1

CURSO DE
INVESTIGACION
OPERATIVA 1






2
INDICE

Pgina
CAPTULO I: ASPECTOS INTRODUCTORIOS .................................................................... 4
1.1.- INTRODUCCIN.......................................................................................................... 4
1.2.- DEFINICIN DEL PROBLEMA Y RECOLECCIN DE DATOS ............................ 6
1.3.- FORMULACIN DE UN MODELO MATEMTICO................................................ 7
1.4.- OBTENCIN DE UNA SOLUCIN A PARTIR DE UN MODELO.......................... 8
1.5.- PRUEBA DEL MODELO.............................................................................................. 9
1.6.- PREPARACIN PARA LA APLICACIN DEL MODELO ...................................... 9

CAPTULO II: PROGRAMACIN LINEAL......................................................................... 11
2.1.- INTRODUCCIN........................................................................................................ 11
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.......................................................................... 19
2.2.2.1.- Solucin No Acotada...................................................................................... 19
2.2.2.2.- Acotamiento.................................................................................................... 20
2.2.2.3.- Inconsistencia ................................................................................................. 21
2.2.2.4.- No Factibilidad ............................................................................................... 21
2.3.- FORMULACIN DE PROBLEMAS DE PROGRAMACIN LINEAL .................. 22
2.4.- MTODO SIMPLEX DE LA PROGRAMACIN LINEAL...................................... 26
2.4.1.- Reglas De Programacin Lineal ............................................................................ 27
2.4.2.- Terminologa Bsica.............................................................................................. 29
2.4.3.- Teora del Problema Del Programacin Lineal ..................................................... 30
2.4.4.- Obtencin de una Solucin Bsica Factible .......................................................... 31
2.4.4.1.-Forma Matricial ............................................................................................... 32
2.4.5.- Pasos del mtodo simplex...................................................................................... 33
2.4.6.- Interpretacin Econmica...................................................................................... 35
2.5.- METODO DE LA GRAN M........................................................................................ 37
2.6.- METODO DE DOBLE FASE...................................................................................... 40
2.7.- CASOS ESPECIALES DE PPL MEDIANTE TABLEAU......................................... 43
2.7.1.- Problema Con Soluciones ptimas No acotado.................................................... 43
2.7.2.- Problema Con Soluciones ptimas Mltiples...................................................... 45
2.7.3.- Problema Sin Soluciones o Infactible.................................................................... 47
2.7.4.- Problema Con Soluciones Degeneradas ................................................................ 48
La resolucin mediante el mtodo simplex es: ......................................................................... 49

CAPITULO III: DUALIDAD Y ANLISIS DE SENSIBILIDAD......................................... 51
3.1.- DUALIDAD................................................................................................................. 51
3.1.1.- Formulacin del Problema Dual. ........................................................................... 51
3.1.2.- Teoremas de Dualidad ........................................................................................... 55
3.1.4.- Solucin Del Problema Dual ................................................................................. 56
3.1.5.- Interpretacin Econmica De Las Variables Duales ............................................. 59
3.1.6.- Mtodo Simplex Dual............................................................................................ 60
3.1.7.- Transformacin de Tabla ptima Primal a una Tabla ptima Dual..................... 62
3.2.- ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA (ANLISIS POST-
OPTIMAL)............................................................................................................................ 65
3.2.1.- Anlisis De Sensibilidad Para Cambios Discretos ................................................ 65
3.2.1.1.-Cambios Del Vector
b
r
: ................................................................................ 65
3.2.1.2.-Cambios En El Vector C
r
: ............................................................................... 68
3.2.1.3.- Cambio En El Coeficiente Tecnolgico
j
a
Cuando J No Es Bsico:........... 73
3.2.1.4.- Adiciones De Nuevas Actividades
j
X :.......................................................... 75
3.2.1.5.- Adicin De Nuevas Restricciones: ................................................................. 77
3.2.2.- Cambios Continuos Y Programacin Paramtrica ................................................ 80
3.2.2.1.- Cambio Continuo En El Vector C
r
................................................................. 80
3.2.2.2.- Cambio Continuo En El Vector b
r
................................................................. 86
3.2.2.3.- Cambio Continuo En Una Columna Tecnolgica No Bsica
j
a De A........... 88
3

CAPITULO III: PROBLEMA DE TRANSPORTE, TRANSBORDO Y ASIGNACIN...... 92
3.1.- MODELO DE TRANSPORTE.................................................................................... 92
3.1.1.- Estructura de Transporte........................................................................................ 93
3.1.2.- Algoritmo de Transporte........................................................................................ 94
3.1.2.1.- Mtodo Del Extremo Noroccidental (MEN) .................................................. 96
3.1.2.2.- Mtodo De Vogel ........................................................................................... 99
3.1.2.4.- Mtodo del Costo Mnimo............................................................................ 105
3.1.2.4.- Desarrollo Algoritmo De Transporte............................................................ 111
3.1.3.- Problemas de Transporte Degenerados ............................................................... 120
4
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.

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.
5


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 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.
( )
) , (
:
,
i i
i i
y x f
sa
Y X f U =

Donde:
U : utilidad o valor de la ejecucin del sistema. Se le denomina funcin objetivo
x
i
: variable o constante no controlable, pero que afecta a U, se le denomina variables
exgenas al modelo.
y
i
: 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.

6
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.
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 el nico tipo de objetivo a cumplir, esto depender del criterio a satisfacer por los
demandantes del estudio (ejemplo una empresa).

7
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
, x
2
,, x
n
), 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

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.
8
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.
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
9
conocido, entonces se tiene un algoritmo ya establecido. Se estudiarn varios algoritmos
establecidos para modelos analticos. Si el modelo 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.

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.

10
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.


11
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
) ,..., 1 , 0 ( n j X
j
= .

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

Los valores x
j
son las variables de decisin y los valores de c
j
, b
i
, y a
ij
son las constantes de
entada al modelo (parmetros del modelo).

Formato Estndar del Modelo:
Consumo de recurso por unidad de actividad
actividades Recurso
1 2 n
Cantidad
de recurso
disponible
1 a
11
a
12
a
1n
b
1

2 a
21
a
22
a
2n
b
2


12


m a
m1
a
m2
a
mn
b
m

Contribucin a
Z por unidad
de actividad
c
1
c
2
c
n



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 c
j
x
j
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 x
j
en la forma en que lo representa el
trmino a
ij
x
j
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.
13
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 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 (u) Silla (u) Horas Directas
Disponibles (hr)
Ensamble 4 (hr) 2 (hr) 60
Acabado 2 (hr) 4 (hr) 48
Utilidad u.m. $8 $6

Planteamiento del Problema

Definicin de variables de Decisin: cantidad de sillas y mesas
X
m
: cantidad de mesas a producir (u)
X
s
cantidad de sillas a producir (u)

Restricciones:

1. Depto. Ensamble:

60 2 4 +
s m
X X

2. Depto. Acabado
14

48 4 2 +
s m
X X

3. No Negatividad

0
0

s
m
X
X


Funcin Objetivo:
s m
X X U
Max
6 8 + =


Grfica: Se dibuja sobre el grfico las restricciones de No Negatividad, segn la figura siguiente:
X
m
X
s

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

As, se grafica la primera restriccin como la ecuacin:
15 0 :
30 0 :
60 2 4
= =
= =
= +
m s
s m
s m
X X Si
X X Si
X X


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
X
m
X
s
Restriccin 1


Para la segunda ecuacin, se efecta el mismo desarrollo, es as:
24 0 :
12 0 :
48 4 2
= =
= =
= +
m s
s m
s m
X X Si
X X Si
X X


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:
X
m
X
s
Restriccin 2


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.

16


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 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:







El valor de la contribucin mxima es:
(u.m) 132 $
6 8
max
=
+ =
U
X X U
s m


mesas (u) 12
sillas (u) 6
48 4 2
60 2 4
=
=
+
+
m
s
s m
s m
X
X
X X
X X
17


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; 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
a la utilidad (u.m.)
$ 25 $ 75
Costo Materia
Prima (u.m)
$ 5 $ 25
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:
X
s
: cantidad de sillas a producir (unidad)
X
e
: cantidad de mesas a producir (unidad)

18
2.- Expresin algebraica de las restricciones:

Corte:
000 . 27 40 15 +
e s
X X

Armado:
000 . 27 50 12 +
e s
X X

Tapicera:
000 . 27 75 , 18
s
X

Cubierta:
000 . 27 25 , 56
e
X

No Negatividad:

0
0

e
s
X
X


3.- Expresin algebraica de la funcin objetivo:

e s
X X U 75 25
max
+ =


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
375 , 0
8
3
40
000 . 27
*
40
15
=

= = +

= M n Contribuci X X
s e

Armado
240 , 0
25
6
50
000 . 27
*
50
12
=

= = +

= M n Contribuci X X
s e

Tapicera
= = +

= M n Contribuci X X
s e
0
000 . 27
*
0
75 , 18

Cubierta
0
25 , 56
000 . 27
*
25 , 56
0
= = + = M n Contribuci X X
s e

19

Funcin Objetivo:
333 . 0
3
1
75
*
75
25
=

= = +

= M n Contribuci
U
X X
s e


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

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:
s escritorio (u) 300
sillas (u) 1.000
) . ( 500 . 47 $
*
*
=
=
=
m
s
X
X
m u U


En el siguiente cuadro se presenta la relacin de venta, costo y utilidad (no su contribucin) en los
vrtices de la RSF:

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

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:
0 ; 0
4 2
1
: .
3 3
2 1
2 1
2 1
2 1

+

+ =
X X
X X
X X
a s
X X Z Max


20


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:
0 ; 0
0
2
: .
4 5
2 1
2 1
1
2 1

+ =
X X
X X
X
a s
X X Z Max



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.
0 ; 0
10 6 2
1
: .
3
2 1
2 1
2 1
2 1

+

+ =
X X
X X
X X
a s
X X Z Max


21


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:
0 ; 0
9 3 3
2
: .
4
2 1
2 1
2 1
2 1

+
+
=
X X
X X
X X
a s
X X Z Max


X
1
X
2
c
a
b
c
RSF 2
RSF 1


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:
0 ; 0
3 3
2
: .
2
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
a s
X X Z Max



22

X
1
X
2
c
a
b
c
RSF 1
RSF 2
RSF 3


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
rbol
Produccin
(unidades/rbol)
Promedio anual
(kg/rbol)
Observacin
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)
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 mt
2

Pomelo 5 mt
2

Mango 3 mt
2

Naranja 6 mt
2


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 ($)
Naranja : 1,5 ($)

23
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:
X
p
: nmero de rboles de palta a ser plantados
X
l
: nmero de rboles de pomelo a ser plantados
X
m
: nmero de rboles de mango a ser plantados
X
n
: nmero de rboles de naranjo a ser plantados
P
i
: precio de la fruta (i = p, l, m, n)
b.- planteamientos de las restricciones
1.- Tierra

000 . 250 6 3 5 4 + + +
n m l p
X X X X


2.- Horas hombre
52 * 5 * 5 , 7 * 200 10 50 72 36 + +
n m l p
X X X X


3.- Capital
000 . 000 . 20 5 , 1 5 , 0 2 + + +
n m l p
X X X X


4.- No negatividad

n m l p i X
i
, , , 0 =


c.- Funcin Objetivo

VPE = volumen de produccin esperado
= cantidad promedio por cada rbol por el nmero de rboles plantados

Max Z = 150*10*X
p
+ 200*4*X
l
+ 50*15*X
m
+ 150*7*X
n


enteras y n m l p i X
Xn Xm Xl Xp
Xn Xm Xl Xp
Xn Xm Xl Xp
a s
Xn Xm Xl Xp Z
Max
i
, , , 0
000 . 000 . 20 5 , 1 5 , 0 2
000 . 390 10 50 72 36
000 . 250 6 3 5 4
: .
050 . 1 750 800 500 . 1
=
+ + +
+ + +
+ + +
+ + + =


24
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
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.-
X
ij
: 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
Min
Z X C
ij
i j
ij
=

= =
*
3
1
8
4

i = 1,2,3 planta de botellas
j = 4,5,6,7,8 planta de bebidas

Min
Z = 5X
14
+ 20X
15
+ 25X
16
+ 75X
17
+ 45X
18
+
20X
24
+ 15X
25
+ 2X
26
+ 50X
27
+ 80X
28
+
15X
34
+ 2X
35
+ 10X
36
+ 40X
37
+ 60X
38



Restricciones:

No Negatividad
0
ij
x

De Demanda
25
100
400
100
500
000 . 2
38 28 18
37 27 17
36 26 16
35 25 15
34 24 14
+ +
+ +
+ +
+ +
+ +
X X X
X X X
X X X
X X X
X X X


De Oferta
750
000 . 1
500 . 1
38 37 36 35 34
28 27 26 25 24
18 17 16 15 14
+ + + +
+ + + +
+ + + +
X X X X X
X X X X X
X X X X X


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 (pie
3
)
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:
Mercadera Carga disponible (ton) Volumen unitario (pie
3
/ton) Utilidad ($/ton)
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
X
ip
: cantidad de carga de mercadera i, a ser llevados a proa
X
ic
: cantidad de carga de mercadera i, a ser llevados a centro
X
ipp
: cantidad de carga de mercadera i, a ser llevados a popa
i = A, B, C

Restricciones:

No Negatividad
0 , ,
ipp ic ip
X X X


De capacidad mxima de bodegas
500 . 1
000 . 3
000 . 2
+ +
+ +
+ +
Cpp Bpp App
Cc Bc Ac
Cp Bp Ap
X X X
X X X
X X X


Del volumen mximo de bodegas

000 . 30 25 50 60
000 . 135 25 50 60
000 . 100 25 25 60
+ +
+ +
+ +
Cpp Bpp App
Cc Bc Ac
Cp Bp Ap
X X X
X X X
X X X


De las mercaderas a las bodegas
26

000 . 2
000 . 4
000 . 6
+ +
+ +
+ +
Cpp Cc Cp
Bpp Bc Bp
App Ac Ap
X X X
X X X
X X X


De proporcionalidad a la capacidad

500 . 1
) (
000 . 3
) (
000 . 2
) (
Cpp Bpp App
Cc Bc Ac
Cp Bp Ap
X X X
X X X
X X X + +
=
+ +
=
+ +


Funcin Objetivo

Max
Z = 6000(X
Ap
+ X
Ac
+ X
App
) + 8000(X
Bp
+ X
Bc
+ X
Bpp
) + 5000(X
Cp
+ X
Cc
+ X
Cpp
)

2.4.- MTODO SIMPLEX DE LA PROGRAMACIN LINEAL
El mtodo simplex comienza con la siguiente estructura:
Forma cannica
) ( 0
) (
: .
) (
c x
b b X A
a s
a X C Z
Opt

=
r
r r r
r r


(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
r
: vector columna con n componentes, se le denomina vector de actividades (n componentes que
son las variables de decisin)
1
2
1

(
(
(
(
(
(

=
n
n
x
x
x
X
r


C
r
: vector rengln con n componentes, se le denomina vector de precios o costos unitarios
(contribuciones unitarias)
[ ]
n
c c c C

=
1 3 2 1
, ... , ,
r


b
r
: vector columna con m componentes, se le denomina vector disponibilidad de recursos
1
2
1

(
(
(
(
(
(

=
m
m
b
b
b
b
r


0
r
: vector columna de n ceros
27
1
0
0
0
0

(
(
(
(
(
(

=
n
r


A
r
: matriz de m renglones y de n columnas, se le denomina matriz de coeficientes tecnolgicos
n m
mn m m
n
n
a a a
a a a
a a a
A

(
(
(
(
(
(

=
2 1
2 22 21
1 12 11
r


a
ij
: 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
Z = [ ]
n
c c c
1 3 2 1
, ... , , *
1
2
1

(
(
(
(
(
(

n
n
x
x
x

s.a:

n m
mn m m
n
n
a a a
a a a
a a a

(
(
(
(
(
(

2 1
2 22 21
1 12 11
*
1
2
1

(
(
(
(
(
(

n
n
x
x
x

1
2
1

(
(
(
(
(
(

m
m
b
b
b



1
2
1

(
(
(
(
(
(

n
n
x
x
x

1
0
0
0

(
(
(
(
(
(

n


2.4.1.- Reglas De Programacin Lineal
Regla 1.-
a.- maximizar X C es equivalente a minimizar X C .
b.- minimizar X C c*x es equivalente a maximizar X C .

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

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

Regla4.-
28
a.- Toda desigualdad de la forma b X A , se puede convertir en igualdad, mediante la adicin
del vector columna Y de m componentes no negativos, llamada variable de holgura
1
2
1

(
(
(
(
(
(

=
m
m
y
y
y
Y
r

1
0
0
0

(
(
(
(
(
(

m


b.- Toda desigualdad de la forma b X A , se puede convertir en igualdad mediante la resta del
vector columna H de m componentes no negativos, llamada variable superfluas o de exceso.
1
2
1

(
(
(
(
(
(

=
m
m
h
h
h
H
r

1
0
0
0

(
(
(
(
(
(

m


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:
2 1
2 1
8 3
min
8 3
max
x x Z
x x Z
+ =
=


R2.-
20 8 3
20 8 3
2 1
2 1
+

x x
x x


R3.-
7 3 10
7 3 10
7 3 10
2 1
2 1
2 1
+
+

= +
x x
x x
x x






R4 (a).-
0 ,
0 ,
1 2 7
5 10
0 ,
1 2 7
5 10
2 1
2 1
2 2 1
1 2 1
2 1
2 1
2 1

= + +
= + +

+
+
y y
x x
y x x
y x x
x x
x x
x x


29
R5.-
0
0
0
restrigida no variable :
1 3 2
1 3 2
1 3 2
3 2 1
1
< <
> >
= =

=
x x x
x x x
x x x
x x x
x


Ejemplo.-
Convertir el problema de programacin lineal a la forma cannica
(f) (e), (d), restingida no , 0 , 0
(c) (b),
4
3 2 5 , 0
: .
(a) 4 3
3 2 1
3 2
2 1
3 2 1
x x x
x x
x x
a s
x x x Z
Min

=
+
+ =


Desarrollo

La funcin objetivo queda por R1:
Max U = -Z = -3x
1
+ 4x
2
x
3


Las restricciones quedan por R2:
3 2 5 . 0
2 1
x x de (b)
0
2 4
= x x de (e)

Entonces la restriccin (c) queda por R3:
4 4 4
4 4 4
3 4 3 2 3 2
3 4 3 2 3 2

+ +
x x x x x x
x x x x x x

La restriccin (f) queda por R5:
x
3
= x
5
x
6

4
4
6 5 4
6 5 4
+
+
x x x
x x x


Reemplazando, y acomodando a la forma cannica queda:
Max U = -Z = -3x
1
+ 4x
2
x
5
+ x
6

S.A.
3 2 5 . 0
4 1
+ x x

4
4
6 5 4
6 5 4
+
+
x x x
x x x

0 , , ,
6 5 4 1
x x x x

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 (X
1
, X
2
,, X
n
) sin importar si es una solucin deseable o, incluso, admisible.
c.- Solucin Factible: es aquel vector columna X
T
= (X
1
, X
2
,, X
n
) 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.

30
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.

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:
)! ( !
!
m n m
n
m
n

=
|
|

\
|
puntos extremos

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
)! 30 50 ( ! 30
! 50
30
50

=
|
|

\
|
= 4.7129 * 10
13
puntos extremos a analizar

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.

2.4.3.- Teora del Problema Del Programacin Lineal
0
: .

=
x
b X A
a s
X C Z
Max
r
r r r
r r


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.
31
Para obtener la forma aumentada del problema, se introduce el vector columna de las variables de
holgura.
(
(
(
(
(
(

=
+
+
+
m n
n
n
s
X
X
X
X
2
1


De manera que las restricciones se conviertan en
[ ] 0 ; ,
(

=
(

s s
X
X
b
X
X
I A

Donde:
I
r
: matriz identidad, de orden ( m m )
0
r
: 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 resulta de la solucin de las m ecuaciones:
[ ] b
X
X
I A
s
=
(

,
, en las que n variables de entre todas las (n + m) elementos de :
(

s
X
X
, se
igualan a cero. Cuando se eliminan estas n variables igualndolas a cero queda un conjunto de m
ecuaciones con m incgnitas (variables bsicas).

Este sistema de ecuaciones se puede denotar por b X B
B
=
r r
, donde:
1
2
1

(
(
(
(
(
(

=
m
Bm
B
B
B
X
X
X
X
r


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

s
x
x


B: es la matriz de base
m m
mm m m
m
m
B B B
B B B
B B B
B

(
(
(
(
(
(

=
L
M
L
L
2 1
2 22 21
1 12 11


La cual se obtiene al eliminar las columnas correspondientes a los coeficientes de las variables no
bsicas de [ ] I A , .

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

=
=


La solucin para las variables bsicas es:
32
b B X
B
1
=

Por lo tanto, para obtener el valor ptimo de la funcin objetivo debemos reemplazar los valores
de
B
X
r
en la funcin objetivo.

Sea
B
C
r
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
B
X
r
. El valor de la funcin
objetivo para esta solucin bsica es entonces:
b B C X C Z
B B B
1
= =
r


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

=
(
(
(

b
X
X
Z
S
0
I A 0
0 C - 1


Luego, las operaciones algebraicas realizadas por el mtodo simplex se expresan en forma
matricial, pre-multiplicando ambos lados del conjunto original de ecuaciones por la matriz
apropiada. Esta matriz tiene el mismo nmero de elementos que la matriz idntica. En particular,
despus de cualquier iteracin tenemos:
b B C Z
B
1
=
b B X
B
1
=
El segundo miembro de estas ecuaciones se ha convertido en:
(
(

=
(

(
(

=
(

b B
b B C B
X
Z
B
B


b
0
*
B 0
C 1
1
1
1 -
1
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:
(
(

=
(

1 - 1 -
B
1
B
1 -
1 -
B
B B 0
1 C C 1
1 0
0 1

B 0
B C 1
A
B C A B
A
C
Z
4 48 4 47 6


La forma matricial deseada del conjunto de ecuaciones despus de cualquier iteracin es:
(

=
(
(
(

b B
b B C
x
x
Z
A
B C A B
B
s
1
1
1 - 1 -
B
1
B
B B 0
1 C C 1


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
decisin
Variables de
holgura


Z
n
X X X
2 1
L


2 1 m n n n
X X X
+ + +
L

Valores de
variables base
Variables
bsicas
1 C C
B
A B
-1

-1
B
B
C
B B
X C
Bm
B
B
X
X
X
M
2
1

0
0
0
M
A B
1

1
B

b B
-1


33
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:

0
: . .
:

=
x
b AX
a s
CX Z Max


Paso 2:
Rescribir la F.O. de la siguiente manera:
0 = CX Z

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:
0 Y
0 X
b Y AX
s.a.
0 CX - Z :

= +
= Max


Donde Y: vector de variables de holgura.

El PPL de manera de un sistema de ecuaciones:
holgura de variables 0 , 0
decision de variables 0 0 x ; 0 x
0 * 0 * 0 * 0
2 1
2 1
2 2 1 1
2 2 2 22 1 21
1 1 1 2 12 1 11
2 1 2 2 1 1


= + + + +
= + + +
= + + + +
=
+ + +
+
+
+
+ + +
m n n n
n
m m n n mn m m
n
n n n
m n n n n n
X x X
x
b x x a x a x a
b x x a x a
b x x a x a x a
x x x x C x C x C Z
L L
L L
M M M M
L L

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
n
X X X
2 1
L


2 1 m n n n
X X X
+ + +
L


1 C C
B
A B
-1

-1
B
B
C

B B
x C

Bm
B
B
x
x
x
M
2
1

0
0
0
M

A B
1

1
B

b B
-1


Forma extensa:
Z
n
x x x L
2 1

m n n n
x x x
+ + +
L
2 1


1
n n
c z c z c z L
2 2 1 1

m n m n n n n n
c z c z c z
+ + + + + +
L
2 2 1 1
0
Z
34
Bm
B
B
A
A
A
M
2
1

0
0
0
M
mn m m
n
n
Y Y Y
Y Y Y
Y Y Y
2 1
2 22 21
1 12 11
M M M

) ( ) 2 ( ) 1 (
) ( 2 ) 2 ( 2 ) 1 ( 2
) ( 1 ) 2 ( 1 ) 1 ( 1
m n m n m n m
m n n n
m n n n
Y Y Y
Y Y Y
Y Y Y
+ + +
+ + +
+ + +
M M M

Bm
B
B
x
x
x
M
2
1


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
m n
a a a
+
, , ,
2 1
L L L L

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

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

> = 0 / min
kj
kj
Bk
k
rj
Br
Y
Y
X
Y
X


En el caso que todas las
kj
Y 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
rj
Y , con el objetivo de convertir a la columna
j
a en el vector unitario, es decir, ceros en toda
la columna y un uno en la r-ava componente (el mismo pivote
rj
Y ). Regrese al paso 5.
Nota:
j j
c z nos indica la utilidad ganada al introducir una unidad.

Ejemplo:
0 ; 0
10 2 5X
15 5 3
. .
3000 5000 :
2 1
2 1
2 1
2 1

+
+
+ =
X X
X
X X
a s
X X Z Max

Resolucin:
1: Mtodo Grfico
X
1
X
2
R 1
R 2
RSF
R 3
R 3
(x
1
*,x
2
*)=(20/19;45/19)
Z*= $ 235.000/19


2: Mtodo Simplex

35
Paso 2 y 3
0 ; 0
0 ; 0
10 2 5X
15 5 3
. .
0 3000 5000 :
4 3
2 1
4 2 1
3 2 1
2 1


= + +
= + +
= +
X X
X X
X X
X X X
a s
X X Z Max


Paso 4: Tableau:
Tableau 0:
Z X
1
X
2
X
3
X
4

1 -5.000 -3.000 0 0 0
X
3
0 3 5 1 0 15
X
4
0 5 2 0 1 10

Paso 5: El menor valor fila
Paso 6: El menor valor columna X
3
=15/3=5; X
4
=10/5=2
Paso 7: Pivote

Tableau 1:
Z X
1
X
2
X
3
X
4

1 0 -1.000 0 1.000 10.000
X
3
0 0 19/5 1 -3/5 9
X
1
0 1 2/5 0 1/5 2
Tableau 2:
z x
1
x
2
x
3
x
4
Z*
1 0 0 5.000/19 16.000/19 235.000/19
x
2
0 0 1 5/19 -3/19 45/19
x
1
0 1 0 -2/19 5/19 20/19

La solucin bsica factible ptima es:
0 0
(u)
19
45
(u)
19
20
4 3
2 1
= =
= =
X X
X X


) (
19
235000
$ um Z =
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
1
X a dos unidades, es as que al producir estas
dos unidades de
1
X , 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
2
X , 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
2 2
c z , el cual indic que la utilidad se podra mejorar en $1.000 um por unidad
de
2
X producida. En seguida, se encontr que un mximo de 2,37 unidades de
2
X deberan ser
36
introducidas a la solucin, debido a la combinacin de las restricciones, lo cual aument de 0 a
2,37 unidades de
2
X y disminuyo de 2 a 1,05 unidades de
1
X . El efecto neto de estos cambios en
1
X y
2
X fue una utilidad de $12.368,4. En este punto, el mtodo simplex determin que no era
posible mejorar ms la utilidad.




Ejemplo:

0 ; 0
0 ; 0
48 4 2X
60 2 4
. .
0 6 8 :

0 ; 0
48 4 2X
60 2 4
. .
6 8 :
4 3
2 1
4 2 1
3 2 1
2 1
2 1
2 1
2 1
2 1


= + +
= + +
=

+
+
+ =
X X
X X
X X
X X X
a s
X X Z Max
X X
X
X X
a s
X X Z Max


Tableau 0:
Z X
1
X
2
X
3
X
4

1 -8 -6 0 0 0
X
3
0 4 2 1 0 60
X
4
0 2 4 0 1 48

Paso 5: El menor valor fila
Paso 6: El menor valor columna X
3
=60/4=15; X
4
=48/2=24
Paso 7: Pivote

Tableau 1:
Z X
1
X
2
X
3
X
4

1 0 -2 2 0 120
X
1
0 1 1/2 1/4 0 15
X
4
0 0 3 3 -1/2 1 18

Tableau 2:
Z X
1
X
2
X
3
X
4
Z
*

1 0 0 5/3 2/3 132
X
1
0 1 0 1/3 -1/6 12
X
2
0 0 1 -1/6 1/3 6

La solucin es:
) . ( 132 $ ) ( 6 ) ( 12
2 1
m u Z u x u x = = =

Ejemplo:
0 ,
18 2 3
6
4
. .
5 3 :
2 1
2 1
2
1
2 1

+ =
x x
x x
x
x
a s
x x Z Min



El PPL de manera cannico es:
37
0 , , , ,
18
6
4
5 2 3
4
3
. .
0 5 3 :
0 ,
18 2 3
6
4
. .
5 3 :
5 4 3 2 1
2 1
2
1
2 1
2 1
2 1
2
1
2 1

= +
= +
= +
= +

= =
x x x x x
x x x
x x
x x
a s
x x U Max
x x
x x
x
x
a s
x x Z U Max



Tableau 0:
U X
1
X
2
X
3
X
4
X
5
Z
0

1 -3 5 0 0 0 0
X
3
0 1 0 1 0 0 4
X
4
0 0 1 0 1 0 6
X
5
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 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:


La forma estndar del modelo simplex queda:
0 ,
4 2
6 3 4
3 3
: .
4
max
2 1
2 1
2 1
2 1
2 1

+
+
= +
+ =
X X
X X
X X
X X
a s
X X z
38
0 , , ,
4 2
6 3 4
3 3
: .
4
max
4 3 2 1
4 2 1
3 2 1
2 1
2 1

= + +
= +
= +
+ =
X X X X
X X X
X X X
X X
a s
X X z


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 w
1
y w
2
:
6 3 4
3 3
2 3 2 1
1 2 1
= + +
= + +
W X X X
W X X


Entonces, el PPL queda:
0 , , , , ,
4 2
6 3 4
3 3
: .
4
max
2 1 4 3 2 1
4 2 1
2 3 2 1
1 2 1
2 1 2 1

= + +
= + +
= + +
+ =
W W X X X X
X X X
W x X X
W X X
a s
MW MW X X z


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:
3 2 1 2
2 1 1
3 4 6
3 3
X X X W
X X W
+ =
=


Por lo tanto, la funcin objetivo queda como:
M MX M X M X Z
MX MX MX M MX MX M X X Z
X X X M X X M X X Z
9 ) 4 1 ( ) 7 4 (
3 4 6 3 3 4
) 3 4 6 ( ) 3 3 ( 4
3 2 1
3 2 1 2 1 2 1
3 2 1 2 1 2 1
+ + + =
+ + + + + + =
+ + =

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

Finalmente, el PPL queda de la siguiente manera:
0 , , , , ,
4 2
6 3 4
3 3
: .
9 ) 4 1 ( ) 7 4 (
max
2 1 4 3 2 1
4 2 1
2 3 2 1
1 2 1
3 2 1

= + +
= + +
= + +
= + + +
W W X X X X
X X X
W X X X
W X X
a s
M MX X M X M z


El tableau inicial queda:
Z X
1
X
2
X
3
W
1
W
2
X
4

39
1 -(4+7M) -(1+4M) M 0 0 0 -9M
W
1
0 3 1 0 1 0 0 3
W
2
0 4 3 -1 0 1 0 6
X
4
0 1 2 0 0 0 1 4

Z X
1
X
2
X
3
W
1
W
2
X
4

1 0 (1-5M)/3 M (4+7M)/3 0 0 4-2M
X
1
0 1 1/3 0 1/3 0 0 1
W
2
0 0 5/3 -1 -4/3 1 0 2
X
4
0 0 5/3 0 -1/3 0 1 3

Z X
1
X
2
X
3
W
1
W
2
X
4

1 0 0 1/5 (8+5M)/5 -(1-5M)/5 0 18/5
X
1
0 1 0 1/5 3/5 -1/5 0 3/5
X
2
0 0 1 -3/5 -4/5 3/5 0 6/5
X
4
0 0 0 1 1 -1 1 1

La solucin ptima es:

) ( 5 / 18 $
0
0
0
1
5 / 6
5 / 3
2
1
3
4
2
1
um Z
W
W
W
X
X
X
X
X
X
X
N
B
=
(

=
(

=
(
(
(
(

=
(
(
(
(

=
(

=


40
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):

0
: . .
min

=
X
b X A
a s
X C Z


Introducimos las variables artificiales al problema original:
0 , 0 , 0
: . .
min

= +
=
W Y X
b W Y X A
a s
X C Z


FASE I:
Se resuelve el siguiente problema.
0 , 0 , 0
: . .
min
1

= +
=

=
W Y X
b W Y X A
a s
W W
i
i


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

0 , 0
: . .
min
1 1 1

=
=

X X
b B Y B AX B
a s
X C Z


41
Ejemplo:
0 ,
4 2
6 3 4
3 3
: .
4 : min
2 1
2 1
2 1
2 1
2 1

+
+
= +
+ =
X X
X X
X X
X X
a s
X X Z

Fase I:
0 , , , , ,
4 2
6 3 4
3 3
: . .
min
2 1 4 3 2 1
4 2 1
2 3 2 1
1 2 1
2 1

= + +
= + +
= + +
+ =
W W X X X X
X X X
W X X X
W X X
a s
W W W


Al igual que el mtodo de la gran M, la solucin debe estar constituida de tres variables, entonces:
9 4 7
9 4 7
) 3 4 6 ( ) 3 3 (
2 1
3 2 1
3 2 1
3 2 1 2 1
= + +
+ + =
+ + =
+ =
X X X W
X X X W
X X X X X W
W W W

El problema estndar queda:
0 , , , , ,
4 2
6 3 4
3 3
: . .
9 4 7
min
2 1 4 3 2 1
4 2 1
2 3 2 1
1 2 1
3 2 1

= + +
= + +
= + +
= + +
W W X X X X
X X X
W X X X
W X X
a s
X X X W


La tabla inicial queda:
W X
1
X
2
X
3
W
1
W
2
X
4

1 7 4 -1 0 0 0 9
W
1
0 3 1 0 1 0 0 3
W
2
0 4 3 -1 0 1 0 6
X
4
0 1 2 0 0 0 1 4

W X
1
X
2
X
3
W
1
W
2
X
4

1 0 5/3 -1 -7/3 0 0 2
X
1
0 1 1/3 0 1/3 0 0 1
W
2
0 0 5/3 -1 -4/3 1 0 2
X
4
0 0 5/3 0 -1/3 0 1 3
W X
1
X
2
X
3
W
1
W
2
X
4

1 0 0 0 -1 -1 0 0
X
1
0 1 0 1/5 3/5 -1/5 0 3/5
X
2
0 0 1 -3/5 -4/5 3/5 0 6/5
X
4
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.

42
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
5
6
5
3
5
3
5
1
4 3
3 2
3 1
= +
=
= +
X X
X X
X X


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:
0 , , ,
1
5
6
5
3
5
3
5
1
: . .
4
min
4 3 2 1
4 3
3 2
3 1
2 1

= +
=
= +
+ =
X X X X
X X
X X
X X
a s
X X z


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 X
1
,X
2
y

X
4
.

Pero, para terminar de resolver el problema, nuevamente debemos sustituir las variables X
1
y X
2

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


El problema estndar final:
0 , , ,
1
5
6
5
3
5
3
5
1
: . .
5
18
5
1
min
4 3 2 1
4 3
3 2
3 1
3

= +
=
= +
= +
X X X X
X X
X X
X X
a s
X Z


43
Por lo tanto, la tabla inicial de la fase II se convierte en:

Z X
1
X
2
X
3
X
4

1 0 0 1/5 0 18/5
X
1
0 1 0 1/5 0 3/5
X
2
0 0 1 -3/5 0 6/5
X
4
0 0 0 1 1 1

Z X
1
X
2
X
3
X
4

1 0 0 0 -1/5 17/5
X
1
0 1 0 0 -1/5 2/5
X
2
0 0 1 0 3/5 9/5
X
3
0 0 0 1 1 1

La solucin ptima es:
) ( 5 / 17 $
0
1
5 / 9
5 / 2
4
3
2
1
um Z
X
X
X
X
X
X
X
N
B
=
(
(
(
(

=
(
(
(
(

=
(

=


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:
0 ,
4 2
2 2 2
: . .
4 4
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
a s
X X Z Mx


Su representacin grfica es la siguiente:
44


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:
0
: . .
:

=
x
b AX
a s
CX Z Max


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 m i Y
ik
, , 1 , 0 K = , la solucin del problema lineal es no acotado.

Retomemos el ejemplo ya resuelto por el mtodo grfico:
0 ,
4 2
2 2 2
: . .
4 4
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
a s
X X Z Mx


Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X
1
X
2
X
3
X
4

1 -4 -4 0 0 0
X
3
0 -2 2 1 0 2
X
4
0 -1 2 0 1 4

Z X
1
X
2
X
3
X
4

1 -8 0 2 0 4
X
2
0 -1 1 1/2 0 1
X
4
0 1 0 -1 1 2

Z X
1
X
2
X
3
X
4

1 0 0 -6 8 20
X
2
0 0 1 -1/2 1 3
X
1
0 1 0 -1 1 2

45
Como se puede apreciar, en esta tercera iteracin X
3
debe entrar a la base, pero 0 2 / 1
13
< = Y y
0 2 / 1
23
< = Y .

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:
0 ,
20 4 10
30 10 6
: . .
2 5
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
a s
X X Z Mx



La representacin grfica es la siguiente:


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 X
A
es el vector asociado al punto A y X
B
es el vector asociado al
punto B, entonces:
46
1 0 , ) 1 ( + =
B A
X X X
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:
0
: . .
:

=
x
b AX
a s
CX Z Max


Si existe un vector asociado a X
k
que no est en la base ptima, cuyo costo reducido 0 =
k k
c z , el
resto de los 0
i i
c z y todas m i Y
ik
, , 1 , 0 K = > , entonces el problema de programacin lineal
tiene soluciones mltiples y la base es ptima.

Retomemos el ejemplo ya visto en este caso:
0 ,
20 4 10
30 10 6
: . .
2 5
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
a s
X X Z Mx


Aplicando las reglas ya descritas, el tablau inicial del problema es:
Z X
1
X
2
X
3
X
4

1 -5 -2 0 0 0
X
3
0 6 10 1 0 30
X
4
0 10 4 0 1 20

Z X
1
X
2
X
3
X
4

1 0 0 0 1/2 10
X
3
0 0 38/5 1 -3/5 18
X
1
0 1 0 0 1/10 2

Como 0
2 2
= c z y la variable X
2
no esta en la base, ya que B=(X
2
,X
1
) y todas las
A i c z
j j
, 0 , se tiene una solucin ptima mltiple. De esta manera, un punto extremo ptimo
es el siguiente:
) ( 10 $
0
18
0
2
4
3
2
1
1
um Z
X
X
X
X
X
=
(
(
(
(

=
(
(
(
(

=


Para determinar cual sera el otro punto extremo, se deber introducir a la base la variable X
2
, asi:
Z X
1
X
2
X
3
X
4

1 0 0 0 1/2 10
X
2
0 0 1 5/38 -3/38 45/19
X
1
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:
47
) ( 10 $
0
0
19 / 45
19 / 20
4
3
2
1
2
um Z
X
X
X
X
X
=
(
(
(
(

=
(
(
(
(

=


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:
1 0 ,
0
0
19 / 45
19 / 20
) 1 (
0
18
0
2
) 1 (
2 1 *

(
(
(
(

+
(
(
(
(

= + = X X X
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,
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:
0 ,
4
2
:
2 2
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
sa
X X Z
Mx


La representacin grfica es la siguiente:
48
X
1
X
2
c
a b
c
RSF 2
RSF 1


Como se puede observar, no existen valores de X
1
y X
2
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:
0 ,
4 4
2 3
:
0 2 2
2 1
2 1
2 1
2 1

= + +
= + +
= +
X X
W X X X
X X X
sa
MW X X Z
Mx


Z X
1
X
2
X
3
X
4
W
1 -2 -2 0 0 M 0
X
3
0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4


Z X
1
X
2
X
3
X
4
W
1 -2-M -2-M 0 M 0 -4M
X
3
0 1 1 1 0 0 2
W 0 1 1 0 -1 1 4


Z X
1
X
2
X
3
X
4
W
1 0 0 2+M M 0 4-2M
X
1
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
49
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.

Veamos el siguiente ejemplo:
0 ,
4 2
8 4
:
9 3
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
sa
X X Z
Max

La resolucin mediante el mtodo simplex es:
Z X
1
X
2
X
3
X
4

1 -3 -9 0 0 0
X
3
0 1 4 1 0 8
X
4
0 1 2 0 1 4

Z X
1
X
2
X
3
X
4

1 -3/4 0 9/4 0 18
X
2
0 1/4 1 0 2
X
4
0 1/2 0 -1/2 1 0

Z X
1
X
2
X
3
X
4

1 0 0 3/2 3/2 18
X
2
0 0 1 -1/2 2
X
1
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.
(R
e
dundante)


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.
50


51
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
vectores 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:
Primal Problema
0 X
b X A
s.a.

.

=
r
r r r
r r
X C Z
Max


Entonces, el P.P.L. dual se define como determinar las variables duales
m
w w w , , ,
2 1
K , por lo cual,
se define la siguiente estructura:
Dual Problema
0
. .
T
b G

=
W
T
C W
T
A
a s
W
Min
r
r r r
r r


Donde:
T
C
r
: Vector columna con n componentes transpuesta del vector C, vector de disponibilidad de
recursos duales.

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

T
A
r
: Transpuesta de la matriz A, es decir, matriz de
m n
elementos, matriz de coeficientes
tecnolgicos.

G: Funcin objetivo dual, escalar.

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

0
r
: Vector columna con m ceros.
52
Formas de Dualidad

Habamos visto que:
1.-
0
. .

0
. .
Z

=
W
C W A
a s
W b G Min
X
b X A
a s
X C Max
T T
T


Otras formas seran:
2.-
0
. .

0
. .
Z

=
W
T
C W
T
A
a s
W
T
b G Max
X
b X A
a s
X C Min


Veamos, por ejemplo, como se demuestra el PPL dual a partir del PPL primal:
0
. .
Z -

=
X
b X A
a s
X C Max


Aplicando la definicin de dualidad,
0
. .
-

=
W
T
C W
T
A
a s
W
T
b G Min



Que es equivalente a:
0
. .

=
W
T
C W
T
A
a s
W
T
b G Max


3.-
a restringid no
. .

0
. .
Z
W
T
C W
T
A
a s
W
T
b G Min
X
b X A
a s
X C Max

=

=
=


4.-
0
. .

0
. .
Z

=
W
T
C W
T
A
a s
W
T
b G Min
X
b X A
a s
X C Max

53
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
0
4
,
3
,
2
,
1
46
4
X -
3
X
-1
2 1
5
4
3
3
2
2 1
. .
4
4
3
2
2
8
1
3 Z

+ + +
+ + =
X X X X
X X
X X X X
a s
X X X X Max


Encuentre el problema dual asociado:
4
2
8
3
T
C
46
1 -
5
b
1 1 0 0
0 0 1 1
3 2 1 1

= =

= A

4 2 8 3 C 46 1 5
T
b
1 0 3
1 0 2
0 1 1
0 1 1
= =

=
T
A


El PPL dual de forma matricial:

4
2
8
3

3
2
1

1 0 3
1 0 2
0 1 1
0 1 1
. .
3
2
1
46 1 - 5 G

=
W
W
W
a s
W
W
W
Min


54
El PPL dual de forma extensa:
0
3
,
2
,
1
4
3 1
3W
2
3
W 1 2
8
2 1
3
2 1
. .
3
46
2 1
5 G

+

+
+ =
W W W
W
W
W W
W W
a s
W W W Min


Usos del problema Dual:

a) Resolver problemas lineales que tienen ms restricciones que actividades

Ejemplo:
0
6
,
5
,
4
,
3
,
2
,
1
4
6 5
4
4
8
3
2
2 1
2
6
4
5
3
4
6
3
3
2
2
1
. .
6
8
5
6
4
8
3
2
2
8
1
6 G
0
2
,
1
8
2 1
4
6
2
4
1
3
8
2
8
1
6
2
2
2
1
3
8
2 1
2
6
2 1
. .
2
4X
1
2X Z

+ + +
+ + + + +
+ + + + + =

+
+
+


+
+ =
W W W W W W
W W W W W W
W W W W W W
a s
W W W W W W Min
X X
X X
X X
X X
X X
X X
X X
a s
Max


b) Hacer interpretaciones econmicas de las soluciones ptimas de los P.L.L.

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:
0
. .

=
W
T
C W
T
A
a s
W
T
b G Min


55
Transformemos este problema a maximizacin y multiplicando por (-1):
0
. .
-

=
W
T
C W
T
A
a s
W
T
b G Max


Ahora, apliquemos el dual a este problema
0
. .
Z - in

=
X
b X A
a s
X C M


El cual es equivalente a:
0
. .
Z

=
X
b X A
a s
X C Max


3.1.2.- Teoremas de Dualidad
Estos teoremas se basan en la siguiente estructura:
0
. .
T
b G
0 X
b X A
s.a.
X C Z

=
W
T
C W
T
A
a s
W Min Max


Teorema N2: Teorema Dbil de Dualidad:
Si el problema primal es de maximizacin y el problema dual de minimizacin, entonces W y X
son soluciones factibles del problema primal y dual, respectivamente. Entonces se cumple que:
G W
T
b X C Z = =

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

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

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

r r


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 ( ) W X, del primal y dual, la funcin
objetivo del primal es siempre menor o igual a la funcin objetivo del dual.

56
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:
G W
T
b CX Z = = =
* *


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):
( ) P
0 X
b AX
s.a.
CX Z

=
= Max


Supongamos que la matriz A puede ser subdividida en:
( ) N B A | =
B = Matriz de vectores bsicos
N = Matriz de vectores no bsicos

Entonces el P.P.L. Primal anterior queda como:
0
N
X ; 0
B
X
b
N
NX
B
BX
s.a.
N
X
N
C
B
X
B
C Z
=
= +
+ = Max

La solucin de este problema existe, pero el problema consistir en hacer X
N
= 0 (ya que es no
bsica) y resolver el vector X
B
en trminos de la base B, quedando as:
b
1 -
B
B
C Z
B
X
B
C Z

1
=
=

= b B
B
X


La funcin objetivo Dual est definida como:
b
T
W W
T
b G = =

En condiciones de optimalidad (segn el teorema fundamental) se cumple que:
b
T
W b B
B
C
G Z

1



=

=


De esta manera, w es el vector dual ptimo, cuyo valor es:
1


= B
B
C
T
W


57
Dentro del Tableau del P.P.L. primal
1
B C
B
corresponde al valor de los costos reducidos de las
variables de holgura.

Ejemplo:
Hallar el valor de las variables duales ptimas y su funcin objetivo del P.P.L:
) (
0
2
,
1
10
2
2
1
4
18
2
3
1
2
. .
2
3
1
4
P
X X
X X
X X
a s
X X Z Max

+
+
+ =


Formular el problema dual
( ) D
0
2
,
1
3
2
2
1
3
4
2
4
1
2
. .
2
10
1
18

+
+
+ =
W W
W W
W W
a s
W W G Min


La ltima tabla para el primal queda como:
Z X
1
X
2
X
3
X
4
Z
0

1 2 0 0 3/2 15
X
3
0 -4 0 1 -3/2 3
X
2
0 2 1 0 1/2 5

La solucin ptima para el primal es:
0
*
4
X 3
*
3
X 5
*
2
X 0
*
1
= = = = X

As, la solucin ptima para el problema dual es:
1


= B
B
C
T
W

2 / 3
4 4
*
2
0
3 3
*
1
= =
= =
C Z W
C Z W


Luego, comprobaremos si la solucin dual es factible y ptima. Comprobando en las restricciones
duales se tiene:
( ) ( )
( ) ( )
0 3/2 ; 0 0
3 3 2 / 3 2 0 3
4 6 2 / 3 4 0 2

= +
= +

( ) ( ) Z G

15 2 / 3 10 0 18

= = + =


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:
58
0
. .
T
b G
0 X
b AX
s.a.
CX Z

=
W
T
C W
T
A
a s
W Min Max


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


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


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


De manera tal, que:
0
0
=
=
T T
C W A u
X A b v


De esta manera, como X es el primal factible, entonces multiplicando 0 W en la restriccin
b X A :
b W X A W
T T


Dado que 0 = W v
T
, se obtiene:
b W X A W
T T
=

De manera analoga, se obtiene:
X C W A X
T
=

Y comparando ambas ecuaciones, se obtiene que:
) ( ) ( W G X Z
W b X A W X C
T
T
=
= =
r r


Producto de lo anterior, se tienen los siguientes resultados:
0 implica d.
implica 0 c.
0 implica b.
implica 0 a.
= >
= >
= >
= >
X C W A
C W A X
W b X A
b X A W
T T
T T


Pero que pasa en el caso que b X A W = = 0 , o que
T T
C W A X = = 0 . El siguiente teorema
soluciona dicha situacin.

Teorema N5: Teorema de Holguras Complementarias
59
Dado los problemas Primal y Dual estndares, tienen soluciones factibles, entonces existen
soluciones ptimas W y X , tal que:
0 ) (
0 ) (
> +
> +
T
T T
T
X C W A
W X A b


Producto de lo anterior, se tienen los siguientes resultados:
0 implica 0 si d.
0 implica 0 ) ( si c.
0 implica 0 si b.
0 implica 0 si a.
> =
> =
> =
> =
T T
T T
C W A X
X C W A
X b-A W
W ) X (b-A


3.1.5.- Interpretacin Econmica De Las Variables Duales
Se ha visto que:
1


= B
B
C
T
W

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

1

=

=


Como B

esta compuesta por m columnas a

j
de A, la igualdad anterior puede expresarse en
trminos de los componentes a
j
de la base.
B j

=
Bj
C
j
a
T
W

De esta manera:
j
B
C
j
z
j
B
C
j
Y
B
C
j
B
C
j
Y
j
a B
B
C
= =
=

1

3 2 1


La igualdad anterior es equivalente a la definicin de z
j
dada con anterioridad y que era:
B j a W z
j
T
j
= ,

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:
( ) 0
1

+

= b b B
B
X

De esta manera, producto de lo anterior, tampoco cambian los costos reducidos
j j
c z , es decir:
A j
1

=
j
C
j
a B
B
C
j
c
j
z


En cambio, la funcin dual ha sufrido una variacin, pues ahora se tendr:
( ) b
T
W
Z
b
T
W b b
T
W G
b
T
W G
+ = + =
=

'

3 2 1

60
b
T
W Z Z
Z G
b
T
W Z G
+ =
=
+ =

'

'

'

'

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 .

b
T
W

Si el cambio en el vector recurso b es u (unitario), la funcin objetivo cambiar en w unidades, es
decir, que si la componente ( ) , , 1 n i
i
b K = 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:
15 Z* 5
*
2
X 2 / 3
*
2
0
*
1
X 3
*
3
X 0
*
1
= = =
= = =
W
W


Luego, la variacin de la funcin objetivo es:
5 . 16
2
33
1
2
3
15
2 2

'

1 10 11
2
b
= = + = + =
= =
b W Z Z


Qu sucede, si cambio ahora b
2
de 10 a 9 unidades?
5 . 13
2
27
) 1 (
2
3
15
2 2

'

1 10 9
2
b
= = + = + =
= =
b W Z Z


Qu sucede si se aumenta el recurso b
1
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:

61
Dado el siguiente problema primal-dual:
0
. .

0
. .
Z

=
W
C W A
a s
W b G Min
X
b X A
a s
X C Max
T T
T


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:
A j , 0
j
c
j
z

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


Paso 3
El vector x
k
de entrada a la base, debe satisfacer la siguiente regla, la cual es:

<

=
=

0 ,
, , 1
j
r
Y
rj
Y
j
c
j
z
n j
Max
rk
Y
k
c
k
z
K


Paso 4
La columna x
k
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.

Ejemplo:
Resolver usando el Simplex Dual:
0
2
W ,
1
W
3
2
2W 3W1
4
2
4W
1
2W
s.a.
2
10W
1
18W G

+
+
+ = Min


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.

0
4
W ,
3
W ,
2
W ,
1
W
-3
4
W
2
2W -
1
3W -
-4
3
W
2
4W -
1
2W -
s.a.
2
10W -
1
-18W -G H

= +
= +
= = Max


62
H W
1
W
2
W
3
W
4
H
0

1 18 10 0 0 0
W
3
0 -2 -4 1 0 -4
W
4
0 -3 -2 0 1 -3

H W
1
W
2
W
3
W
4
H
0

1 13 0 5/2 0 -10
W
2
0 1/2 1 -1/4 0 1
W
4
0 -2 0 -1/2 1 -1

H W
1
W
2
W
3
W
4
H
0

1 3 0 0 5 -15
W
2
0 3/2 1 0 -1/2 3/2
W
3
0 4 0 1 -2 2

La solucin al problema dual es:
15
0
0
2
2 / 3
4
1
3
2
= =
(
(
(
(

=
(
(
(
(

=
(

=
H G
W
W
W
W
W
W
W
N
B


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, A j , 0
j
c
j
z

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:
0
. .

0
. .
Z

=
W
C W A
a s
W b G Min
X
b AX
a s
CX Max
T T
T


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
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 Y
j
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).

63
Paso 5
El valor ptimo de la funcin dual es el mismo que el valor ptimo del problema primal en el
tableau ptimo.

Ejemplo:
0
2
W ,
1
W
3
2
2W
1
3W
4
2
4W
1
2W
s.a.
2
10W
1
18W G
0
2
X ,
1
X
10
2
2X
1
4X
18
2
3X
1
2X
s.a.
2
3X
1
4X Z

+
+
+ =

+
+
+ =

Min Max




Tableau Primal
W
3
W
4
W
1
W
2

Z X1 X2 X3 X4 Z
0

1 2 0 0 3/2 15
X
3
0 -4 0 1 -3/2 3
X
2
0 2 1 0 1/2 5

Tableau Dual
G W
1
W
2
W
3
W
4
G
0

1 3 0 0 5 15
W
2
0 3/2 1 0 -1/2 3/2
W
3
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.
) _ (Pr
0 W , W
3 2W W
6 3W 4W
3 W 3W
s.a.
W 2W G
2 1
2 1
2 1
2 1
2 1
Dual oblema
Min

+
+
+
+ =


Desarrollo:
El problema primal asociado al dual anterior es:
) Pr _ (Pr
0 X , X , X
1 2X 3X X
2 X 4X 3X
s.a.
3X 6X 3X Z
3 2 1
3 2 1
3 2 1
3 2 1
imal oblema
Max

+ +
+ +
+ + =


Aplicando la forma estndar:
0 X , X , X , X , X
1 X 2X 3X X
2 X 2X 3X 3X
s.a.
0 3X - 6X - 3X -
5 4 3 2 1
5 3 2 1
4 3 2 1
3 2 1

= + + +
= + + +
= Max


64


Tableau Primal
Z X
1
X
2
X
3
X
4
X
5
Z
0

1 -3 -6 -3 0 0 0
X
4
0 3 4 1 1 0 2
X
5
0 1 3 2 0 1 1
1 -1 0 1 0 2 2
X
4
0 5/3 0 -5/3 1 -4/3 2/3
X
2
0 1/3 1 2/3 0 1/3 1/3
1 0 0 0 3/5 6/5 12/5
X
1
0 1 0 -1 3/5 -4/5 2/5
X
2
0 0 1 1 -1/5 3/5 1/5

Tableau Dual
G W
1
W
2
W
3
W
4
W
5
G
0

1 0 0 2/5 1/5 0 -12/5
W
1
0 1 0 -3/5 1/5 0 3/5
W
2
0 0 1 4/5 -3/5 0 6/5
W
5
0 0 0 1 -1 1 0

65
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.
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:
A j a a
C C
b b
j j
< < +
< < +
< < +
, - ,
- ,
- ,



r r
r r

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

3.2.1.- Anlisis De Sensibilidad Para Cambios Discretos
3.2.1.1.-Cambios Del Vector
b
r
:
Supongamos que el siguiente P.P.L. original, cuya solucin ptima se conoce, es:
0
. .
Z

=
X
b X A
a s
X C Max
Problema Original (PO)

Se produce un cambio discreto en el vector b
r
, cuyo nuevo valor ser b b
r r
+ , donde b es un
vector de m componentes. El nuevo problema a resolver es:
0
. .
Z

+
=
X
b b X A
a s
X C Max
Problema Nuevo (PN)

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


Al cambiar b a b b
r r
+ el vector
B
X cambia a uno nuevo
B
X

dado por:
66
( ) b b B X
B
+ =
1

.

Si
0

B
X
, entonces ser la nueva solucin ptima del problema nuevo y el valor de la funcin
objetivo ser
B B
X C Z

= .
Si 0

<
B
X , 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:
B
X por
B
X

.
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
X
1
: nmero de litros del producto qumico A.
X
2
: nmero de litros del producto qumico B.

El programa lineal y tableau inicial y ptimos son los siguientes:
) (
0
2
X ,
1
X
10
2
2X
1
5X
15
2
5X
1
3X
s.a.
2
3X
1
5X Z
PO
Max

+
+
+ =


Z X
1
X
2
X
3
X
4
Z
0

1 -5 -3 0 0 0
X
3
0 3 5 1 0 15
X
4
0 5 2 0 1 10
1 0 -1 0 1 10
X
3
0 0 19/5 1 -3/5 9
X
1
0 1 2/5 0 1/5 2
1 0 0 5/19 16/19 235/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19


0
0
19 / 20
19 / 45

4
3
1
2
*
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
= = =
X
X
X
X
N
X
B
X
X
235/19 Z* =


(

19 / 5 19 / 2
19 / 3 19 / 5
1
B

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:
67
(

+ = +
5
5
5
10
10
15
b b


El nuevo programa lineal a resolver es:
) (
0
2
X ,
1
X
5
2
2X
1
5X
5
2
5X
1
3X
s.a.
2
3X
1
5X Z :
PN
Max

+
+
+ =


No es necesario resolver el problema desde el principio, sino que utilizaremos el anlisis de
sensibilidad, con el cual, determinamos si el nuevo vector ( ) b b B
B
X +

=
1

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:
( ) 0
19 / 15
19 / 10
5
5
19 / 5 19 / 2
19 / 3 19 / 5
1

= +

=
(

b b B
B
X


Por lo tanto, el nuevo vector es:
ptimo es
19 / 15
19 / 10
1
2
B
X

(
(

= =
X
X


El nuevo valor de la funcin objetivo es:
( ) [ ]
53 . 5 $ 19 / 105 *
19 / 15
19 / 10
5 3
1
2
1
C
2 B
X

B
C Z
= =
= = =
(

Z
X
X
C


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:
) (
0
2
X ,
1
X
20
2
2X
1
5X
10
2
5X
1
3X
s.a.
2
3X
1
5X Z :
PN
Max

+
+
+ =


Utilizando el anlisis de sensibilidad, se tiene que:
( ) 0
19 / 80
19 / 10
20
10
19 / 5 19 / 2
19 / 3 19 / 5
1

= +

=
(

b b B
B
X

Por lo tanto, el nuevo vector es:
(

=
19 / 80
19 / 10
B
X

no es ptimo

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
B
X
por
B
X

, se tiene:
68
Z X
1
X
2
X
3
X
4
Z
0

1 0 0 5/19 16/19 235/19
X
2
0 0 1 5/19 -3/19 -10/19
X
1
0 1 0 -2/19 5/19 80/19
1 0 16/3 5/3 0
X
4
0 0 -19/3 -5/3 1 10/3
X
1
0 1 5/3 1/3 0 10/3

La nueva solucin es:
X
1
= 10/3 litros de producto qumico A por hora.
X
2
= 0 litros de producto qumico B por hora.

El nuevo valor de la funcin objetivo es:
( ) [ ]
67 , 16 $ 3 / 50 *
3 / 10
3 / 10
5 0
1
4
1
C
4 B
X

B
C Z
= =
= = =
(

Z
X
X
C


Es fcil ver que el hecho de slo producir producto qumico A, implica:
( ) 10 0 5
3
10
3 = +
|

\
|


Obreros, lo cual genera que la holgura X
3
=0, mientras que la otra restriccin:
( )
3
10
3
50
- 20
4
X
20
3
50
0 2
3
10
5
= =

< = +
|

\
|


3.2.1.2.-Cambios En El Vector C
r
:
Supongamos nuevamente el siguiente problema original:
l Origina Problema
0 X
b X * A
s.a.
X C Z

=
r
r r r
r r
Max


El cambio discreto en el vector C
r
, ser un nuevo valor C C
r r
+ , donde C es un vector de n
componentes. El problema nuevo a resolver es:
Nuevo Pr
0 X
b X * A
s.a.
X ) C C ( Z
oblema
Max

+ =
r
r r r
r r r


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

=
|

\
|
+
1

Donde
j
a es la columna de la matriz A.

Se sabe que en condiciones de optimalidad A j
j
c
j
c
j
z
|

\
|
+ , 0 , no en B y
B j
j
c
j
c
j
z =
|

\
|
+ , 0
, entonces, si se cumplen estas dos condiciones, el vector
69
B
X asociado a la tabla ptima del problema original permanece ptimo y al nuevo valor de la
funcin objetivo ser:
( )
B
X
B
C
B
C Z + =

En caso contrario, es decir, 0 <
|

\
|
+
j
c
j
c
j
z , se deber hacer primero B j , 0 =
|

\
|
+
j
c
j
c
j
z ,
mediante operaciones matriciales elementales y despus obtener las condiciones de optimalidad,
A j
j
c
j
z , 0
mediante el mtodo simplex primal.

Ejemplo:
a.- Sigamos con el ejemplo del caso anterior:
Original Pr
0
2
X ,
1
X
10
2
2X
1
5X
15
2
5X
1
3X
s.a.
2
3X
1
5X Z
oblema
Max

+
+
+ =


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

+
+
+ =


Por lo tanto
( ) ( ) ( ) 0 0 1 5 0 0 2 0 0 0 3 5 = + = + C C


Como la nica componente de C que cambio es c
2
, entonces indica que slo cambia el costo
reducido
2 2
c z es:
( ) 0 2 1 3 1
2
5
19
16
19
5
2 2 2 2 2 2
> = = = = +
(

c c a
T
W c c z
,

Pero sabemos que en condiciones de optimalidad ( ) 0
2 2 2
= + c c z , 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 X
1
X
2
X
3
X
4
Z
0

1 0 2 5/19 16/19 235/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19

Al restablecer la factibilidad, la tabla queda de la siguiente forma:
Z X
1
X
2
X
3
X
4
Z
0

1 0 0 -5/19 22/19 145/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19

La cual no es ptima, ya que 0
3 3
< c z . Utilizando el mtodo simplex primal, se obtiene la nueva
solucin:
70
Z X
1
X
2
X
3
X
4
Z
0

1 0 1 0 1 10
X
3
0 0 19/5 1 -3/5 9
X
1
0 1 2/5 0 1/5 2

La solucin ptima para este nuevo problema es:
0 1 Z*

0
0
2
9

4
2
1
3
*
=
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


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

+
+
+ =


Por lo tanto ( ) ( ) ( ) 0 0 1 1 0 0 2 4 0 0 3 5 = + = + C C

Las componentes de C que cambian son c
1
y c
2
, generando que cambien los costos reducidos
2 2 1 1
c z c z , entonces:
( ) 0 4 1 5 1
5
3
19
16
19
5
1 1 1 1 1 1
> = = = = +
(

c c a
T
W c c z

( ) 0 2 1 3 1
2
5
19
16
19
5
2 2 2 2 2 2
> = = = = +
(

c c a
T
W c c z
,

Como sabemos que el vector X
1
y X
2
estn en la base ptima, entonces se deben cumplir las
condiciones de optimalidad ( ) ( ) 0
2 2 2
0
1 1 1
= + = + c c z c c z , 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 X
1
X
2
X
3
X
4
Z
0

1 4 2 5/19 16/19 235/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19

Al restablecer la factibilidad e indirectamente la optimalidad, la tabla nueva queda:
Z X
1
X
2
X
3
X
4
Z
0

1 0 0 3/19 2/19 65/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19

De esta manera, el tableau del PN es ptimo, con los siguientes resultados:
71
42 , 3 19 / 65 Z*

0
0
19 / 20
19 / 45

4
3
1
2
*
= =
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


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:
Original Pr
0
2
X ,
1
X
18
2
2X
1
3X
4
1
X
s.a.
2
5X
1
3X Z
oblema
Max

+ =


El cual presenta el siguiente tableau ptimo:
Z X
1
X
2
X
3
X
4
Z
0

1 9/2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
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:
) (
0
2
X ,
1
X
18
2
2X
1
3X
4
1
X
s.a.
2
5X
1
6X Z
PN
Max

+ =


Por lo tanto, el vector queda:
( ) ( ) ( ) 0 0 5 6 0 0 0 3 0 0 5 3 = + = + C C

Como la nica componente de C que cambio es c
1
, entonces indica que slo cambia el costo
reducido
1 1
c z es:
( ) 0
2
3
6
2
15
6
3
1
2
5
0
1 1
1 1 1 1
> = = = = +
(

c c a
T
W c c z
,

Pero sabemos que en condiciones de optimalidad ( ) 0
1 1 1
+ c c z , 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 X
1
X
2
X
3
X
4
Z
0

1 3/2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
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:
72

45 Z*

0
0
9
4

4
1
2
3
*
=
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


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

+ =


Por lo tanto, el vector queda:
( ) ( ) ( ) 0 0 5 10 0 0 0 7 0 0 5 3 = + = + C C

Como la nica componente de C que cambio es c
1
, entonces indica que slo cambia el costo
reducido
1 1
c z es:
( ) 0
2
5
10
2
15
10
3
1
2
5
0
1 1 1 1 1 1
< = = = = +
(

c c a
T
W c c z
,

En este caso, la condicin indica que si ( ) 0
1 1 1
< + c c z 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 X
1
X
2
X
3
X
4
Z
0

1 -5/2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
0 3/2 1 0 1/2 9
Z X
1
X
2
X
3
X
4
Z
0

1 0 0 5/2 5/2 55
X
1
0 0 0 1 0 4
X
2
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:

45 Z*

0
0
3
4

4
3
2
1
*
=
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X

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.

73
3.2.1.3.- Cambio En El Coeficiente Tecnolgico
j
a
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 N j a
j
, (no bsico), ocasiona
un cambio en el trmino
N j
j
c
j
z ,
, puesto que:
j
c
j
a B
B
C
j
c
j
z

=
1


Si el vector
j
a se cambia a una nueva
j
a , el nuevo trmino ser:
j
c
j
a
T
W
j
c
j
z =


Mientras este trmino sea
N j
j
c
j
z > , 0
, la solucin ptima asociada en el problema original
sigue siendo ptima

En caso contrario, es decir, N j
j
c
j
z < , 0 , hay que aplicar el mtodo simplex para obtener una
nueva solucin ptima del problema nuevo, teniendo cuidado de que el vector Y
j
del tableau
ptimo del problema original sea actualizado por otro
j
a B
j
Y
1

=


Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:
Original Pr
0
2
X ,
1
X
18
2
2X
1
3X
4
1
X
s.a.
2
5X
1
3X Z
oblema
Max

+ =

El cual presenta el siguiente tableau ptimo:
Z X
1
X
2
X
3
X
4
Z
0

1 9/2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
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:
) (
0
2
X ,
1
X
18
2
2X
1
2X
4
1
2X
s.a.
2
5X
1
3X Z
PN
Max

+ =

(

= =
2
2
1

3
1
1
:
a a
donde


74
Como slo se cambio el vector a
1
, entonces slo cambia el costo reducido
1 1
c z de la siguiente
manera:
0 2 3 5 3
2
2
2
5
0
1
1

1
> = = = =
(

c a
T
W c z
,

Como 0
1
1
> c z , 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 X
1
X
2
X
3
X
4
Z
0

1 2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
0 3/2 1 0 1/2 9

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

45 Z

0
0
9
4

4
1
2
3
=
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


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

+ =

(

= =
1
10
1

3
1
1
:
a a
donde


Como slo se cambi el vector a
1
, entonces se modifica el costo reducido
1 1
c z de la siguiente
manera:
0
2
1
3
2
5
3
1
10
2
5
0
1
1

< = = = =
(

c a
T
W c z
,

Como 0
1
1
< c z , 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
1
Y del tableau original por otro nuevo
1

Y , dado por:
|

\
|
(

= =

=
2 / 1
10
1
10
2 / 1 0
0 1

j
a B
j
Y


El tableau del PN, luego de actualizar el trmino
1 1
c z y la columna
1
Y es:
Z X
1
X
2
X
3
X
4
Z
0

1 -1/2 0 0 5/2 45
X
3
0 10 0 1 0 4
X
2
0 1/2 1 0 1/2 9
75

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 X
1
X
2
X
3
X
4
Z
0

1 0 0 1/20 5/2 181/5
X
1
0 1 0 1/10 0 2/5
X
2
0 0 1 -1/20 1/2 44/5

La nueva solucin ptima del PN es:

2 , 36 5 / 181 Z

0
0
5 / 44
5 / 2

4
3
2
1
= =
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


3.2.1.4.- Adiciones De Nuevas Actividades
j
X :
La adicin de nuevas variables
j
X

crea un nuevo trmino de costos reducidos
j
c
j
z y una nueva
columna Y
j
en la tableau. Si asociado a la nueva actividad
j
X se conoce su precio unitario
j
c y su
vector de coeficientes tecnolgicos
j
a , los nuevos elementos se calculan como:
j
a B
j
Y
j
C
j
a
T
W
j
c
j
z
1
=
=


Si el nuevo 0
j j
C Z , la nueva variable X
j
no debe entrar a la base y su valor de utilizacin es
cero.

Si 0 <
j j
C Z , se introduce el vector Y
j
en la tabla y se aplica el mtodo simplex hasta obtener la
optimalidad.

Ejemplo:
a.- Volvamos a utilizar el siguiente problema original:
Original Pr
0
2
X ,
1
X
18
2
2X
1
3X
4
1
X
s.a.
2
5X
1
3X Z
oblema
Max

+ =


El cual presenta el siguiente tableau ptimo:
Z X
1
X
2
X
3
X
4
Z
0

1 9/2 0 0 5/2 45
X
3
0 1 0 1 0 4
X
2
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 coeficientes tecnolgicos
asociado a la primera y segunda restriccin es de 1 y 2, respectivamente, por lo tanto, el problema
nuevo queda:
76
) (
0
5
,
2
X ,
1
X
18
5
2
2
2X
1
2X
4
5
X
1
2X
s.a.
5
7
2
5X
1
3X Z
PN
X
X
X Max

+ +
+
+ + =

(

=
2
1
5
:
a
donde


El nuevo elemento genera un nuevo costo reducido
5 5
c z de la siguiente manera:
0 2 7 5 7
2
1
2
5
0
5
5
5 5
< = = = =
(

c a
T
W c z ,

Como 0
5 5
< c z , hay que calcular la columna Y
5
del nuevo tableau dado por:
(

= =

=
1
1
2
1
2 / 1 0
0 1
1
5 5
a B Y


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 X
1
X
2
X
5
X
3
X
4
Z
0

1 9/2 0 -2 0 5/2 45
X
3
0 1 0 1 1 0 4
X
2
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 X
1
X
2
X
5
X
3
X
4
Z
0

1 13/2 0 0 2 5/2 53
X
5
0 1 0 1 1 0 4
X
2
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:

53 Z

0
0
0
5
4

4
3
1
2
5
=
= = =
|
|
|
|
|
|

\
|
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
X
N
X
B
X
X


La nueva solucin indica que la actividad X
5
se debe producir a un nivel de 4 unidades, la actividad
X
2
se debe reducir de 9 a 5 unidades y dejar de producir la actividad X
1
, lo cual genera un
incremento en la utilidad de $45 a $53.

b.- Utilizando el mismo problema anterior, supongamos que ahora el nuevo producto X
5
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:
77
) (
0
5
,
2
X ,
1
X
18
5
4
2
2X
1
2X
4
5
X 10
1
2X
s.a.
5
4
2
5X
1
3X Z
PN
X
X
X Max

+ +
+
+ + =

(

=
4
10
5
:
a
donde


El nuevo costo reducido
5 5
c z es el siguiente:
0 6 4 10 4
4
10
2
5
0
5
5
5 5
> = = = =
(

c a
T
W c z ,

Como 0
5 5
> c z , el tableau ptimo del problema original es ptimo del problema nuevo y X
5
debe
ser igual a cero. Para objetivos prcticos, se puede calcular la columna Y
5
del nuevo tableau dado
por:
(

= =

=
2
10
4
10
2 / 1 0
0 1
1
j
a B
j
Y

De esta manera, el nuevo tableau ptimo queda:
Z X
1
X
2
X
5
X
3
X
4
Z
0

1 2 0 6 0 5/2 45
X
3
0 1 0 10 1 0 4
X
2
0 3/2 1 2 0 9
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:

45 Z

0
0
0
9
4

4
5
1
2
3
=
= = =
|
|
|
|
|
|

\
|
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
X
N
X
B
X
X


Como punto aparte, conviene explicar claramente el significado de
j j
c z , que tiene dos
interpretaciones:
1.
j j
c z 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 N j X
j
, (no bsica), o bien
2.
j j
c z es el valor de c
j
debe aumentar (disminuir), en el caso de maximizacin (minimizacin),
para que N j X
j
, se convierta de una actividad no bsica a bsica.

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

j j j j
j j
c z c c
c z Z Z
+ =
=


3.2.1.5.- Adicin De Nuevas Restricciones:
Si al aadir k nuevas restricciones del tipo:
78
k m , 1, m i ,
1
+ + =
>
=
<

=
K
n
j
i j ij
b X a


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

es tambin ptima solucin del problema nuevo.

En caso contrario, si X
B
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:
) (
0
2
X ,
1
X
10
2
2X
1
5X
15
2
5X
1
3X
s.a.
2
3X
1
5X Z
PO
Max

+
+
+ =


Z X
1
X
2
X
3
X
4
Z
0

1 0 0 5/19 16/19 235/19
X
2
0 0 1 5/19 -3/19 45/19
X
1
0 1 0 -2/19 5/19 20/19

La solucin ptima del PO es:
235/19 Z

0
0
19 / 20
19 / 45

4
3
1
2
=
= = =
|
|
|
|

\
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
N
X
B
X
X


Supongamos que la nueva restriccin es:
1
2
X

Reemplazando el valor de la variable X
2
:
1
19
45


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

+
+
+ =


79
Agregando las variables de holgura, se tiene que:
0
5
,
4
,
3
,
2
X ,
1
X
1 5
2
X
10 4
2
2X
1
5X
15 3
2
5X
1
3X
s.a.
2
3X
1
5X Z

= +
= + +
= + +
+ =
X X X
X
X
X
Max


De esta manera, el tableau ptimo del problema original queda:
Z X
1
X
2
X
3
X
4
X
5
Z
0

1 0 0 5/19 16/19 0 235/19
X
2
0 0 1 5/19 -3/19 0 45/19
X
1
0 1 0 -2/19 5/19 0 20/19
X
5
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 X
1
X
2
X
3
X
4
X
5
Z
0

1 0 0 5/19 16/19 0 235/19
X
2
0 0 1 5/19 -3/19 0 45/19
X
1
0 1 0 -2/19 5/19 0 20/19
X
5
0 0 0 -5/19 3/19 1 -26/19

Aplicando el mtodo dual simplex, se obtiene el tableau ptimo:
Z X
1
X
2
X
3
X
4
X
5
Z
0

1 0 0 0 1 1 11
X
2
0 0 1 0 0 1 1
X
1
0 1 0 0 1/5 -2/5 8/5
X
3
0 0 0 1 -3/5 -19/5 26/5

La nueva solucin ptima es:
11 Z

0
0
5 / 26
5 / 8
1

5
4
3
1
2
=
= = =
|
|
|
|
|
|

\
|
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
X
N
X
B
X
X


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

Reemplazando nuevamente el valor de X
2
:
10
19
45


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:
80
) (
0
2
X ,
1
X
10
2
X
10
2
2X
1
5X
15
2
5X
1
3X
s.a.
2
3X
1
5X Z
PN
Max

+
+
+ =

Agregando las variables de holgura, se tiene que:
0
5
,
4
,
3
,
2
X ,
1
X
10 5
2
X
10 4
2
2X
1
5X
15 3
2
5X
1
3X
s.a.
2
3X
1
5X Z

+
+ +
+ +
+ =
X X X
X
X
X
Max


De esta manera, el tableau ptimo del problema nuevo queda:
Z X
1
X
2
X
3
X
4
X
5
Z
0

1 0 0 5/19 16/19 0 235/19
X
2
0 0 1 5/19 -3/19 0 45/19
X
1
0 1 0 -2/19 5/19 0 20/19
X
5
0 0 1 0 0 1 10

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 X
1
X
2
X
3
X
4
X
5
Z
0

1 0 0 5/19 16/19 0 235/19
X
2
0 0 1 5/19 -3/19 0 45/19
X
1
0 1 0 -2/19 5/19 0 20/19
X
5
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 X
5
que
se agrega a las variables del problema, quedando finalmente:
37 , 12
19
235
Z

0
0
19 / 145
19 / 20
19 / 45

4
3
5
1
2
= =
= = =
|
|
|
|
|
|

\
|
|
|
|
|
|
|

\
|
|
|

\
|
X
X
X
X
X
N
X
B
X
X


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 N j a
j
, .

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
r

El problema nuevo a resolver es:
81
) (
0
:
) (
PN
X
b AX
sa
X C Z
MAX

+ =


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 A j c z
j j
, . Para analizar esta variacin, se establecer que B
0
es la base ptima
asociada al problema original cuando 0 = , es decir:
) (
0
: PO
X
B AX
sa
CX Z
MAX

=


De esta manera, el nuevo valor de los A j c z
j j
, , denotado por
j j
c z
:
A j a B c z c z
a B c a B C c a B a B C c z
A j c a B C c z
j j B j j j j
j j B j j B j j j B j B j j
j j j B B j j
+ =
+ = + =
+ + =

), (

), ( ) (
1
0 0
1
0 0
1
0 0
1
0 0
1
0 0
1
0 0 0

Donde C
B0
y
0
son las componentes de C y asociada a la base ptima B
0
.

Ahora, debemos preguntarnos si existe algn valor crtico de , por ejemplo

, tal que para

valores mayores que

la base ptima B
0
dejara de ser ptima.

Sabemos que la optimalidad, para cualquier valor de se obtiene cuando A j c z
j j
, 0
y,
adems sabemos que j c z
j j
, 0 , por que B
0
es ptimo para 0 = , por lo cual, slo nos queda
analizar el segundo trmino de
j j
c z
, es decir:
j j B
a B
1
0 0


De esta manera:
1. Si A j a B
j j B


, 0
1
0 0
, entonces la base ptima B
0
, asociada al tableau ptimo del
problema original, sigue siendo ptimo para cualquier valor de 0 .
2. Si para algn A j existiese un valor correspondiente a 0
1
0 0
<

j j B
a B , entonces existe un
valor crtico para , denotado por

, el cul se calcula de la siguiente manera:

(
(

j j B
k k
a B
c z
1
0 0
*
) (

(
(

<

0 /
) (
1
0 0
1
0 0
*
j j B
j j B
j j
N j
a B
a B
c z
Mn


Para el cual B
0
deja de ser ptimo para valores de
*
y la solucin ptima seria:
82
0 0 0 0
) (

B B B B
X C Z + =

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 m i Y
ik
, , 1 , 0 K = , 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 m i Y
ik
, , 1 , 0 K = , el mtodo simplex se aplica de la manera usual hasta obtener una
nueva solucin ptima, con la salvedad de que todos los valores A j c z
j j
, deben de
actualizarse y la base asociada a esta nueva solucin ptima es B
1

Se debe volver a analizar, en este sentido, si existe un valor crtico de , en este caso

,
de manera tal que B
1
sigue siendo ptima para el rango de
* * * *
+ . En este caso,
el valor de

es:
(
(

<

0 /
) (
1
1 1
1
1 1
* *
j j B
j j B
j j
N j
a B
a B
c z
Mn


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
( ) ( ) ( )
) (
0 , 0 , 0
420 4
460 2 3
430 2
: . .
5 5 2 2 6 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PN
X X X
X X
X X
X X X
a s
X X X Z

+
+
+ +
+ + + =


Para este caso:
( ) ( )
( ) ( ) 5 2 6
5 2 3
3 2 1
3 2 1
= =
= = c c c C


Para =0, se vuelve al problema original:
) (
0 , 0 , 0
420 4
460 2 3
430 2
: . .
5 2 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PN
X X X
X X
X X
X X X
a s
X X X Z

+
+
+ +
+ + =

El Tableau inicial y ptimo, respectivamente, del problema original es el siguiente:
Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 -3 -2 -5 0 0 0 0
X
2
0 1 2 1 1 0 0 430
X
3
0 3 0 2 0 1 0 460
X
6
0 1 4 0 0 0 1 420

Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 4 0 0 1 2 0 1350
X
2
0 -1/4 1 0 1/2 -1/4 0 100
X
3
0 3/2 0 1 0 1/2 0 230
X
6
0 2 0 0 -2 1 1 20
83

Para =0, los resultados ptimos son los siguientes:
350 . 1
0
0
0
20
230
100
5
4
1
6
3
2
=
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
Z
X
X
X
X
X
X
X
X
X
N
B


Adems, los elementos necesarios a reconocer son:
( )
( )
5 4 1 0
6 3 2 0
1
0
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
X X X VN
X X X VB
B
=
=
(
(
(

Es as, que es necesario calcular si existe un valor crtico *, de manera tal, que la base ptima no
cambie:
(
(

<

0 /
) (
1
0 0
1
0 0
*
0
j j B
j j B
j j
N j
a B
a B
c z
Mn


De esta manera, hay que analizar:
( ) ( ) ( )
5 4 1 5 4 1
1
0 6 3 2
1
0 0
1
0 0
5 , 4 , 1 , 0
=

= <

Y Y Y B a B
j a B
j j B
j j B

Para cada caso se tiene que:
( ) ( ) 0 0 6
0 0 1
1 0 3
0 1 1
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
0 5 2
0 0
1
0 0

(
(
(

(
(
(

=

N N B
a B
( ) ( ) ( ) ( ) 0 0 6 3 1 8 0 0 6
0 0 1
1 0 3
0 1 1
0 3 1
0 0
1
0 0
=
(
(
(

=

N N B
a B

( ) 3 1 14
0 0
1
0 0
=

N N B
a B


Es fcil ver ahora que:
0 14
1 1
1
0 0
< =

a B
B

0 1
4 4
1
0 0
< =

a B
B

0 3
5 5
1
0 0
< =

a B
B


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:
1
1
1 ) (
4 4
1
0 0
4 4 *
=
(

=
(

a B
c z
B


De esta manera, el rango de esta acotado por 1 0 , los cuales generan las siguientes
soluciones ptimas.
84
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
0
0
0
20
230
100
5
4
1
6
3
2
X
X
X
X
X
X
X
X
X
N
B

( ) ( )
(
(
(

+ =
(
(
(

+ + + = + =
20
230
100
0 5 5 2 2 ) (

6
3
2
6 6 3 3 2 2 0 0 0 0

X
X
X
c c c X C Z
B B B B

950 350 . 1 150 . 1 150 . 1 200 200

0
+ = + + =
B
Z

Por ejemplo, si =1/2, se tiene que
825 . 1
2
1
950 350 . 1

0
= + =
B
Z
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
N j c z
j j
, , para *=1:
18 ) 14 ( 1 4 ) (
1 1
1
0 0
*
1 1 1 1
= + = + =

a B c z c z
B

0 ) 1 ( 1 1 ) (
4 4
1
0 0
*
4 4 4 4
= + = + =

a B c z c z
B

5 ) 3 ( 1 2 ) (
5 5
1
0 0
*
5 5 5 5
= + = + =

a B c z c z
B


El valor de la funcin objetivo en el tableau, se obtiene tambin cuando =1, es decir:
300 . 2 1 950 350 . 1

0
= + =
B
Z
.

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 X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 18 0 0 0 5 0 2300
X
2
0 -1/4 1 0 1/2 -1/4 0 100
X
3
0 3/2 0 1 0 1/2 0 230
X
6
0 2 0 0 -2 1 1 20

Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 18 0 0 0 5 0 2300
X
4
0 -1/2 2 0 1 -1/2 0 200
X
3
0 3/2 0 1 0 0 230
X
6
0 1 4 0 0 0 1 420

Los resultados ptimos para el rango de , que esta acotado por
* *
1 1 + son:.
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
0
0
0
420
230
200
5
2
1
6
3
4
X
X
X
X
X
X
X
X
X
N
B

( ) ( )
(
(
(

+ =
(
(
(

+ + + = + =
20
230
100
0 5 5 0 ) (

6
3
4
6 6 3 3 4 4 0 0 0 0

X
X
X
c c c X C Z
B B B B

85
150 . 1 150 . 1

0
+ =
B
Z



Los elementos necesarios a reconocer en este rango son:
( )
( )
5 2 1 1
6 3 4 1
1
1
1 1 0
0 2 / 1 0
0 2 / 1 1
X X X VN
X X X VB
B
=
=
(
(
(

Slo falta calcular si efectivamente existe un valor crtico
**
, de manera tal que acote las
soluciones y la funcin, a travs de:
( ) ( ) ( )
5 2 1 5 2 1
1
1 6 3 4
1
1 1
1
1 1
5 , 2 , 1 , 0
=

= <

Y Y Y B a B
j a B
j j B
j j B


Para cada caso se tiene que:
( ) ( ) 0 2 6
0 4 1
1 0 3
0 2 1
1 1 0
0 2 / 1 0
0 2 / 1 1
0 5 0
1 1
1
1 1

(
(
(

(
(
(

=

N N B
a B

( ) ( ) 0 2 6
2
5
0
2
15
0 2 6
0 4 1
1 0 3
0 2 1
0
2
5
0
1 1
1
1 1

|

\
|
=
(
(
(

\
|
=

N N B
a B
|

\
|
=

2
5
2
2
27
1 1
1
1 1 N N B
a B


Es fcil ver ahora que:
< =

0
2
27
1 1
1
1 1
a B
B

0 2
2 2
1
1 1
< =

a B
B

< =

0
2
5
5 5
1
1 1
a B
B

Por lo cual, ninguno cumple la condicin que:
5 , 2 , 1 , 0
1
1 1
= <

j a B
j j B
, 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
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
0
0
0
420
230
100
5
4
1
6
3
2
X
X
X
X
X
X
X
X
X
N
B

950 350 . 1

0
+ =
B
Z

86

Para el rango entre 1
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
0
0
0
420
230
200
5
2
1
6
3
4
X
X
X
X
X
X
X
X
X
N
B

150 . 1 150 . 1

0
+ =
B
Z

3.2.2.2.- Cambio Continuo En El Vector b
r

El problema a resolver es el siguiente:
) (
0
: .
max
PN
X
b AX
a s
CX Z

+
=

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.
) (
0
: .
max
PO
X
b AX
a s
CX Z

=

Un cambio en el parmetro + b hace variar el X
B0
y el valor de la funcin objetivo en el
problema original. Sabemos que:
b B X
B
1
=

Si efectivamente en b ocurre un cambio paramtrico:
0 0 0
1
0 0

) (

B B B
B
X C Z
b B X
=
+ =

Debemos determinar si existe algn valor crtico de

, tal que para valores mayores de

, la sabe
B
0
dejara de ser ptima:
1. Si 0 ) (

1
0 0
+ =

b B X
B
, para cualquier valor de , entonces la base sigue siendo
ptima.

2. Si alguna componente de 0 ) (

1
0 0
< + =

b B X
B
, B
0
deja de ser ptima y el valor de * se
determina mediante la siguiente relacin:
)
`

<

=
+ = + =

=

0 / min

1
0
1
0
0
, , 1
*
1
0 0
1
0
1
0 0
i
i
i B
m i
B B
B
B
X
B X B b B X
K

Donde:
i B
X
0
: 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 .
87

Cuando
*
= , se puede obtener una nueva solucin factible, utilizando el mtodo simplex dual,
una vez actualizado
0

B
X y
*
Z el tableau ptimo del problema original. Cuando se efecta la
operacin respectiva, se obtiene una nueva solucin ptima
1

B
X , 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:
) (
0 , 0 , 0
400 420 4
200 460 2 3
100 430 2
: . .
5 2 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PN
X X X
X X
X X
X X X
a s
X X X Z

+ +
+
+ + +
+ + =

Dnde:
(
(
(

=
(
(
(

=
420
460
430
3
2
1
b
b
b
b
,
(
(
(

=
(
(
(

=
400
200
100
3
2
1


Si =0, se tiene el problema original:
) (
0 , 0 , 0
420 4
460 2 3
430 2
: . .
5 2 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PO
X X X
X X
X X
X X X
a s
X X X Z

+
+
+ +
+ + =


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 X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 4 0 0 1 2 0 1350
X
2
0 -1/4 1 0 1/2 -1/4 0 100
X
3
0 3/2 0 1 0 1/2 0 230
X
6
0 2 0 0 -2 1 1 20

Los resultados ptimos para este caso son:



La base ptima, las variables bsicas y no bsicas que constituyen el problema son:
( )
( )
5 4 1 0
6 3 2 0
1
0
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
X X X VN
X X X VB
B
=
=
(
(
(

350 . 1
0
0
0
20
230
100
5
4
1
6
3
2
=
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
Z
X
X
X
X
X
X
X
X
X
N
B
88

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

<

=
0 / min
1
0 1
0
0
, , 1
*
i
i
i B
m i
B
B
X
K

(
(
(

=
(
(
(

(
(
(

0
100
100
400
200
100
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
1
0
B


Como 0 100
3
1
0
< =

B , efectivamente existe un valor crtico de *, siendo este:

3 , 2
100
230
1
0
0 *
=
(

=
(

=

i
i B
B
X


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

+
(
(
(

(
(
(

= + = + =
(
(
(

=

0
100
100
420
460
430
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
) (

1
0
1
0
1
0
6
3
2
0
B b B b B
X
X
X
X
B

(
(
(

+
=
(
(
(

=
20
100 230
100 100

6
3
2
0

X
X
X
X
B


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

+
=
(
(
(

= =
20
100 230
100 100
0 5 2

6
3
2
6 3 2 0 0 0

X
X
X
c c c X C Z
B B B

300 350 . 1

0
=
B
Z

Que pasa para valores de 3 , 2 > , se deber actualizar el vector X
B0
y la funcin objetivo para
=2,3, generando que:
(
(
(

=
(
(
(

+
=
(
(
(

=
20
0
330
20
3 , 2 100 230
3 , 2 100 100

6
3
2
0
X
X
X
X
B
660 3 , 2 300 350 . 1

0
= =
B
Z


De esta manera, al tableau actualizado se le aplica el mtodo simplex dual, pero en este caso,
aunque ningn X
Bi
es negativo, se debe obligar a X
3
=0 a salir de la base inicial:
Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 4 0 0 1 2 0 660
X
2
0 -1/4 1 0 1/2 -1/4 0 330
X
3
0 3/2 0 1 0 1/2 0 0
X
6
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 0
3

j
Y , lo cual indica que el problema paramtrico no tiene solucin para
cualquier valor de 3 , 2 > .

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

) (
0

: PN
X
b X A
sa
CX Z
Max

=
89

A

difiere de la matriz A, nicamente en una columna no bsica (la columna j), dnde:
N j a a
j j j
+ = ,
Con A a
j
y < < y
j
vector columna de m componentes.

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
j
a se convierte de un vector no bsico (
*
0 ) a un vector bsico (
*
). Dicho este
comentario, se continuar el estudio paramtrico de esta variable.

Sea B
0
la base ptima asociada al problema original, es decir, 0 = :
) (
0
PO
X
b AX
sa
CX Z
Max

=

El cambio paramtrico en el vector
j
a ocasiona que los costos reducidos se modifiquen de
j c z
j j
, 0 a
j j
c z
, de la siguiente manera:
j j B j B j j j B j j
j j B j j
c B C a B C c a B C c z
N j c a B C c z
+ = + =
=

1
0 0
1
0 0
1
0 0
1
0 0
) (
,


N j B C c z c z
B C c a B C c z
j B j j j j
j B j j B j j
+ =
+ =

,

1
0 0
1
0 0
1
0 0

De esta manera, se tiene que:
1. Si 0

j j
c z y para cualquier valor de 0 > , entonces B
0
sigue siendo ptima para el nuevo
problema.
2. Si 0
<
j j
c z para algn valor de N j , entonces existe un

, el cual se determina por la

siguiente relacin (como se ha efectuado en los casos anteriores):
( )
(
(

<

=
0 /
1
0 0
1
0 0
, , 1
*
j B
j B
j j
m j
B C
B C
c z
Mn
K

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

Ejemplo:
Resuelva el siguiente PPL:
) (
0 , 0 , 0
420 4
460 2 ) 3 (
430 2 ) 1 (
: . .
5 2 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PN
X X X
X X
X X
X X X
a s
X X X Z

+
+
+ + +
+ + =

Donde el vector tecnolgico paramtrico
1
a es:
90
(
(
(

+
(
(
(

=
+ =
0
1
1
1
3
1

1
1
1 1

a
a a


Para =0, el problema original es el siguiente:
) (
0 , 0 , 0
420 4
460 2 3
430 2
: . .
5 2 3 max
3 2 1
2 1
3 1
3 2 1
3 2 1
PO
X X X
X X
X X
X X X
a s
X X X Z

+
+
+ +
+ + =

El tableau asociado es:
Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 4 0 0 1 2 0 1350
X
2
0 -1/4 1 0 1/2 -1/4 0 100
X
3
0 3/2 0 1 0 1/2 0 230
X
6
0 2 0 0 -2 1 1 20

Los resultados ptimos para este caso son:


Como existe un cambio paramtrico, asociado a la variable X
1
en sus actividades tecnolgicas,
ocasiona que los costos reducidos
1 1
c z sufran cambios y, por ende, debemos determinar si
existe un valor crtico de

, entonces debemos evaluar la siguiente expresin:

1
1
0 0 1 1 1 1
+ =

B C c z c z
B

Entonces:
4
1 1
= c z

( ) [ ] 1
0
1
1
0 2 1
0
1
1
1 1 2
0 2 / 1 0
0 4 / 1 2 / 1
0 5 2
1
1
0 0
=
(
(
(

=
(
(
(

(
(
(

B C
B

De esta manera, el

:
4
1
4
*
=
(

=


Los costos reducidos, asociados a X
1
y 4 0 son:
= + = 4 ) 1 ( 4

1 1
c z


Finalmente, se puede decir que para valores de , en el rango de 4 0 , la solucin ptima para
el problema nuevo es:
350 . 1
0
0
0
20
230
100
5
4
1
6
3
2
=
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
Z
X
X
X
X
X
X
X
X
X
N
B
91
350 . 1
0
0
0
20
230
100
5
4
1
6
3
2
=
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
(

=
Z
X
X
X
X
X
X
X
X
X
N
B


Por ejemplo, si =4, entonces:
0

1 1
= c z


El tableau asociado seria:
Z X
1
X
2
X
3
X
4
X
5
X
6
Z*
1 0 0 0 1 2 0 1350
X
2
0 -1/4 1 0 1/2 -1/4 0 100
X
3
0 3/2 0 1 0 1/2 0 230
X
6
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.

92
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 son ms complicados, no es el objetivo 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 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.



Donde:

a
i
: Capacidad de oferta del origen i
b
J
: Demanda del centro de consumo i
C
iJ
: Costo de enviar una unidad de producto del origen i al destino j
X
iJ
: Cantidad de productos a enviar desde el origen i al centro de consumo j

93
3.1.1.- Estructura de Transporte
El 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:

j i
ij
X
n j
i
j
b
ij
X
j
m i
i
a
ij
X
a s
m
i
n
j
ij
X
ij
C Min
m
n
, , 0
, , 1 ,
1
1
, , , 1 ,
. .
1 1
Z

=
=

=
=

=

=
=
K
K

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
i
n
j
j i
b a
1 1

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:

= =
=
m
i
n
j
j i
b a
1 1



Con esto, el problema a resolver es:
j i
ij
X
n j
i
j
b
ij
X
j
m i
i
a
ij
X
a s
m
i
n
j
ij
X
ij
C Min
m
n
, , 0
, , 1 ,
1
1
, , , 1 ,
. .
1 1
Z

=
=
=

=
= =

=

=
=
K
K

Esta ltima estructura de programacin lineal, se conoce como estructura de transporte.

Si escribisemos el Problema de Transporte de forma condensada, sera:
0
:

=
=
X
d AX
sa
CX Z
Min


94
Donde:
( )
( )
( )
renglones
renglones n
renglones m
columnas
1 0 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
2 1 2 1
2 1 2 22 21 1 12 11
2 1 2 22 21 1 12 11
n m
n m
I I I I I
A
b b b am a a d
C C C C C C C C C C
X X X X X X X X X X
n n n n n
n
T
mn m m n n
mn m m n n
T
+

(
(
(
(
(
(
(
(

=
=
=
=
4 4 4 4 4 3 4 4 4 4 4 2 1
L
M M O M M M
L
L
L
K K
K K K K
K K K K


El vector 1 y el vector 0 de la matriz A son vectores fila conteniendo, respectivamente, n unos y n
ceros, y I
n
es la matriz identidad de n n componentes, tal como se muestra a continuacin:
( )
( )
4 4 4 3 4 4 4 2 1
K
4 4 3 4 4 2 1
K
s componente
0 0 0 0 0
s componente
1 1 1 1 1
n
n
=
=

s componente n
s componente n
1 0 0 0
0 0 1 0
0 0 0 1

(
(
(
(

=
4 4 4 3 4 4 4 2 1
L
M M O M M
L
L
n
I

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:

j i
ij
X
n j
i
j
b
ij
X
j
m i
i
a
ij
X
a s
m
i
n
j
ij
X
ij
C Min
m
n
, , 0
, , 1 ,
1
1
, , , 1 ,
. .
1 1
Z

=
=
=

=
= =

=

=
=
K
K

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:
95
costos de Matriz
3 2 1
3 2 1
3 3 33 32 31
3
2 2 23 22 21
2
1 1 13 12 11
1
3 2 1
n
b b b b Demanda
m
a
mn
C
m
C
m
C
m
C m
a
n
C C C C
a
n
C C C C
a
n
C C C C
Oferta n
L
L
M M L M M M M
M M L M M M M
L
L
L
L


flujos de Matriz
3 2 1
3 2 1
3 3 33 32 31
3
2 2 23 22 21
2
1 1 13 12 11
1
3 2 1
n
b b b b Demanda
m
a
mn
X
m
X
m
X
m
X m
a
n
X X X X
a
n
X X X X
a
n
X X X X
Oferta n
L
L
M M L M M M M
M M L M M M M
L
L
L
L


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
i
n
j
j
b
i
a
1 1


Para solucionar este conflicto, se introduce un Centro de Consumo Artificial, cuya demanda estar
dado por:

=

=
=
+
m
i
n
j
j
b
i
a
n
b
1 1
1


Los costos unitarios hacia ese centro de consumo b
n+1
sern todos ceros, es decir, la matriz de
costos asociada quedar:

3
2
1
1 3 2 1
0
3 2 1
0
3 33 32 31
3
0
2 23 22 21
2
0
1 13 12 11
1
1 3 2 1
n
a
a
a
a
Oferta
n
b
n
b b b b Demanda
mn
C
m
C
m
C
m
C m
n
C C C C
n
C C C C
n
C C C C
n n
M
M
L
L
M M L M M M M
M M L M M M M
L
L
L
L
+
+


Por otro lado, si la demanda total excede a la oferta total, es decir:

= =
>
n
j
n
i
i
a
j
b
1 1


Entonces, se aade un Centro de Oferta Artificial, cuya oferta ser:
=
+ i
a
j
b
m
a
1


Los costos unitarios hacia ese centro d oferta a
n+1
, sern todos ceros, es decir, la matriz de costos
queda:
96
n
b b b Demanda
m
a m
n
a
mn
C
m
C
m
C m
a
n
C C C
a
n
C C C
Oferta n
L
L
L
M M M M M
L
L
L
2 1
1
0 0 0 1
2 1
2 2 22 12
2
1 1 21 11
1
2 1
+
+


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.

3.1.2.1.- Mtodo Del Extremo Noroccidental (MEN)
El punto de partida es una matriz con orgenes, destinos, ofertas y demandas de un problema
balanceado, como se muestra a continuacin:
n
b b b b Demanda
m
a m
a
a
a
Oferta n
L
M M M M
M M M M
L
3 2 1
3
3
2
2
1
1
3 2 1


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:
( )
11 1
1

11 1 1

1
,
1 11
X b b
X a a
b a Min X
=
=
=

Si se estuviera en una posicin cualesquiera (i, j):
( )
ij
X
i
b
j
b
ij
X
i
a a
b a Min
ij
X
i
j i
=
=
=

,


Paso 2:
Ocurrir que una de los componentes, ya sea demanda u oferta ser igual a cero, por lo cual:
Si 0
1
= a , pasar a la posicin (2,1) y hacer ( ) ( )
11 1
,
2
1

,
2 21
X b a Min b a Min X = = .
Si 0
1

= b , pasar a la posicin (1,2) y hacer ( ) ( )

2
,
11 1 2
,
1

12
b X a Min b a Min X = =

Esta condicin de manera general, posicin (i, j) indica que:
1. Si ) ( 0 =
i
a , descender a la posicin (i+1, j) y hacer ( )
j i
b a Min
j i i
X

,
,
1 +
=
+
.
97
2. Si ) ( 0

=
j
b , avanzar a la posicin (i, j+1) y hacer
|

\
|
+
=
+ 1
,
1 , j
b a Min
j i
X
i


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:
Se tiene tres plantas, las cuales abastecen a 5 regiones; como se indica a continuacin:
60 40 70 40 30
90 20 18 15 18 3
60 16 19 16 20 15 2
40 16 21 14 19 20 1
5 4 3 2 1
Demanda
M
Oferta


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:
240 190
60 40 70 40 30 90 60 40
=/
+ + + + = + +

=

j
j
i
i
b a

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:
60 40 70 40 30
50 0 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 4 3 2 1
Demanda
M
Oferta


Con la matriz anterior, nos permite buscar nuestro objetivo, el cual es obtener la matriz de flujos,
siendo inicialmente igual a:
60 40 70 40 30
50 4
90 3
60 2
40 1
5 4 3 2 1
Demanda
Oferta


A continuacin, se obtendr la solucin bsica falible inicial, aplicando la MEN:

Iteracin 1:
Paso 1:
( ) ( )
0 30 30
1

10 30 40
1

30 40,30 Min
1
,
1 11
= =
= =
= = =
b
a
b a Min X

98
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 ( ) = 0

1
b , se pasa a la posicin (1,2), entonces:
( )
30 10 40
2

0 10 10
1

10 ) 4 , 10 (
2
,
1

12
= =
= =
= = =
b
a
b a Min X


De ac en adelante, no se indicarn los pasos 1 y 2, ya que estos se traslapan:

Iteracin 2: Como ( ) = 0

1
a , se pasa a la posicin (2,2):
( ) ( )
0 30 30
2

30 30 60
2

30 30 , 60
2

,
2 22
= =
= =
= = =
b
a
b a Min X


Iteracin 3: Como ( ) = 0

2
b , entonces pasa a la posicin (2,3)
( ) ( )
40 30 70
3

0 30 30
2

30 70 , 30
3
,
2

23
= =
= =
= = =
b
a
Min b a Min X


Iteracin 4: Como ( ) = 0
2

a , entonces pasa a la posicin (3,3)

( ) ( )
0 40 40
3

50 40 90
3

40 40 , 90
3

,
3 33
= =
= =
= = =
b
a
b a Min X


Iteracin 5: Como ( ) = 0

3
b , entonces pasa a la posicin (3,4)
( ) ( )
0 40 40
4

10 40 50
3

40 40 , 50
4
,
3

34
= =
= =
= = =
b
a
b a Min X


Iteracin 6: Como ( ) = 0

4
b , entonces pasa a la posicin (3,5)
( ) ( )
50 10 60
5

0 10 10
3

10 60 , 10
5
,
3

35
= =
= =
= = =
b
a
b a Min X


Iteracin 7: Como ( ) = 0

3
a , entonces pasa a la posicin (4,5)
( ) ( )
0 50 50
5

0 50 50
4

50 50 , 50
5

,
4 45
= =
= =
= = =
b
a
b a Min X


Notemos que la posicin (4, 5) es efectivamente la ltima posicin.

La solucin bsica factible inicial de la matriz de flujos es:
99
60 40 70 40 30
50 50 0 0 0 0 4
90 10 40 40 0 0 3
60 0 0 30 30 0 2
40 0 0 0 10 30 1
5 4 3 2 1
7
6 5
4
3
2
1
Demanda
Oferta





Costo MEN:
M M
i j
ij
X
ij
C 10 300 . 3 $ 50 * 0 10 * 40 * 20 40 * 18 30 * 13 30 * 20 10 * 19 30 * 20 + = + + + + + + + =

Los nmeros sobre las flechas indican las iteraciones de MEN. La solucin inicial es bsica, ya
que hay ( ) 8 1 5 4 1 = + = + n m flujos que 0
ij
X y el resto, es decir, ( ) 12 8 5 4 1 = = + n m n m
flujos son iguales acero 0 =
ij
X . 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 ( ) 1 + n m 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:

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 ( ) ,
j i
b a Min
ij
X = , donde la posicin (i,j) fue identificada en el paso
anterior.

Hgase la oferta a
i
igual a:

ij
X
i
a a
i
=
y la demanda b
j
igual a:
ij
X
i
b
j
b =

100

Paso 7:
1. Si 0 =
i
a , 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 0

=
j
b , 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:
60 40 70 40 30
50 4
90 3
60 2
40 1
5 4 3 2 1

60 40 70 40 30
50 0 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 4 3 2 1
Demanda
Oferta
Demanda
M
Oferta


Paso 3:
1 2 3 4 5 Oferta Diferencia
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 0
44
= = C C
ij
.
Paso 6:
40 ) 40 , 50 min( ) , min(
4 4 44
= = = b a X
10 40 50
44 4
4 = = =

X a a 0 40 40
44 4
4 = = =

X b b
Paso 7:
Como 0 4 =

b , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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:
101
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
Diferencia 15 15 13 16
Paso 4:
Se selecciona la columna cinco por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a 0
45
= = C C
ij
.
Paso 6:
10 ) 60 , 10 min( ) , min(
5 4 45
= = = b a X
0 10 10

45 4 4
= = = X a a 50 10 60
45 5
5 = = =

X b b
Paso 7:
Como 0

4
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
Diferencia 3 4 1 0
Paso 4:
Se selecciona la columna dos por tener la mayor diferencia que es 4.
Paso 5:
El costo ms pequeo corresponde a 15
32
= = C C
ij
.
Paso 6:
40 ) 40 , 90 min( ) , min(
2 3 32
= = = b a X
0 5 40 90
32 3 3
= = = X a a 0 40 40

32 2 2
= = = X b b
Paso 7:
Como 0

2
= b , todos los elementos de la columna 2 se hacen cero, a excepcin de X
32
y la
columna 2 se elimina para cualquier consideracin futura.

Iteracin 4:
102
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
Diferencia 3 1 0
Paso 4:
Se selecciona la columna uno por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a 15
21
= = C C
ij
.
Paso 6:
30 ) 30 , 60 min( ) , min(
1 2 21
= = = b a X
0 3 30 60
21 2 2
= = = X a a 0 30 30

21 1 1
= = = X b b
Paso 7:
Como 0

1
= b , todos los elementos de la columna 1 se hacen cero, a excepcin de X
21
y la
columna 1 se elimina para cualquier consideracin futura.

Iteracin 5:
Paso 2:
Al regresar, la matriz de costos y flujos quedan de la siguiente manera:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
Diferencia 1 0
103
Paso 4:
Se selecciona la fila tres por tener la mayor diferencia que es M-18.
Paso 5:
El costo ms pequeo corresponde a 18
33
= = C C
ij
.
Paso 6:
50 ) 70 , 50 min( ) , min(
3 3 33
= = = b a X
0 50 50

33 3 3
= = = X a a 20 50 70

33 3 3
= = = X b b
Paso 7:
Como 0

3
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta


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
Diferencia 1 0
Paso 4:
Se selecciona la fila dos por tener la mayor diferencia que es 3.
Paso 5:
El costo ms pequeo corresponde a 13
23
= = C C
ij
.
Paso 6:
20 ) 20 , 30 min( )

, min(
3 2 23
= = = b a X
10 20 30

23 2 2
= = = X a a 0 20 20

23 3 3
= = = X b b
Paso 7:
Como 0

3
= b , todos los elementos de la columna 3 se hacen cero, a excepcin de X
23
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:
104

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
1 16 40 16
2 16 10 16
3 0
4 0
Demanda 0 0 0 0 50
Diferencia 0
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 16
15
= = C C
ij
.
Paso 6:
40 ) 50 , 40 min( )

, min(
5 1 15
= = = b a X
0 40 40
15 1 1
= = = X a a 10 40 50

15 5 5
= = = X b b
Paso 7:
Como 0
1
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
105
Demanda 0 0 0 0 10
Diferencia 0
Paso 4:
Se selecciona la fila dos por tener la mayor diferencia que es 16.
Paso 5:
El costo ms pequeo corresponde a 16
25
= = C C
ij
.
Paso 6:
10 ) 10 , 10 min( )

min(
5 2 25
= = = b a X
0 10 10

25 2 2
= = = X a a 0 10 10

25 5 5
= = = X b b
Paso 7:
Como 0

5 1
= = b a , todos los elementos de la fila 2 y la columna 5 se hacen cero, a excepcin de
X
25
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:
60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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:
010 . 3 $ 10 0 * 40 18 * 50 15 * 40 16 * 10 13 * 20 15 * 30 16 * 40 = + + + + + + + =
i j
ij
X
ij
C


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:
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 C
ij
.

Paso 4:
106
En la matriz de flujo, hgase ( ) ,
j i
b a Min
ij
X = , donde la posicin (i,j) fue identificada en el paso
anterior.
Hgase la oferta a
i
igual a:

ij
X
i
a a
i
=
Hgase la demanda b
j
igual a:
ij
X
i
b
j
b =

Paso 5:
3. Si 0 =
i
a , 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 0

=
j
b , 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:
60 40 70 40 30
50 0 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 4 3 2 1
Demanda
M
Oferta



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
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): 0
45
= = C C
ij
.
Paso 4:
50 ) 60 , 50 min( ) , min(
5 4 45
= = = b a X
0 50 50
44 4 4
= = = X a a 10 50 60

45 5 5
= = = X b b
Paso 5:
Como 0
4
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

1 2 3 4 5 Oferta
1 40
2 60
107
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): 13
23
= = C C
ij
.
Paso 4:
60 ) 70 , 60 min( ) , min(
3 2 23
= = = b a X
0 60 60
23 2 2
= = = X a a 10 60 70

23 3 3
= = = X b b
Paso 5:
Como 0
2
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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): 14
13
= = C C
ij
.
Paso 4:
60 ) 10 , 40 min( )

, min(
3 1 13
= = = b a X
0 3 10 40
13 1
1 = = =

X a a 0 10 10

23 3
3 = = =

X b b
Paso 5:
Como 0

3
= b , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

108
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
4 0
Demanda 30 40 0 40 10
El costo ms pequeo de la matriz, corresponde a la posicin (3,2): 15
32
= = C C
ij
.
Paso 4:
40 ) 40 , 90 min( ) , min(
2 3 32
= = = b a X
0 5 40 90
32 3
3 = = =

X a a 0 40 40
32 2
2 = = =

X b b
Paso 5:
Como 0

2
= b , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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): 16
15
= = C C
ij
.

Paso 4:
10 ) 10 , 30 min( )

, min(
5 1 15
= = = b a X
0 1 10 10
15 1 1
= = = X a a 0 2 10 30

15 5 5
= = = X b b
Paso 5:
Como 0

5
= b , 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:
109

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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): 16
31
= = C C
ij
.
Paso 4:
30 ) 30 , 50 min( ) , min(
1 3 31
= = = b a X
0 2 30 50

31 3 3
= = = X a a 0 30 30

31 1 1
= = = X b b
Paso 5:
Como 0

1
= b , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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
3 20 20
4 0
Demanda 0 0 0 40 0
El costo ms pequeo de la matriz, corresponde a la posicin (3,4): 20
34
= = C C
ij
.
Paso 4:
20 ) 40 , 20 min( ) ,

min(
4 3 34
= = = b a X
0 20 20

31 3 3
= = = X a a 0 2 20 40

34 4 4
= = = X b b
Paso 5:
110
Como 0

3
= a , 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:

60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta

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): 21
14
= = C C
ij
.
Paso 4:
0 ) 20 , 20 min( )

, min(
4 1 14
= = = b a X
0 20 20

14 1 1
= = = X a a 0 20 20

14 4 4
= = = X b b
Paso 5:
Como 0

4 1
= = b a , 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:
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:
60 40 70 40 30
50 0 0 0 0 4
90 20 18 15 18 3
60 16 19 13 20 15 2
40 16 21 14 19 20 1
5 3 2 1
0
4
Demanda
M
Oferta


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:
111
040 . 3 $ 0 * 50 20 * 20 15 * 40 18 * 30 13 * 60 16 * 10 21 * 20 14 * 10 = + + + + + + + =
i j
ij
X
ij
C


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
i
n
j
j
b
i
a
1 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 ij C , asociada a la solucin bsica factible que se tenga, donde:
base la en est no Si , 0
base la en est Si ,
ij
X
ij
C
ij
X
ij
C
ij
C
=
=

Paso 4:
Con esta matriz de costos, calcular el valor de todas las variables duales:
n 1,....., j , m 1,...., i , = = con
j
v con
i
u
.
Utilizando la expresin:
n 1,..., j ; m 1,..., i 0 = = = +
ij
C
j
v
i
u

Como hay n m+ variables (m variables u
i
, n variables v
j
) y solamente 1 + n m ecuaciones
0 = +
ij
C
j
v
i
u (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 1 + n m ecuaciones con 1 + n m variables.

Paso 5:
Los parmetros
ij
c
ij
z se calculan por medio de la ecuacin
ij
c
j
v
i
u
ij
c
ij
z + = ) ( . Como
estamos usando el PT como minimizacin, si todos los j i
ij
C
ij
Z , , 0 , la solucin actual es
ptima. En caso contrario, si j i
ij
C
ij
Z , , 0 > , se elije el valor ms positivo, correspondiente a
ij
X ,
correspondiente a la variable de flujo
ij
X 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 j i
ij
C
ij
Z , , 0 , la solucin actual es ptima. En caso contrario,
si j i
ij
C
ij
Z , , 0 < , se elije el valor ms negativo, correspondiente a la variable de flujo
ij
X para
debe entrar a la base.

Paso 6:
Si la variable
ij
X entra a la base con un cierto valor 0 > , la oferta
i
a y la demanda
j
b 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:
112
n j
m mn m
i in
j
b b b Demanda
a X X m
a X i
a X X
Oferta n j
L L
M M
M M
L L
1
1
1 1 11
1
1


Tengamos presente que los cinco flujos generan una solucin bsica factible inicial (m+n-1=5), ya
que:
0 , 0 , 0 , 0 , 0
1 1 11
1
1 1 11
1
1 11

= +
=
= +
= +
=
= +
mn m in j
n mn in
j j
m
m mn m
i in
ij
X X X X X
b X X
b X
b X X
a X X
a X
a X X


Supongamos que
ij
c
ij
z , es la ms negativa y por lo tanto,
ij
X entra a la nueva base con un
determinado valor 0 , ( =
ij
X , entra a la base por que 0 z
ij
<
ij
c ). Tabularmente se tiene lo
siguiente:
n j
m mn m
i in ij
j
b b b Demanda
a X X m
a X X i
a X X
Oferta n j
L L
M M
M M
L L
1
1
1 1 11
/
1
1

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 a
i
, siendo:
i
a
i
a
in
X > + = +
y por el otro lado, la demanda del destino j es mayor que bj, siendo:
j
b
j
b
j
X > + = +
1
.

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:
n j
m mn m
i in
j
b b b Demanda
a X X m
a X i
a X X
Oferta n j
L L
M M
M M
L L
1
1
1 1 11
1
1



+



+


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:
113
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
n mn in
j j
m
m mn m
i in
ij
b X X
b X
b X X
a X X
a X
a X X
= + +
= +
= + +
= + +
= +
= + +






1
1 1 11
1
1 11


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:
1
, ,
1 m
X
in
X
j
X , por lo tanto:
)
`

=
1
, ,
1
min
m
X
in
X
j
X

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 X
ij
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.- =
ij
X , 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:
240
1 1
190
4 5
=
=

=
< =
i j
j
b
i
a


De esta manera, para balancear el problema se debe crear un centro de oferta artificial a
5
, el cual
tiene una oferta de 50 unidades y cuyos costos son 5 , , , 0
4
K j C
j
= . 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
114
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 ij C , donde:
0 16
0 13
18 15
15 16
45 25
44 23
33 21
32 15
= =
= =
= =
= =
C C
C C
C C
C C


El resto de los 0 = ij C . A continuacin, hay que asociar las variables duales u
i
a los orgenes
( 4 , , 1 K = i ) y las v
j
a los destinos ( 5 , , 1 K = j ), generndose la siguiente matriz de costos
actualizada:
1 2 3 4 5
1 0 0 0 0 16 u
1

2 15 0 13 0 16 u
2

3 0 15 18 0 0 u
3

4 0 0 0 0 0 u
4

v
1
v
2
v
3
v
4
v5

Paso 4:
Se generan las ecuaciones: n 1,..., j ; m 1,..., i 0 = = = +
ij
C
j
v
i
u

De esta manera:
0
5 1
15 = v u C
0
1 2
21 = v u C
0
3 2
23 = v u C
0
5 2
25 = v u C
0
2 3
32 = v u C
0
3 3
33 = v u C
0
4 4
44 = v u C
0
5 4
45 = v u C

Se puede analizar que se puede, especficamente, utilizar tanto u
2
o v
5
, las cuales estn tres veces
en las ecuaciones anteriores y por conveniencia asignaremos en este caso u
2
=0.

Las ecuaciones anteriores, nos permiten conocer v
1
, v
3
y v
5
:
15 0 21
1 1 2
21 = = = C v v u C
13 0 23
3 3 2
23 = = = C v v u C
16 0 25
5 5 2
25 = = = C v v u C
Conocidos las variables duales v
1
, v
3
y v
5
, se calculan ahora u
1
, u
3,
u
4
, v
2
y v
4
:
0 16 16 0
5
15
1 5 1
15 = = = = v C u v u C
5 13 18 0
3
33
3 3 3
33 = = = = v C u v u C
16 16 0 0
5
45
4 5 4
45 = = = = v C u v u C
10 5 15 0
3
32
2 2 3
32 = = = = u C v v u C
16 ) 16 ( 0 0
4
44
4 4 4
44 = = = = u C v v u C

En resumen:
115
16
16 , 16
13 , 5
10 , 0
15 , 0
5
4 4
3 3
2 2
1 1
=
= =
= =
= =
= =
v
v u
v u
v u
v u


Paso 5:
Utilizando la formula: N j i
j
v
i
u
ij
C
ij
c
ij
z + = , ), ( , se obtienen los indicadores de optimalidad:
5 ) 15 0 ( 20 )
1 1
(
11 11 11
= + = + = v u C c z
9 ) 10 0 ( 19 )
2 1
(
12 12 12
= + = + = v u C c z
1 ) 13 0 ( 14 )
3 1
(
13 13 13
= + = + = v u C c z
5 ) 16 0 ( 21 )
4 1
(
14 14 14
= + = + = v u C c z
10 ) 10 0 ( 20 )
2 2
(
22 22 22
= + = + = v u C c z
3 ) 16 0 ( 19 )
4 2
(
24 24 24
= + = + = v u C c z
2 ) 15 5 ( 18 )
1 3
(
31 31 31
= + = + = v u C c z
1 ) 16 5 ( 20 )
4 3
(
34 34 34
= + = + = v u C c z
21 ) 16 5 ( )
5 3
(
35 35 35
= + = + = M M v u C c z
1 ) 15 16 ( 0 )
1 4
(
41 41 41
= + = + = v u C c z
6 ) 10 16 ( 0 )
2 4
(
42 42 42
= + = + = v u C c z
3 ) 13 16 ( 0 )
3 4
(
43 43 43
= + = + = v u C c z

Si
0
ij
c
ij
z
, indica que la solucin es ptima, pero dos elementos son negativos, por lo cual
se elije el ms negativo, es decir: 0 2
31 31
< = c z , por lo tanto, X
31
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:
{ } { } 30 50 , 30
33
,
21
= = = Min X X Min

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
Demanda 30 40 70 40 60

El costo asociado a la nueva solucin es:
950 . 2 $ ) 2 ( 30 010 . 3 ) ( 010 . 3
31 31 31
= + = + = c z X C
T

Volver al paso 3.

Iteracin 2:
116
Paso 3:
Se construye la matriz de costos ij C , donde:
0 18
0 16
18 13
15 16
45 31
44 25
33 23
32 15
= =
= =
= =
= =
C C
C C
C C
C C

El resto de los 0 = ij C . A continuacin, hay que asociar las variables duales u
i
a los orgenes
( 4 , , 1 K = i ) y las v
j
a los destinos ( 5 , , 1 K = j ), generndose la siguiente matriz de costos
actualizada:
1 2 3 4 5
1 0 0 0 0 16 u
1

2 0 0 13 0 16 u
2

3 18 15 18 0 0 u
3

4 0 0 0 0 0 u
4

v
1
v
2
v
3
v
4
v5

Paso 4:
Se generan las ecuaciones: n 1,..., j ; m 1,..., i 0 = = = +
ij
C
j
v
i
u . De esta manera:
0
5 1
15 = v u C
0
3 2
23 = v u C
0
5 2
25 = v u C
0
1 3
31 = v u C
0
2 3
32 = v u C
0
3 3
33 = v u C
0
4 4
44 = v u C
0
5 4
45 = v u C

En este caso se puede utilizar u
3
, la cual est tres veces en las ecuaciones anteriores, entonces
u
3
=0.

Las ecuaciones anteriores, nos permiten conocer v
1
, v
2
y v
3
:
18 0 31
1 1 3
31 = = = C v v u C
15 0 32
2 2 3
32 = = = C v v u C
18 0 33
3 3 3
33 = = = C v v u C

Conocidos las variables duales v
1
, v
2
y v
3
, se calculan ahora u
1
, u
2,
u
4
, v
4
y v
5
:
5 21 16 0
5
15
1 5 1
15 = = = = v C u v u C
5 18 13 0
3
23
2 3 2
23 = = = = v C u v u C
21 ) 5 ( 16 0
2
25
5 5 2
25 = = = = u C v v u C
21 ) 21 ( 0 0
4
44
4 4 4
44 = = = = u C v v u C
21 ) 21 ( 0 0
5
45
4 5 4
45 = = = = v C u v u C

En resumen:
21
21 , 21
18 , 0
15 , 5
18 , 5
5
4 4
3 3
2 2
1 1
=
= =
= =
= =
= =
v
v u
v u
v u
v u

Paso 5:
Utilizando la formula: N j i
j
v
i
u
ij
C
ij
c
ij
z + = , ), ( , se obtienen los indicadores de optimalidad:
117
7 ) 18 5 ( 20 )
1 1
(
11 11 11
= + = + = v u C c z
9 ) 15 5 ( 19 )
2 1
(
12 12 12
= + = + = v u C c z
1 ) 18 5 ( 14 )
3 1
(
13 13 13
= + = + = v u C c z
5 ) 21 5 ( 21 )
4 1
(
14 14 14
= + = + = v u C c z
2 ) 18 5 ( 15 )
1 2
(
21 21 21
= + = + = v u C c z
10 ) 15 5 ( 20 )
2 2
(
22 22 22
= + = + = v u C c z
3 ) 21 5 ( 19 )
4 2
(
24 24 24
= + = + = v u C c z
1 ) 21 0 ( 20 )
4 3
(
34 34 34
= + = + = v u C c z
21 ) 21 0 ( )
5 3
(
35 35 35
= + = + = M M v u C c z
3 ) 18 21 ( 0 )
1 4
(
41 41 41
= + = + = v u C c z
6 ) 15 21 ( 0 )
2 4
(
42 42 42
= + = + = v u C c z
3 ) 18 21 ( 0 )
3 4
(
43 43 43
= + = + = v u C c z

Si 0
ij
c
ij
z , indica que la solucin es ptima, pero un solo elemento es negativo, por lo cual:
0 1
34 34
< = c z , por lo tanto, X
34
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:
{ } { } 10 40 , 20 , 10
44
,
33
,
25
= = = Min X X X Min

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
Demanda 30 40 70 40 60
El costo asociado a la nueva solucin es:
940 . 2 $ ) 1 ( 10 950 . 2 ) ( 950 . 2
31 31 34
= + = + = c z X C
T

Volvemos al paso 3:
Tercera Iteracin:
Paso 3:
Se construye la matriz de costos ij C , donde:
0 15
0 18
20 13
18 16
45 32
44 31
34 23
33 15
= =
= =
= =
= =
C C
C C
C C
C C


118
El resto de los 0 = ij C . A continuacin, hay que asociar las variables duales u
i
a los orgenes
( 4 , , 1 K = i ) y las v
j
a los destinos ( 5 , , 1 K = j ), generndose la siguiente matriz de costos
actualizada:
1 2 3 4 5
1 0 0 0 0 16 u
1

2 0 0 13 0 0 u
2

3 18 15 18 20 0 u
3

4 0 0 0 0 0 u
4

v
1
v
2
v
3
v
4
v5

Paso 4:
Se generan las ecuaciones: n 1,..., j ; m 1,..., i 0 = = = +
ij
C
j
v
i
u . De esta manera:
0
5 1
15 = v u C
0
3 2
23 = v u C
0
1 3
31 = v u C
0
2 3
32 = v u C
0
3 3
33 = v u C
0
4 3
34 = v u C
0
4 4
44 = v u C
0
5 4
45 = v u C

En este caso se puede utilizar u
3
, la cual est cuatro veces en las ecuaciones anteriores, entonces
u
3
=0.

Las ecuaciones anteriores, nos permiten conocer v
1
, v
2
, v
3
y v
4
:
18 0 31
1 1 3
31 = = = C v v u C
15 0 32
2 2 3
32 = = = C v v u C
18 0 33
3 3 3
33 = = = C v v u C
20 0 34
4 4 3
34 = = = C v v u C


Conocidos las variables duales v
1
, v
2
, v
3
y v
4
, se calculan ahora u
1
, u
2,
u
4
y v
5
:
4 20 16 0
5
15
1 5 1
15 = = = = v C u v u C
5 18 13 0
3
23
2 3 2
23 = = = = v C u v u C
20 ) 20 ( 0 0
4
44
4 4 4
44 = = = = v C u v u C
20 ) 20 ( 0 0
4
45
5 5 4
45 = = = = u C v v u C

En resumen:
20
20 , 20
18 , 0
15 , 5
18 , 4
5
4 4
3 3
2 2
1 1
=
= =
= =
= =
= =
v
v u
v u
v u
v u


Paso 5:
Utilizando la formula: N j i
j
v
i
u
ij
C
ij
c
ij
z + = , ), ( , se obtienen los indicadores de optimalidad:
6 ) 18 4 ( 20 )
1 1
(
11 11 11
= + = + = v u C c z
8 ) 15 4 ( 19 )
2 1
(
12 12 12
= + = + = v u C c z
0 ) 18 4 ( 14 )
3 1
(
13 13 13
= + = + = v u C c z
5 ) 20 4 ( 21 )
4 1
(
14 14 14
= + = + = v u C c z
119
2 ) 18 5 ( 15 )
1 2
(
21 21 21
= + = + = v u C c z
10 ) 15 5 ( 20 )
2 2
(
22 22 22
= + = + = v u C c z
4 ) 20 5 ( 19 )
4 2
(
24 24 24
= + = + = v u C c z
1 ) 20 5 ( 16 )
5 2
(
25 25 25
= + = + = v u C c z
20 ) 20 0 ( )
5 3
(
35 35 35
= + = + = M M v u C c z
2 ) 18 20 ( 0 )
1 4
(
41 41 41
= + = + = v u C c z
5 ) 15 20 ( 0 )
2 4
(
42 42 42
= + = + = v u C c z
2 ) 18 20 ( 0 )
3 4
(
43 43 43
= + = + = v u C c z

Si N j i
ij
c
ij
z , , 0 , 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
Demanda 30 40 70 40 60

El costo de la solucin es: 940 . 2 $ =
T
C

De manera esquemtica, el problema de transporte es:


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 X
44
) y al centro de consumo 5 en 20 unidades (flujo X
45
).

120
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.


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 m , , 1 K ), p centros de de
conexin (enumerados de p m m + + , , 1 K ) y n destinos (enumerados de n p m p m + + + + , , 1 K ), 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 n p m + + orgenes y n p m + + 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:
121
n p m j
n p m i X
m j b X X
p k X X
m i a X X
a s
X C Z
Min
ij
j
n p m
j p m t
t
t j p m
n p m
j p m t
t
j p m t
n p m
k m t
t
k m t
n p m
k m t
t
t k m
i
n p m
i t
t
ti
n p m
i t
t
it
n p m
i
n p m
j
j i
ij ij
+ + =
+ + =
= =
= =
= =
=




+ +
+ +
=
+ +
+ +
+ +
=
+ +
+ +
+
=
+
+ +
+
=
+
+ +

=
+ +

=
+ +
=
+ +
=

, , 1
, , , 1 , 0
, , 1 ,
, , 1 , 0
, , 1 ,
: .
,
1
,
1
,
1
,
1
,
1 1
) (
1
) (
1
) (
K
K
K
K
K


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:



122
El modelo anterior, se puede representar, tradicionalmente, con la matriz de costos:

n j
n p m n p m p m n p m p m n p m m n p m m n p m n p m
j p m j p m k m j p m i j p m
n p m p m p m p m p m p m m p m m p m p m
n p m p m p m p m p m p m m p m m p m p m
j p m k m k m k m i k m
n p m m p m m p m m m m m m m
j n p m m p m m p m m m m mm m
i j p m i k m i ii
n p m p m p m m m i
b b b Demanda
c c c c c c n p m
c c c j p m
c c c c c c p m
c c c c c c p m
c c c k m
c c c c C c m
a c c c c c c m
a c c c i
a c c c c c c c
Oferta n p m j p m p m p m k m m m i
L L L L L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L L L L
1
, 1 , , 1 , , 1 ,
, , ,
, 1 1 , 1 , 1 1 , 1 , 1 1 , 1
, 1 , , 1 , , 1 ,
, , ,
, 1 1 , 1 , 1 1 , 1 , 1 1 , 1
, 1 , , 1 , 1
, ,
1 , 1 1 , 1 , 1 1 , 1 1 1 11
0 0 0 0 0 0
0
0
0 1
0
0
0 1
1
1 1 1
+ + + + + + + + + + + + + + + + + +
+ + + + + + + + +
+ + + + + + + + + + + + + + + + + +
+ + + + + + + + + + + +
+ + + + + +
+ + + + + + + + + + + +
+ + + + + +
+ + +
+ + + + + +
+ +
+ +
+ +
+
+
+
+ + + + + + + + +


Podemos apreciar que la oferta de los orgenes n p m m + + + , , 1 K es igual a cero, ya que son
originalmente centros de demanda o conexiones y la demanda de los destinos p m+ , , 1 K 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
j i X X
ji ij
, , ambos con valores positivos. Se puede observar que el costo se reduce si se enva
el flujo neto, es decir:
j i , si ,
ji ij ji ij
X X X X

j i , si ,
ij ji ij ji
X X X X

Podemos concluir que un flujo j i X
ij
, no debe pasar ms de una vez por un determinado punto
t, p n m t + + = , , 1 K . De esta manera, el valor mximo que j i X
ij
, puede alcanzar es de , dnde:

= =
= =
m
i
n
j
j i
b a
1 1


Los flujos no deseables, es decir, los flujos en exceso en un punto t, p n m t + + = , , 1 K , se previenen
mediante una absorcin del tipo ,
tt
X a un costo de p n m t C
tt
+ + = = , , 1 , 0 K . 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 p n m t C
tt
+ + = = , , 1 , 0 K , de esta manera, el problema
123
anterior se transforma en un problema de transporte con las siguientes caractersticas, asociada a
su matriz de costos:
Matriz de Costos:

+ + +
+ +
+ +
+ +
+
+
+
+
+
+
+ + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + +
+ + + +
+ + + + + + + + + +
+ + + + + +
+ + +
+ + + + + +
n j
p m n p m p m n p m m n p m m n p m n p m
k m j p m i j p m
n p m p m p m p m m p m m p m p m
n p m p m p m p m m p m m p m p m
j p m k m i k m
n p m m p m m p m m m m m
j n p m m p m m p m m m m m
i j p m i k m i
n p m p m p m m m i
b b b Demanda
c c c c c n p m
c c j p m
c c c c c p m
c c c c c p m
c c k m
c c c C c m
a c c c c c m
a c c i
a c c c c c c
Oferta n p m j p m p m p m k m m m i
L L L L L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L
M O N O N O N M
M M M M M M
M N O N O N O M
L L
L L L L L L
1
1 , , 1 , , 1 ,
, ,
, 1 , 1 1 , 1 , 1 1 , 1
, 1 , 1 , , 1 ,
, ,
, 1 1 , 1 , 1 , 1 1 , 1
, 1 , , 1 , 1
, ,
1 , 1 1 , 1 , 1 1 , 1 1 1
0
0
0 1
0
0
0 1
0
0
0 1
1 1 1


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 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
2 146 -- 393 212 570 609 -- 335 407 688 784 125 Planta
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
C -- 369 403 398 406 81 272 397 253 171 282 0
D -- 608 418 431 422 81 287 613 280 236 229 0
Cone-
xin
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
3 -- 687 357 329 464 171 236 200 705 362 457 0
Almacn
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:
124
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 C
ij
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 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
i
n
j
j i
b a
1 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
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
Origen
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

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:
125
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:
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.

126
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 X
ij
con
el fin de minimizar los costos totales.

La formulacin del PA es:

Variable de Decisin
X
ij
: variable binaria (0 1), que representa la decisin no o si

=
contrario caso en , 0
j asignacin la realiza i asignado el si , 1
ij
X

j i, binaria, y 0
, , 1 , 1
, , 1 , 1
: .
1
1
1 1

= =
= =
=

=
=
= =
Xij
n j X
m i X
a s
X C Z
Min
n
i
ij
m
j
ij
n
i
n
j
ij ij
K
K


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) destinos de n (m) origenes de n =

Cada Recurso S
i
=1: Cada Demanda D
j
=1

La restriccin X
ij
binaria puede ser eliminada, puesto que como toda oferta S
i
y demanda D
j
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.

127
El problema queda estructurado de la siguiente manera:

1 1 1
1
1
1 1
Re 1
1
1
1 1 11
L L
L L
M M O M O M M
L L
M M O M O M M
L L
L L
Demanda
C C C n m
C C C i
C C C
curso m n j
nn nj n
in ij i
n j
=
=


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 C
ij
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:
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:

m i C Min C C
n j C Min C C
ij
j
ij ij
ij
i
ij
ij
, , 1 ,
, , 1 ,
K
K
= =
= =

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.

128
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:
) , ( n m mx q p +

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 m. Incluye a 4 nadadores diferentes, quienes nadan
sucesivamente 100 m. De dorso, de pecho, de mariposa y libre. El entrenador 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
4 6
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

129
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
4 67 75 70 59 0 0
5 71 69 75 57 0 0
6 69 71 66 59 0 0
Menor C
ij
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 C
ij
por fila:

1 2 3 4 5 6 Menor C
ij

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
130
Una posible asignacin es:

1-1: se elimina la fila 1 y la columna 1.
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:
) , max( n m q p +
6 ) 6 , 4 max( = + q p

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:
C
22
=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

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.

131
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:
C
22
= C
23
= C
41
=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
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

132
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:

1
B
L
P
D
6
4
2
6 Nadadores
(Origen)
6 Estilos
(Destino)
C
1D
=65
X
1D
= 1
3
5 A
M
C
6B
=0
X
6B
= 1
C
5P
=69
X
5P
= 1
C
4A
=0
X
4A
= 1
C
3L
=55
X
3L
= 1
C
2M
=65
X
2M
= 1
Ficticio
Ficticio


El tiempo mnimo total (en segundos) se calcula a partir de:

= =
+ + + + + =
6
1
66 66 52 52 45 45 34 34 23 23 11
6
1
11
* * * * * *
i j
ij ij
X C X C X C X C X C X C X C

= =
= + + + + + = + + + + + =
6
1
66 52 45 34 23
6
1
11
) ( 254 0 69 0 55 65 65
i j
ij ij
seg C C C C C C X C

133
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:

=
x
b AX
sa
CX Z
Max
:


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:
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.

134
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.
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 x
j
est acotada entre un lmite
inferior entero d
i
y un lmite superior entero u
i
con n i , , 1 K = ; 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.

135
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:
0
:
) (

=
x
b AX
sa
CX Z
Max P
k


Definamos Z
~
como incumbente o mejor solucin entera, que inicialmente tiene valor de 0
~
= Z .

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
i
X , cuyo resultado en el paso 1 sea fraccional e igual a
Bi
X , es decir
Bi i
X X = .

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
Bi i
X X = , es decir:
1. El problema original con una restriccin adicional
Bi i
X X :

0
:
) (

x
X X
b AX
sa
CX Z
Max P
Bi i
k

2. El problema original con una restriccin adicional

1 +
Bi i
X X :

0
1
:
) (

=
+
x
X X
b AX
sa
CX Z
Max P
Bi i
k


La notacin
i
X se refiere al entero menor de
i
X , (a modo de ejemplo:

4 1 25 , 3 3 25 , 3 = + =
). La resolucin de este tipo de problemas, se puede hacer por anlisis de sensibilidad agregando
una restriccin.

136
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.

Bi i
X X

1 +
Bi i
X X

Fuente: Prawda.
137
Ejemplo 1:
enteros i x
x x
x x
a s
x x z P
i
, , 0
11 3
9 2 2
: .
2 5 max ) (
2 1
2 1
2 1 0

+
+
+ =


Desarrollo:
Iteracin 1:
Paso 1
Al resolver el PPL se llega como resultado al siguiente tableau ptimo

X
1
X
2
X
3
X
4
X
B
Z 0 0 0,25 1.5 18,75
X
2
0 1 0,75 -0,5 1,25
X
1
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
25 , 1
2
= X

Paso 3
Se resuelven dos problemas lineales distintos uno con restriccin adicional

1 25 , 1
2
= X y el otro
problema con otra restriccin adicional, la cual es

2 1 25 , 1
2
= + X , es decir:
Problema 1:
enteros i X
X
X X
X X
a s
X X Z P
i
, , 0
1
11 3
9 2 2
: .
2 5 max ) (
2
2 1
2 1
2 1 1

+
+
+ =


Problema 2:
enteros i X
X
X X
X X
a s
X X Z P
i
, , 0
2
11 3
9 2 2
: .
2 5 max ) (
2
2 1
2 1
2 1 2

+
+
+ =

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:
X
1

2 X
X
3
X
4
X
B
Z
1
0 0,33 0 1,67 18,67
X
3
0 -1,33 1 -0,67 0,33
X
1
1 -0,33 0 0,33 3,33

Problema 2
X
1

2 X
X
3
X
4
X
B
Z
2
0 3 2,5 0 16,5
X
4
0 -2 -1,5 1 1,5
X
1
1 1 0,5 0 2,5
138

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 x
1

= 3,33

Paso 3
Se resuelven los dos problemas lineales nuevamente cada uno con una restriccin adicional
diferente:

3 33 , 3
1
= X y

4 1 33 , 3
1
= + X

enteros i X
X
X
X X
X X
a s
X X Z P
i
, , 0
3
1
11 3
9 2 2
: .
2 5 max ) (
1
2
2 1
2 1
2 1 3

+
+
+ =
enteros i X
X
X
X X
X X
a s
X X Z P
i
, , 0
4
1
11 3
9 2 2
: .
2 5 max ) (
1
2
2 1
2 1
2 1 4

+
+
+ =


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), 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:


1 X 2 X
X
3
X
4
X
B
Z
3
5 2 0 0 17
X
3
-2 -2 1 0 1
X
4
-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:
1
1
1 1 0
3 3 0
17
4
3
2 2
2
1 1
1
=
=
= = =
= = =
=
X
X
X X X
X X X
Z
, o sea:
1
1
1
3
17
4
3
2
1
=
=
=
=
=
X
X
X
X
Z


139
El problema anterior, se puede representar como una red con estructura de rbol:

1
2
X 2
2
X
3
1
X 4
1
X


Ejemplo 2:
Dado el siguiente problema, resulvalo mediante el algoritmo B&B:
enteros y 0 ,
45 9 5
6
:
8 5
2 1
2 1
2 1
2 1

+
+
+ =
X X
X X
X X
sa
X X Z
Max


Desarrollo:
Lo primeros que debemos hacer, es inicializar el incumbente en 0
~
= Z e inicializar la lista de
problemas con la relajacin lineal del problema:
0 ,
45 9 5
6
:
8 5
) (
2 1
2 1
2 1
2 1
0

+
+
+ =
X X
X X
X X
sa
X X Z
Max P


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:
140
Z0=
4
1
,2
5
X
1=
2
,2
5
X
2=
3
,7
5

75 , 3 ; 25 , 2 ; 25 , 41
2 1 0
= = = X X Z

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:
0 , X
3
45 9 5
6
:
8 5 ) (
2 1
2
2 1
2 1
2 1 1

+
+
+ =
X
X
X X
X X
sa
X X Z Max P
0 , X
4
45 9 5
6
:
8 5 ) (
2 1
2
2 1
2 1
2 1 2

+
+
+ =
X
X
X X
X X
sa
X X Z Max P


Tenemos ahora en la lista dos problemas pendientes: { } ) ( ), (
2 1
P P L = . Sin embargo, como no
hemos encontrado ninguna solucin entera, la incumbente no se actualiza.

Resolviendo el (P
1
) grficamente, se tiene que la solucin ptima es:
Z1=
3
9
X
1=
3
X
2=
3
3 ; 3 ; 39
2 1 1
= = = X X Z
Resolviendo el (P
2
) grficamente, se tiene que la solucin ptima es:
Z2=
4
1
X
1=
1
,8
X
2=
4
4 ; 8 , 1 ; 41
2 1 2
= = = X X Z
141

En este caso, el (P
1
) tiene soluciones enteras y nos permite actualizar el incumbente a 33
~
= Z , 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 X
1
, ya que X
2
es

entera:
0 , X
1 X
4
45 9 5
6
:
8 5 ) (
2 1
1
2
2 1
2 1
2 1 3

+
+
+ =
X
X
X X
X X
sa
X X Z Max P
0 , X
2 X
4
45 9 5
6
:
8 5 ) (
2 1
1
2
2 1
2 1
2 1 4

+
+
+ =
X
X
X X
X X
sa
X X Z Max P


Resolviendo el (P
3
) grficamente, se tiene que la solucin ptima es:
Z2=
4
0
,5
X1
=
1
X
2=
4
,4
44 , 4 ; 1 ; 55 , 40
2 1 3
= = = X X Z
Resolviendo el (P
4
) grficamente, se tiene que la solucin ptima es:
In
fa
ctib
le
}Infactible X X Z
2 1 4
; ;

En este caso, el (P
4
) 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 X
2
, ya que X
1
es

entera:
142
0 , X
4
1

4
45 9 5
6
:
8 5 ) (
2 1
2
1
2
2 1
2 1
2 1 5

+
+
+ =
X
X
X
X
X X
X X
sa
X X Z Max P
0 , X
5
1

4
45 9 5
6
:
8 5 ) (
2 1
2
1
2
2 1
2 1
2 1 6

+
+
+ =
X
X
X
X
X X
X X
sa
X X Z Max P


Resolviendo el (P
5
) grficamente, se tiene que la solucin ptima es:
Z2=
3
7
X
1=
1
X
2=
4
4 ; 1 ; 37
2 1 5
= = = X X Z
Resolviendo el (P
6
) grficamente, se tiene que la solucin ptima es:
Z 2=
4
0
X
1=
0
X
2=
5
5 ; 0 ; 40
2 1 6
= = = X X Z

Notemos que el (P
5
) y (P
6
) 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 37
~
= Z , 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 40
~
= Z . Esto nos permite indicar que cualquier valor que se
obtenga, ya sea al ramificar (P
3
) o (P
5
) siempre nos dar una peor incumbente.

Finalmente, la solucin ptima del problema viene dado por:
5
0
40
*
2
*
*
1
=
=
=
X
X
Z


El rbol de la ramificacin y acotamiento se presenta a continuacin:
143
3
2
X 4
2
X
1
1
X 2
1
X
4
2
X 5
2
X

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.

144
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:

0 ; 0
18 2x2 3x1
12 x2
4 x1

. .
5 3 :
2 1
2 1

+

=
X X
a s
X X Z Min


1,5 i : 0 X
18 x5 2x2 3x1
12 x4 2x2
4 x3 x1

. .
5 3X Z
:
i
2 1
=
= + +
= +
= +
+ =
a s
X
Max


Solucin:

C = (3,5) ( )
(
(
(

=
1 0 0 0 3
0 1 0 2 0
0 0 1 0 1
, I A

(
(
(

=
(

=
(
(
(

=
5
4
3
S
2
1
x ;
x
x ;
18
12
4
x
x
x
x
b

Iteracin 0:

1
5
4
3
1 0 0
0 1 0
0 0 1
B

=
(
(
(

=
(
(
(

= B
X
X
X
x
B

(
(
(

=
(
(
(

(
(
(

=
(
(
(

=
18
12
4
18
12
4
1 0 0
0 1 0
0 0 1
x
18
12
4
B
b


[ ] [ ] 0
18
12
4
0 0 0 Z 0 0 0 =
(
(
(

= =
B
C
145
Iteracin 1:

(
(
(

=
(
(
(

=
(
(
(

=

1 1 - 0
0 1/2 0
0 0 1

1 2 0
0 2 0
0 0 1
B
1
5
2
3
B
x
x
x
x
B



[ ] 30
6
6
4
0 5 0
6
6
4
18
12
4
1 1 - 0
0 1/2 0
0 0 1

5
2
3
=
(
(
(

=
(
(
(

=
(
(
(

(
(
(

=
(
(
(

=
Z
x
x
x
x
B



Iteracin 2:

[ ]
[ ] 36 Z 36
2
6
2
3 5 0
3 5 0
2
6
2

18
12
4

3 / 1 3 / 1 0
0 2 / 1 0
3 / 1 3 / 1 1

1
2
3
= =
(
(
(

=
=
(
(
(

=
(
(
(

(
(
(

=
(
(
(

=
Z
C
x
x
x
x
B
B


Ejercicio en la iteracin 2:

[ ] [ ]
[ ] [ ] [ ] 0 0 3 3
0 1
1 0
0 0
3 5 0
1 2 / 3 0
3 / 1 1/3 - 0
0 1/2 0
3 / 1 1/3 1
3 5 0
0 1
1 0
0 0
2 3
2 0
0 1

3 / 1 3 / 1 0
0 2 / 1 0
3 / 1 3 / 1 1
1
1
1
=
(
(
(

=
=
(
(
(

=
(
(
(

=
(
(
(

(
(
(

C A B C
B C
A B
B
B


36 Z
2
6
2
36 X
Z
3 / 1 3 / 1 0 0 1 0
0 2 / 1 0 1 0 0
3 / 1 3 / 1 1 0 0 0
1 2 / 3 0 0 0 1
5
4
3
2
1
=
(
(
(
(
(

=
(
(
(
(
(
(
(
(

(
(
(
(
(

X
X
X
X


146
Mtodo Alternativo:

Como B (y por tanto B
-1
) cambian tan poco de una iteracin a otra, resulta ms eficiente obtener:

1 1
=
A N
EB B

vector. el por a reemplazad columna sima - m su excepto identidad, matriz : E
anterior iteracin la de B de matriz :
B de nueva :
1 - 1
-1 1

A
N
B
matriz B

(
(
(
(

=
=

=
r i Si ;
'
1
r i Si ;
'
'
i
donde ;
2
1
rk
a
rk
a
ik
a
m
n
n
n
n
M


sale. que bsica variable la tiene que ecuacin la de Nmero : r
m , 1,2, i para actual i ecuacin la en x de : a
base la a entra que :
K ik
L = e Coeficient
Variable x
K


Ejemplo:
Iteracin 1
Z x
1
x
2
x
3
x
4
x
5

1 -3 -5 0 0 0 0
x
3
0 1 0 1 1 0 4
x
4
0 0 2 0 0 0 12
x
5
0 3 2 0 0 1 18

(
(
(

=
(
(
(

(
(
(

=
(
(
(

=
(
(
(

=
(
(
(

1 1 0
0 2 / 1 0
0 0 1
1 0 0
0 1 0
0 0 1
1 1 0
0 2 / 1 0
0 0 1
1 1 - 0
0 1/2 0
0 0 1
E
1
2 / 1
0
1
5
4
3
N
B
B
X
X
X
x


( ) ( ) ( )
( ) ( ) 0 , 2 / 5 , 0
1 1 0
0 2 / 1 0
0 0 1
0 , 5 , 0
, 3 , 3
- 3
- 0
- 1
1 1 0
0 2 / 1 0
0 0 1
0 , 5 , 0
6
6
4
18
12
4
1 1 0
0 2 / 1 0
0 0 1
1
1
1
=
(
(
(

=
=
(
(
(

(
(
(

=
(
(
(

=
(
(
(

(
(
(

= =

B C
C A B C
b B x
B
NB NB B
B


147
Iteracin 2:
Z x
1
x
2
x
3
x
4
x
5

1 -3 - 0 5/2 0
x
3
0 1 - 1 0 0 4
x
2
0 0 - 0 1/2 0 6
x
5
0 3 - 0 -1 1 6

( ) ( )
( ) 36
2
6
2
3 , 5 , 0
2
6
2
18
12
4
3 / 1 3 / 1 0
0 2 / 1 0
3 / 1 3 / 1 1
1 , 2 / 3 ,
3 / 1 3 / 1
0 2 / 1
3 / 1 3 / 1
3 , 5 , 0
3 / 1 3 / 1 0
0 2 / 1 0
3 / 1 3 / 1 1
1 1 0
0 2 / 1 0
0 0 1
3 / 1 0 0
0 1 0
3 / 1 0 1
1
1
1
1
=
(
(
(

= =
(
(
(

=
(
(
(

(
(
(

= =
=
(
(
(

=
(
(
(

=
(
(
(

(
(
(

B B C Z
b B x
B C
B
B
B
B
N


Z x
1
x
2
x
3
x
4
x
5

1 - - - 3/2 1 36
x
3
0 - - 1 1/3 -1/3 2
x
2
0 - - 0 0 6
x
1
0 - - 0 -1/3 1/3 2
Las soluciones son:

( ) ( ) $36 Z 6 2
2 1
= = = u X u X