Historia de la Programacin Lineal

Ao de la Diversificacin Productiva y del Fortalecimiento

en Per
de la Educacin

Alumno: Cruz Lpez Luis Ivn

Docente: Ing. Vlchez Baca Herbert Antonio Curso: Investigacin de Opera

ndice
Contents
PROGRAMACION LINEAL................................................................................2
PROGRAMACIN LINEAL..............................................................................2
2. HISTORIA................................................................................................. 2
2.1 Datos de entrada:..............................................................................4
2.2. Variables:.......................................................................................... 4
2.3. Funcin objetivo:............................................................................... 4
2.4 Restricciones:..................................................................................... 5
3. USO DE LA PROGRAMACION LINEAL EN EL PERU.......................................6
4. APLICACIONES............................................................................................ 7
5. HIPOTESIS.................................................................................................. 8
5.1. HIPOTESIS 1 DE PROGRAMACIN LINEAL:.........................................8
5.2. HIPTESIS 2 DE PROGRAMACIN LINEAL:.........................................8
BIBLIOGRAFIA............................................................................................... 15
TAREA ALTERNATIVA 4.................................................................................. 16

PROGRAMACION LINEAL
PROGRAMACIN LINEAL

La programacin lineal es un procedimiento o algoritmo

matemtico mediante el cual se resuelve un problema
indeterminado, formulado a travs de un sistema de
inecuaciones lineales, optimizando la funcin objetivo,
tambin lineal.

2. HISTORIA

Para el desarrollo sobre la historia de la Programacin lineal

se ha utilizado los aportes de Taborda (2010) y Coronado
(2012) a fin de conocer y valorar el origen de la P.L. y su
influencia en la historia de este siglo. En el siglo XVII y XVIII,
Newton, Leibniz, Bernouilli y La Grange estudiaron los
mximos y mnimos de las funciones al estudiar el clculo
infinitesimal, luego, Jean Baptiste Joseph Fourier (17681830) estudi imprecisamente, el mtodo de P.L. y resolvi
sistemas lineales de inecuaciones con el mtodo de
eliminacin llamado: Fourier Motzkin. Finalmente, en 1776
el matemtico Gaspar Monge (1746- 1818) se interes en
realizar estudios sobre P.L. En cuanto al estudio de
fundamentos matemticos en P.L. estos se deben al
matemtico John Von Neuman (1903- 1957), quien en el
ao 1928, public su famosa teora de Juegos, este
matemtico realiz conjeturas sobre la equivalencia de los
problemas de P.L. y la teora de matrices. En los aos 1941
y 1942 el ruso Leonidas Vitalyevich Kantarovitch formula el
problema de transporte al que se le llam problema de
Koopmans y Kantarovitch, luego Stigler estudi otro
problema particular llamado problema del rgimen
alimenticio ptimo. Posteriormente, en 1946 el mundo vivi
las consecuencias de la guerra fra, ah apareci George
Dantzig quien en 1947 public el mtodo simplex y le di
un mayor impulso al estudio de la P.L., el cual estaba
estrechamente ligado a estrategias militares y aos ms
tarde usara modelos de ordenadores de la IBM.

Dantzig junto a una serie de investigadores del United

States Department of Air Force, forman el grupo llamado
SCOOP cuyas iniciales proviene de la palabra: Scientific
Computation of Optimum Programs, y aplicaron dicho
mtodo en el famoso puente areo de Berln. Este episodio
se dio cuando Stalin orden a sus tropas que el 24 de Junio
de 1948 bloquearan las comunicaciones terrestres entre las
zonas alemanas que quedaron en poder de los aliados con
la ciudad de Berln occidental, iniciando de esta manera el
bloqueo de Berln. Los aliados slo tenan dos caminos, el
primero era romper con este bloqueo empleando la fuerza,
el segundo camino era hacerlo por el aire. As fue que el
poder americano se demostr en 1948 cuando se puso un
puente areo entre las zonas alemanas con la ciudad de
Berln transportando en Diciembre de 1948 la cantidad de
4500 toneladas de productos por da y luego en Marzo de
1949 llegaron a 8000 toneladas por da igualando de esta
manera el equivalente por tierra (carretera y ferrocarril) que
existi antes del corte de las comunicaciones. El mtodo de
Programacin Lineal era hasta 1948 un secreto militar
donde se utilizaba en la planificacin de suministros, pero
durante la guerra fra se us para poder suministrar a la
ciudad de Berln con alimentos, combustible y otros
suministros que ya no tenan por el bloqueo terrestre.
Finalmente, el 12 de Mayo de 1949 los soviticos levantaron
el bloqueo. En la postguerra la mayora de las industrias a
nivel mundial utilizaron este mtodo de P.L., en la
planificacin diaria de trabajo, porque se detect que
exista una eficaz coordinacin entre las energas y recursos
de la nacin y que la solucin a esta complejidad pasaba
necesariamente por los modelos de optimizacin que
resuelve la P.L. Como lo mencionamos en el capitulo
anterior en 1958 el mtodo de P.L. se aplic a un problema
concreto: el clculo del plan ptimo de transporte de arena

de la construccin de las obras de edificacin de la ciudad

de Mosc. Se trataba de un problema con 10 puntos de
partida diferente y 230 puntos de llegada, se calcul el plan
ptimo de transporte con el ordenador Strena y durante el
transcurso de 10 das del mes de Junio se observ una
disminucin del 11 % en los gastos previstos en el
transporte con el uso de la P.L. y el ordenador Strena,
existiendo en forma generalizada una disminucin
porcentual del Producto Bruto Interno de un pas.

En 1984, el matemtico Hind Narendra Karmarkar

introduce el mtodo de punto interior para resolver
problemas de P.L. con un gran nmero de variables.
Finalmente, los problemas de P.L., pueden tener cuatro
principales tipos de enfoques: El de insumo producto de W.
Leontiez, el problema de la dieta de Stigler, el problema del
transporte de Hitchcock y el mtodo Simplex en industrias y
negocios de George Dantzig.

La programacin lineal es una tcnica matemtica

relativamente reciente (siglo XX), que consiste en una serie
de mtodos y procedimientos que permiten resolver
problemas de optimizacin en el mbito, sobre todo, de las
Ciencias Sociales.

El objetivo es siempre optimizar una funcin objetivo de dos

o ms variables, con unos datos de entrada y unas
restricciones que las variables de la funcin objetivo deben
cumplir. La estructura del programa matemtico es:

Son los datos que se pueden conocer de

la realidad y que son necesarios para la posterior resolucin
del modelo matemtico.
2.1 Datos de entrada:

Son los elementos que definen la solucin y en

consecuencia su valor es al principio desconocido. En el
caso del presente trabajo, se trata con variables enteras y
reales, de modo que
2.2. Variables:

se trata de problemas de programacin lineal entera y

mixta (PLEM).

Es el objetivo del problema, es decir

aquello que se quiere maximizar o minimizar. Se trata de
una funcin lineal.
2.3. Funcin objetivo:

Son las exigencias de la realidad que

limitan y definen el valor de las variables. Son funciones
lineales.
2.4 Restricciones:

El enorme nmero de variables y restricciones utilizadas

obliga a que se deban utilizar metodologas derivadas del
procedimiento de branch and bound para resolver los
modelos en un perodo razonable de tiempo. Este
procedimiento de ramificar y acotar sin calcular el total de
Soluciones posibles, es capaz de alcanzar soluciones muy
vlidas, que mejoran cuanto ms tiempo de clculo le es
permitido e incluso.

Con el tiempo suficiente, se alcanza el valor ptimo de la

solucin.
Los problemas tratados se resuelven con un software
especializado: ILOG. ste combina dos programas
conectados entre s: CPLEX

(Motor de resolucin que ejecuta el cdigo desarrollado en

el OPL y resuelve el modelo)
y OPL (en el que se escribe el modelo con el lenguaje de
programacin).
.

3. USO DE LA PROGRAMACION LINEAL EN EL PERU

Desde los primeros aos de la dcada del 60 diversas
empresas y entidades han aplicado la programacin lineal
para la toma de decisiones en problemas especficos. La
utilizacin de este resolver tcnica ha sido sistematizada
unos casos y puntual en otros.
Cabe sealar tambin varias filiales de empresas
extranjeras que operan en el pas, hacen resolver en su
sede central los problemas que afrontan sus operaciones en
el Per, usando tambin la programacin lineal.
El problema de la resolucin de un sistema lineal de
inecuaciones se remonta, al menos, a Joseph Fourier,
despus de quien nace el mtodo de eliminacin de FourierMotzkin.
Los fundadores de la tcnica son George Dantzig, quien
public el algoritmo simplex, en 1947, John von Neumann,
que desarroll la teora de la dualidad en el mismo ao, y
Leonid Kantorvich, un matemtico ruso, que utiliza
tcnicas similares en la economa antes de Dantzig y gan

el premio Nobel en economa en 1975. En 1979, otro

matemtico ruso, Leonid Khachiyan, dise el llamado
Algoritmo del elipsoide, a travs del cual demostr que el
problema de la programacin lineal es resoluble de manera
eficiente, es decir, en tiempo polinomial.2 Ms tarde, en
1984, Narendra Karmarkar introduce un nuevo mtodo del
punto interior para resolver problemas de programacin
lineal, lo que constituira un enorme avance en los
principios tericos y prcticos en el rea.
El ejemplo original de Dantzig de la bsqueda de la mejor
asignacin de 70 personas a 70 puestos de trabajo es un
ejemplo de la utilidad de la programacin lineal. La potencia
de computacin necesaria para examinar todas las
permutaciones a fin de seleccionar la mejor asignacin es
inmensa (factorial de 70, 70!) ; el nmero de posibles
configuraciones excede al nmero de partculas en el
universo. Sin embargo, toma slo un momento encontrar la
solucin ptima mediante el planteamiento del problema
como una programacin lineal y la aplicacin del algoritmo
simplex. La teora de la programacin lineal reduce
drsticamente el nmero de posibles soluciones ptimas
que deben ser revisadas.
4. APLICACIONES
La programacin lineal constituye un importante campo de
la optimizacin por varias razones, muchos problemas
prcticos de la investigacin de operaciones pueden
plantearse como problemas de programacin lineal.
Algunos casos especiales de programacin lineal, tales
como los problemas de flujo de redes y problemas de flujo
de mercancas se consideraron en el desarrollo de las
matemticas lo suficientemente importantes como para
generar por si mismos mucha investigacin sobre
algoritmos especializados en su solucin. Una serie de
algoritmos diseados para resolver otros tipos de
problemas de optimizacin constituyen casos particulares

de la ms amplia tcnica de la programacin lineal.

Histricamente, las ideas de programacin lineal han
inspirado muchos de los conceptos centrales de la teora de
optimizacin tales como la dualidad, la descomposicin y la
importancia de la convexidad y sus generalizaciones. Del
mismo modo, la programacin lineal es muy usada en la
microeconoma y la administracin de empresas, ya sea
para aumentar al mximo los ingresos o reducir al mnimo
los costos de un sistema de produccin. Algunos ejemplos
son la mezcla de alimentos, la gestin de inventarios, la
cartera y la gestin de las finanzas, la asignacin de
recursos humanos y recursos de mquinas, la planificacin
de campaas de publicidad, etc.
Otros son:

Optimizacin de la combinacin de cifras comerciales

en una red lineal de distribucin de agua.

Aprovechamiento ptimo de los recursos de una

cuenca hidrogrfica, para un ao con afluencias
caracterizadas por corresponder a una determinada
frecuencia.

Soporte para toma de decisin en tiempo real, para

operacin de un sistema de obras hidrulicas;

Solucin de problemas de transporte.

5. HIPOTESIS
5.1. HIPOTESIS 1 DE PROGRAMACIN LINEAL:

DIVISISILIDAD: Todas las variables pueden asumir cualquier

valor real.
Si las variables solo tienen sentido en el caso de tomar
valores discretos pero tomar un valor real elevado (superior
a 10) en la solucin ptima, es aceptable considerarlas
como continuas y redondear su valor

Muchas actividades en el mundo real pueden variar de

forma continua, es decir son divisibles infinitamente. Por
ejemplo, la cantidad de carbn quemado por hora puede
ajustarse a cualquier valor dentro de unos lmites
razonables. Sin embargo, hay actividades reales que slo
pueden tomar valores enteros, por ejemplo el nmero de
viajes de carbn necesarios para trasladar cierta carga de
un lugar a otro o el nmero de equipos informticos que
debe adquirir una empresa.
Si la actividad real no es divisible de forma infinita; pero el
nivel normal de actividad es un nmero grande, las
condiciones de divisibilidad pueden servir como una
aproximacin conveniente. En general, esto significa que el
valor de la solucin es de decenas o mayor. Los valores
fraccionarios tan slo se redondean al entero ms cercano.
Por el contrario, si el nivel normal de actividad es
relativamente pequeo, digamos menor que 10, se necesita
recurrir a la programacin entera.

5.2. HIPTESIS 2 DE PROGRAMACIN LINEAL:

CONDICIONES DE NO NEGATIVIDAD: Todas las variables son

no negativas
Esta hiptesis refleja la naturaleza de la mayora de as
actividades del mundo real; donde rara vez tiene sentido,
dentro de un contexto econmico o de ingeniera, hablar de
niveles negativos de actividad. Sin embargo, esta
consideracin no significa una prdida de generalidad.
Cualquier nmero (positivo, cero o negativo) puede
expresarse como la diferencia algebraica de dos nmeros
no negativos. Si una actividad puede ocurrir tanto en
niveles negativos como positivos (por ejemplo, comprar o
vender bonos), se introducen dos variables para esta
actividad, X+ para niveles no negativos, y X- para niveles
no positivos. Su diferencia X = X + X- representa el nivel
real de la actividad. Mediante este artificio tanto X+ como

X- estn restringidas a ser no negativas y son las llamadas

variables irrestrictas o libres. De hecho, el software de
optimizacin suele permitir al usuario definir directamente
este tipo de variables como libres e interpretando que su
rango de variacin est entre menos y ms infinito.
b) Funcin objetivo
El objetivo de la gerencia consiste en maximizar la
produccin de electricidad de la planta. Ya que la
electricidad se produce mediante vapor y existe una
relacin directa entre la produccin de vapor y la de
electricidad, el maximizar a produccin de vapor es
equivalente a maximizar la produccin de electricidad. Por
lo tanto, puede replantearse el objetivo de la gerencia como
"encontrar la combinacin de combustibles que maximice
a produccin de vapor".
5.3. HITPOTESIS 3 DE PROGRAMACION LINEAL:
LINEALIDAD: Todas las relaciones entre variables son
lineales
En programacin lineal esto implica:

Proporcionalidad de las contribuciones. La contribucin

individual de cada variable es estrictamente proporcional a
su valor; y el factor de proporcionalidad es constante para
toda la gama de valores que la variable puede asumir.

Actividad de las contribuciones. La contribucin total

de las variables es igual a la suma de las contribuciones
individuales, sea cual sea el valor de las variables.

Una relacin tal corno Z= 5X1 + 3 X1 + 2 X2 o Z = 24 X1 +

20 X2 para X1 < = 5 y 10 + 22 X1 + 20 X2 para X1 > 5
violara la condicin de proporcionalidad; mientras que Z =
24 X1 para X2 = 0, 20 X2 para X1 =0 y 22 X1 18 X2 para
X1 > O y X2> O violarla la actividad.

La hiptesis 3 implica beneficios constantes a escala e

impide economas y deseconomas de escala. En la prctica
esta condicin posiblemente no se cumpla con exactitud;
en particular para valores muy pequeos o muy grandes de
actividad. Sin embargo, si se cumple en forma aproximada
dentro del intervalo normal de los valores de solucin, es
posible emplear el modelo de programacin lineal como
una buena aproximacin. Esta consideracin tambin
excluye el problema de los costes fijos cuando se presentan
para valores positivos de la actividad, pero no para niveles
cero.
Adems de las condiciones de no negatividad, los niveles
de actividad deben de cumplir ciertas restricciones que
pueden ser de naturaleza fsica, econmica o legal.
c) Restricciones
C1. Restriccin de la emisin de partculas
La cantidad mxima de emisin de humo por hora en una
planta est limitada a 12 kg. De acuerdo con la tabla 2.I,
cada tonelada de carbn A produce 0.5 kg de humo y cada
tonelada de carbn B produce 1 kg de humo. Si la planta
quema X1 ton de carbn A y X2 de B2 la cantidad de humo
total emitida a partir de ambos tipos de carbn es igual a su
suma, que no puede exceder de 12 kg/h.

(2) 0.5X1 + X2 <=12

Los coeficientes de las variables en las restricciones se

denominan coeficientes tcnicos y al segundo miembro de
la desigualdad o trmino independiente se conoce como
coeficiente del segundo miembro o parmetro del lado
derecho de la restriccin (en el software RHS -Right-Hand
Side).
C2 Restriccin de las instalaciones de carga.

El sistema de cinta transportadora que traslada el carbn

de los depsitos al pulverizador tiene una capacidad de 20
ton/h. Por lo tanto, la restriccin de carga seria:

(3) X1+X2<=2

C3 Restriccin de la capacidad del pulverizador

La capacidad del pulverizador es de 16 ton/h para el carbn
A o de 24 ton/h para el carbn B. En otras palabras, tarda
1116 h en pulverizar una tonelada de carbn A y 1124 h en
pulverizar una tonelada de carbn B. Si la solucin exige
una combinacin de ambos tipos de carbn, el tiempo que
se tardar en pulverizar una mezcla de X1 ton de A y X2 de
B es (1/16) X1 + (1/24)X2. Son admisibles slo aquellas
combinaciones de X1 y X2 que requieran cuando ms 1h.
Por lo tanto la restriccin del pulverizador es:

Obsrvese la forma en que se ha superado la dificultad

presentada por las diferentes tasas mximas. Estas tasas se
han traducido a tiempos necesarios por tonelada y
expresan la restriccin en trminos de tiempo en vez de
capacidad.
C4 Restriccin de la emisin de xido de azufre
La emisin mxima de xido de azufre no debe exceder de
3000 PPM en ningn momento. Dado que los dos tipos de
carbn se queman en forma simultnea, se considera que
la combinacin de X1 tan de carbn A, y X2 ton de carbn B
por hora, alimenta a la cmara de combustin corno una
mezcla homognea.
El X1/(X1 + X2) de la mezcla es carbn A con una tasa de
emisin de xido de azufre de 1800 PPM y X2(X1 + X2) de
dicha mezcla es carbn B, con una tasa de emisin de 3800
PPM. La tasa de emisin de la mezcla es igual al promedio
ponderado de las tasas individuales de emisin; en el que
sirven como ponderaciones las fracciones utilizadas de cada

carbn. Este promedio ponderado no puede exceder de

3000 PPM:

Multiplicando a ambos lados de la desigualdad por (X1 +

X2) y reordenando trminos, se obtiene la restriccin:
5.4.
HIPTESIS
CERTIDUMBRE

DE

PROGRAMACIN

LNEAL:

Se asume que todos los parmetros del modelo cj aj y bj

son constantes conocidas.
Regin factible, solucin grfica y variables holgura
Para que una solucin sea admisible la combinacin de
niveles de actividad debe satisfacer en forma simultnea
todas las restricciones, incluyendo las condiciones de no
negatividad. A tal solucin se le denomina solucin factible
para el problema. El conjunto de todas las soluciones
factibles forma la regin factible o conjunto de soluciones
posibles. Obsrvese en la figura 2.2 que el conjunto de
soluciones posibles no depende de la funcin objetivo. sta
es una interesante propiedad de la mayora de los modelos
de
Investigacin
Operativa
y
tiene
importantes
consecuencias sobre el mtodo de resolucin y las
propiedades de la solucin ptima.
Si la frontera de una restriccin no tiene puntos en comn
con la regin factible, entonces esta restriccin es
redundante y puede eliminarse en consideraciones
posteriores, ya que nunca limitar los valores de las
variables. Existe alguna restriccin redundante en nuestro
problema?.
En la prctica, cuando un problema tiene cientos de
restricciones y cientos de variables rara vez es posible
identificar si una restriccin es redundante o no. Por
fortuna, el algoritmo de resolucin conocido como mtodo

simplex funciona eficientemente, aunque el planteamiento

contenga restricciones redundantes.
Como el objetivo es maximizar fa produccin de vapor de la
planta, tendremos que determinar la recta ms alta que
contenga al menos una solucin posible. Dicha recta es la
que corresponde a Z = 408 y los niveles de actividad de las
variables en la solucin ptima son de X1 = 12 y X2 = 6
como puede observarse en la figura 2.3. Una combinacin
de 12 toneladas de carbn A y 6 toneladas de carbn B por
hora maximiza la produccin de vapor de la planta dentro
de las restricciones fsicas y legales impuestas a las
variables.
Desde el punto de vista intuitivo, parece obvio que la
solucin ptima siempre ocurrir en fa frontera de la regin
factible, ya sea en un punto extremo o en un lado del
polgono. Como se ver en el anlisis de sensibilidad, es la
pendiente de la funcin objetivo la que determina en qu
parte de la frontera estar situada la solucin ptima.
Si el problema exigiera la minimizacin de la funcin
objetivo en que forma cambiara el procedimiento grfico
para encontrar la solucin ptima? Por ejemplo, se desea
determinar la solucin de coste mnimo para obtener una
produccin de vapor de, al menos, 216 unidades por hora y
que el coste por tonelada es de 24 $ para el carbn A y de
15 para el B. Plantea y resuelve este, problema de forma
grfica.
En sntesis, podemos afirmar que una solucin ptima es
una solucin factible con el mejor valor de la funcin
objetivo. El mejor valor o el valor ms favorable de la
funcin objetivo ser el ms grande en los problemas de
maximizacin o el ms pequeo en los problemas de
minimizacin.
No todos los problemas de programacin lineal tienen
finales felices. Por una parte, puede ocurrir que las

restricciones sean inconsistentes en el sentido de que no

exista ninguna solucin factible. Y por otra, la regin
factible puede estar abierta en alguna direccin de manera
que la funcin objetivo pueda incrementarse de forma
indefinida y no exista solucin finita (la solucin es no
acotada). Estos casos son poco frecuentes en la prctica. A
menudo, tales soluciones son el resultado de errores o de
representaciones incorrectas en la formulacin matemtica.
Por tanto, al resolver un programa lineal podemos
encontrarnos con cuatro casos:

Solucin nica.

soluciones alternativas (infinitas soluciones). En un

modelo con dos variables ocurre siempre que la funcin
objetivo corta al conjunto factible en un lado del polgono,
para el mejor valor de la misma. En la prctica veremos
temas posteriores cmo es un caso mucho ms frecuente
de lo que a priori pudiramos pensar.

No hay solucin, porque ninguna combinacin de

variables cumple todas las restricciones.

Solucin no acotada.

Para cualquier solucin factible, la diferencia entre el valor

que toma la restriccin y el coeficiente del segundo
miembro se denomina holgura (para desigualdades<=) o
exceso (para desigualdades >=). A menudo, resulta
conveniente mostrar de manera explcita esta diferencia,
introduciendo una variable adicional en cada restriccin. A
estas variables se les denomina variables de holgura o de
exceso. Por conveniencia, se suele utilizar el trmino de
variables de holgura para ambas. Tales variables estn
sujetas a las mismas consideraciones de divisibilidad y no
negatividad que las variables decisin. Entonces cada
restriccin se convierte en una igualdad.

BIBLIOGRAFIA
Investigacin De Operaciones - Richard Bronson
Formulacin y Resolucin de Modelos de Programacin
Matemtica en Ingeniera y Ciencia - Enrique Castillo

Investigacin de operaciones en la ciencia administrativa

Eppen
Investigacin de Operaciones - Hamdy Taha
Investigacin de Operaciones - Francisco Chediak
Investigacion de Operaciones-Enrique Castillo, Ricardo
Garca, Antonio J. Conejo, Pablo Regal y Natalia Alguacil.
Investigacin De Operaciones- Hillier, Frederick S.

TAREA ALTERNATIVA 4
Se tiene un compromiso de negocios por cinco semanas entre Lima
(L) y Bogot (B). Vuela hacia Bogot el lunes y regresa a Lima el
mircoles. Un boleto normal de viaje redondo cuesta $400, pero se
ofrece un descuento del 20% si las fechas del boleto abarcan un fin
de semana. Un boleto simple en cualquier direccin cuesta 75% del
precio normal. Cmo debe comprar los boletos para reducir el costo
del traslado para el periodo de cinco semanas?

Podemos considerar la situacin como un problema de toma

de decisiones, cuya solucin requiere responder tres
preguntas:
. Cules son las alternativas de decisin?
2. Conforme a qu restricciones se toma la decisin?
3. Cul es el criterio objetivo apropiado para evaluar las alternativas?

Se consideran tres alternativas razonables:

1 Comprar cinco boletos normales L B - L para salir el lunes y
regresar el mircoles de la misma semana.
2 Comprar un boleto L - B, cuatro B L - B que abarquen fines de
semana, y uno B - L.
3 Comprar un boleto L B - L para el lunes de la primera semana
y el mircoles de la ltima semana, y cuatro B L - B para los
viajes restantes. Todos los boletos en esta alternativa cubren
por lo menos un fin de semana.
La restriccin en estas opciones es que pueda salir de L el lunes y
regresar el mircoles de la misma semana.

Un criterio objetivo obvio para evaluar la alternativa propuesta es el

precio de los boletos. La alternativa que d el costo mnimo ser la
mejor.
Solucion:

Costo alternativa 1=5x400= $ 2000

Costo alternativa 2 =7.5x400+4x(8x400) +0.75x400= $1880
Costo Alternativa 3 =5x(0.8x400)=$1600
Costo Alternativa 4= 400x2+3x(0.8x400)= $1760

Cruz Lpez Luis Ivn