Investigación de Operaciones

Profesor: Mg. Ing. Juan C. Ubillus C.

Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

CAPITULO 1

INTRODUCCION A LA INVESTIGACION DE OPERACIONES

ORIGENES DE LA I.O.

La IO surge con la necesidad de asignar adecuadamente los recursos humanos,

materiales, equipos, financieros, y otros, desde la época de la Revolución
Industrial, en que los pequeños talleres se convirtieron en fábricas en un nuevo y
más complejo contexto y cuando hace décadas se dieron los primeros intentos
para emplear el método científico en la administración de una empresa.

Un impulso importante en el desarrollo de la I.O. fue la necesidad de manejar los

abastecimientos. durante la segunda guerra mundial. Tal es así, que la fuerza
aérea británica formo un grupo de estudio para desarrollar métodos cuantitativos
que permitan resolver problemas operacionales de cómo asignar mas
eficientemente los citados recursos y bautizo estos nuevos procedimientos como
investigación operacional. Al poco tiempo, las fuerzas armadas de [Link].
Formaron un grupo similar, integrado por científicos físicos e ingenieros, cinco de
los cuales fueron posteriormente laureados con el premio Nobel.

Después de la segunda guerra mundial, se aplicaron los citados métodos

cuantitativos y procedimientos, es decir la investigación de operaciones, para
resolver los complejos problemas de decisión que se presentaban en las diversas
industrias, denominándosele también como administración científica.

Los primeros esfuerzos se dedicaron a desarrollar los modelos y los

procedimientos correspondientes para resolver problemas en áreas como las
refinerías de petróleo, la distribución de productos, la planeación de la producción,
el estudio de mercados, la planeación de inversiones y la construcción de plantas
industriales.

Estos procedimientos de solución, se hicieron posibles con el advenimiento de las

computadoras de alta velocidad, por que la solución del típico problema de
investigación de operaciones requiere demasiados cálculos para ser realizados a
mano.

Con la llegada de las PCs en base al desarrollo tecnológico y reducción de sus

costos de producción, se generó una gran difusión de las mismas, y
consiguientemente dando lugar a que las técnicas de la I.O. sean asequibles no
solo para las grandes empresas, sino que también puedan ser empleadas
rutinariamente en muchas computadoras de escritorio para solucionar diversos
problemas de decisión.
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

NATURALEZA DE LA I.O.

Como su nombre lo indica la Investigación de Operaciones significa investigar las

operaciones, es decir investigar las actividades, la relación causa efecto, la
relación lineal o no lineal entre recursos y operaciones, dentro de una
organización. Siendo la naturaleza de la organización inmaterial.
El nombre investigación esta referido a que la IO utiliza un enfoque similar a los
que se llevan a cabo en los campos científicos, en gran medida se usa el método
científico para investigar el problema en cuestión y sus posibles cursos de acción,
siendo el objetivo buscar la solución óptima entre dichos cursos de acción.
Los Modelos Matemáticos de la Investigación de Operaciones para una aplicación
determinada pueden ser validados mediante el Método Científico.

DEFINICIONES DE LA INVESTIGACIÓN DE OPERACIONES

Existen diversas definiciones, entre las cuales citaremos algunas:

La I.O. es una técnica, herramienta, método o procedimiento para optimizar la

asignación de los recursos, en las empresas, organizaciones y/o proyectos.

También es definida como la ciencia y el arte de la toma de decisiones, pues su

metodología utiliza métodos cuantitativos y el rigor científico para manejar los
datos y analizar sus resultados luego de procesarlos, y de otro lado el desarrollo
de modelos implica además de conocimientos ciertas habilidades

Entonces, también podemos definir la investigación de operaciones como una

metodología, procedimiento o un enfoque para resolver problemas relacionados
con la toma de decisiones en diferentes campos de aplicación, tales como
ingeniería, economía, política, etc. Que nos permite optimizar la asignación de los
recursos

El concepto de toma de decisiones implica que existen diversas alternativas en la

asignación de los recursos y se debe optar por la mejor de ellas desde el punto de
vista cuantitativo, sin soslayar el aspecto cualitativo en la decisión final de quien la
tome.

No obstante lo mencionado, se presentan muchas discusiones y confusiones

cuando se trata de definir lo que es Investigación de Operaciones.

Al respecto, aclararemos el concepto precisando que la Investigación de

Operaciones o Investigación Operativa como se denomina en los países
europeos, es una herramienta para la toma de decisiones, la cual nos permite
optimizar la asignación de recursos escasos:
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

 Recursos humanos (manuales e intelectuales)

 Materiales
 Maquinaria y equipo
 Tiempo.
 Recursos financieros
 Espacios
 Servicios disponibles
 Servicios de terceros

Así mismo, en conveniente puntualizar, que la utilización de una herramienta como

la Investigación de Operaciones nos permite incrementar la productividad y
consiguientemente aumentar la rentabilidad, puesto que nos permite utilizar los
recursos de una manera más eficiente; reduciendo costos, tiempos y/o mermas;
ademán que nos permite estudiar mejor cualquier problema parar arribar a
soluciones más óptimas.

LA INVESTIGACIÓN DE OPERACIONES Y EL MÉTODO CIENTÍFICO

La Investigación de Operaciones no es un Método Científico, pues el Método

Científico es uno sólo y esto haría suponer que existen muchos Métodos
Científicos.

LA INVESTIGACIÓN DE OPERACIONES Y LOS SISTEMAS

Es conveniente precisar el concepto de sistemas, partiendo de la definición de lo

que se entiende por un sistema:
Un conjunto de elementos interrelacionados entre si en función a un determinado
orden u organización.

Al respecto, la Investigación de Operaciones no es un Sistema, más bien se ocupa

de transformar un sistema existente en otro más eficiente o de mayor
productividad. Pues un sistema comprende interrelaciones entre Mano de Obra,
materiales, tiempo, equipos, recursos monetarios en efectivo y financieros. Por lo
tanto, dado un sistema, éste es sujeto a poderse modificar o mejorar mediante las
técnicas de la Investigación de Operaciones.

Por tal razón, la Teoría de Sistemas es un marco conceptual que permite

entender, interpretar, operar, o diseñar la realidad; en tanto que la Investigación de
Operaciones es una de las varias herramientas o procedimientos, que permiten
que un sistema se convierta en otro más eficiente y/o eficaz.
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

CONCEPTO Y TIPOS DE MODELOS

Un modelo es una representación simbólica de la realidad, es decir de un sistema
que pretendemos estudiar. Es una abstracción de la realidad. Una simplificación
de la realidad que pretendemos estudiar.

Existen diferentes tipos de modelos según los expresemos o representemos:

Modelos descriptivos. Son aquellos expresados en lenguaje convencional

como español, francés, ingles.
En este caso, la toma de decisiones para seleccionar la mejor alternativa se
hace en base a intuición y/o sentido común.

Modelos Icónicos o Físicos

Son reproducciones del modelo original, pero usualmente a diferente
escala, como una maqueta que reproduce un edifico, una represa, o un
barco, para facilitar el estudio y evaluar los efectos de la alternativas de
decisión, antes de definir la seleccionada.

Modelos Analógicos
Nos permiten estudiar por analogía el sistema original. Tal es el caso del
voltaje de una red eléctrica representando el flujo de vehículos en una
avenida o el flujo de fluidos en las tuberías de agua de una ciudad.

Modelos simbólicos
Es la representación de la realidad mediante símbolos matemáticos y/o
gráficos.

Modelos procedimentales
Son modelos, constituidos por un conjunto de relaciones funcionales
escalonadas o pasos, que representan la realidad.
Este tipo de modelo es usado para simulación de sistemas

LOS MODELOS EN INVESTIGACIÓN DE OPERACIONES.

Para estudiar la realidad, en la Investigación de Operaciones, hacemos uso de los

Modelos Simbólicos, específicamente mediante Modelos Matemáticos que emulan
la realidad, es decir al sistema real con todos sus elementos.

Por lo tanto primero debemos expresar matemáticamente la realidad que

queremos estudiar, esto es, debemos formular el modelo matemático que
represente la realidad bajo estudio o sistema bajo estudio

La computadora y los Modelos en Investigación de Operaciones.

Para resolver los modelos matemáticos, tradicionalmente se resolvieron con
aplicaciones matemáticas tediosas y de mucho tiempo dedicado para cálculos que
permitan arribar a la solución.
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

Es más, era imposible dar una solución mediante cálculo manual cuando se
trataba con más de 6 ecuaciones simultaneas.

Por eso el importante valor de la computadora hoy en día para agilizar

tremendamente los cálculos.

Pero no es suficiente contar con el software que resuelva el modelo, es necesario

saber hacer el modelo e interpretar los resultados que arroja la computadora.

CLASIFICACIÓN DE LOS MODELOS MATEMÁTICOS EN I.O.

Dichos modelos matemáticos, podemos clasificarlos según el tipo de relación

entre sus variables de decisión y según su probabilidad de ocurrencia,
respectivamente:

 Modelos Lineales, cuando existe una relación lineal entre variables. Por
Ejemplo si aumentamos la cantidad de equipos, se logra mayor producción.
 Modelos No-lineales, cuando la relación es no lineal. Por ejemplo el precio de
un artículo que depende de una curva no lineal de la demanda
 Modelos Determinísticos, cuando se conoce ciertamente el valor de los
parámetros. Por ejemplo, se conoce el precio actual de un artículo y se toma
una decisión inmediata al respecto.
 Modelos No-determinísticos, Probabilísticos, Aleatorios, o Estocásticos, cuando
no se conoce con certeza el valor de ocurrencia de ciertos parámetros. Por
ejemplo, cuando no se conoce con precisión el precio de un articulo dentro de
6 meses.
 Combinación de los casos anteriores. Ejemplo: Un modelo no lineal y no
determinístico.

LAS TÉCNICAS DE INVESTIGACIÓN DE OPERACIONES

Las Técnicas de Investigación de Operaciones, son técnicas de programación
matemática, siendo las más conocidas y usadas las siguientes:

 Programación Lineal
 Programación Dinámica
 Programación de Redes, Pert Cpm
 Programación Paramétrica No Lineal
 Teoría de colas
 Cadenas de Markov
 Simulación de Sistemas
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

Al respecto, en éste primer curso nos ocuparemos principalmente de las Técnicas

de Programación Lineal, que nos permiten resolver el 80% de los casos y luego
veremos un panorama general y fundamentos de las demás técnicas como Pert-
Cpm, Programación No Lineal, Programación Dinámica, Teoría de Colas y
Simulación.

La Programación Lineal y la Investigación de Operaciones

Lineal, quiere decir relaciones directamente proporcionales entre variables.

Programación se refiere a los procedimientos de cálculo o algoritmos para resolver
un conjunto de ecuaciones lineales y no lineales.

Históricamente las técnicas matemáticas de Programación, surgen cuando se

busca dar solución al problema siguiente:
Dado un cierto numero de recursos o factores de producción y un conjunto de
tareas o actividades a las que se deben dedicar los recursos, se pregunta cuál es
la forma de distribuir los recursos entre el conjunto de tareas de manera que se
obtenga el mayor aprovechamiento.
A fines de los años ochenta, se intensifica el uso de la computadora personal,
permitiéndose fácil solución a los complicados problemas de programación lineal.

LOS PROBLEMAS Y LAS TÉCNICAS PARA SOLUCIONAR PROBLEMAS.

Cuando se nos presenta un problema sencillo, como por ejemplo tener que clavar
un clavo, la herramienta apropiada que deberíamos utilizar es un martillo.
Al respecto, algunas veces, por falta de un martillo, lo hacemos con lo que
tengamos a la mano como un desarmador o lo que sea y logramos solucionar el
problema.
Pero si tuviéramos que clavar 50,000 clavos y lo hacemos con un desarmador,
seríamos ineficientes, presentando baja productividad perdiendo tiempo y también
dinero

Por dicha sencilla razón, es importante conocer las herramientas para saber en
que caso podemos usar una u otra

LA INVESTIGACIÓN DE OPERACIONES COMO HERRAMIENTA DEL

INGENIERO
Por todo lo señalado es importante que el Ingeniero conozca la Investigación de
Operaciones, como una importante herramienta de gestión para la toma de
decisiones y optimización de recursos, que le permitirá incrementar la
productividad y eficiencia de las organizaciones.
Además, el conocimiento de esta herramienta intelectual, le brindará una habilidad
distintiva en un mundo globalizado y de exigencias en cuanto a competitividad
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

APLICACIONES DE LA I.O.:
La Investigación Operativa tiene aplicaciones en diversos sectores industrializados
o con tendencia a la industrialización, para optimizar la asignación de recursos
escasos e incrementar la productividad y rentabilidad de las operaciones:

 Agroindustria (Mezclas de alimentos, mezclas de bebidas)

 Mezcla de fertilizantes
 Aviación (Asignar rutas, personal, etc.)
 Barcos (Asignar cargas, rutas, etc.)
 Refinerías de petróleo (Elaboración de Mezclas de gasolina, etc.)
 Textiles (Combinación de materiales, etc.)
 Transportes (Asignación de rutas, etc.)
 Industria manufacturera (Asignar maquinas, productos, etc.).
 Evaluar opciones de Inversión (Inversiones en bolsa de valores, evaluar
alternativas de proyectos y otras alternativas de inversión, etc.
 Programación de Obras y Proyectos.
 Control de Obras y Proyectos.
 Decisiones de Ampliación de planta, selección de maquinaria, control de
proyectos, etc.
 Decisiones de asignación de tareas y cuadrillas de trabajo.
 Colas de espera en las Construcciones, Supermercados, Teléfonos, Puertos,
Maquinarias, etc.
 Otras.

Siendo la Industria de la Construcción, uno de los sectores donde menos se han

utilizado estas técnicas, existiendo por lo tanto un amplio campo de desarrollo
para las aplicaciones de está técnica para permitir un incremento de la
productividad y rentabilidad en el sector Construcción.
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

FORMULACION DE MODELOS EN INVESTIGACION DE OPERACIONES

FASES DE UN ESTUDIO DE I.O.

El proceso de aplicar los métodos cuantitativos de la I.O. para solucionar
problemas requiere una sucesión sistemática de pasos

 Definición del problema, recolección de información

 Desarrollo de un modelo matemático
 Resolución del modelo matemático
 Validación de la solución
 Implementación

DESARROLLO DE UN MODELO EN I.O.:

Un modelo es una abstracción de la realidad, es una representación de la realidad
que nos permitirá estudiarla.
Es decir el problema bajo estudio podemos modelarlo.
En el contexto de los modelos cuantitativos de decisión, las decisiones son
números.

En tales modelos, también se puede dar el caso de que las decisiones que
finalmente se tomen estén basadas en una evaluación de datos numéricos.

Es decir, los modelos evalúan datos numéricos y proporcionan datos numéricos

adicionales o como data de salida del modelo bajo estudio.

LAS VARIABLES DE DECISIÓN

Son las variables que intervienen en nuestra toma de decisiones cuando se
requiere asignar recursos a una tarea, obra, proyecto, o cualquier actividad. Estas
variables de decisión, responderán a cuanto debemos asignar de:

 Recursos humanos (manuales e intelectuales)

 Insumos y/o materiales
 Maquinaria y equipo
 Recursos monetarios en efectivo y financieros
 Tiempo.
 Distancias, áreas, espacio disponible
 Servicios de terceros

Dichas variables de decisión podemos representarlas como:

x1, x2, x3, x4,.......................,xn
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad
OBJETIVO
El objetivo buscado en los casos que se resuelven con I.O. es por lo general
maximizar utilidades o minimizar costos. Existen también problemas en los que el
interés principal puede ser reducir tiempos, o en otros casos se pueden tener
metas con objetivos múltiples.

Es conveniente expresar verbalmente el objetivo en cada caso para enmarcar

adecuadamente el problema, antes de expresarlo matemáticamente como una
función de las respectivas variables.

FUNCIÓN OBJETIVO
Las variables de decisión que intervienen, las podemos representar mediante una
expresión matemática o función de relación lineal entre ellas, denominada la
Función Objetivo.

Max(Min.) f(x1, x2, x3, x4,.......................,xn)

Dicha Función Objetivo, se tratará matemáticamente, para optimizar la manera en

la que debemos asignar los recursos.
También se acostumbra designarla con la letra Z.

RESTRICCIONES
Evidentemente, los recursos son escasos y por tanto habrán limitaciones o
restricciones en su disponibilidad, las cuales se pueden expresar
matemáticamente:

g1(x1, x2, ....................................,xn) > = < b1

g2(x1, x2, ....................................,xn) > = < b2

Una Restricción es entonces una igualdad o desigualdad que debe ser satisfecha.
Donde, el lado derecho de la expresión b1 representa la disponibilidad de un
determinado recurso y donde g1, g2, ........,gm son las condiciones limitantes para
el uso o disponibilidad de dicho recurso expresada en función a la relación con las
variables del sistema bajo estudio.

Una Restricción es una igualdad o desigualdad que debe ser satisfecha. Por
ejemplo,
dada la desigualdad g1(x1, x2, x3, ................., xn) < b

Entonces, escogemos un vector X(x1, x2, x3, ...................., xn)

el cual podríamos optar como vector solución

Pero si dicho vector implica que g1(x1, x2, x3, ................., xn) > b
entonces, esta decisión de elección viola la restricción.
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad

FORMULACION DEL MODELO

La función objetivo debe resolverse simultáneamente con las restricciones de
manera tal que se obtenga la solución óptima que satisfaga todos los
requerimientos.

Forma simbólica general de un modelo de programación lineal:

Max(Min.) f(x1, x2, ....................................xn)

S.t.

g1(x1, x2, ....................................,xn) > = < b1

g2(x1, x2, ....................................,xn) > = < b2
g3(x1, x2, ....................................,xn) > = < b3
…………….............................................................
…………….............................................................
gm(x1, x2, ....................................,Xn) > = < bm

EJEMPLO DE PROBLEMA EN I.O.:

Un constructor tiene una prensa hidráulica para producir losetas de concreto. La

prensa es capaz de producir 125 losetas por día.
De otro lado, acaba de comprar un terreno en el cual puede manufacturar losetas
no prensadas pero debido a limitaciones de espacio puede producir solo 200
losetas por día.
El constructor emplea actualmente 18 hombres en este tipo de operación y no
desea incrementar la fuerza laboral.
Para producir 100 losetas sin prensar se requieren 8 hombres día y para producir
100 losetas prensadas se requieren 4 hombres día.
Esta calculado que las ganancias serán de $80 por cada 100 losetas de concreto
sin prensar y $60 por cada 100 losetas prensadas.

El Problema es cómo maximizar las utilidades del sistema bajo estudio..

Por tanto, nuestro Objetivo será maximizar las ganancias de las operaciones
involucradas.
Las Variables de decisión son entonces:

s1 producción diaria de losetas no prensadas (cientos)

s2 producción diaria de losetas prensadas (cientos)
Investigación de Operaciones
Profesor: Mg. Ing. Juan C. Ubillus C.
Maestría en Ingeniería industrial, Gestión de Operaciones y Productividad
Este es un problema lineal con dos variables de decisión, s1 y s2
El constructor puede producir tanto como él quiera.
Si se toma s1 como las losetas sin prensar y s2 como las losetas prensadas
hidráulicamente tendremos una ganancia diaria de:

80 s1 + 60 s2,
Esto es conocido como la función objetivo, y dará la ganancia total que el desea
maximizar.

El máximo número de cada tipo de loseta que puede producir por día es
respectivamente:
s1 < = 2
s2 < = 1 1/4
También hay una restricción debido al límite de las horas laborables disponibles .
La fuerza laboral es como máximo 18 hombres y toma 8 hombre día producir 100
losetas manualmente y 4 hombres día con la ayuda de la prensa.
Podemos expresarlo de la siguiente manera:
8 s1 + 4 s2, hombres día
8 s1 + 4 s2 < = 18,
Comentario:
Si desea producir 200 losetas manualmente y 125 prensadas, entonces se
requerirán 8 x 2 + 4 x 1.25 = 21 hombres día .
Esto no es posible debido a las restricciones de la fuerza de trabajo la cual es de
sólo 18 hombres.
Sin embargo, si es posible producir 175 losetas manualmente y 100 prensadas
hidráulicamente. Esto mantendrá la fuerza laboral ocupada y dejará un exceso de
capacidad en la prensa y en el terreno adquirido.
Es decir, nos estamos ocupando de cómo asignar nuestros recursos de manera
eficiente, tema de la Investigación de Operaciones.
 INVESTIGACION DE
OPERACIONES I

CAPITULO II
FORMULACION DE MODELOS
con enfoque a procesos
 PRODUCTO 1

PROCESO 2
PRODUCTO 2

PROCESO 1 PROCESO 3 PRODUCTO 3

 Modelo general de PL
n

Optimizar Z = ∑c j x j
j =1

n
Sujeta a:
∑a x =b
j=1
ij j i i =1, 2,......,m

xj >0 j =1,2,.......,
n
Mg. Ing. Juan C Ubillus C
OPERACIONES DEL SISTEMA BAJO ESTUDIO (ABZ)
Datos de entrada tabla 2
Producto operac. Tiempo Vel. Maq
para 10 Ton/hora
ton.(horas)
1 Proceso 1 38 =10/38

Proceso 2 25
2 Proceso 1 20
Proceso 2 30
Proceso 4 35
3 Proceso 1 40
Proceso 3 35
Proceso 4 30
4 Proceso 1 25
Proceso 2 30
Mg. Ing. Juan C Ubillus C
Proceso 4 35
Proceso 3 40
 OPERACIONES DEL SISTEMA BAJO ESTUDIO

Capacidad de máquinas en ton por hora

Producto operaciones Velocidad de máquina

PROCESO 1 28 horas x 10 ton = 0.357 ton/hora
1 PROCESO 3 (1) 50 pies/min = 50x60x4/400= 30
ton/hora
PROCESO 2 20 pies/min = 20x60x4/400= 12 ton/hora
RPOCESO 3 (2) 25 pies/min = 25x60x4/400= 15
ton/hora
2 PROCESO 1 35 horas x 10 ton = 0.266 ton/hora

PROCESO 2 20 pies/min = 20x60x4/400= 12 ton/hora

PROCESO 3 25 pies/min = 25x60x4/400= 15 ton/hora

3 PROCESO 2 16 pies/min = 16x60x4/400= 9.6 ton/hora

PROCESO 3 20 pies/min = 20x60x4/400= 12 ton/hora
Fuente : Elaboración de Consultor (1998)

Mg. Ing. Juan C Ubillus C

 LAS OPERACIONES

PRODUCTO 1
PROCESO 1
PROCESO 2
PRODUCTO 2

PROCESO 4
PROCESO 3 PRODUCTO 3

PRODUCTO 4
MÉTODO
 PROCESOS Y PRODUCTOS

PRODUCTO 1

PROCESO 2
PRODUCTO 2

PROCESO 1 PROCESO 4
PROCESO 3 PRODUCTO 3

PRODUCTO 4
 Problema de procesos y productos, empresa ABZ
Restricciones en igualdades
• La empresa ABZ tiene 4 procesos, y elabora 4 productos
diferenciados. La secuencia de procesos requerida para
cada producto y otras restricciones tecnológicas se
muestran en las tablas siguientes.
• El producto 1 tiene un costo de proceso de $35/ton, el
producto 2 de $45/ton, el producto 3 de $50/ton y el
producto 4 de $40/ton. Se puede ver la información de
procesos en los siguientes cuadros.
• Se acaba de firmar un contrato por el cual se dispone de 8
semanas para cumplir con 200 ton del producto 1, 300 ton
del producto 2, 400 ton del producto 3 y 400 ton del
producto 4. Pero la capacidad de producción es mayor y el
mercado demanda todo lo producido.
• Formule el modelo para optimizar la producción.
OPERACIONES DEL SISTEMA BAJO ESTUDIO (ABZ)

Datos de entrada Tabla 1

CARACTERÍSTICAS GENERALES
OPERACIONES Cantidad Turnos de 8 Tiempo no
de maquinas horas por productivo
semana %

PROCESO 1 4 21 5
PROCESO 2 3 20 10
PROCESO 3 2 12 0
PROCESO 4 2 20 5
Fuente : Elaboración de Consultor (1998)

Mg. Ing. Juan C Ubillus C

 OPERACIONES DEL SISTEMA BAJO ESTUDIO (ABZ)

Datos de entrada tabla 2

Producto operaciones Horas de Velocidad Benef.
proceso para de máquina por ton
10 ton
1 PROCESO 1 40 0.25 25
PROCESO 2 20 0.50
PROCESO 3 30 0.33 35
PROCESO 4 25 0.40
2 PROCESO 1 35 0.29
PROCESO 2 45 0.22 40
PROCESO 4 27 0.37
3 PROCESO 3 23 0.43
PROCESO 4 37 0.27 30
4 PROCESO 2 33 0.30
PROCESO 4 42 0.24
PROCESO 3 26 0.38
Fuente : Elaboración de Consultor (1998)
Mg. Ing. Juan C Ubillus C
 OPERACIONES DEL SISTEMA BAJO ESTUDIO (ABZ)

Determinamos la disponibilidad de horas para cada proceso

MAQUINAS Número de Turnos por % Capacidad

maquinas semana tiempo horas/mes
útil
PROCESO 1 3 20 95 3x20x8x4x0.95
=1824

PROCESO 2 2 18 2x18x8x4x0.90
90 =1037

PROCESO 3 2 14 100 2x14x8x4x1

=896
PROCESO 4 3 20 95 3x20x8x4x0.95
=1824
Fuente : Elaboración de Consultor (1998)

Mg. Ing. Juan C Ubillus C

 MODELO DE OPTIMIZACION (ABZ)

• Objetivo:
Restricciones en igualdades
Producir cumpliendo con atender las
cantidades contratadas y minimizando los
costos operativos involucrados.
• Variables de decisión:
Xi cantidad en ton a producir de cada
producto, i=1..4
• Función Objetivo
Min Z = 35x1 + 45x2 + 50 x3 + 40 x4
 MODELO DE OPTIMIZACION (ABZ)

• Restricciones por disponibilidad de horas-máquina

en Restricciones
cada proceso. en igualdades
Proceso 1: x1/0.25+x2/0.5 +x3/0.33 +x4/0.4< 1824
Proceso 2: x1/0.29 + x2/0.22+ x4/0.37 < 1037
Proceso 3: x3/0.43 + x4/0.27 > 896
Proceso 4: x2/0.30 + x4/0.24 + x3/0.38 < 1824

• Por requerimiento de producción según contrato.

producto 1: x1 >= 200
producto 2: x2 >= 300
producto 3: x3 >= 400
producto 4: x4 >= 400
• Restricción de no negatividad, Xij >= 0
 Problema de procesos y productos, empresa ZZF

• La empresa ZZF tiene 3 procesos, y elabora 3

productos diferenciados. La secuencia de procesos
requerida para cada producto y otras restricciones
tecnológicas se muestran en el esquema siguiente.
• El producto 1 tiene un costo de proceso de $25/ton,
el producto 2 der $36/ton y el producto 3 de
$40/ton.
• Se dispone de 8 semanas para cumplir con un
contrato de 200 ton del producto 1, 300 ton del
producto 2 y 400 ton del producto 3.
Mg. Ing. Juan C Ubillus C
• Formule el modelo para optimizar la producción.
 PROCESOS Y PRODUCTOS, ZZF

PRODUCTO 1

PROCESO 2
PRODUCTO 2

PROCESO 1 PROCESO 3 PRODUCTO 3

 OPERACIONES DEL SISTEMA BAJO ESTUDIO,ZZF

Datos de entrada Tabla 1

CARACTERÍSTICAS GENERALES
OPERACIONES Cantidad Turno de 8 Tiempo no
de maquinas horas por productivo
semana %

PROCESO 1 2 18 10
PROCESO 2 2 12 5
PROCESO 3 3 18 0

Fuente : Elaboración de Consultor (1998)

VELOCIDAD PROCESO ton/hora
OPERACIONES Producto
1 2 3

PROCESO 1 10 15 20
PROCESO 2 20 25 30
PROCESO 3 30 35 40

Mg. Ing. Juan C Ubillus C

Fuente : Elaboración de Consultor (1998)
 MODELO DE OPTIMIZACION, ZZF
Restricciones
• Variables de decisión: xi;en
ton igualdades
producidas del
producto i.
• Función Objetivo: Min Z = 25x1 + 36x2 + 40 x3
• Restricción por tiempos de máquina disponibles
Proceso 1: x2/15 + x3/20 < 2*18*8*4*0.9
Proceso 2: x1/20 + x2/25 + x3/30 <2*12*4*0.95
Proceso 3: x1/30+x2/35 +x3/40 +x3/40 <3*18*8*4
• Restricción por contrato de producción
x1 = 200
x2 = 300
x3 = 400
• Restricción de no negatividad, Xij >= 0
 PROCESOS Y PRODUCTOS, ZZF

PRODUCTO 1

PROCESO 2
PRODUCTO 2

PROCESO 1 PROCESO 3 PRODUCTO 3

 OPERACIONES DEL SISTEMA BAJO ESTUDIO,ZZF

Datos de entrada Tabla 1

CARACTERÍSTICAS GENERALES
OPERACIONES Cantidad Turno de 8 Tiempo no
de maquinas horas por productivo
semana %

PROCESO 1 2 18 10
PROCESO 2 2 12 5
PROCESO 3 3 18 0

Fuente : Elaboración de Consultor (1998)

VELOCIDAD PROCESO ton/hora
OPERACIONES Producto
1 2 3

PROCESO 1 10 15 20
PROCESO 2 20 25 30
PROCESO 3 30 35 40

Mg. Ing. Juan C Ubillus C

Fuente : Elaboración de Consultor (1998)
 MODELO DE OPTIMIZACION, ZZF

• Variables de decisión: xi; ton producidas del

producto i.
• Función Objetivo: Min Z = 25x1 + 36x2 + 40 x3
• Restricción por tiempos de máquina disponibles
Proceso 1: x2/15 + x3/20 < 2*18*8*4*0.9
Proceso 2: x1/20 + x2/25 + x3/30 <2*12*4*0.95
Proceso 3: x1/30+x2/35 +x3/40 +x3/40 <3*18*8*4
• Restricción por contrato de producción
x1 = 200
x2 = 300
x3 = 400
• Restricción de no negatividad, Xij >= 0
 Problema de producción y productividad
de la empresa ZKF

• La empresa ZKF tiene una máquina capaz de fabricar

tubos de diámetros grandes y pequeños para contratistas
de instalaciones. Los tubos grandes se producen a una
velocidad de 100 m /hora y los pequeños a 150 m/hra.
Cada hora que la máquina es utilizada para producir tubos
grandes generalmente produce 1.5 atascamientos y
cuando produce tubos pequeños resultan 3 atascamientos
por hora. Cada atascamiento requiere aproximadamente
de 5 minutos para re-iniciar operaciones durante los cuales
la máquina no puede producir tubos.
• La Gerencia, desea su recomendación para producir un
número igual de metros de ambos tamaños de tubos y la
mayor cantidad total de tubos posibles. Formule el modelo.
 Problema de
producción y productividad
de la empresa ZKF

• X1 tiempo en horas asignado a tubos grandes

• X2 tiempo en horas asignado a tubos pequeños
• X1+ X2 =16 horas por disponibilidad de turnos de trabajo
• Produción de máquina para tubos grandes: 100 x1
• Produción de la máquina para tubos pequeños: 150 x2
• si la productividad fuera igual: 100 x1 = 150 x2
• por tener diferente productividad:
• (55/60) 100 x1 = (45/60) 150 x2
• La mayor cantidad de tubos posibles implica:
• Max Z = (55/60) 100 x1 + (45/60) 150 x2
Mg. Ing. Juan C Ubillus C
• Restricción de no negatividad, Xij >= 0
 Modelo del Problema de producción y productividad
de la empresa ZKF
• Objetivo:
La mayor cantidad de tubos posibles, pero la misma cantidad
deambas medidas.
• Variables de decisión:
X1 tiempo en horas asignado a tubos grandes
X2 tiempo en horas asignado a tubos pequeños
• Función objetivo:
Max Z = (55/60) 100 x1 + (45/60) 150 x2
• S.t. Restricciones
X1+ X2 =16 (restricción por disponibilidad de turnos)
(55/60) 100 x1 - (45/60) 150 x2 =0 (restricción de lograr la
misma producción con diferente productividad)
Xij >= 0, (restricción de no negatividad).
 Problema de producción y subcontratación
de la empresa RMC
• La empresa RMC ha firmado un contrato para suministar
2500 ft de tubo A, 4500 de B y 5500 de C (gas), a $11,
$13 y $10 por ft respectivamente.
• Su capacidad de producción está limitada a 48 horas
máquina esta semana y solo tiene en inventario 7500
onzas de soldadura, en tanto el total requerido es de 120
horas maquina y 12500 onzas de soldadura.
• Al respecto, tiene la alternativa de subcontratar parte del
contrato a tres proveedores que le ofrecen la entrega a
un costo de $7 por ft de tubo A, $8 por ft de tubo B y $8
por ft de tubo C.
• Los datos de producción se dan en la tabla siguiente.
• Formular un modelo para cumplir el contrato y maximizar
las ganancias.
 Problema de producción y subcontratación
de la empresa RMC

• A continuación se presenta la información de la capacidad

de producción de la empresa:
Prod. Vel. soldadura Costo
Maq. oz/ft prod. S/ft

A 0.55 min/ft 1 3

B 0.50 min/ft 1 4

C 0.65 min/ft 1 4
Fuente : Elaboración de Consultor (1998)
 Modelo del Problema de producción y subcontratación
de la empresa RMC

• Objetivo:
Maximizar los beneficios, mediante optimización de la
producción y subcontratación.
• Variables de Decisión:
XA: cantidad a producir en ft de tubo A
XB: cantidad a producir en ft de tubo B
XC: cantidad a producir en ft de tubo C
YA: cantidad a subcontratar en ft de tubo A
YB: cantidad a subcontratar en ft de tubo B
YC: cantidad a subcontratar en ft de tubo C
• Función Objetivo:
Max Z= 7XA + 8XB + 5XC + 4YA+ 6YB + 2YC
 Modelo del Problema de producción y subcontratación
de la empresa RMC

• Restricciones de recursos tecnológicos:

0.55XA + 0.5XB + 0.65XC<=48*60 (tiempos de máquina)
XA + XB + XC<=7500 (material de soldadura)
• Restricciones por demanda (contrato):
XA+YA=2500 (cantidad contratada del tubo A)
XB+YB=4500 (cantidad contratada del tubo A)
XC+YC=5500 (cantidad contratada del tubo A)
• Restricciones lógicas:
Xi, Yi >= 0 (de no negatividad)
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

EL METODO GRAFICO

EL METODO GRAFICO Y LOS VALORES FACTIBLES

El método gráfico nos permite resolver problemas pequeños de

programación lineal. Si bien es cierto que solo podemos utilizarlo con dos o
tres variables de decisión, es útil por ofrecer las bases de los otros métodos
para resolver sistemas o modelos más complejos.

El método gráfico para resolver un problema lineal con dos variables se

comprende mejor concentrándose en la restricciones y posteriormente en la
función objetivo.

Cada restricción permite ciertos valores de X1 y X2 que satisfacen la

restricción.
Estos valores se denominan valores factibles. Aquellos valores que no
satisfacen la restricción se llaman valores infactibles

CASO PARA SOLUCION GRAFICA

Una empresa elabora dos productos, A-01 y A-02, (acelerantes de fragua
para concreto). El margen por ganancia estimado es de $0.30/galón de S-01
y de $0.50 por galón de S-02.
Se plantea cuanto producir de cada uno, considerando que las horas
requeridas en los departamentos de mezclado y purificación, para producir
mil galones de cada uno, se enumeran a continuación:
S-01 S-02
Mezclado 2 1
Purificación 1 2

Considerar que la demanda de S-02 esta limitada a 120,000 galones-semana.

Se tiene hasta 230 horas disponible en mezclado y 250 horas en purificación

Sean las variables de decisión X1, X2 cuantos miles galones producir de

cada solvente
Sea la función objetivo expresada en miles de dólares:
Maximizar Z = 3 X1 + 5 X2

dependiendo de
2 X1 + X2 <= 230 rest. Mezclado (1)
X1 + 2 X2 <= 250 rest. Purificación (2)
X2 <= 120 rest. Limite S-02 (3)
X1 >= 0 (4)
X2 >= 0 (5)
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Representación Gráfica de las Restricciones

Reemplazar el signo de la desigualdad en una restricción por un signo de
igualdad.
Dibujar la línea recta correspondiente a la ecuación
Identificar el lado de la línea que satisfaga la desigualdad original
Sombrear la porción de la gráfica que satisfaga todas las restricciones
hasta ese momento
Proceder similarmente con las siguientes restricciones
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Región factible y soluciones factibles

El área final sombreada se llama región factible del programa lineal.

Cualquier punto dentro de la región factible es una solución factible y da

origen a valores de X1 y X2 que satisfacen todas las restricciones.

Los puntos en las esquinas se denominan puntos extremos.

Método Gráfico de Solución de la Línea Iso-utilidad

Luego de tener graficada la Región Factible, se procede a encontrar la

solución óptima del problema.

La solución óptima es el punto que pertenece a la Región Factible donde se

produce la máxima utilidad.

Para resolver el problema de Programación lineal, debe encontrase un punto

factible que proporcione el mayor valor de la función objetivo 3 X1 + 5 X2.

Comencemos por elegir un punto cualquiera dentro de la región factible y

calcular el valor de la función objetivo en ese punto.

Por ejemplo suponer que elegimos X1 = 20 y X2 = 30

El valor de la función objetivo en ese punto es 3 X1 + 5 X2 = 3(20) + 5 (30) =
210

Esta expresión corresponde a la ecuación de una línea, denominada

precisamente línea de iso utilidad, pues todos los puntos sobre dicha línea
proporcionan el mismo valor Z, es decir la misma utilidad.

Pero cabe preguntar si habrán otros puntos en la región factible que

permitan lograr un mayor valor para la función objetivo.

Esto se logra trazando la siguiente línea de la función objetivo :

3 X1 + 5 X2 = 210
Cualquier punto sobre esta línea permite un valor de 210 para la f.o.

Se observará que todos los valores de un lado de esta línea proporcionan un

mayor valor de la f.o. y del otro lado un peor valor.
Ejemplo X1 = 50, X2 = 50 f.o = 400 esta en el lado que mejora la f.o.
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Localizar solo un punto de ese mejor lado, el cual también esté en la región
factible. Puede trazar la función objetivo pasando por ese punto que la
mejora 50,50

Considerar que la nueva línea de mejora es paralela a la anterior.

Resumen

Es decir debe mover la línea de la función objetivo de forma paralela a la

zona factible hasta que este a punto de dejarla

Ese punto final es la solución optima al programa lineal.

El resultado es el punto extremo C.

Uso de los puntos extremos

Con base a la observación dada de que la solución optima ocurre en un

punto extremo, un enfoque alternativo de solución del problema es enumerar
todos los puntos extremos de la región factible y calcular el valor de la
función objetivo en cada uno y seleccionar aquel con el mejor valor.

Punto X1 X2 f.o.
extremo
A 0 0 0
B 115 0 345
C 70 90 660
D 10 120 630
E 0 120 600

Un enfoque mediante la intersección de restricciones:

Una manera es leer la solución optima de la gráfica, otro modo es observar

que este punto cae exactamente en la intersección de dos líneas:

2 X1 + 2 X2 = 230
X1 + 2X2 = 250

Resolviendo el sistema obtenemos X1 = 70, X2 = 90

Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

La función objetivo tomara en dicho punto el siguiente valor:

3 X1 + 5 X2 = 3(70) + 5(90) = 660

La solución será:

Cantidad de S-01 a producir = 70,000 gal

Cantidad de S-02 a producir = 90,000 gal

Margen de ganancia semanal = $ 66,000

Programas lineales infactibles

Suponga la firma de un contrato para proveer 150,000 galones de S-01 cada

semana

Esto implica agregar la siguiente restricción : X1 > = 150

Lo que resulta en un nuevo programa lineal:

Maximizar Z = 3 X1 + 5 X2

dependiendo de
2 X1 + X2 <= 230 rest. Mezclado (1)
X1 + 2 X2 <= 250 rest. Purificación (2)
X2 <= 120 rest. Limite S-02 (3)
X1 >= 0 (4)
X2 >= 0 (5)
X1 >= 150 (6)

Como se podrá ver no hay valores de X1, X2 que satisfagan la nueva

restricción y todas las anteriores restricciones.
Este programa lineal, se llama programa lineal infactible, lo que significa que
ningún valor de X1, X2, satisface todas las restricciones, es decir que no
existe ninguna región factible.

Lo que debería hacer el Gerente: Determinar la obtención de recursos

adicionales para cumplir con la meta contractual.

Lo mas usual es un error de signo que convierta al problema en infactible.

Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Programas lineales ilimitados

Considere la misma f.0., Maximizar Z = 3 X1 + 5 X2

dependiendo de

2 X1 + X2 >= 230 rest. Mezclado (1)

X1 + 2 X2 >= 250 rest. Purificación (2)
X2 <= 120 rest. Limite S-02 (3)
X1 >= 0 (4)
X2 >= 0 (5)

La línea de la función objetivo, debemos moverla paralelamente a si misma

hasta el extremo de la región factible, pero en este caso la región factible no
tiene limite en el extremo derecho.

Técnicamente esto significa una ganancia infinita, lo cual es imposible

La causa puede ser haber omitido una restricción accidentalmente o

equivocarse en el signo de una restricción.

Es posible que la región factible sea ilimitado pero el problema lineal no lo

sea.

Programas lineales con restricciones redundantes

Restricción redundante es una restricción que no es necesaria , pues la

región factible será la misma si se incluye o no esta restricción.

Ejemplo, agregar la restricción:

X1 + X2 <= 300

Programas lineales con soluciones optimas alternativas

Cuando un programa lineal tiene mas de una solución optima, estas se

denominan soluciones optimas alternativas.

Es posible que se pueda preferir una de las soluciones optimas, respecto a

las otras, por razón de ser mas fácil de poner en practica u otra razón
conveniente.
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Ejemplo: Supongamos que los márgenes de ganancia se modifican a $0,20 y

$0,40 respectivamente
Punto X1 X2 f.o.
extremo
A 0 0 0
B 115 0 230
C 70 90 500
D 10 120 500
E 0 120 480

OTRO EJEMPLO DE SOLUCION MEDIANTE EL METODO GRAFICO

Una empresa produce los productos A y B. El primero tiene un costo de

producción de 3500 por Ton y el segundo de 4000 por Ton.

Con la finalidad de atender las ordenes de compra pendientes y mantener el

nivel de inventarios, se determina que necesita producir por lo menos 30
Ton de A y 20 Ton de B.

Además se requiere producir por lo menos 60 ton de ambos productos para

evitar que cierta materia prima utilizada en la producción de ambos
productos se malogre. Determinar la cantidad a producir de cada producto
para minimizar el costo total.

Definimos las variables de decisión:

X1 = cantidad de ton del producto A
X2 = cantidad de ton del producto B

Formulamos el Modelo:
Min Z= 3500 X1 + 4000 x2
St
X1 + x2 >=60 Requerimientos para evitar se malogre la material prima.
X1>=30 Para atender ordenes de compra.
X2>=20 Requerimientos para mantener inventarios.
X1, x2 >=0 Condición de no negatividad.
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

Graficamos las ecuaciones como igualdades y determinamos la Región

factible

En el Gráfico observamos dos vértices de la región factible como posibles

puntos solución.

Costo total en el Vértice derecho = 3500 (40) + 4300 (20) = 140,000 + 86,000 =
$ 226,000
Costo total en el Vértice izquierdo = 3500(30) + 4300 (30) = 105,000 +129,000
=$ 234,000

Luego, podemos concluir que la solución óptima es producir 40 ton del

producto A y 20 toneladas del producto B, pues permite un ahorro de costos
de $8,000 en dicho mes.
Investigación de Operaciones I Profesor : Mg. Ing. Juan Carlos Ubillus C.
Con aplicaciones a Ingeniería y Gestión

PROBLEMA PROPUESTO PARA SOLUCION CON EL METODO GRAFICO

Una empresa produce los productos A y B. El primero tiene un costo de

producción de 3500 por Ton y el segundo de 4000 por Ton.
Con la finalidad de atender las ordenes de compra pendientes y mantener el
nivel de inventarios, se determina que necesita producir por lo menos 30
Ton de A y 20 Ton de B.
Además se requiere producir por lo menos 60 ton de ambos productos para
evitar que cierta materia prima utilizada en la producción de ambos
productos se malogre. Determinar la cantidad a producir de cada producto
para minimizar el costo total.

Definimos las variables de decisión:

X1 = cantidad de ton del producto A
X2 = cantidad de ton del producto B

Formulamos el Modelo:
Min Z= 3500 X1 + 4000 x2
St
X1 + x2 >=60 Requerimientos para evitar se malogre la material prima.
X1>=30 Para atender ordenes de compra.
X2>=20 Requerimientos para mantener inventarios.
X1, x2 >=0 Condición de no negatividad.

Se debe graficar las ecuaciones como igualdades y determinar la Región

factible
 INVESTIGACION DE
OPERACIONES:

” EL METODO SIMPLEX”

PROFESOR:
ING. JUAN C. UBILLUS CALMET

MG. Juan Ubillus Calmet.

 EL METODO SIMPLEX
 La mayoría de los problemas reales en P.L tienen
más de tres variables, donde el método gráfico está
limitado.
 El método Simplex es un procedimiento que
permite encontrar la solución óptima en problemas
multivariables.
 Es un algoritmo para examinar los puntos extremos
hasta encontrar la solución óptima.
 Si bien existen diferentes algoritmos en la
actualidad, (entre ellos el de Karmarkar), éstos se
han basado en los conceptos básicos del Simplex.
MG. Juan Ubillus Calmet.
 Los Algoritmos del Simplex
 Si bien existen diferentes algoritmos en la
actualidad, (entre ellos el de Karmarkar),
éstos se han basado en los conceptos básicos
del Simplex.
 Entender el algoritmo del Método Simplex,
permitirá un mayor criterio en la solución de
los problemas aplicativos y del uso del
software.

MG. Juan Ubillus Calmet.

 Conversión de restricciones a ecuaciones

 El primer paso del Método Simplex requiere

convertir las restricciones en igualdades.
 Así para convertir una restricción del tipo <= ;
se suma una variable de holgura s1
7x1+13x2+5x3 <= 500
7x1+13x2+5x3 + s1 = 500
 Para convertir una restricción del tipo = ;se suma
una variable artificial A1
2x1 + 1x2 = 100
2x1 + 1x2 + A1 = 100
MG. Juan Ubillus Calmet.
 Variables de holgura y variables artificiales
 Para convertir una restricción del tipo >= ;
se suma una variable artificial A1 y se resta una
variable de holgura s1
7x1+13x2+5x3 >= 800
7x1+13x2+5x3 + A1 - s1 = 800
 La variable de holgura representan recursos no
utilizados (tiempos de una máquina, horas hombre);
no generan utilidad pero deben sumarse a la f.o. Con
coeficiente = 0.
 La variable artificial tiene asignado un alto costo para
asegurar que no sea seleccionada en la solución final.
No tiene un significado físico, pero permite una
solución inicial. Se
[Link]
Juanasigna un valor simbólico M.
Ubillus Calmet.
 Ejemplo #1
Aplicativo del Método Simplex
 Max Z = 7x1 + 5x2
 S.t. 2x1 + 1x2 <= 100
4x1 + 3x2 <= 240
 Convirtiendo restricciones en igualdades
2x1 + 1x2 + s1 = 100
4x1 + 3x2 + s2 = 240
 La nueva función objetivo será:
Max Z = 7x1 + 5x2 +s1 +s2
MG. Juan Ubillus Calmet.
 Presentando las ecuaciones, incluyendo las
variables holgura:

 Incluyendo todas las variables en cada

ecuación, se tendrá:
 Max Z = 7x1 + 5x2 +0s1 +0s2
 St
 2x1 + 1x2 + 1S1+ 0S2 = 100
4x1 + 3x2 + 0S1 + 1S2 = 240

MG. Juan Ubillus Calmet.

 Inicio del Método Simplex

 Max Z = 7x1 + 5x2 +0s1 +0s2

 Se inicia la solución en el origen 0,0
es decir con valores de x1=0, x2=0
 2x1 + 1x2 + 1S1+ 0S2 = 100
4x1 + 3x2 + 0S1 + 1S2 = 240
 Por tanto
S1 = 100
S2 = 240
MG. Juan Ubillus Calmet.
 Variable Básicas, una solución inicial
 La solución inicial así obtenida es una solución
básica factible y se representa en forma de vector
o columna
X1 0
X2  0
S1 100
S2 240
 En esta solución inicial si y s2 son variables
básicas pues participan de la solución, en tanto x1
y x2 son variables no básicas.

MG. Juan Ubillus Calmet.

 Una posible solución final: óptima

 Supongamos el siguiente vector solución.

 El vector es la base o mezcla solución,
entonces X1, X2 son variables básicas
finales y s1, s2 son variables no básicas
X1 30
X2  40
S1 0
S2 0
MG. Juan Ubillus Calmet.
Con la información dada se prepara la tabla
Simplex inicial:

Cj $7 $5 $0 $0
Mezcla X1 X2 s1 s2 RHS
$0 s1 2 1 1 0 100
$0 s2 4 3 0 1 240

MG. Juan Ubillus Calmet.

Completando la primera tabla Simplex

Cj $7 $5 $0 $0
Mezcla X1 X2 s1 s2 RHS
$0 s1 2 1 1 0 100
$0 s2 4 3 0 1 240
Z $0 $0 $0 $0 $0
Cj-Z $7 $5 $0 $0 utilidad
MG. Juan Ubillus Calmet.
 Completando la primera tabla Simplex

 Cj representa la contribución a la utildad por cada

variable
 Zj representa la contribución total de una mezcla
solución dada
 Cj – Zj nos indica la utilidad ganada por introducir
una unidad de cada producto en la mezcla solución
 Por tal razón al maximizar debemos seleccionar la
columna con el mayor Cj-Zj que contribuya a la
solución

MG. Juan Ubillus Calmet.

 Determinación de valores Zj y Cj-Z

Cj $7 $5 $0 $0
Mezcla X1 X2 s1 s2 RHS
$0 s1 2 1 1 0 100
$0 s2 4 3 0 1 240
Z $0 $0 $0 $0 $0
Cj-Z $7 $5 $0 $0 utilidad
Zj(col x1) = 0(2) +0(4) =$0 y Cj-Z=7-0 =$7
Zj(col x2) = 0(1) +0(3) =$0 y Cj-Z=5-0 =$5
Zj(col s1) = 0(1) +0(0) =$0 y Cj-Z=$0
Zj(col s2) = 0(0) +0(1) =$0 y Cj-Z=$0
MG. Juan Ubillus Calmet.
Utilidad total = 0(100)+0(240)=$0
PRIMERA TABLA SIMPLEX , COMPLETA

Cj $7 $5 $0 $0
m ezcla X 1 X 2 S1 S2 R hs
$0 S1 2 1 1 0 100
$0 S2 4 3 0 1 240
Zj $0 $0 $0 $0 $0
C j-Zj $7 $5 $0 $0 utilidad

MG. Juan Ubillus Calmet.

Procedimiento para determinar la solución óptima

 1) Qué variable debe ser parte de la mezcla

solución?:
La de mayor utilidad Cj-Z,
por tanto define la columna pivote
 2) Determinamos la fila a reemplazar:
la fila pivote = el mayor número no negativo
resultante de dividir rhs / columna pivote
 En la intersección de fila y columna tenemos el
pivote
 Nota: La variable entrante será entonces x1 y la
saliente s1 MG. Juan Ubillus Calmet.
Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
$0 S1 2 1 1 0 100
$0 S2 4 3 0 1 240
Zj $0 $0 $0 $0 $0
Cj- $7 $5 $0 $0 utili
Zj dad
Columna
pivote
MG. Juan Ubillus Calmet.
 Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
$0 S1 2 1 1 0 100
Renglón pivote $0 S2 4 3 0 1 240
Zj $0 $0 $0 $0 $0
Cj- $7 $5 $0 $0 utili
Zj dad
Columna
pivote
MG. Juan Ubillus Calmet.
 Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
Renglón pivote $0 S1 2 1 1 0 100
$0 S2 4 3 0 1 240
Zj $0 $0 $0 $0 $0
Cj- $7 $5 $0 $0 utili
Zj dad
Columna
pivote
Número pivote
MG. Juan Ubillus Calmet.
 Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
Renglón pivote $0 S1 2 1 1 0 100
$0 S2 4 3 0 1 240
Zj $0 $0 $0 $0 $0
Cj- $7 $5 $0 $0 utili
Zj dad
Columna
Variable entrante =X1, pivote
Número pivote
Variable saliente = S1 MG. Juan Ubillus Calmet.
Procedimiento para determinar la solución óptima

 3) Luego, calcular nuevos valores para el renglón

pivote: Dividir cada número del renglón / número
pivote:
 Cj mezcla sol. X1 X2 s1 s2 RHS
 $7 X1 1 1/2 1/2 0 50
 $0 s2 4 3 0 1 240

 Como la variable entrante es x1, ingresa con su Cj
correspondiente = $/7 en este caso.
MG. Juan Ubillus Calmet.
 Procedimiento para determinar la solución óptima

 4) Calcular nuevos valores para renglón s2

nuevo = viejo -( número * número )

valor en valor en debajo corresp. en
renglón s2 renglón s2 de pivote [Link]
0 4 4 1
1 3 4 1/2
-2 0 4 1/2
1 1 4 0
40 240 4 50
MG. Juan Ubillus Calmet.
 5) Calcular Zj y Cj-Z
–Cj mezcla x1 x2 s1 S2 RHS
7 X1 1 1/2 1/2 0 50
0 S2 0 1 -2 1 40
Zj 0 3/2 7/2 0 $350
Cj-Zj 0 3/2 -7/2 0

Donde:
Zj(col x1) = 7(1) +0(0) =$7 y Cj-Z=$0
Zj(col x2) = 7(1/2) +0(1)=$7/2 y Cj-Z=$3/2
Zj(col s1) = 7(1/2) +0(-2) =$7/2 y Cj-Z=-$7/2
Zj(col s2) = 7(0) +0(1) =$0 y Cj-Z=$0
Utilidad total = 7(50)+0(40)=$350
MG. Juan Ubillus Calmet.
 SEGUNDA TABLA SIMPLEX , COMPLETA,
OBTENIDA SIGUIENDO EL PROCEDIMIENTO ANTERIOR

Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
$7 x1 1 1/2 1/2 0 50
$0 S2 0 1 -2 1 40
Zj $0 3/2 7/2 $0 $350
Cj- $0 3/2 -7/2 0 utilidad
Zj

MG. Juan Ubillus Calmet.

 TERCERA TABLA SIMPLEX , COMPLETA

Cj $7 $5 $0 $0
me X1 X2 S1 S2 Rhs
zcla
$7 X1 1 0 3/2 -1/2 30
$5 X2 0 1 -2 1 40
Zj $7 $5 1/2 3/2 410
Cj- $0 $0 -1/2 -3/2 utili
Zj dad
Como todos los Cj-Zj son ceros o no negativos,
Se alcanzó la soluciónMG.óptima, con x1=30; x2=40; Z=410
Juan Ubillus Calmet.
 Resumen del Método Simplex para
maximización
 Elegir la variable con Cj-Zj positiva más grande que
entre en la mezcla solución
 Determinar el renglón a reemplazar, dividiendo
rhs/columna pivote, valor más bajo no negativo
 Calcular los nuevos valores para el renglón pivote
 Calcular los nuevos renglones para los otros
renglones
 Calcular los valores Cj y Cj-Zj, regresando al primer
paso si resulta algún valor mayor que cero.

MG. Juan Ubillus Calmet.

 Resumen del Método Simplex para
minimización
 Elegir la variable con Cj-Zj negativa más grande que
entre en la mezcla solución
 Determinar el renglón a reemplazar, dividiendo
rhs/columna pivote, el valor más bajo no negativo
 Calcular los nuevos valores para el renglón pivote
 Calcular los nuevos valores para los otros renglones
 Calcular los valores Cj y Cj-Zj, regresar al primer
paso si resulta algún valor menor que cero.

MG. Juan Ubillus Calmet.

 Ejemplo #2
Aplicativo del Método Simplex

 Max Z = 20x1 +10x2

 S.t.
 x1 + 2x2 <= 120
x1 + x2 <= 90
x1 <= 70
x2<=50
x1,x2>=0
MG. Juan Ubillus Calmet.
 Procediendo con el Ejemplo 2
(caso de maximización):
 Levantamos desigualdades

x1 + 2x2 + s1 = 120
x1 + x2 + s2 = 90
x1 + s3 = 70
x2 + s4 = 50

MG. Juan Ubillus Calmet.

 Completando la primera tabla Simplex

Cj $20 $10 $0 $0 $0 $0
mezcla sol. x1 x2 s1 s2 s3 s4 RHS
$0 s1 1 2 1 0 0 0 120
$0 s2 1 1 0 1 0 0 90
s3 1 0 0 0 1 0 70
s4 0 1 0 0 0 1 50
Zj $0 $0 $0 $0 $0 $0 $0
Cj-Z $20 $10 $0 $0 $0 $0 utilidad
MG. Juan Ubillus Calmet.
 Completando la segunda tabla Simplex

Cj $20 $10 $0 $0 $0 $0
mezcla sol. x1 x2 s1 s2 s3 s4 RHS
$0 s1 0 2 1 0 -1 0 50
$0 s2 0 1 0 1 -1 0 20
$20 x1 1 0 0 0 1 0 70
$0 s4 0 1 0 0 0 1 50
Zj $20 $0 $0 $0 20 0 1400
Cj-Z $0 $10 $0 $0 -20 0 utilidad

MG. Juan Ubillus Calmet.

 Completando la tercera tabla Simplex

MATRIZ SIMPLEX (tercera)

Cj $20 $10 $0 $0 $0 $0
mezcla sol. x1 x2 s1 s2 s3 s4 RHS
$0 s1 0 0 1 -2 1 0 10
$10 x2 0 1 0 1 -1 0 20
$20 x1 1 0 0 0 1 0 70
$0 s4 0 0 0 -1 1 1 30
Zj $20 $10 $0 $10 10 0 1600
Cj-Z $0 $0 $0 -$10 -$10 0 utilidad
X1=70; x2=20; z=1600
MG. Juan Ubillus Calmet.
 Ejemplo #3
(Caso de minimización):
 Min Z = 6x1 + 5x2
 S.t.
x1 + x2 = 2000
x1 >= 300
x2 <= 600
x1,x2>=0

MG. Juan Ubillus Calmet.

Agregando variables artificiales y de holgura:

 Min Z = 6x1 + 5x2

 S.t.
x1 + x2 = 2000 x1 + x2 +A1 =2000
x1 >= 300 x1 + A2 – s1 = 300
X2 <= 600 x2 + s2 = 600
x1,x2>=0

MG. Juan Ubillus Calmet.

 TABLA SIMPLEX , INICIAL

Cj $6 $5 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$M A1 1 1 0 0 1 0 2000
$M A2 1 0 -1 0 0 1 300
$0 s2 0 1 0 1 0 0 600
Zj $2M $M $-M 0 $M $M $2300M
Cj-Z 6-2M 5-M M $0 $0 $0 costo total
en minimización escoger como columna pivote el valor negativo más grande

MG. Juan Ubillus Calmet.

 Procedimiento para determinar la solución óptima

 Calcular nuevos valores para renglón s2

renglón s2 renglón s2 de pivote [Link]

0 0 0 1
1 1 0 0
0 0 0 -1
1 1 0 0
0 0 0 0
0 0 0 1
600 600 0 300
MG. Juan Ubillus Calmet.
 Procedimiento para determinar la solución óptima

 Calcular nuevos valores para renglón A1

0 1 1 1
1 1 1 0
1 0 1 -1
0 0 1 0
1 1 1 0
-1 0 1 1
1700 2000 1 300

MG. Juan Ubillus Calmet.

 SEGUNDA TABLA SIMPLEX

Cj $6 $5 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$M A1 0 1 1 0 1 -1 1700
$6 x1 -1 0 -1 0 0 1 300
$0 s2 0 1 0 1 0 0 600
Zj $6 $M $M-6 $0 $M -$M+6 700M+1800
Cj-Z $0 $5-M $6-M $0 $0 $2M-6 costo total

MG. Juan Ubillus Calmet.

 TERCERA TABLA SIMPLEX

Cj $6 $5 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$M A1 0 0 1 -1 1 -1 1100
$6 x1 1 0 -1 0 0 1 300
$5 x2 0 1 0 1 0 0 600
Zj $6 $5 $M-6 -$M+5 $M -$M+6 100M+4800
Cj-Z $0 $0 $6-M -5+M $0 $2M-6 costo total
MG. Juan Ubillus Calmet.
 CUARTA TABLA SIMPLEX

MATRIZ SIMPLEX (cuarta)

Cj $6 $5 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$0 s1 0 0 1 -1 1 -1 1100
$6 x1 1 0 0 -1 1 0 1400
$5 x2 0 1 0 1 0 0 600
Zj $6 $5 $0 -1 $6 $0 11400
Cj-Z $0 $0 0 1 $M-6 $M costo total

x1=1100; x2=1400; Z= 1100(0)+1400(6)+600(5)=11,400

MG. Juan Ubillus Calmet.
 Ejemplo # 4
(Caso de minimización):
Min Z = 5x1 + 5x2
S.t.
x1 + x2 = 1000
x1 <= 300
x2 >= 150
x1,x2 >=0

MG. Juan Ubillus Calmet.

Agregando variables artificiales y de holgura:

Restricciones:
x1 + x2 = 1000 1 x1 + 1 x2 + 1 A1 =1000
x1 <= 300 1 x1 + 1 s1 = 300
x2 >= 150 1 x2 - 1 s2 + 1 A1 = 150
Función Objetivo:
Min Z = 6x1 + 5x2 + 0 s1 + 0 s2 + MA 1 + MA2

MG. Juan Ubillus Calmet.

Convirtiendo restricciones en igualdades:

Min 5x1 + 6x2 + 0S1 + 0S2 + MA1 + MA2

1 x1 + 1 x2 + 0 s1 + 0 s2 + 1 A1 + 0 A2 = 1000
1 x1 + 0 x2 + 1 s1 + 0 s2 + 0 A1 + 0 A2 = 300
0 x1 + 1 x2 + 0 s1 - 1 s2 + 0 A1 + 1 A2 = 150

Nota: como estamos minimizando, M es un número

muy grande para obligar que su variable quede fuera
de la mezcla solución.

MG. Juan Ubillus Calmet.

 Tabla Simplex inicial:

Cj $5 $6 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$M A1 1 1 0 0 1 0 1000
$0 s1 1 0 1 0 0 0 300
$M A2 0 1 0 -1 0 1 150
Zj $M $2M $0 -$M $M $M $1150M
Cj-Z -$M+5 -2$M+6 $0 $M $0 $0 costo total
en minimización escoger como columna pivote el valor negativo más grande
MG. Juan Ubillus Calmet.
 Tabla Simplex segunda:
Cj $5 $6 $0 $0 $M $M
mezcla sol. x1 x2 s1 s2 A1 A2 RHS
$M A1 1 0 0 1 1 -1 850
$0 s1 1 0 1 0 0 0 300
$6 x2 0 1 0 -1 0 1 150
Zj $M $6 $0 $M-6 $M -$M+6 $850M+900
Cj-Z -$M+5 $0 $0 -$M+6 $0 $2M-6 costo total
Completar las tablas tercera y cuarta, para obtener :
x1=300,
MG. Juanx2=700,s2=550,
Ubillus Calmet. costo=5700
 Análisis de Sensibilidad y Análisis
Paramétrico en Investigación de
Operaciones

„ Análisis de sensibilidad de los coeficientes de

la función objetivo.
„ Análisis de sensibilidad de los coeficientes del
lado derecho.
„ Precio dual (precio sombra).
„ Análisis Paramétrico.

Mg. Ing. Juan C. Ubillus C.

Introducción
„ En los casos reales, los negocios son de naturaleza
dinámica.
„ Lo cual implica que los datos y parámetros del modelo
matemático pueden cambiar.
„ Tal es así que:
„ pueden bajar los costos de la materia prima,

„ pueden subir los costos de la mano de obra,

podemos contratar un subcontratista para asignarle
una parte de los trabajos,
„ podemos alquilar maquinas adicionales,ETC.

Mg. Ing. Juan C. Ubillus C.

Introducción

„ Ante los cambios citados, al Gerente le

interesa saber cuan sensible es la solución
optima encontrada con el modelo original.
„ La respuesta la encontramos mediante el
Análisis de Sensibilidad y mediante el
análisis paramétrico.

Mg. Ing. Juan C. Ubillus C.

Sea el siguiente caso, al cual se desea
efectuar un Análisis de Sensibilidad:
Solución óptima (x1,x2)=(70,90); Z=660
Max 3x1 + 5x2
St: 2x1 + x2 <= 230
300 x1 + 2x2 <= 250
x2 <= 120
R1 x1,x2 >= 0
200

100
R3

100 200 300

R2 C.
Mg. Ing. Juan C. Ubillus
 Sensibilidad de coeficientes de Z

Coeficiente c de x1, se incrementa hasta Z п R1

Z = 3x1 + 5x2
300 St. R1: 2x1 + x2 <= 230

Zii cx1 + 5x2 4 θZ

Zi 200 θR1 = -2/1

c = 10

100
R3

100 200 300

R1 Mg. Ing. Juan C. Ubillus
R2 C.
 Sensibilidad de coeficientes de Z

Coeficiente c de x1, disminuye hasta Z п R2

Z = 3x1 + 5x2
300 St. R2: x1 + 2x2 <= 250

cx1 + 5x2 4 θZ

200 θR1 = -1/2

Zi c = 2.5
Zii

100
R3

100 200 300

R1 Mg. Ing. Juan C. Ubillus
R2 C.
Sensibilidad de coeficientes de Z

Se ha determinado que los valores que toma el

coeficiente c, para la variable x1, pueden situarse en el
rango [2.5,10] y la solución sigue siendo optima.
2.5 < c < 10
La solución (x1,x2) = (70,90) sigue siendo optima.
Entonces, si el precio de venta c se baja en 20%:
Z = 3 x1 + 5 x2 4 3-(0.2)(3)=2.4
Se observa que 2.4 esta dentro del rango [2.5,10]
Pero cambia el margen de ganancia 2.4(70)+5(90)=618
El margen de ganancia disminuye
Mg. Ing. en
Juan C. Ubillus C. 660 – 618 = 24
 Análisis de Sensibilidad R1: 2x1+x2 <=230

Solución óptima en el intervalo [500, ∞]= R1 п R2

R1:
2x1 + x2 <= 230
300 2x1 + x2 <= 500
2x1 + x2 <= 750
R1=230 R1=500 R1=750
200

100 R3

100 200 300

R2 C.
Mg. Ing. Juan C. Ubillus
 Sensibilidad de ld, incremento de b
R1 se desplaza paralelamente, aumentando lado derecho b,
hasta la intersección de R1 y R2 (x1,x2)=(250,0).

R1:
2x1 + x2 <= 230
300 2x1 + x2 = b
2(250)+ 1(0)= 500
R1=230 R1=500
200

100 R3

100 200 300

Mg. Ing. Juan C. R2
Ubillus C.
Sensibilidad de ld, incremento de b.

R1: 2x1 + x2 <= 230

2x1 + x2 = b ;
Según el gráfico “b” puede aumentar hasta que R1
proyectada pase por (x1,x2)=(250,0) sin salirse de
una región determinada por R1 y R2.
Luego 2(250) + (0) = b
Entonces b = 500
Quiere decir que mientras la cantidad disponible de
horas de ensamblaje puede incrementarse hasta 500

Mg. Ing. Juan C. Ubillus C.

 Sensibilidad de ld, decremento de b
R1 se desplaza paralelamente, disminuyendo lado derecho b,
hasta la intersección de R1 y R3 (x1,x2)=(10,120).

R1:
2x1 + x2 <= 230
300
2x1 + x2 = b
R1=230 2(10)+1(120) = 140
R1=140
200

100
R3

100 200 300

R2 C.
Mg. Ing. Juan C. Ubillus
Sensibilidad de ld, decremento de b.

R1: 2x1 + x2 <= 230

2x1 + x2 = b ;
Según el gráfico “b” puede disminuir hasta que R1
proyectada pase por la intersección de R1 y R3
(x1,x2)=(10,120).
Luego 2(10) + (120) = b
Entonces b = 140
Quiere decir que mientras la cantidad disponible de
horas de ensamblaje no disminuya por debajo de 140.

Mg. Ing. Juan C. Ubillus C.

 Precio sombra (dual) de la restricción R1:
Mientras el valor ld se mantenga entre 140 y 500, la
solución óptima estará en la intersección de R1 y R2.

Margen de R1: 2x1 + x2 <= 230

ganancia rhs x1 x2 Z
140 10 120 630
230 70 90 660
500 250 0 750
800 750
660
Pendiente= (ganancia
630
cuando ld= 200)-(ganancia
cuando ld=140)/ (200-140)
140 230 500
400 Rhs
200 400 600
Mg. Ing. Juan C. Ubillus C.
Precio sombra (precio dual)=pendiente
El precio sombra de R1 es valido en un intervalo [140,500].

„ Por cada hora adicional de mano de obra

disponible en el departamento de ensamblaje
(R1) por encima del valor de 140 horas y hasta
500 horas,el margen de beneficio se
incrementa en 1/3 de $ 100 = $33.33
Pendiente = precio sombra del recurso =
(ganancia de ld= 200)-(ganancia de ld=140) / (200-140)
= (650 – 630) / (200-140) = 20/60= 1/3 de cien dólares
= $ 33.33
Mg. Ing. Juan C. Ubillus C.
 Análisis de Sensibilidad.
Otro ejemplo.
Solución óptima (x1,x2)=(200,200); Z=1400
Max 3x1 + 4x2
R1 St: 2x1 + 2x2 <= 800
400 x1 + 2x2 <= 600
x1,x2 >= 0
R2

200
R3

200 400 600

Mg. Ing. Juan C. Ubillus C.
Análisis de Sensibilidad

A partir de la resolución gráfica del problema se

tiene:
Solución óptima : x1*= 200 ; x2*= 200
Valor óptimo : z = z(200,200)
z = 3(200)+4(200)=1400
El análisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:

Mg. Ing. Juan C. Ubillus C.

 Análisis de sensibilidad.

a) ¿Cuál es el intervalo de variación de algún

coeficiente de la función objetivo, de manera tal que
la actual solución siga siendo la óptima?
Siendo z = c1x1+c2x2
La solución óptima de la nueva función seguirá
siendo: x1*= 200 ; x2*= 200 si:

− c1 1
− 1≤ ≤−
c2 2

Mg. Ing. Juan C. Ubillus C.

 Análisis de sensibilidad. Intervalos de
sensibilidad de los coeficiente de la F.O.

Se puede estudiar el intervalo de un sólo coeficiente,

dejando los demás parámetros fijos:

1 − c1
Intervalo C1:
− ≤ ≤ −1 ⇔ 2 ≤ c1 ≤ 4
2 4

−3 1
Intervalo C2: −1 ≤ ≤− ⇔ 3 ≤ c2 ≤ 6
c2 2

Mg. Ing. Juan C. Ubillus C.

Análisis de sensibilidad.

b) ¿ Cuál es el intervalo de variación del actual

valor óptimo de la función objetivo, si variamos en
una unidad algún coeficiente del lado derecho de las
restricciones ?
Se estudia por separado las variaciones de cada
uno de los coeficientes del lado derecho de las
restricciones, considerando preservar la geometría
del problema, lo cual implica que se conserven las
mismas restricciones activas de la solución óptima
inicial.

Mg. Ing. Juan C. Ubillus C.

 Rango de b.
Analizamos la primera Restricción.

La mayor variación del coeficiente del lado derecho se

alcanza en (x1,x2) = (0,400) ; con R1:2x1+2x2 =b
z(0,400) = 3(0)+ 4(400) =1600 ; b1* = 2(0)+2(400) = 800

La menor variación del coeficiente del lado derecho se

alcanza en: (x1,x2)=(400,0); con R2: x1+2x2 =b
z(400,0)= 3(400)+ 4(0)= 1200 ; b1 * =1(400) + 2(0) = 400

Mg. Ing. Juan C. Ubillus C.

 Precio sombra.

c) ¿ Cuál es el precio sombra del recurso ?

La pendiente del incremento dentro del rango es el
precio sombra ø, que indica el ratio o tasa de variación
de la función objetivo con respecto a la variación en una
unidad del lado derecho:

z (0,400) − z ( 400,0) 1600 − 1200

φ= = =1
b1 − b1
*
800 − 400
Determina en cuanto mejora la F.O. al incrementarse
una unidad del recurso analizado.
Mg. Ing. Juan C. Ubillus C.
ANÁLISIS PARAMETRICO.
DE LOS VALORES DEL LADO DERECHO

„ Mediante el Análisis de Sensibilidad estamos

en capacidad de responder las preguntas del
tipo Qué sucede si?, pero siempre y cuando los
cambios en los coeficientes se encuentren
dentro del intervalo de sensibilidad.

„ Sin embargo cuando dichos cambios están

fuera del citado intervalo se requiere del
Análisis Paramétrico.
Mg. Ing. Juan C. Ubillus C.
ANÁLISIS PARAMETRICO.
DE LOS VALORES DEL LADO DERECHO

„ Por ejemplo: Si ampliamos la cantidad de

equipos para un determinado proceso, y/o si
aumentamos la cantidad de mano de obra
en otro determinado proceso; entonces se
podrían producir cambios fuera de los
citados rangos, lo cual implica efectuar el
Análisis Paramétrico.
„ 2x1 + x2 <= 120
„ 2x1 + x2 <= 130
„ 2x1 + x2 <= 1
Mg. Ing. Juan C. Ubillus C.
Análisis Paramétrico:

„
„ Permite determinar como cambia el valor
optimo de la función objetivo ante cualquier
cambio en los coeficientes del lado derecho
de alguna de las restricciones de recursos .
„ Qué sucede con los beneficios totales si en
el departamento de ensamble se decide
reducir as horas de trabajo con dos
trabajadores a tiempo completo y uno de
tiempo parcial de 30 horas semanales?

Mg. Ing. Juan C. Ubillus C.

Análisis Paramétrico:

„ La línea de R1 se mueve paralela en

este caso hacia el origen. Mientras el
vl ld de R1 no disminuya debajo de 140
la solución optima es determinada por
la intersección de R1 y R2 y el precio
sombra con valor 1/3 representa como
cambia el valor optimo de la función
objetivo dentro de ese rango.

Mg. Ing. Juan C. Ubillus C.

Análisis Paramétrico:

„ Pero, para un valor por debajo de 140,

entonces el cambio en el margen de
ganancia por unidad de cambio muestra
la solución que se determina por la
intersección de R1 y R3 en lugar de R2 y
R1.
„ Por lo tanto el precio sombra cambia en
ese punto.

Mg. Ing. Juan C. Ubillus C.

Análisis Paramétrico:

„ Si la R1 disminuye 15 horas por debajo de

140, entonces el valor optimo de la f.o. es:
„ Ganancia semanal =
ganancia en 140 horas – precio sombra *
numero de horas por encima de 140
= 630-1.5*15

Mg. Ing. Juan C. Ubillus C.