcin de X 15 y la
fila 1 se elimina para cualquier consideracin futura.

Iteracin 8:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60
Paso 3:
Se calcula nuevamente las diferencias por fila y columna de la matriz de costo:
1 2 3 4 5 Oferta Diferencia
1 0
2 16 10 16
3 0
4 0
Demanda 0 0 0 0 10
Diferenci 0
a
Paso 4:

146
Se selecciona la fila dos por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a Cij C 25 16 .
Paso 6:
X 25 min(a 2 , b5 ) min(10,10) 10

a 2 a 2 X 25 10 10 0 b5 b5 X 25 10 10 0
Paso 7:
Como a1 0 b5 0 , todos los elementos de la fila 2 y la columna 5 se hacen cero, a
excepcin de X25 y la fila 1 y la columna 5 se eliminan para cualquier consideracin
futura.

Iteracin 9:
Paso 2:
Notemos que efectivamente la iteracin anterior fue la ltima, por lo cual, se obtiene
la Matriz de Costos (sin tarjar) y La Matriz de Flujos final:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
Matriz de Flujos:
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 10 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60

Para calcular el costo del Mtodo de Vogel se multiplican los flujos y costos
respectivos, correspondiente a la SBFI, obteniendo el siguiente valor:
Cij X ij 40 *16 30 *15 20 *13 10 *16 40 *15 50 *18 40 * 0 10 $3.010
i j

3.1.2.4.- Mtodo del Costo Mnimo

Este mtodo, que nos entrega una solucin bsica factible inicial para el algoritmo de
transporte, nos proporciona una solucin cercana al punto ptimo.

Los pasos a seguir son los siguientes:

Paso 1:

147
Construya la matriz de costos y flujos asociados al problema balanceado y vaya al
paso 3.

Paso 2:
Utilice el remanente de la matriz de costos y flujos una vez que estas ltimas se
hayan asignado.

Paso 3:
Seleccione el costo ms pequeo en la matriz de costos, ya sea en fila o columna.
Designe a esta posicin como Cij.

Paso 4:
En la matriz de flujo, hgase
X ij Min ai , b j , donde la posicin (i,j) fue identificada en
el paso anterior.
Hgase la oferta ai igual a:
a i ai X ij

Hgase la demanda bj igual a:

b b X ij
j i

Paso 5:
3. Si ai 0 , llnese la fila i de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese esa fila de cualquier consideracin futura en la matriz de
costos.

4. Si b j 0 , llnese la columna j de la matriz de flujos con ceros, a excepcin de la
posicin (i,j) y elimnese a esa columna de cualquier consideracin futura en la
matriz de costos.

Regrese al paso 2

Ejemplo
Resolvamos el mismo problema anterior, pero utilizando el mtodo de Vogel:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60

Iteracin 1:
Paso 1:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50

148
 Demanda 30 40 70 40 60
Paso 3:
El costo ms pequeo de la matriz, corresponde completamente a la fila 4, por lo
cual, se elije arbitrariamente la posicin (4,5): Cij C 45 0 .
Paso 4:
X 45 min(a 4 , b5 ) min(50,60) 50
a 4 a 4 X 44 50 50 0 b5 b5 X 45 60 50 10
Paso 5:
Como a 4 0 , todos los elementos de la fila 4, a excepcin de X 45, se hacen igual a
cero y la fila 4 se elimina para cualquier consideracin futura.

Iteracin 2:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 40
2 60
3 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0
Demanda 30 40 70 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (2,3): Cij C 23 13 .
Paso 4:
X 23 min(a 2 , b3 ) min(60,70) 60
a 2 a2 X 23 60 60 0 b3 b3 X 23 70 60 10
Paso 5:
Como a 2 0 , todos los elementos de la fila 2, a excepcin de X 23, se hacen igual a
cero y la fila 2 se elimina para cualquier consideracin futura.

Iteracin 3:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:

149
 1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 40
2 0 0 60 0 0 60
3 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 0
3 18 15 18 20 M 90
4 0
Demanda 30 40 10 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (1,3): Cij C13 14 .
Paso 4:
X 13 min(a1 , b3 ) min( 40,10) 60

a1 a1 X 13 40 10 3 0 b 3 b3 X 23 10 10 0
Paso 5:
Como b3 0 , todos los elementos de la columna 3, a excepcin de X 13, se hacen
igual a cero y la columna 3 se elimina para cualquier consideracin futura.

Iteracin 4:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 10 40
2 0 0 60 0 0 60
3 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 19 21 16 30
2 0
3 18 15 20 M 90

150
 4 0
Demanda 30 40 0 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (3,2): Cij C32 15 .
Paso 4:
X 32 min(a3 , b2 ) min(90,40) 40

a 3 a3 X 32 90 40 5 0 b 2 b2 X 32 40 40 0
Paso 5:
Como b2 0 , todos los elementos de la columna 2, a excepcin de X 32, se hacen
igual a cero y la columna 2 se elimina para cualquier consideracin futura.

Iteracin 5:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 10 40
2 0 0 60 0 0 60
3 40 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 21 16 30
2 0
3 18 20 M 50
4 0
Demanda 30 0 0 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (1,5): Cij C15 16 .

Paso 4:
X 15 min(a1 , b5 ) min(30,10) 10
a1 a1 X 15 10 10 10
b5 b5 X 15 30 10 2 0
Paso 5:
Como b5 0 , todos los elementos de la columna 5, a excepcin de X 15, se hacen
igual a cero y la columna 5 se elimina para cualquier consideracin futura.

Iteracin 6:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:

151
 1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 10 10 40
2 0 0 60 0 0 60
3 40 0 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 20 21 20
2 0
3 18 20 50
4 0
Demanda 30 0 0 40 0
El costo ms pequeo de la matriz, corresponde a la posicin (3,1): Cij C31 16 .
Paso 4:
X 31 min(a 3 , b1 ) min(50,30) 30
a a X 50 30 2 0
3 3 31
b1 b1 X 31 30 30 0
Paso 5:
Como b1 0 , todos los elementos de la columna 1, a excepcin de X 31, se hacen
igual a cero y la columna 1 se elimina para cualquier consideracin futura.

Iteracin 7:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 10 10 40
2 0 0 60 0 0 60
3 30 40 0 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 21 20
2 0

152
 3 20 20
4 0
Demanda 0 0 0 40 0
El costo ms pequeo de la matriz, corresponde a la posicin (3,4): Cij C34 20 .
Paso 4:
X 34 min(a 3 , b4 ) min(20,40) 20
b4 b4 X 34 40 20 2 0
a 3 a 3 X 31 20 20 0
Paso 5:
Como a 3 0 , todos los elementos de la fila 3, a excepcin de X 34, se hacen igual a
cero y la fila 3 se elimina para cualquier consideracin futura.

Iteracin 8:
Paso 2: Al regresar, la matriz de costos y flujos quedan de la siguiente manera:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60
1 2 3 4 5 Oferta
1 0 0 10 10 40
2 0 0 60 0 0 60
3 30 40 0 20 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60
Paso 3:
1 2 3 4 5 Oferta
1 21 20
2 0
3 0
4 0
Demanda 0 0 0 20 0
El costo ms pequeo de la matriz, corresponde a la posicin (1,4): Cij C14 21 .
Paso 4:
X 14 min(a1 , b4 ) min(20,20) 0
a1 a1 X 14 20 20 0
b4 b4 X 14 20 20 0
Paso 5:
Como a1 0 b4 0 , todos los elementos de la fila 1 y columna 4, a excepcin de X 14,
se hacen igual a cero y la fila 1 y columna 4 se elimina para cualquier consideracin
futura.

Iteracin 9:
Paso 2:

153
Notemos que efectivamente la iteracin anterior fue la ltima, por lo cual, se obtiene
la Matriz de Costos (sin tarjar) y La Matriz de Flujos final:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60

Matriz de Flujos:
1 2 3 4 5 Oferta
1 0 0 10 20 10 40
2 0 0 60 0 0 60
3 30 40 0 20 0 90
4 0 0 0 0 50 50
Demanda 30 40 70 40 60

Para calcular el costo del Mtodo de Costo Mnimo, se multiplican los flujos y costos
respectivos, correspondiente a la SBFI, obteniendo el siguiente valor:
Cij X ij 10 *14 20 * 21 10 *16 60 *13 30 *18 40 *15 20 * 20 50 * 0 $3.040
i j

3.1.2.4.- Desarrollo Algoritmo De Transporte

La metodologa del algoritmo de transporte y obtener la solucin ptima es:

Paso 1:
Balancear el problema de transporte, a fin de cumplir la condicin necesaria y
suficiente para obtener una solucin ptima, es decir:
m n
ai b j
i 1 j 1
Paso 2:
Generar una solucin inicial que sea bsica y factible, utilizando, ya sea: Mtodo de
Vogel o Mtodo De Extremo NorOccidental o Mtodo de Mnimo Costo.

Paso 3:
Construir una matriz de costos C ij , asociada a la solucin bsica factible que se
tenga, donde:
C C , Si X est en la base
ij ij ij
C 0 , Si X no est en la base
ij ij
Paso 4:
Con esta matriz de costos, calcular el valor de todas las variables duales:
, con i 1,...., m v , con j 1,....., n
u
i j .
Utilizando la expresin:

154
 ui v j Cij 0 i 1,..., m ; j 1,..., n

Como hay m n variables (m variables ui, n variables vj) y solamente m n 1

ecuaciones ui v j Cij 0 (existe slo un grado de libertad). Esto equivale a dar un
valor arbitrario (se recomienda el valor cero) a cualquiera de las variables duales y
as queda por resolver un sistema de m n 1 ecuaciones con m n 1 variables.

Paso 5:
Los parmetros zij cij se calculan por medio de la ecuacin zij cij (ui v j ) cij .
Como estamos usando el PT como minimizacin, si todos los Z ij Cij 0, i, j , la
solucin actual es ptima. En caso contrario, si Z ij Cij 0, i, j , se elije el valor ms
positivo, correspondiente a X ij , correspondiente a la variable de flujo X ij para debe
entrar a la base.

Para seguir la coherencia general de la programacin, el PT ser aplica mediante

reglas de maximizacin, lo cual: si todos los Z ij Cij 0, i, j , la solucin actual es
ptima. En caso contrario, si Z ij Cij 0, i , j , se elije el valor ms negativo,
correspondiente a la variable de flujo X ij para debe entrar a la base.

Paso 6:
Si la variable X ij entra a la base con un cierto valor 0 , la oferta ai y la demanda
b j se desequilibran en , a menos que exista un mecanismo de compensacin.

Veamos como se produce este desequilibrio, antes de conocer el mecanismo:

supongamos que para el PT se tiene la siguiente solucin bsica factible:
Matriz de Flujos Inicial:
1 j n Oferta
1 X 11 X1j a1

i X in ai

m X m1 X mn am
Demanda b1 bj bn

Tengamos presente que los cinco flujos generan una solucin bsica factible inicial
(m+n-1=5), ya que:

155
X 11 X ij a1
X in ai
X m1 X mn am
X 11 X m1 b1
X1 j bj
X in X mn bn
X 11 0, X 1 j 0, X in 0, X m1 0, X mn 0

Supongamos que zij cij , es la ms negativa y por lo tanto, X ij entra a la nueva

base con un determinado valor 0 , ( X ij , entra a la base por que z ij cij 0 ).
Tabularmente se tiene lo siguiente:
1 j n Oferta
1 X 11 X1j a1

i / X ij X in ai

m X m1 X mn am
Demanda b1 bj bn
Si 0 , esta nueva solucin ya no es bsica, porque m+n=6 elementos en la base y
no m+n-1=5, como debiese ser. Tambin la solucin no es, ya que por un lado la
oferta del origen i es mayor que ai, siendo:
X a a
in i i
y por el otro lado, la demanda del destino j es mayor que bj, siendo:
X b b
1j j j.

Existe un desequilibrio que nicamente puede desaparecer si se resta o suma

unidades en ciertos puntos de la matriz de flujos; lo anterior, permite construir un
circuito, tal como se indica a continuacin:
1 j n Oferta
1 X 11 X1j a1

i X in ai

m X m1 X mn am
Demanda b1 bj bn

Se puede apreciar, que dependiendo de las posiciones de la matriz de flujos, se ha

sumado el valor de en otras posiciones y se ha restado el valor de en otras
posiciones, para mantener el equilibrio entre la oferta y demanda.
De acuerdo a lo anterior, se ha regenerado la factibilidad, ms no lo bsico del
efecto, es decir:

156
 X 11 X ij a1
X in ai
X m1 X mn am
X 11 X m1 b1
X 1j bj
X in X mn bn

Para que esta solucin sea bsica, es decir, que solamente estn m+n-1 elementos
en la base, debe ser lo suficientemente grande como para reducir el valor de uno
o varios flujos bsicos a cero. Si analizamos la matriz anterior, vemos que si
aumenta, los siguientes flujos disminuyen: X1 j , X in , X m1 , por lo tanto:
min
X 1 j , X in , X m1

Este circuito es nico, por lo cual, el paso 6 se puede resumir como sigue:

6.a.- Construya el circuito nico que contiene a la variable Xij que entra a la base.
Nota: Un regln o una columna pueden tener ms de dos celdillas en el circuito, pero
no pueden ser consecutivas ms de dos de ellas.

6.b.- X ij , donde es el mnimo de los vectores bsicos en el circuito que

disminuyen su valor a medida que aumenta.

Ejemplo:
Sea el problema de transporte, que tiene tres orgenes con capacidad de 40, 60 y 90
unidades, respectivamente y cinco destinos con demandas de 30, 40, 70, 40 y 60
unidades, respectivamente y los costos unitarios estn dados en la siguiente tabla:
Matriz de Costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 No surte 90
Demanda 30 40 70 40 60

Por razones tcnicas, el origen 3 no puede abastecer al destino 5.

Iteracin 1:
Paso 1:
El problema esta desbalanceado, puesto que la oferta total es menor que la
demanda total en 50 unidades. Como se muestra a continuacin:
4 5
a 190 b j 240
i1 i j 1

157
De esta manera, para balancear el problema se debe crear un centro de oferta
artificial a5, el cual tiene una oferta de 50 unidades y cuyos costos son
C 4 j 0, j , ,5 . El problema ya balanceado, genera la siguiente matriz de costos:
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Demanda 30 40 70 40 60

Paso 2: Utilizando el Mtodo de Vogel, se obtiene la solucin bsica factible inicial, con un
costo de $3.010. La matriz de flujos asociada es:
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 30 0 20 0 10 60
3 0 40 50 0 0 90
4 0 0 0 40 10 50
Demanda 30 40 70 40 60

Paso 3:
Se construye la matriz de costos C ij , donde:
C 15 16 C 32 15
C 21 15 C 33 18
C 23 13 C 44 0
C 25 16 C 45 0

El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 15 0 13 0 16 u2
3 0 15 18 0 0 u3
4 0 0 0 0 0 u4
v1 v2 v3 v4 v5

Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n

De esta manera:
C 15 u1 v5 0
C 21 u 2 v1 0
C 23 u 2 v3 0

158
C 25 u 2 v5 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 44 u 4 v 4 0
C 45 u 4 v5 0

Se puede analizar que se puede, especficamente, utilizar tanto u2 o v5, las cuales
estn tres veces en las ecuaciones anteriores y por conveniencia asignaremos en
este caso u2=0.

Las ecuaciones anteriores, nos permiten conocer v1, v3 y v5:

C 21 u 2 v1 0 v1 C 21 15
C 23 u 2 v3 0 v3 C 23 13
C 25 u 2 v5 0 v5 C 25 16
Conocidos las variables duales v1, v3 y v5, se calculan ahora u1, u3, u4, v2 y v4:
C 15 u1 v5 0 u1 C 15 v5 16 16 0
C 33 u 3 v3 0 u 3 C 33 v3 18 13 5
C 45 u 4 v5 0 u 4 C 45 v5 0 16 16
C 32 u 3 v2 0 v2 C 32 u 3 15 5 10
C 44 u 4 v 4 0 v 4 C 44 u 4 0 (16) 16

En resumen:
u1 0 , v1 15
u2 0 , v2 10
u3 5 , v3 13
u4 16 , v4 16
v5 16

Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 (0 15) 5
11 11 11 1 1
z c C (u v ) 19 ( 0 10) 9
12 12 12 1 2
z c C (u v ) 14 (0 13) 1
13 13 13 1 3
z c C (u v ) 21 (0 16) 5
14 14 14 1 4
z c C (u v ) 20 (0 10) 10
22 22 22 2 2
z c C (u v ) 19 (0 16) 3
24 24 24 2 4
z c C (u v ) 18 (5 15) 2
31 31 31 3 1
z c C (u v ) 20 (5 16) 1
34 34 34 3 4
z c C (u v ) M (5 16) M 21
35 35 35 3 5
z c C (u v ) 0 ( 16 15) 1
41 41 41 4 1
z c C (u v ) 0 ( 16 10) 6
42 42 42 4 2
z c C (u v ) 0 ( 16 13) 3
43 43 43 4 3

159
Si zij cij 0 , indica que la solucin es ptima, pero dos elementos son negativos, por
lo cual se elije el ms negativo, es decir: z31 c31 2 0 , por lo tanto, X31 entra a la
base.
Pase 6:
El circuito queda representado, tabularmente, en la matriz de flujos:
1 2 3 4 5 Oferta
1 40 40
2 30- 20+ 10 60
3 40 50- 90
4 40 10 50
Demanda 30 40 70 40 60

El valor que debe tomar debe ser el mnimo de los flujos que disminuyen al
aumentar , es decir:
Min X , X Min 30,50 30
21 33

La nueva solucin al PT en la Matriz de Flujos es:

1 2 3 4 5 Oferta
1 40 40
2 50 10 60
3 30 40 20 90
4 40 10 50
Demand 30 40 70 40 60
a

El costo asociado a la nueva solucin es:

CT 3.010 X 31 ( z31 c31 ) 3.010 30 (2) $2.950
Volver al paso 3.

Iteracin 2:
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15 16 C 32 15
C 23 13 C 33 18
C 25 16 C 44 0
C 31 18 C 45 0
El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 0 0 13 0 16 u2
3 18 15 18 0 0 u3

160
 4 0 0 0 0 0 u4
v1 v2 v3 v4 v5

Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n . De esta manera:
C 15 u1 v5 0
C 23 u 2 v3 0
C 25 u 2 v5 0
C 31 u 3 v1 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 44 u 4 v4 0
C 45 u 4 v5 0

En este caso se puede utilizar u3, la cual est tres veces en las ecuaciones
anteriores, entonces u3=0.

Las ecuaciones anteriores, nos permiten conocer v1, v2 y v3:

C 31 u 3 v1 0 v1 C 31 18
C 32 u 3 v2 0 v2 C 32 15
C 33 u 3 v3 0 v3 C 33 18

Conocidos las variables duales v1, v2 y v3, se calculan ahora u1, u2, u4, v4 y v5:
C 15 u1 v5 0 u1 C 15 v5 16 21 5
C 23 u 2 v3 0 u 2 C 23 v3 13 18 5
C 25 u 2 v5 0 v5 C 25 u 2 16 (5) 21
C 44 u 4 v4 0 v 4 C 44 u 4 0 ( 21) 21
C 45 u 4 v5 0 u 4 C 45 v5 0 ( 21) 21

En resumen:
u1 5 , v1 18
u2 5 , v2 15
u3 0 , v3 18
u4 21 , v4 21
v5 21
Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 ( 5 18) 7
11 11 11 1 1
z c C (u v ) 19 ( 5 15) 9
12 12 12 1 2
z c C (u v ) 14 ( 5 18) 1
13 13 13 1 3
z c C (u v ) 21 ( 5 21) 5
14 14 14 1 4

161
z c C (u
v ) 15 ( 5 18) 2
21 21 21 1 2
z c C (u v ) 20 ( 5 15) 10
22 22 22 2 2
z c C (u v ) 19 ( 5 21) 3
24 24 24 2 4
z c C (u v ) 20 (0 21) 1
34 34 34 3 4
z c C (u v ) M (0 21) M 21
35 35 35 3 5
z c C (u v ) 0 ( 21 18) 3
41 41 41 4 1
z c C (u v ) 0 ( 21 15) 6
42 42 42 4 2
z c C (u v ) 0 ( 21 18) 3
43 43 43 4 3

Si zij cij 0 , indica que la solucin es ptima, pero un solo elemento es negativo, por
lo cual: z34 c34 1 0 , por lo tanto, X34 entra a la base.

Pase 6:
El circuito queda representado, tabularmente, en la matriz de flujos:
1 2 3 4 5 Oferta
1 40 40
2 50+ 10- 60
3 30 40 20- 90
4 40- 10+ 50
Demanda 30 40 70 40 60

El valor que debe tomar debe ser el mnimo de los flujos que disminuyen al
aumentar , es decir:
Min X , X , X Min10, 20, 40 10
25 33 44

La nueva solucin al PT en la Matriz de Flujos es:

1 2 3 4 5 Oferta
1 40 40
2 60 60
3 30 40 10 10 90
4 30 20 50
Demand 30 40 70 40 60
a
El costo asociado a la nueva solucin es:
CT 2.950 X 34 ( z 31 c31 ) 2.950 10 (1) $2.940
Volvemos al paso 3:
Tercera Iteracin:
Paso 3:
Se construye la matriz de costos C ij , donde:
C 15 16 C 33 18
C 23 13 C 34 20
C 31 18 C 44 0
C 32 15 C 45 0

162
El resto de los C ij 0 . A continuacin, hay que asociar las variables duales ui a los
orgenes ( i 1, ,4 ) y las vj a los destinos ( j 1, ,5 ), generndose la siguiente
matriz de costos actualizada:
1 2 3 4 5
1 0 0 0 0 16 u1
2 0 0 13 0 0 u2
3 18 15 18 20 0 u3
4 0 0 0 0 0 u4
v1 v2 v3 v4 v5

Paso 4:
Se generan las ecuaciones: ui v j Cij 0 i 1,..., m ; j 1,..., n . De esta manera:
C 15 u1 v5 0
C 23 u 2 v3 0
C 31 u 3 v1 0
C 32 u 3 v 2 0
C 33 u3 v3 0
C 34 u 3 v 4 0
C 44 u 4 v 4 0
C 45 u 4 v5 0

En este caso se puede utilizar u3, la cual est cuatro veces en las ecuaciones
anteriores, entonces u3=0.

Las ecuaciones anteriores, nos permiten conocer v1, v2, v3 y v4:

C 31 u 3 v1 0 v1 C 31 18
C 32 u 3 v2 0 v2 C 32 15
C 33 u 3 v3 0 v3 C 33 18
C 34 u 3 v 4 0 v 4 C 34 20

Conocidos las variables duales v1, v2, v3 y v4, se calculan ahora u1, u2, u4 y v5:
C 15 u1 v5 0 u1 C 15 v5 16 20 4
C 23 u 2 v3 0 u 2 C 23 v3 13 18 5
C 44 u 4 v4 0 u 4 C 44 v4 0 (20) 20
C 45 u 4 v5 0 v5 C 45 u 4 0 ( 20) 20

En resumen:

163
u1 4 , v1 18
u2 5 , v2 15
u3 0 , v3 18
u4 20 , v4 20
v5 20

Paso 5:
Utilizando la formula: z
ij
c
ij
C (u v ), i , j N
ij i j , se obtienen los indicadores de
optimalidad:
z c C (u v ) 20 ( 4 18) 6
11 11 11 1 1
z c C (u v ) 19 ( 4 15) 8
12 12 12 1 2
z c C (u v ) 14 ( 4 18) 0
13 13 13 1 3
z c C (u v ) 21 ( 4 20) 5
14 14 14 1 4
z c C (u v ) 15 ( 5 18) 2
21 21 21 2 1
z c C (u v ) 20 ( 5 15) 10
22 22 22 2 2
z c C (u v ) 19 ( 5 20) 4
24 24 24 2 4
z c C (u v ) 16 ( 5 20) 1
25 25 25 2 5
z c C (u v ) M (0 20) M 20
35 35 35 3 5
z c C (u v ) 0 ( 20 18) 2
41 41 41 4 1
z c C (u v ) 0 ( 20 15) 5
42 42 42 4 2
z c C (u v ) 0 ( 20 18) 2
43 43 43 4 3

Si z
ij
c 0, i , j N
ij , indica que la solucin anterior es ptima

Finalmente, se puede resumir que la solucin ptima al Problema de Transporte

(Matriz de Flujos) es:
1 2 3 4 5 Oferta
1 0 0 0 0 40 40
2 0 0 60 0 0 60
3 30 40 10 10 0 90
4 0 0 0 30 20 50
Demand 30 40 70 40 60
a

El costo de la solucin es: CT $2.940

De manera esquemtica, el problema de transporte es:

164
Notemos que la oferta total era de 190 unidades y de demanda total de 240
unidades, por lo cual, existe una demanda insatisfecha de 50 unidades y de acuerdo
al problema de transporte, la manera ptima de no satisfacer esta demanda es
dejando insatisfecho a los centro de consumo 4 en 30 unidades (flujo X44) y al centro
de consumo 5 en 20 unidades (flujo X45).

3.1.3.- Problemas de Transporte Degenerados

Como hemos visto, siempre los m+n-1 vectores bsicos eran siempre mayores que
cero, pero se puede dar el caso que durante alguna iteracin del algoritmo de
transporte se obtenga una solucin bsica, factible y degenerada, es decir, de los
m+n-1 vectores de la base, uno o mas de dichos vectores bsicos obtenga el valor
cero.

Lo anterior puede acarrear que no se pudiera construir las ecuaciones necesarias

para generar la nueva base o, de manera prctica, en la matriz de flujos no se podra
construir un circuito nico que se pueda cerrar. Para solucionar dicha situacin, ya
que se puede confundir en las distintas iteraciones cuales son las variables bsicas
que tienen valor cero, con respecto a las variables no bsicas que efectivamente
tienen valor cero, se plantea lo siguiente:
Asigne de forma y manera arbitraria un valor (para representar el cero) a
cualquiera de los elementos que se hayan anulado y que se requieren para
mantener los m+n-1 componentes de la base. Este valor slo es til para
distinguir los ceros de las variables bsicas con respecto a las variables no
bsicas. La aplicacin del algoritmo de transporte se mantiene igual.

165
3.2.- EL PROBLEMA DE TRANSBORDO
Uno de los requisitos esenciales del problema de transporte es que se debe conocer
de antemano la forma en que se van a distribuir las unidades de cada origen i a cada
destino j, para poder determinar el costo por unidad C ij. No obstante, en ciertas
ocasiones no es evidente cul es el mejor medio de distribucin, pues existe la
posibilidad de transbordos en los que los embarques pasaran a ser puntos de
transferencia o intermedios, lo que a su vez, pueden ser otros orgenes o destinos.

3.2.1.- Modelo de Transbordo

Se describe el problema de transbordo como aquel que se ocupa de asignar las
mercaderas y encontrar la mejor ruta para dichas unidades desde los centros de
suministro (oferta) hacia los centros de recepcin (demanda), pasando por puntos de
transbordo (que pueden ser efectivamente conexiones, otros centros de suministros
y otros centros de recepcin).

Las unidades que se mandan de cada centro de suministro genera un supervit neto
de unidades (valor positivo) que se deben distribuir y cada centro de recepcin
absorbe un dficit neto de unidades dado (valor negativo), mientras que las
conexiones no generan ni absorben unidades, ya que slo son un punto de reparto
de unidades de manera transitoria.

En este caso, el problema original consta de m orgenes (enumerados de 1, , m ), p

centros de de conexin (enumerados de m 1, , m p ) y n destinos (enumerados
de m p 1, , m p n ), y se permite, a diferencia del problema de transporte, la
direccin del flujo en ambos sentidos, es decir, de origen a destino, pasando por las
conexiones y viceversa. De esta manera, se puede hablar de un problema que esta
constituido por m p n orgenes y m p n destinos (haciendo una similitud con el
problema de transporte ya conocido), el cual conoceremos como Problema de
Transbordo.

De acuerdo a esta condicin, el modelo matemtico es el siguiente:

Min
( m p n ) ( m p n )
Z i 1
Cj 1
ij X ij , (i j )

s.a :
m pn m pn

X
t 1
it X
t 1
ti ai , i 1, , m
t i t i
m pn m p n

Xt 1
m k ,t Xt 1
t ,m k 0, k 1, , p
t m k t m k
m pn m p n

X
t 1
t ,m p j X
t 1
m p j ,t bj , j 1, , m
t m p j t m p j

X ij 0, i 1, , m p n,
j 1, , m p n

166
Dnde:
La primera restriccin son nodos de origen, donde: (arcos que salen - arcos que
entran).
La segunda restriccin son nodos de transbordo, donde: (puntos de conexin).
La tercera restriccin son nodos de demanda, donde: (arcos que entran - arcos
que salen).

Esquemticamente se puede ver como:

El modelo anterior, se puede representar, tradicionalmente, con la matriz de costos:

167
 1 i m m 1 mk m p m
1 c11 c1i c1m c1, m 1 c1, m p c1, m

i c ii ci ,m k

m c m1 c mm c m , m 1 c m,m p c m, m
m 1 c m 1,1 C m 1, m c m 1, m 1 c m 1, m p c m 1,

mk c m k ,i c m k ,m k

m p c m p ,1 cm p,m c m p , m 1 c m p ,m p c m p
m p 1 c m p 1,1 c m p 1, m c m p 1, m 1 c m p 1, m p cm p

m p j c m p j ,i c m p j ,m k

m p n c m p n ,1 c m p n,m c m p n , m 1 c m p n,m p c m p
Demanda 0 0 0 0 0 0 b

Podemos apreciar que la oferta de los orgenes m 1, , m p n es igual a cero, ya

que son originalmente centros de demanda o conexiones y la demanda de los
destinos 1, , m p es igual a cero, ya que eran inicialmente centros de oferta y
conexiones. El problema tiene soluciones factibles, slo si el supervit neto total
generado en los centros de suministro es igual al dficit neto total absorbido por los
centros de recepcin.

Por fortuna, existe una manera muy sencilla de reformular el problema de transbordo
para que se ajuste al formato del problema de transporte, aunque tambin se puede
resolver por el mtodo simplex, pero sera poco eficiente, desde el punto de vista del
tiempo de ejecucin.

3.2.2.- Formulacin del Problema de Transbordo en un PT

Como es un problema lineal se podra resolver fcilmente como un problema de
transporte, si se supiera de antemano la cantidad de flujo que entrar y saldr de
cada uno de los m+n+p puntos, pero estas cantidades son parte del problema de
decisin y se les desconoce, sin embargo, es posible asignar una cota superior a
cada una de estas variables. Como se obtiene dicha solucin, de la siguiente
manera:

Solucin:
Se sabe que en una base ptima, no se pueden encontrar simultneamente los flujos
X ij X ji , i j , ambos con valores positivos. Se puede observar que el costo se
reduce si se enva el flujo neto, es decir:
X ij X ji , si X ij X ji , i j

168

X ji X ij , si X ji X ij , i j

Podemos concluir que un flujo X ij , i j no debe pasar ms de una vez por un

determinado punto t, t 1, , m n p . De esta manera, el valor mximo que
X ij , i j puede alcanzar es de , dnde:
m n
ai b j
i 1 j 1

Los flujos no deseables, es decir, los flujos en exceso en un punto t, t 1, , m n p ,

se previenen mediante una absorcin del tipo X tt , a un costo de
Ctt 0, t 1, , m n p . Entonces, si se incrementan las demandas de todos los
destinos en unidades, las ofertas en todos los orgenes en unidades y se
hacen los costos Ctt 0, t 1, , m n p , de esta manera, el problema anterior se
transforma en un problema de transporte con las siguientes caractersticas, asociada
a su matriz de costos:
Matriz de Costos:
1 i m m 1 mk m p m
1 0 c1i c1m c1, m 1 c1, m p c1, m

i 0 ci , m k

m cm1 0 cm , m 1 cm , m p cm , m
m 1 cm 1,1 Cm 1, m 0 cm 1, m p cm 1,

mk cm k , i 0

m p cm p ,1 cm p , m cm p , m 1 0 cm p ,
m p 1 cm p 1,1 cm p 1, m cm p 1, m 1 cm p 1, m p 0

m p j cm p j , i cm p j , m k

m pn cm p n ,1 cm p n , m cm p n , m 1 cm p n , m p cm p
Demanda b1

Con las transformaciones efectuadas, el problema de transbordo se puede ahora

resolver como un problema de transporte.

Hay que hacer especial hincapi cuando en el problema de transbordo, pueda

suceder que ciertos centros de suministros y otros de recepcin no pueden actuar
como puntos de transbordo, es decir, no pueden actuar como fuente y destino
transitoriamente. Para efectuar la reformulacin del problema de transbordo (como
un problema de transporte), una manera sencilla de manejar este tipo de centros es

169
quitar su columna (si es un centro de suministro) o su rengln (si es un centro de
recepcin) en la matriz de costos y requerimientos, junto con no agregar nada a sus
cantidades originales de oferta o demanda, respectivamente.

Ejemplo 1:
Despus de una mayor investigacin, la empresa agroindustrial AZAPAN encontr
que puede disminuir los costos de transporte de sus arvejas congeladas si elimina su
propia operacin de distribucin y usa servicios comerciales de distribucin. Como
ninguna compaa de servicios a toda rea completa de las plantas y los almacenes,
ser necesario transferir muchos de los embarques a otro camin, por lo menos una
vez en el camino. Esta transferencia se puede llevar a cabo en alguna de las plantas
o almacenes intermedios, o en otras cinco localidades (A, B, C, D, E) conocido como
conexiones. Los costos se dan en la tabla. El problema global es determinar como
debe mandarse la produccin de todas las plantas para cumplir con las demandas de
todos los almacenes y minimizar el costo total de embarque.

Matriz de Costos de transporte por camin:

Planta Conexin Almacn
De/A 1 2 3 A B C D E 1 2 3 4 Prod.
1 146 -- 324 286 -- -- -- 452 505 -- 871 75
Planta 2 146 -- 393 212 570 609 -- 335 407 688 784 125
3 -- -- 658 -- 405 419 158 -- 685 359 678 100
A 322 371 656 262 398 430 -- 303 234 329 -- 0
B 284 210 -- 262 406 421 644 305 207 464 558 0
Cone-
C -- 369 403 398 406 81 272 397 253 171 282 0
xin
D -- 608 418 431 422 81 287 613 280 236 229 0
E -- -- 158 -- 467 274 288 831 301 293 482 0
1 453 336 -- 305 307 399 615 831 359 306 587 0
2 305 407 683 235 208 254 281 500 357 362 340 0
Almacn
3 -- 687 357 329 464 171 236 200 705 362 457 0
4 868 781 670 -- 358 282 229 480 587 340 457 0
Asig. 0 0 0 0 0 0 0 0 80 65 70 85

Solucin:
Como es un problema de transbordo, hay que reformular el problema a uno de
transporte, de la siguiente manera:
Cualquier localidad: 4 plantas, 5 conexiones y 4 almacenes se pueden convertir
en origen, destino o centro de distribucin, por lo tanto, el problema de transporte
contrara 12 orgenes y 12 destinos.
Los costos unitarios Cij se vieron en la tabla anterior.

A continuacin, para seguir con su reformulacin, es necesario obtener las

cantidades demandadas y ofertadas.

El nmero de cargas transferidas en cualquier localidad se debe incluir tanto en su

demanda, cuando acta como destino, como en los recursos con que cuenta si es un
origen. Como este nmero no se conoce de antemano, se puede agregar
simplemente una cota superior, adems, no sera conveniente regresar una carga
para hacer un transbordo, ms de una vez en la misma localidad, una cota superior

170
segura para este nmero en cualquier localidad es el nmero total de cargas, que en
nuestro caso ser de 300 (u), segn lo siguiente:
Produccin: 75+125+100=300(u)
Asignacin: 80+65+70+85=300(u)

Nota: Hay que tener presente siempre que la condicin necesaria y suficiente para
plantear el problema de transporte es que:
m n

ai b j
i 1 j 1

En caso de no ocurrir esta igualdad, hay que crear un centro de demanda u oferta
ficticio, tal como lo hemos efectuado anteriormente.

Por lo tanto, sumamos 300(u) a cada centro de demanda y oferta, donde existen
rayas se asigna un costo M (no existe conexin entre ellas) y en los espacios vacos
se la asigna cero (segn lo explicado anteriormente), generando la matriz de costos
siguiente:
Matriz de Costos de Transbordo:
Destino
De/A 1 2 3 A B C D E 1 2 3 4 Ofta.
1 0 146 M 324 286 M M M 452 505 M 871 375
2 146 0 M 393 212 570 609 M 335 407 688 784 425
3 M M 0 658 M 405 419 158 M 685 359 678 400
A 322 371 656 0 262 398 430 M 303 234 329 M 300
B 284 210 M 262 0 406 421 644 305 207 464 558 300
C M 369 403 398 406 0 81 272 397 253 171 282 300
Origen
D M 608 418 431 422 81 0 287 613 280 236 229 300
E M M 158 M 467 274 288 0 831 301 293 482 300
1 453 336 M 305 307 399 615 831 0 359 306 587 300
2 305 407 683 235 208 254 281 500 357 0 362 340 300
3 M 687 357 329 464 171 236 200 705 362 0 457 300
4 868 781 670 M 358 282 229 480 587 340 457 0 300
Dda. 300 300 300 300 300 300 300 300 380 365 370 385
En rojo los cambios efectuados sobre la matriz original.

Con la matriz anterior, ahora se puede resolver el problema de transbordo como un

modelo de transporte.

Ejemplo 2:
Una empresa necesita transportar 70(u) de un cierto producto del sitio 1 a los sitios 2
y 3, en cantidades de 45 y 25 (u), respectivamente. Las tarifas C ij ( $ u.m.) de carga
area entre los sitios comunitarios se dan en la tabla y las lneas indican que no hay
servicio disponible, segn la siguiente tabla:
De/A 1 2 3 4 Produccin
1 -- 38 56 34 70
2 38 -- 27 --
3 56 27 -- 19
4 34 -- 19 --
Asignacin 45 25

171
Determinar un programa de embarque que asigne el nmero requerido de artculos a
cada destino, a un costo de mnimo de transporte. Ningn embarque requiere de
vuelo directo; se permiten los envos empleando puntos intermedios.

Solucin:
Veamos como se presenta el siguiente problema de manera esquemtica:

La oferta se presenta con valores positivos y la demanda con valores negativos

De esta manera, los sitios:

Sitio 1: origen
Sitio 2 y 3: destinos
Sitio 4: conexin

Podemos analizar que el problema consta de cuatro orgenes y cuatro destinos. Notemos que,
para este caso, no es ptimo enviar artculos del sitio 1 para que estos despus regresen, en
algn momento y nuevamente sean embarcados; de esta manera, es necesario no permitir que
existan embarques hacia el origen 1, restringindolo a ser el nico origen efectivo, lo cual el
problema se simplifica, mediante la eliminacin de su columna y mantener su oferta fija (no se
debe incrementar). De esta manera la matriz de costos queda:
1 4 2 3 Oferta
1 0 34 38 56 70
4 34 0 M 19 0
2 38 M 0 27 0
3 56 19 27 0 0
Demanda 0 0 45 25
Eliminar columna 1 y oferta fija del sitio 1.

A continuacin, se obtiene la cota superior para balancear el problema de transbordo,

siendo su valor de:
Produccin 1: 70 (u)
Asignacin 2 y 3: 45+25=70 (u)

De esta manera, la matriz de costos queda representada por:

172
 4 2 3 Oferta
1 34 38 56 70
4 0 M 19 70
2 M 0 27 70
3 19 27 0 70
Demanda 70 115 95

Finalmente, se ha reformulado el problema de transbordo en un problema de

transporte y, con la matriz de costos asociada, se puede utilizar la metodologa de
solucin del PT para obtener la solucin ptima.

3.3.- PROBLEMA DE ASIGNACIN

Consiste en un tipo especial de PPL, en que los recursos se asignan a las
actividades sobre una base de uno a uno. Entonces, cada recurso asignado
(empleado, mquina o intervalo de tiempo) debe asignarse a una actividad en
particular o asignacin (tarea, lugar o evento).

3.3.1.- Modelacin Matemtica

El problema de asignacin, considera que existe un costo C ij, asociado con el
asignado i que realiza la asignacin j, entonces el objetivo es determinar la manera
de hacer la asignacin Xij con el fin de minimizar los costos totales.

La formulacin del PA es:

Variable de Decisin
Xij: variable binaria (0 1), que representa la decisin no o si
1 , si el asignado i realiza la asignacin j
X ij
0 , en caso contrario

Min
n n
Z Cij X ij
i 1 j 1

s.a :
m

X
j 1
ij 1, i 1, , m

X
i 1
ij 1, j 1, , n

Xij 0 y binaria, i, j

173
Dnde:
La primera restriccin especifica que cada asignado realiza exactamente una
asignacin (y una mquina es asignada a un determinado lugar).
La segunda restriccin especifica que se requiere que cada asignacin sea
realizada exactamente por un asignado.

El problema de asignacin slo es un caso especial de los problemas de transporte,

dnde los orgenes son ahora los asignados y los destinos las asignaciones, dnde:
n de origenes (m) n de destinos (n)
Cada Recurso Si=1: Cada Demanda Dj=1

La restriccin Xij binaria puede ser eliminada, puesto que como toda oferta S i y
demanda Dj son enteros e iguales a 1, esto significa que toda solucin bsica factible
es entera. Las restricciones funcionales evitan que las variables sean mayores que
uno y las restricciones de no negatividad evitan valores menores que cero, por lo
tanto, la solucin que se tiene satisface automticamente la restriccin binaria.

El problema queda estructurado de la siguiente manera:

1 j nm Re curso
1 C11 C1 j C1n 1

i C i1 C ij C in 1

mn C n1 C nj C nn 1
Demanda 1 1 1

Se puede pensar que en el problema de asignacin, los orgenes son personas

buscando trabajo y los destinos son trabajos disponibles, con lo cual, existe un costo
Cij por asignar al la persona i a un trabajo j, lo cual evita que un especialista este
efectuando actividades que no son de su competencia y se le asigna un slo trabajo
o a cada trabajo se le asigna slo una persona.

Este tipo de problema puede ser resuelto de la misma forma que un Problema de
Transporte, es decir, buscar una solucin bsica inicial factible y luego obtener la
solucin ptima, pero sera muy ineficiente resolver este problema mediante esta
metodologa o incluso resolverlo mediante nuestros conocido mtodo simplex.
Debido a lo anterior, existen mtodos de solucin, llamados algoritmos de
asignacin, ms eficientes que el mtodo simplex o el algoritmo general de
transporte y que resuelve especficamente los problemas de asignaciones, como el
conocido Mtodo Hngaro, desarrollado por Knig y Egervary (matemticos), el cual
emplea como entrada la matriz de costos balanaceada.

3.3.2.- Algoritmo Hngaro:

Paso 0:

174
La condicin necesaria y suficiente para que este tipo de problema tenga solucin, es
que debe estar balanceado. Si el problema esta desbalanceado, su restitucin se
logra como se efectu en los problemas de transporte, es decir:
Si m > n (m siendo los orgenes y n los destinos), se introducen m n destinos
con demanda unitaria igual a uno y costo nulo.
Si m < n (m siendo los orgenes y n los destinos), se introducen n m
orgenes con oferta unitaria en cada uno y costo nulo.

Paso 1:
Dada una matriz de costos de un problema de asignacin balanceado, reste en cada
columna el nmero ms pequeo de esa columna del resto de los elementos en
dicha columna. Repita este procedimiento, es decir, reste en cada fila el nmero ms
pequeo de esa fila del resto de los elementos en dicha fila (este procedimiento se
efecta despus de haber realizado la resta por columnas). Es decir:
C ij C ij Min C ij , j 1, , n
i

C ij C ij Min C ij , i 1, , m
j

La matriz revisada de costos tendr al menos un cero en cada rengln y columna.

Paso 2:
En la nueva matriz de costos, seleccinese un cero en cada rengln y columna.
Elimine durante el proceso de seleccin la columna y el rengln al que pertenece el
cero seleccionado. Si al finalizar este paso se ha efectuado una asignacin completa
de ceros, es decir, cada origen tiene asignado un solo destino y cada destino tiene
asignado un solo origen, se ha encontrado la asignacin ptima. En caso contrario,
contine al paso 3.

Paso 3:
Los paso a seguir son:
3.1.- Cbranse todos los ceros de la matriz de costos revisada, con el menor nmero
de lneas verticales y horizontales que sea posible. Cada lnea vertical debe pasar
por todos los elementos del rengln (sea p el nmero de lneas verticales) y cada
lnea horizontal debe pasar por todos los elementos de la columna (sea q el nmero
de lneas horizontales). El total de lneas cubiertas (filas y columnas) deber cumplir
con:
p q mx(m, n)

3.2.- Seleccione el nmero ms pequeo de los elementos no cubiertos por una

tachadura, de la matriz de costos revisada. Reste el valor de este elemento a cada
elemento no tachado (cubierto por una lnea) y sume este valor a los elementos
tachados por la interseccin de una lnea vertical y horizontal. Los elementos
cruzados por una sola tachadura no cambian. Regrese al paso 2.

Ejemplo:
Una competencia de relevos de 400 mt. Incluye a 4 nadadores diferentes, quienes
nadan sucesivamente 100 mt. De dorso, de pecho, de mariposa y libre. El entrenador

175
tiene seis nadadores muy veloces, cuyos tiempos esperados (en segundos) en los
eventos individuales se dan en la siguiente tabla:

Nadador\Estilo Dorso Pecho Mariposa Libre

1 65 73 63 57
2 67 70 65 58
3 68 72 69 55
4 67 75 70 59
5 71 69 75 57
6 69 71 66 59

El objetivo del entrenador es asignar los mejores nadadores de cada especialidad a

la posta de relevos, con el fin de minimizar la suma de sus tiempos por relevos.

Solucin:
Iteracin 1
Paso 0:
Se debe analizar si la oferta = demanda (m = n), en nuestro caso:
N Nadador = N Estilo
64
Como esta desequilibrado la matriz de costos, se debe agregar 6 4 = 2 centros
ficticios de demanda: Estilo A y Estilo B, con lo cual matriz de costos actualizada es:
Dorso Pecho Mariposa Libre Estilo A Estilo B Recurso
1 65 73 63 57 0 0 1
2 67 70 65 58 0 0 1
3 68 72 69 55 0 0 1
4 67 75 70 59 0 0 1
5 71 69 75 57 0 0 1
6 69 71 66 59 0 0 1
Demanda 1 1 1 1 1 1

La matriz de asignacin inicial es:

Dorso Pecho Mariposa Libre Estilo A Estilo B Recurso
1 1
2 1
3 1
4 1
5 1
6 1
Demanda 1 1 1 1 1 1

Paso 1:
Primero encontremos el menor Cij por columna:
1 2 3 4 5 6
1 65 73 63 57 0 0
2 67 70 65 58 0 0
3 68 72 69 55 0 0

176
 4 67 75 70 59 0 0
5 71 69 75 57 0 0
6 69 71 66 59 0 0
Menor Cij 65 69 63 55 0 0
A continuacin, efectuemos la resta por columna con respecto al menor valor C ij,
quedando la siguiente matriz de Costos Revisado:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1

Ahora encontremos el menor Cij por fila:

1 2 3 4 5 6 Menor Cij
1 0 4 0 2 0 0 0
2 2 1 2 3 0 0 0
3 3 3 6 0 0 0 0
4 2 6 7 4 0 0 0
5 6 0 12 2 0 0 0
6 4 2 3 4 0 0 0

Finalmente, efectuemos la resta por fila con respecto al menor valor C ij, quedando la
ltima matriz de Costos Revisado:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1

Paso 2:
Con la matriz del paso 1, se buscan las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1
Rojo: posibles asignaciones

Una posible asignacin es:

1-1: se elimina la fila 1 y la columna 1.

177
2-5: se elimina la fila 2 y la columna 5.
3-4: se elimina la fila 3 y la columna 4.
4-6: se elimina la fila 4 y la columna 6.
5-2: se elimina la fila 5 y la columna 2.
No es posible asignar el nadador 6 y la especialidad 3.
Se pasa al paso 3.

Paso 3:
3.1.- En nuestro caso, el nmero mximo de lneas a utilizar son seis (seis nadadores
y cuatro estilos), de acuerdo a lo indicado:
p q max(m, n)
p q max(4,6) 6

De esta manera, el nmero de lneas por columna y fila no puede exceder esta cantidad, as, la
matriz queda:
1 2 3 4 5 6 Recurso
1 0 4 0 2 0 0 1
2 2 1 2 3 0 0 1
3 3 3 6 0 0 0 1
4 2 6 7 4 0 0 1
5 6 0 12 2 0 0 1
6 4 2 3 4 0 0 1
Demanda 1 1 1 1 1 1

En este caso, el nmero mnimo de lneas fue cinco

3.2.- Para revaluar la matriz, se busca el mnimo valor de los C ij no tachados, en este
caso es: C22=1, con lo cual la nueva matriz es:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1

Iteracin 2:
Paso 2:
Se buscan las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1

178
Una posible asignacin es:
1-1: se elimina la fila 1 y la columna 1.
2-2: se elimina la fila 2 y la columna 2.
3-4: se elimina la fila 3 y la columna 4.
4-5: se elimina la fila 4 y la columna 5.
6-6: se elimina la fila 6 y la columna 6.

No es posible asignar el nadador 5 y la especialidad 3. Se pasa al paso 3.

Paso 3:
3.1.- Segn lo analizado, el nmero mximo de lneas a utilizar son seis (seis
nadadores y cuatro estilos).

De esta manera, el nmero de lneas por columna y fila no puede exceder esta cantidad, as, la
matriz queda:
1 2 3 4 5 6 Recurso
1 0 4 0 2 1 1 1
2 1 0 1 2 0 0 1
3 3 3 6 0 1 1 1
4 1 5 6 3 0 0 1
5 6 0 12 2 1 1 1
6 3 1 2 3 0 0 1
Demanda 1 1 1 1 1 1

En este caso, el nmero mnimo de lneas fue cinco

3.2.- Para revaluar la matriz, se busca el mnimo valor de los C ij no tachados, en este
caso es: C22= C23= C41=1, con lo cual la nueva matriz es:
1 2 3 4 5 6 Recurso
1 0 5 0 3 2 2 1
2 0 0 0 2 0 0 1
3 2 3 5 0 1 1 1
4 0 5 5 3 0 0 1
5 5 0 11 2 1 1 1
6 2 1 1 3 0 0 1
Demanda 1 1 1 1 1 1

Iteracin 3:
Paso 2:
Se buscan nuevamente las posibles asignaciones factibles:
1 2 3 4 5 6 Recurso
1 0 5 0 3 2 2 1
2 0 0 0 2 0 0 1
3 2 3 5 0 1 1 1
4 0 5 5 3 0 0 1
5 5 0 11 2 1 1 1
6 2 1 1 3 0 0 1

179
 Demanda 1 1 1 1 1 1

Una posible asignacin es:

1-1: se elimina la fila 1 y la columna 1.
2-3: se elimina la fila 2 y la columna 3.
3-4: se elimina la fila 3 y la columna 4.
4-5: se elimina la fila 4 y la columna 5.
5-2: se elimina la fila 5 y la columna 2.
6-6: se elimina la fila 6 y la columna 6.

Como existe una nica asignacin posible (existen mas, pero al mismo costo), se
termina la iteracin

La matriz de flujo final ser la siguiente:

Dorso Pecho Mariposa Libre Estilo A Estilo B Recurso
1 1 1
2 1 1
3 1 1
4 1 1
5 1 1
6 1 1
Demanda 1 1 1 1 1 1

La asignacin ptima es:

El nadador 1 realiza la especialidad de nado de dorso.
El nadador 2 realiza la especialidad de nado mariposa.
El nadador 3 realiza la especialidad de nado libre.
El nadador 4 realiza la especialidad de nado Estilo A.
El nadador 5 realiza la especialidad de nado de pecho.
El nadador 6 realiza la especialidad de nado Estilo B.

Grficamente la asignacin es:

180
El tiempo mnimo total (en segundos) se calcula a partir de:
6 6

C
i 1 j 1
ij X ij C11 * X 11 C 23 * X 23 C34 * X 34 C 45 * X 45 C52 * X 52 C 66 * X 66
6 6

C
i 1 j 1
ij X ij C11 C 23 C 34 C 45 C 52 C 66 65 65 55 0 69 0 254( seg )

181
 CAPITULO 4: PROGRAMACION ENTERA

4.1.- INTRODUCCION
La programacin entera se refiere a la solucin de problemas en los cuales se fuerza
a los resultados a no tener valores fraccionales, es decir, desde el punto de vista de
conjuntos, los resultados pertenecen a Z + (incluyendo el cero). El PPL asociado a
este tipo de problemas presenta la siguiente estructura:
Max
Z CX
sa :
AX b
x
Existen varios mtodos que convergen a soluciones ptimas enteras, pero algunos
son dependiendo de las circunstancias, demasiados lentos o demorosos, lo cual es
injustificable sus operaciones, desde el punto de vista del costo.

La diferencia con los problemas de programacin lineal (PPL), es que esta ltima se
minimiza o maximiza sobre un rea factible de solucin (factibilidad convexa),
mientras que la programacin entera se maximiza una funcin sobre una regin de
factibilidad que, generalmente, no es convexa, por lo cual, es de muchos rdenes de
magnitud ms complicados que los PPL ya conocidos.

Los mtodos que se presentarn resumen el estado de la programacin entera, pero

les falta para ser 100% eficientes en la solucin de todos los tipos de problemas
enteros.

Dado el estado del arte de los mtodos de programacin entera, estos no aseguran
que un problema entero pueda ser resuelto en un tiempo razonable, por lo tanto, los
algoritmos seleccionados en este captulo obedecen a los siguientes criterios:
Histricos.- presentaron avances en la teora al ser descubiertos.
Prcticos.- resuelven eficientemente ciertos problemas enteros.
De vanguardia.- representan la materia actual de investigacin que
probablemente abrir la brecha en el futuro.

Problemas de naturaleza entera, pueden ser resueltos por:

182
 Planos de corte.- no son eficientes para resolver problemas de tamao modesto
(medios), pero fueron los primeros estudios de este tipo de programacin
(entera).
Enumeracin implcita.- trabajan adecuadamente para problemas de tipo binario
(0,1).
Bifurcacin y acotacin (ramificacin y acotacin o tambin llamado mtodo de
Branch and Bound).- son los que aparentemente se comportan mejor en la
solucin de problemas enteros con dimensiones intermedias.
Teoras de grupos.- requieren de temes profundos de lgebra moderna.
Algoritmos heursticos.- para poder resolver problemas de caractersticas de
combinatoria, tal como secuenciacin de rutas y determinacin del tamao de
flota de vehculos.

Dentro de los mtodos heursticos se resuelven los problemas de estructura:

Problema Entero (PE), Problema Entero-Mixto (PEM) y Problema Entero cero-uno
(PECU), llamados tambin problemas binario (PB), los cuales requieren de tcnicas
especiales, ya que el simplex, dual simplex, revisado, etc. no trabajan estos casos.

Si al desarrollar un problema de programacin lineal tradicional y sus resultados son

enteros, obviamente tambin es un resultado ptimo de la programacin entera, pero
un resultado resuelto por mtodos de programacin entera no necesariamente es un
resultado de la PPL.

En el estudio de la investigacin de operaciones, existen una variedad de problemas

que caen dentro de los problemas enteros:
Todos los problemas de programacin lineal donde las actividades por su
estructura deben ser no divisibles son programas enteros (produccin de autos,
prendas de vestir, etc).
Todos los problemas de transporte, transbordo, asignacin y redes de
optimizacin (se ver mas adelante) con soluciones particulares.
Problemas de secuenciacin.- problemas fcil de formular y difciles de resolver.
Problemas del agente viajero o TSP (Travel Salesman Problem)
Problemas tipo mochila.- se puede utilizar o enfocar de dos formas para llenar un
espacio con el conjunto de objetos ms valiosos sin exceder los lmites de dicho
espacio o la otra forma es dividir un objeto en varias porciones de diferente valor,
el problema consiste en encontrar la divisin de mayor valor. Los problemas tipo
mochila se utilizan para resolver problemas de inversiones, confiabilidad de
redes, subrutinas en mtodos de descomposicin de programacin lineal,
problemas de determinacin del tamao de flota de vehculos.
Problemas de inversin.
Problemas de costo fijo.- generalmente problemas mixtos, de variables continuas
y variables enteras.
Problemas de cubrimiento y particin de un conjunto.
Dicotomas y problemas de aproximacin.- una dicotoma ocurre en un programa
matemtico, cuando se tiene condiciones del tipo esta restriccin o la otra
restriccin, pero no ambas.

183
 Balance de lneas de produccin.- este tipo de problema consiste en decidir que
actividades deben ser desempeadas por cada trabajador, a medida que u
producto se desplaza por una lnea de produccin. El objetivo consiste en
minimizar el nmero de trabajadores (o de estaciones de trabajo) en funcin de
una tasa de produccin.
Asignacin cuadrtica.- para problemas de localizacin, existe un conjunto de n
posibles lugares en donde se piensa construir m plantas (m < n).

En general, los algoritmos de resolucin ms utilizados son:

Planos de corte.- aumenta y refuerza las restricciones que generan la solucin
entera.
Enumeracin implcita o bifurcacin y acotacin.- enumera implcitamente todas
las posibles situaciones al examinar un conjunto selecto de las mismas. Utilizando
cierta informacin generada durante el proceso.
Constructivas.- son heursticas que construyen la solucin ptima va algoritmos
que ajustan sistemticamente los valores de las variables.

4.2.- METODOS DE BIFURCACION Y ACOTACION

Tambin se le llama mtodo de Branch and Bound (B&B). Este mtodo redondea y
acota las variables enteras, cuya resultante viene dado por la solucin de los PPL
correspondientes. Este proceso de acotamiento y redondeo se hace de una manera
secuencial lgica heurstica, que permite eliminar con anticipacin un buen nmero
de soluciones factibles alejadas del ptimo a medida que se itera. De manera tal que,
si una variable entera xj est acotada entre un lmite inferior entero d i y un lmite
superior entero ui con i 1, , n ; el proceso de bifurcacin y acotacin solo se
analiza un nmero muy pequeo de todas las posibles soluciones. En pocas
palabras se reduce la posibilidad de combinaciones que la variable puede tomar,
eliminando las alejadas del ptimo real.

Uno de los mtodos de bifurcacin y acotacin mas conocido es el propuesto por A.

H. Land y A. G. Doig.

4.2.1.- Algoritmo de Land-Doig: Problemas Enteros

El primer algoritmo de bifurcacin y acotacin lo presenta este autor, pero el nombre
propiamente tal se lo dieron por los autores Litle, Murty, Sweeney, Karen.

Lo que hizo Land-Doig fue modificado posteriormente por Dakin, hacindolo ms

general y es lo que se presentar, suponiendo que se maximiza la funcin objetivo.

Paso1:
Resuelva el problema entero relajado, es decir, sin las condiciones de integralidad,
por medio del mtodo simplex de programacin lineal:

184
 ( Pk ) Max
Z CX
sa :
AX b
x0
~
Definamos Z como incumbente o mejor solucin entera, que inicialmente tiene valor
~
de Z 0 .

Si la solucin es entera, se ha conseguido la solucin ptima y la incumbente toma el

valor del problema resuelto. En caso contrario, contine al paso 2.

Paso 2:
En el nodo del rbol se obtuvieron las soluciones, entonces escoja arbitrariamente
una variable entera X i , cuyo resultado en el paso 1 sea fraccional e igual a X Bi , es
decir X i X Bi .

Paso 3:
Efectu una ramificacin del problema original, es decir, resuelva un par de nuevos
problemas, similares al problema anterior, pero se le adicionar a cada problema una
restriccin que impida tomar el valor X i X Bi , es decir:
1. El problema original con una restriccin adicional X i X Bi :

( Pk ) Max
Z CX
sa :
AX b
X i X Bi
x0
2. El problema original con una restriccin adicional X i X Bi 1 :

185
 ( Pk )Max
Z CX
sa :
AX b
X i X Bi 1
x0
La notacin X i se refiere al entero menor de X i , (a modo de ejemplo:
3,25 3 3,25 1 4 ). La resolucin de este tipo de problemas, se puede hacer
por anlisis de sensibilidad agregando una restriccin.

Paso 4:
De los programas lineales resueltos en el paso 3, inclyase en el anlisis a seguir
solo aquellos programas cuya solucin (entera o fraccional) sea mejor a cualquiera
de las soluciones enteras conocidas (esto es el mayor en el caso de maximizar o
menor en el caso de minimizar). Lo anterior indica el proceso de acotamiento (o
poda) de una rama, ya que un nodo del rbol puede no requerir ms ramificaciones.
En este caso puede ocurrir:
1. El problema en el nodo es infactible, por lo que todos los subproblemas
generados a partir de l sern infactibles tambin.
2. El problema en el nodo tiene un valor ptimo Z * peor que la mejor solucin
entera encontrada Z * Z , por lo que todos los subproblemas generados a partir
de l sern peores.
3. El problema en el nodo tiene una solucin entera. Si el valor ptimo Z * es mejor
que la mejor solucin encontrada hasta el momento Z * Z , actualizamos el
incumbente como Z Z * .

Paso 5:
Seleccione aquel programa lineal que tenga el mejor valor de la incumbente, es decir,
mximo valor de la funcin objetivo del subproblema (o mnimo en caso de
minimizacin de la funcin objetivo). Si las variables definidas enteras tienen valor
entero se ha conseguido la solucin ptima. En caso contrario, regrese al paso 2 con
la estructura del problema lineal resuelto en este paso.

186
 Fuente: autor: Prawda.
Ejemplo 1:

(P0 ) max z 5x1 2x2

s.a :
2 x1 2x2 9
3x1 x2 11
xi 0 , i , enteros
Desarrollo:
Iteracin 1:
Paso 1
Al resolver el PPL se llega como resultado al siguiente tableau ptimo

187
 X1 X2 X3 X4 XB
Z 0 0 0,25 1.5 18,75
X2 0 1 0,75 -0,5 1,25
X1 1 0 -0,25 0,5 3,25
Como ninguna de las variables bsicas es entera entonces se va al paso 2

Paso2
Se escoge arbitrariamente una de las soluciones fraccionales, a modo de ejemplo se
evaluar X 2 1,25

Paso 3
Se resuelven dos problemas lineales distintos uno con restriccin adicional
X 2 1,25 1 y el otro problema con otra restriccin adicional, la cual es
X 2 1,25 1 2 , es decir:
Problema 1:
( P1) max Z 5 X1 2 X 2
s.a :
2 X1 2 X 2 9
3 X 1 X 2 11
X2 1
X i 0 , i , enteros
Problema 2:
( P2 ) max Z 5 X1 2 X 2
s.a :
2 X1 2 X 2 9
3 X1 X 2 11
X2 2
X i 0 , i , enteros
Aplicando anlisis de sensibilidad cuando se agrega una restriccin adicional a un
PPL (se utilizar la tcnica de la cota superior) y solucionndolo, quedan los
siguientes tableau:
Problema 1:

188
 X1 X2 X3 X4 XB
Z1 0 0,33 0 1,67 18,67
X3 0 -1,33 1 -0,67 0,33
X1 1 -0,33 0 0,33 3,33

Problema 2
X1 X2 X3 X4 XB
Z2 0 3 2,5 0 16,5
X4 0 -2 -1,5 1 1,5
X1 1 1 0,5 0 2,5

Paso 4
Como no hubo solucin entera en todo el proceso, se incluyen ambos tableaus en el
anlisis.

Paso 5
Como el mejor valor de la funcin objetivo hasta el momento corresponde al
problema 1, entonces este nuevo problema se toma como base y se vuelve al paso 2

Iteracin 2:
Paso 2
Se escoge arbitrariamente de esta nueva estructura un resultado fraccional, a modo
de ejemplo x1 = 3,33

Paso 3
Se resuelven los dos problemas lineales nuevamente cada uno con una restriccin
adicional diferente: X 1 3,33 3 y X 1 3,33 1 4

( P3 ) max Z 5 X1 2 X 2 (P4 ) max Z 5 X1 2 X 2

s.a : s.a :
2 X1 2 X 2 9 2 X1 2 X 2 9
3 X1 X 2 11 3X1 X 2 11
X2 1 X2 1
X1 3 X1 4
X i 0 , i , enteros X i 0 , i , enteros

Resolviendo estos problemas mediante anlisis de sensibilidad o cualquier otro

mtodo, se obtiene que la solucin al tercer problema es consistente, no as la
solucin del cuarto problema que, efectivamente, no tiene solucin (inconsistente),

189
por lo que este ltimo se descarta su estructura para anlisis posteriores (no existir
ramificacin asociada a este nodo).

El tableau del tercer problema es el siguiente:

X1 X2 X3 X4 XB
Z3 5 2 0 0 17
X3 -2 -2 1 0 1
X4 -3 -1 0 1 1

Paso 4
Por ser una solucin entera, se incluye en el anlisis

Paso 5
Los valores finales del problema tercero, nos permitirn llegar al ptimo del problema
original, es decir:
Z 17 Z 17
X 1 0 3 X1 X1 3 X1 3
X 2 0 1 X 2 X 2 1 , o sea: X 2 1
X3 1 X3 1
X4 1 X4 1

El problema anterior, se puede representar como una red con estructura de rbol:

Ejemplo 2:

190
Dado el siguiente problema, resulvalo mediante el algoritmo B&B:
Max
Z 5 X1 8 X 2
sa :
X1 X 2 6
5 X1 9 X 2 45
X1 , X 2 0 y enteros
Desarrollo:
Lo primeros que debemos hacer, es inicializar el incumbente en Z~ 0 e inicializar la
lista de problemas con la relajacin lineal del problema:
( P0 )Max
Z 5 X1 8 X 2
sa :
X1 X 2 6
5 X1 9 X 2 45
X1 , X 2 0
Como es el nico problema en la lista, lo resolvemos; en un caso real, esta relajacin
se debe resolver mediante el mtodo simplex, pero para fines acadmicos se
aplicar el mtodo grfico, del cual se obtiene la solucin ptima:

191
 Z 0 41,25; X 1 2,25; X 2 3,75

Como vemos, las dos variables son fraccionales, por lo cual, se puede tomar
cualquiera de ellas como variable de ramificacin. Escojamos arbitrariamente X 2 para
ramificar, por lo cual, se generan los siguientes problemas:

( P1 )Max Z 5 X1 8 X 2 ( P2 )Max Z 5 X1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X 1 9 X 2 45 5 X1 9 X 2 45
X2 3 X2 4
X1 , X 2 0 X1 , X 2 0

Tenemos ahora en la lista dos problemas pendientes: L ( P1 ), ( P2 ) . Sin embargo,

como no hemos encontrado ninguna solucin entera, la incumbente no se actualiza.

Resolviendo el (P1) grficamente, se tiene que la solucin ptima es:

192
 Z1 39; X 1 3; X 2 3

Resolviendo el (P2) grficamente, se tiene que la solucin ptima es:

Z 2 41; X 1 1,8; X 2 4

En este caso, el (P1) tiene soluciones enteras y nos permite actualizar el incumbente
a Z~ 33 , por lo cual, esta rama se acota (corta) y no se ramifica nuevamente hasta
una futura revaluacin. Pero notemos que (P 2) tiene un valor objetivo mayor que el
incumbente, por lo cual, es posible encontrar posibles soluciones enteras y con mejor
valor de la incumbente anterior. De esta manera, se genern dos nuevos problemas
a resolver al tener que restringir X1, ya que X2 es entera:

193
 ( P3 )Max Z 5 X1 8 X 2 (P4 )Max Z 5 X1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X1 9 X 2 45 5 X1 9 X 2 45
X2 4 X2 4
X1 1 X1 2
X1 , X 2 0 X1 , X 2 0

Resolviendo el (P3) grficamente, se tiene que la solucin ptima es:

Z 3 40,55; X 1 1; X 2 4,44

Resolviendo el (P4) grficamente, se tiene que la solucin ptima es:

Z 4 ; X 1 ; X 2 Infactible

194
En este caso, el (P4) no puede ser resuelto, debido a su infactibilidad, generando que
no sea posible su ramificacin. Notemos que (P 3) tiene un valor objetivo mayor que el
incumbente, por lo cual, es posible encontrar posibles soluciones enteras y con mejor
valor de la incumbente. De esta manera, se generan dos nuevos problemas a
resolver al tener que restringir X2, ya que X1 es entera:
( P5 )Max Z 5 X 1 8 X 2 ( P6 )Max Z 5 X 1 8 X 2
sa : sa :
X1 X 2 6 X1 X 2 6
5 X 1 9 X 2 45 5 X 1 9 X 2 45
X2 4 X2 4
X1 1 X1 1
X2 4 X2 5
X1 , X 2 0 X1 , X 2 0

Resolviendo el (P5) grficamente, se tiene que la solucin ptima es:

Z 5 37; X 1 1; X 2 4

Resolviendo el (P6) grficamente, se tiene que la solucin ptima es:

195
 Z 6 40; X 1 0; X 2 5

Notemos que el (P5) y (P6) tienen soluciones enteras, por lo cual es necesario
actualizar la incumbente: si analizamos el (P 5), el valor objetivo es mayor que la
incumbente anteriormente establecida, es decir, es necesario actualizar dicho valor a
~
Z 37 , pero si analizamos ahora el (P 6), el valor de esta solucin es mejor que la
incumbente recin obtenida, por lo cual, hay que actualizar nuevamente dicho valor a
~
Z 40 . Esto nos permite indicar que cualquier valor que se obtenga, ya sea al
ramificar (P3) o (P5) siempre nos dar una peor incumbente.

Finalmente, la solucin ptima del problema viene dado por:

Z * 40
X 1* 0
X 2* 5

El rbol de la ramificacin y acotamiento se presenta a continuacin:

196
4.2.2.- Algoritmo de Land Doig: Problemas Entero - Mixto
Los problemas entero mixto (PEM) se refieren a que algunos valores de las variables
puedan ser fraccionales y otros, los que se especifican, deben ser enteros, entonces
el conjunto solucin del problema est compuesto por valores enteros y decimales.

La resolucin de este tipo de problemas es igual al del problema entero, pero cuando
se debe elegir una variable arbitrariamente, se tiene que elegir entre las variables
que se especifican que sean enteras. El proceso termina totalmente de iterar cuando
las variables que deberan ser enteras, efectivamente lo son.

197
 Apndice
Resumen Mtodo Simplex Revisado

-Inicializacin: Igual que el mtodo Simplex original

-Paso iterativo:

Determine la variable bsica que entra; igual que el mtodo Simplex original.

Determine la variable bsica que sale; igual que el mtodo original excepto, que se
calculan nicamente los miembros requeridos para esto (los coeficientes de la
variable bsica que entra en todas las ecuaciones, menos la cero) y despus el
segundo miembro de cada ecuacin para cada coeficiente estrictamente positivo.

Ejemplo:
Min : Z 3 X 1 5 X 2
s.a.
x1 4
x2 12
3x1 2x2 18
X1 0 ; X 2 0

Max :
Z 3X1 5 X 2
s.a.
x1 x3 4
2x2 x4 12
3x1 2x2 x5 18
X i 0 : i 1,5

Solucin:

1 0 1 0 0
C = (3,5) A, I 0 2 0 1 0
3 0 0 0 1

198
 4 x3
x1
b12 ; x ; xS4
x2
18 x5
Iteracin 0:

X 3 001
xBX4 B 010 B1
X5 100

199
 4 001 4 4
b 12 x 010 1212
B

18 100 18 18
4
C B 0 0 0 Z 0 0 012 0
18
Iteracin 1:

200
 x3 1 0 1 0
x x B0 2 0 B10 /2 01
B 2

x5 0 2 1 0 -1

201
 x3 1 0 0 4 4
x x 0 1/2 0 126
B 2

x5 0 -1 1 18 6
4

Z 050 630
6
Iteracin 2:

202
 x3 1 1/3 1/34 2
x x 0 1/2 0 12 6
B 2

x1 0 1/3 1/3 18 2
CB 0 5 3
2

Z 0 5 36 36 Z36
2
Ejercicio en la iteracin 2:

203
 1 1/ 3 1 / 3 1 0 0 0
B A 0
1
1/ 2 0 0 2 0 1
0 1/ 3 1 / 3 3 2 1 0
1 1/3 1 / 3
CB B 1
0 5 3 0 1/2 0 0 3/ 2 1
0 - 1/3 1 / 3
0 0
CB B A C 0
1
5 3 0 1 3 3 0 0
1 0

Z

1 0 0 0 3/ 2 1 X1 36
X
0 0 0 1 1/ 3 1/ 3 2 2
0 0 1 0 1 / 2 0 X 3 6

0 1 0 0 1/ 3 1/ 3 X4 2
X5

Z 36
Mtodo Alternativo:

Como B (y por tanto B-1) cambian tan poco de una iteracin a otra, resulta ms
eficiente obtener:

204
 BN1 EB A1

B N1 : matriz nueva de B -1
B A1 : matriz de B -1 de la iteracin anterior
E : matriz identidad, excepto su m - sima columna reemplazada por el vector.

a'
n1 ik ; Si i r
n a'
n 2; donde rk
i 1
; Si i r
nm a'
rk
xK : Variable que entra a la base
a ik : Coeficient e de x K en la ecuacin i actual para i 1,2, , m
r : Nmero de la ecuacin que tiene la variable bsica que sale.

Ejemplo:
Iteracin 1
Z x1 x2 x3 x4 x5
1 -3 -5 0 0 0 0
x3 0 1 0 1 1 0 4
x4 0 0 2 0 0 0 12
x5 0 3 2 0 0 1 18

205
 X3
xB X4
X5
0 1 0 0
1/2 E0 1/2 0
1 0 -1 1
1 0 01 0 0 1 0 0
BN1 0 1/2 00 1 00 1/2 0
0 1 10 0 1 0 1 1

206
 1 0 04 4
1
xB B b 0 1/ 2 012 6
0 1 118 6
1 0 01 -

CBB ANB CNB 0,5,00 1/ 2 00 - ,3 ,3
1

0 1 13 -
1 0 0
1
CBB 0,5,00 1/ 2 0 0,5/ 2,0
0 1 1
Iteracin 2:
Z x1 x2 x3 x4 x5
1 -3 - 0 5/2 0
x3 0 1 - 1 0 0 4
x2 0 0 - 0 1/2 0 6
x5 0 3 - 0 -1 1 6

207
 1 0 1 / 3 1 0 0 1 1 / 3 1 / 3
BN1 0 1 0 0 1 / 2 0 0 1 / 2 0
0 0 1 / 3 0 1 1 0 1 / 3 1 / 3
1 / 3 1 / 3
CB B 1 0,5,3 1 / 2 0 ,3 / 2,1
1 / 3 1 / 3
1 1 / 3 1 / 3 4 2
xB B 1b 0 1 / 2 0 12 6
0 1 / 3 1 / 3 18 2
2
Z CB B 1B 0,5,3 6 36
2
Z x1 x2 x3 x4 x5
1 - - - 3/2 1 36
x3 0 - - 1 1/3 -1/3 2
x2 0 - - 0 0 6
x1 0 - - 0 -1/3 1/3 2
Las soluciones son:
X 1 12 u X 2 6 u Z $132(um)

208