Libro Apoyo Cuantitativo

2022
Apoyo Cuantitativo
a las Decisiones
Claudia E. Carignano
Sexta Edición
Catalina L. Alberto
ISBN: 978-987-3840-92-0
APOYO CUANTITATIVO
A LAS DECISIONES
SEXTA EDICIÓN
CLAUDIA CARIGNANO
CATALINA LUCÍA ALBERTO
Prólogo
El proceso de toma de decisiones ha evolucionado en las últimas décadas

en el sentido de convertirse en una actividad racional en la que quien
decide debe tener un conocimiento claro de las alternativas factibles y de
los resultados asociados. Si bien todas las decisiones pueden tomarse
apelando a la intuición, es indudable que los resultados pueden ser
significativamente superiores si se complementa la intuición con la
construcción de modelos cuantitativos y, mucho más aún, si se tiene en
cuenta que, como consecuencia de los avances de la informática, estos
modelos resultan herramientas accesibles de apoyo a las decisiones en
todo tipo de organizaciones.
Esta obra tiene un enfoque teórico-práctico. Por una parte, se exponen

los fundamentos teóricos de los modelos y, por otra, se facilitan los
medios para que cada lector o lectora pueda iniciarse en la aplicación de
los diferentes métodos.
El texto está dirigido a estudiantes de carreras universitarias de grado

relacionadas con las ciencias económicas y las ingenierías. Para su
lectura, se requieren nociones de álgebra, estadística y probabilidad.
No podemos finalizar este prólogo sin expresar nuestro reconocimiento a

las distintas personas que, de una u otra manera, han contribuido a que
esta obra sea una realidad, a estudiantes y colegas docentes que han
utilizado la edición anterior y nos aportaron innumerables sugerencias.
Especialmente, hacemos extensivo nuestro agradecimiento a Mariana
Guardiola por su invalorable participación en la elaboración del capítulo
referido a conocimientos básicos previos.
Las autoras
Acerca de las autoras
CLAUDIA ETNA CARIGNANO

Claudia Carignano es Profesora Titular por concurso de las asignaturas
Investigación Operativa y Sistemas de Gestión de la carrera de Ingeniería
en Sistemas de Información de la UTN Facultad Regional Córdoba;
Profesora Asociada por concurso en Métodos Cuantitativos para la Toma
de Decisiones e Investigación Operativa en la Facultad de Ciencias
Económicas de la Universidad Nacional de Córdoba; Profesora del
posgrado de Especialización en Costos para la Gestión desarrollado por el
IAPUCO (Instituto Argentino de Profesores Universitarios de Costos) y en
la maestría en Contabilidad de la Universidad Católica de Córdoba, en la
asignatura Métodos Cuantitativos de Gestión.
Obtuvo su título de grado de Contadora Pública en la Universidad Nacional
de Córdoba. Es Especialista en Enseñanza de la Educación Superior, título
otorgado por la Universidad Católica de Cuyo; y se graduó de Magíster en
Planificación y Gestión Educacional en la Universidad Diego Portales de
Chile.
Posee una amplia trayectoria en investigación, cuya principal línea está
relacionada a la toma de decisiones con objetivos múltiples. Es coautora
de cinco libros, todos sobre la temática de la toma de decisiones, y de
numerosos artículos científicos publicados en revistas de la especialidad.
CATALINA LUCÍA ALBERTO
Catalina Lucía Alberto es Doctora en Ciencias Económicas de la

Universidad Nacional de Córdoba. En esa Casa de estudios es Profesora
Titular en la cátedra de Métodos Cuantitativos para la Toma de Decisiones
y Profesora en la carrera de Doctorado de la misma unidad académica.
Posee una amplia trayectoria en investigación. Es coautora de cuatro
libros, además de numerosos capítulos de libros y artículos científicos
publicados en revistas de la especialidad. Su principal línea de
investigación está relacionada con la eficiencia técnica y medidas no
paramétricas de evaluación.
Ostenta Categoría I en el Programa de Docentes Investigadores de la
Secretaría de Políticas Universitarias. Participa como evaluadora en la
Comisión Nacional de Evaluación y Acreditación Universitaria y en la
Secretaría de Ciencia y Tecnología de la Universidad Nacional de Córdoba.
Además, fue elegida vicedecana de la Facultad de Ciencias Económicas de
la Universidad Nacional de Córdoba durante el período 2018-2021.
Índice
CAPÍTULO 1 - INTRODUCCIÓN
1. Introducción 13
2. Breve historia de la Investigación Operativa 14
3. Los modelos utilizados en Investigación Operativa 16
4. Clasificación de los modelos 18
5. Limitaciones de los modelos matemáticos 19
6. Metodología científica 20
7. Diferentes tipos de Investigación Operativa 22
CAPÍTULO 2 - EL PROCESO DE DECISIÓN

1. Introducción 25
2. Decisión y universo 26
3. Decisiones bajo condiciones de certeza o universo cierto 27
4. Decisiones bajo riesgo o universo aleatorio 28
5. Decisiones bajo condiciones de incertidumbre o universo 30
incierto
6. Árboles de decisión 35
7. Decisiones bajo conflicto o juegos de estrategia 38
Actividades de autoexamen 45
CAPÍTULO 3 - PROGRAMACIÓN LINEAL

1. Introducción 51
2. Modelo matemático general de la programación lineal 54
3. Método gráfico para resolver programas lineales 56
4. Conceptos básicos 62
5. Consideraciones respecto al conjunto de soluciones 64
6. Teoremas de combinaciones lineales convexas de 65
soluciones factibles
7. Método simplex 68
8. Técnica de la base artificial 80
9. Casos particulares 84
10. Interpretación económica de la tabla simplex 89
Anexo 1: Modelo de programación matemática 94
Anexo 2: Teorema que fundamenta el método simplex 95
CAPÍTULO 4 - DUALIDAD Y SENSIBILIDAD EN PL

1. Introducción 109
2. La dualidad en la programación lineal 109
3. Análisis de sensibilidad 114
3.1. Una visión gráfica 115
3.2. Análisis de los intervalos de sensibilidad 119
3.3. Cálculo de los intervalos de sensibilidad 120
CAPÍTULO 5 - TRANSPORTE, TRANSBORDO Y ASIGNACIÓN

2. El problema del Transporte 145
3. El problema de Asignación 156
4. El problema de Transbordo 162
5. Comentario respecto a las variables de estos problemas 166
6. El problema de flujo máximo 166
CAPÍTULO 6 - PROGRAMACIÓN LINEAL ENTERA

2. Relajación lineal 173
3. Soluciones enteras vs. soluciones redondeadas 174
4. Método de ramificación y acotamiento 177
5. Uso de variables binarias 181
6. Ejemplo de planificación de personal 185
7. Análisis de sensibilidad en programas lineales enteros 186
CAPÍTULO 7 - PROGRAMACIÓN DINÁMICA

2. Metodología 192
3. Características comunes 197
4. Conceptos importantes 198
5. Otras aplicaciones 199
CAPÍTULO 8 – PROGRAMACIÓN NO LINEAL

2. Características generales 218
3. Tipos de problemas no lineales 220
4. Multiplicadores de Lagrange 224
5. Algunos ejemplos de PNL 225
6. Métodos de resolución 226
7. Modelo de selección de cartera de inversión 227
CAPÍTULO 9 – OPTIMIZACIÓN Y PLANIFICACIÓN CON GRAFOS

2. Conceptos básicos de la teoría de grafos 241
3. Caminos de valor mínimo 245
4. Árbol de expansión mínima 248
5. Programación y control de proyectos 252
6. Método de Camino Crítico 253
7. Caso en que la duración de las actividades es un tiempo 254
cierto
8. Caso en que la duración de las actividades son variables 262
aleatorias
9. Caso en que la duración de las actividades depende de los 266
recursos asignados
PÁGINA
CAPÍTULO 10 – ADMINISTRACIÓN DE INVENTARIOS

2. Clasificación ABC 288
3. Definición de la simbología a utilizar 290
4. Modelo 1 de universo cierto o modelo sin ruptura 291
5. Modelo 2 de universo cierto o modelo con ruptura 295
6. Relación entre el modelo 1 y el modelo 2 de universo cierto 299
7. Modelo con reabastecimiento uniforme 300
8. Nivel de reorden y stock de seguridad 304
9. Modelo con descuentos por compras en cantidades 310
10. Primer modelo de universo aleatorio 315
11. Segundo modelo de universo aleatorio 321
12. Caso con demanda aleatoria y nivel de reorden 325
13. Justo a tiempo 325
14. Planificación de requerimiento de materiales 326
CAPÍTULO 11 – MODELOS DE SIMULACIÓN

2. Concepto de simulación 335
3. Ventajas de la simulación 336
4. Etapas para realizar un estudio de simulación 337
5. Ejemplo de análisis de riesgo 337
6. Generación de variables aleatorias no uniformes 338
7. Algunos ejemplos de aplicación 349
8. Simulación de fenómenos de espera en filas 355
9. Ejemplos de simulación de colas 358
CAPÍTULO 12 – CONOCIMIENTOS BÁSICOS PREVIOS

1. Conocimientos básicos de matemática 373
2. Conocimientos básicos de estadística y probabilidad 396
CAPÍTULO 13 – RESPUESTAS A PROBLEMAS SELECCIONADOS 405
BIBLIOGRAFÍA CONSULTADA 431

CAPÍTULO 1
INTRODUCCIÓN
1. INTRODUCCIÓN
La evidente dificultad de tomar decisiones ha hecho que la humanidad se
aboque a la búsqueda de una herramienta o método que le permita tomar
las mejores decisiones de acuerdo con los recursos disponibles y los
objetivos que persigue. Si bien la experiencia e intuición resultan útiles
en muchas situaciones, cuando el problema a resolver es de naturaleza
compleja es conveniente recurrir a un proceso más racional que ayude a
tomar buenas decisiones.
Una decisión equivocada puede repercutir considerablemente en los
intereses y objetivos de una organización y, en ocasiones, pueden pasar
años para rectificar tal error. Cuando el problema es complejo, se requiere
que las decisiones sean eficientes, eficaces y que se tomen rápidamente,
pues el hecho de posponer una acción puede dar una desventaja decisiva
en el mundo de la competencia.
En muchas situaciones, por las características de los problemas a
resolver, se hace necesaria la participación de varias personas
especialistas, cuya visión multidisciplinaria facilitará el proceso de toma
de decisión.
En este contexto, la Investigación de Operaciones surge como una
metodología desarrollada para estudiar problemas de decisión de
naturaleza compleja. Su función es apoyar al tomador de decisiones
(quien está a cargo de la gerencia o de la administración, decisor),
proporcionándole información calificada para la formulación de políticas y
estrategias necesarias para la gestión.
DECISIÓN
Experiencia Metodología científica

Intuición Información calificada
TRADICIONAL RACIONAL
14 CAPÍTULO 1
La Investigación de Operaciones o Investigación Operativa (IO) se define

como “la aplicación del método científico a problemas relacionados con
las organizaciones o sistemas a fin de que se produzcan soluciones
racionales que sirvan a los objetivos de toda la organización”.
La IO se desarrolló a partir de los grandes éxitos obtenidos mediante su
aplicación a la resolución de problemas de organización militar durante la
Segunda Guerra Mundial. Cuando estas técnicas fueron introduciéndose
en el mundo de los negocios como ayuda a la toma de decisiones, se
comenzó a conocer con el nombre de Ciencia de la Administración
(Management Science), Ciencia de la Gestión o Métodos Cuantitativos. En
la actualidad, hay muy poca distinción entre estos términos y se usan
indistintamente.
Lawrence y Pasternak (1998) definen Investigación Operativa de una
forma generalista, pero a la vez completa en cuanto a lo descriptiva.
Según ellos, se trata de un enfoque científico para la toma de decisiones
ejecutivas que consiste en:
✓ el arte de modelar situaciones complejas,
✓ la ciencia de desarrollar técnicas de solución para resolver dichos
modelos y
✓ la capacidad de comunicar efectivamente los resultados.
Podríamos caracterizarla como una metodología de naturaleza
multidisciplinaria que, para su aplicación, requiere de objetividad,
racionalidad, creatividad y una actitud de cuestionamiento crítico
permanente.
2. BREVE HISTORIA DE LA INVESTIGACIÓN OPERATIVA

Si bien hay estudios relacionados con lo que hoy conocemos como IO
desde el siglo XVIII, existe consenso en ubicar los orígenes de la
Investigación Operativa en Gran Bretaña durante la Segunda Guerra
Mundial. Fue allí donde la administración militar encargó a un grupo de
científicos de distintas áreas el estudio de los problemas tácticos y
estratégicos asociados a la defensa del país durante el conflicto bélico
(despliegue de radares, manejo de operaciones de bombardeo, colocación
de minas). Se integraron grupos de trabajo compuestos por profesionales
en ingeniería, matemática, estadística, física, biología y psicología, entre
otros, para hacer una distribución racional de los recursos con los que
contaban. Sus esfuerzos fueron decisivos para ganar combates tan
importantes como la Batalla Aérea Británica, la Batalla del Atlántico Norte
y la Campaña de las Islas del Pacífico.
Con la motivación de los resultados alentadores obtenidos por los equipos
británicos, la administración militar de Estados Unidos comenzó a realizar
investigaciones similares. Para eso, reunieron a un grupo selecto de
especialistas, quienes empezaron a tener buenos resultados y, en sus
INTRODUCCIÓN 15
estudios, incluyeron problemas logísticos complejos, la planificación de

minas en el mar y la utilización efectiva del equipo electrónico.
Después de la guerra, estos éxitos atrajeron la atención de la industria,
que quería solucionar nuevos problemas causados por el aumento de la
complejidad de los procesos industriales y una mayor especialización en
los mismos, lo que creaba una posible incompatibilidad de objetivos.
Aunque se ha acreditado a Gran Bretaña la iniciación de la Investigación
Operativa como una nueva disciplina, los Estados Unidos tomaron pronto
el liderazgo en este campo rápidamente creciente. La primera técnica
matemática ampliamente aceptada en el medio de IO fue el método
simplex de programación lineal, desarrollado en 1947 por el matemático
norteamericano George B. Dantzig. Desde entonces, las nuevas técnicas
se han desarrollado gracias al esfuerzo y la cooperación de las personas
interesadas tanto en el área académica como en el área industrial.
Un segundo factor en el progreso impresionante de la IO fue el desarrollo
de la computadora digital que, con su enorme capacidad de velocidad de
cómputo, almacenamiento y recuperación de información, permitió tomar
decisiones con rapidez y precisión.
En el siguiente cuadro, se detallan los aportes de diversa autoría que se
consideran antecedentes de la IO.
ANTECEDENTES DE LA INVESTIGACIÓN OPERATIVA

AÑO AUTORÍA TÉCNICA DESARROLLADA
Modelos primarios de programación
1759 Quesnay
matemática
1873 Jordan Modelos lineales
Modelos primarios de programación
1874 Walras
matemática
1896 Minkowski Modelos lineales
1897 Markov Modelos dinámicos probabilísticos
1903 Farkas Modelos dinámicos probabilísticos
1906 Erlang Líneas de espera
1920-1930 Köning-Egerváry Asignación
1937 Morgestern Lógica estadística
1937 Von Neumann Teoría de juegos
1939 Kantoróvich Planificación en producción y distribución
1941 Hitchcock Transporte
1947 George Dantzig Método simplex
Año en que se dio inicio a la programación
y, con el uso de las computadoras,
1947
empezó a extenderse la Investigación de
Operaciones
16 CAPÍTULO 1
1950-1956 Kun-Tucker Programación no lineal

Introduce la notación para identificar los
1953 Kendall
sistemas de colas
1954 Lemke Desarrollo del simplex dual
1957 Markowitz Simulación y programación discreta
1957 Kelly y Walker Desarrollan el método CPM
1958 Bellman Programación dinámica
1958 Gomory Programación entera
1958 Arrow-Karlin Inventarios
1959 Dijkstra Algoritmo de ruta más corta
1956-1962 Ford-Fulkerson Redes de flujo
1960 Raiffa Análisis de decisiones
1960 Land y Doig Algoritmo de ramificación y acotamiento
1962 Ford-Fulkerson Método primal-dual
1963 Karmarkar Algoritmos de punto interior
Tabla 1
3. LOS MODELOS UTILIZADOS EN INVESTIGACIÓN OPERATIVA

Una característica esencial del enfoque de la IO es que se basa en el
supuesto de la racionalidad, es decir, las personas y las organizaciones
actúan de manera reflexiva, poseen información, calculan los riesgos y
los beneficios de sus decisiones y tratan de maximizar su utilidad o de
minimizar sus costos, es decir, optimizan en función de sus expectativas
y tienen recursos limitados.
Un elemento esencial en este enfoque cuantitativo es la formulación del
modelo matemático, el cual es una representación abstracta de
situaciones o problemas reales a través de símbolos, relaciones o
expresiones matemáticas. La función principal del modelo es deducir
conclusiones formalmente válidas del problema real mediante el estudio
del modelo abstracto. Cabe señalar que, incluso en el enfoque de
racionalidad limitada (Simon, 1957)1, se afirma que un modelo
matemático no tiene que ser exacto, solo tiene que ser lo bastante
aproximado como para proporcionar mejores resultados que los logrados
mediante el sentido común.
1
Simon señala que la mayoría de las personas son solo parcialmente racionales y que, de
hecho, actúan según impulsos emocionales no totalmente racionales en muchas de sus
acciones. Sostiene que la racionalidad personal está limitada por tres dimensiones: la
información disponible, la limitación cognoscitiva de la mente individual y el tiempo
disponible para tomar la decisión.
INTRODUCCIÓN 17
La construcción de modelos constituye una herramienta útil para lograr

una visión estructurada de la realidad. La ventaja que tiene el construir
un modelo que represente una situación real es que permite analizar tal
situación sin interferir en la operación que se realiza, ya que el modelo es
como “un espejo” de lo que ocurre. También facilita el manejo del
problema en su totalidad y el estudio de todas sus interrelaciones
simultáneamente. Por último, un modelo matemático forma un puente
para poder emplear técnicas matemáticas poderosas mediante
computadoras en el análisis del problema.
Un modelo matemático comprende principalmente tres conjuntos básicos
de elementos: variables y parámetros, restricciones y función objetivo.
Variables y parámetros. Existen dos tipos de variables, exógenas y
endógenas. Las exógenas o externas son variables no controlables por el
decisor, es decir, sobre las que no se puede influir, como los factores
ambientales que rodean un problema económico (por ejemplo, la inflación
y la tasa de cambio). Por su parte, las variables endógenas o internas,
también llamadas variables de decisión, son aquellas cuyos valores
queremos determinar utilizando el modelo, como, por ejemplo, los
tiempos y materiales necesarios para la fabricación de un producto. Por
último, los parámetros del modelo son valores conocidos que relacionan
las variables de decisión con las restricciones y función objetivo pueden
ser determinísticos o probabilísticos y su valor puede variar dependiendo
del ámbito de aplicación del modelo.
Restricciones. Para tener en cuenta las limitaciones tecnológicas,
económicas y otras del sistema, el modelo debe incluir restricciones
(implícitas o explícitas) que restrinjan las variables de decisión a un rango
de valores factibles.
Función objetivo. La función objetivo define la medida de efectividad
del sistema como una función matemática de las variables de decisión.
La “solución óptima” será aquella que produzca el mejor valor de la
función objetivo, sujeta a las restricciones. “Optimizar” es la acción de
llevar una cierta magnitud a su óptimo, o sea, a su máximo o a su mínimo,
según se trate de algo que se considera beneficioso o perjudicial, en cuyos
casos respectivos se utilizan también los nombres de “maximizar” o
“minimizar”.
4. CLASIFICACIÓN DE LOS MODELOS

Existen diversas clasificaciones de los modelos de IO. A los fines de
organización de este libro, se propone la siguiente:
 Según el objetivo del problema
 Según la naturaleza de los datos
18 CAPÍTULO 1
4.1. Clasificación según el objetivo del problema
Modelos de optimización: Su objetivo es maximizar cierta cantidad

(beneficio, ingresos, eficiencia) o minimizar cierta medida (costo, tiempo,
distancias), generalmente teniendo en cuenta una serie de limitaciones o
requisitos que restringen la decisión (disponibilidad de capital, personal,
material, requisitos para cumplir fechas límite, etc.). Ejemplos de modelos
de optimización son:
- Problemas de localización, que consisten en realizar una asignación
de recursos a actividades de manera que se optimice cierta medida de
efectividad, por ejemplo, si hay que decidir la ubicación de varias fábricas
atendiendo a las distancias de las mismas entre los centros de demanda
y los proveedores. O en el caso de la asignación de objetos a tareas para
optimizar alguna medida, como puede ser un tiempo o un costo, el cual
se conoce como problema de Asignación. Si tenemos que distribuir
productos desde ciertos orígenes a varios destinos de forma que cierta
función lineal alcance su valor óptimo, estamos ante un problema de
Transporte o Transbordo.
- Problemas de mezcla, que se ocupan de encontrar la combinación
óptima de un conjunto de ingredientes a incluir en una mezcla,
respetando ciertas condiciones de cantidades mínimas o máximas que la
misma debe contener y tratando de lograr el mínimo costo.
- Problemas de secuenciación, que se ocupan de colocar objetos en
cierto orden. Por ejemplo, supongamos que tenemos N trabajos que
deben ser procesados en el mismo orden en M máquinas distintas, las que
requieren tiempos de procesamiento diferentes. ¿De qué forma se deben
ordenar los trabajos para que el tiempo total de procesamiento de estos
en cada una de las máquinas sea mínimo?
- Problemas de rutas, que tratan de encontrar la ruta óptima desde un
origen a un destino cuando existen varias alternativas posibles. El ejemplo
más característico es el clásico Problema del Viajante de Comercio. Un
viajante de comercio tiene que visitar N ciudades una y solo una vez antes
de volver a su origen. ¿En qué orden debe visitarlas para minimizar la
distancia total viajada? Este problema de formulación tan sencilla es, en
muchos casos, muy difícil de resolver.
- Problemas de inventario, que consisten en determinar la cantidad
óptima de productos que se deben tener disponibles en un almacén. Si un
cliente quiere comprar una cierta cantidad de productos, pero no están
disponibles, esto supondría una venta perdida. Por otro lado, si hay un
exceso de productos, el costo de almacenamiento puede ser demasiado
grande. El objetivo de este problema es encontrar un punto de equilibrio.
Modelos descriptivos: Su objetivo es describir o predecir sucesos (nivel

de ventas, fechas de terminación de proyectos, número de clientes, etc.)
dadas ciertas condiciones. Ejemplos de estos modelos son:
INTRODUCCIÓN 19
- Problemas de espera en fila. Cualquier situación en el que haya que

esperar para obtener un servicio es un problema de este tipo. Su objetivo
es encontrar una forma de mejorar el rendimiento global del sistema, que
se mide normalmente atendiendo al tamaño de la cola, o bien al tiempo
que transcurre desde que un cliente llega al sistema hasta que lo
abandona (tiempo de respuesta).
- Problemas de reemplazo, que se ocupan de decidir el tiempo
adecuado para reemplazar los equipos que fallan o se deterioran.
- Problemas de planificación y control de proyectos. El objetivo es
determinar la fecha de finalización de un proyecto complejo como, por
ejemplo, planificaciones de campañas publicitarias, lanzamiento de un
nuevo producto, proyectos de ingeniería, etc.
4.2. Clasificación según la naturaleza de los datos

Según sea la naturaleza de los datos que se disponen, en algunos casos
tendremos que ajustar el problema con un Modelo Determinístico, en
el cual todos los datos importantes del mismo se suponen conocidos; pero
en otros, algunos de estos datos se consideran inciertos, pudiendo
conocerse su probabilidad de ocurrencia, por lo que será necesaria la
utilización de un Modelo Estocástico. Sin embargo, existen modelos que
conviene tratar como Mixtos de estas dos categorías. En el gráfico 1 se
hace una agrupación aproximada de los diferentes tipos de problema
dentro de la categoría a la que pertenecen.
5. LAS LIMITACIONES DE LOS MODELOS MATEMÁTICOS

Si bien es cierto que el modelo racional para la toma decisiones considera
que las personas eligen optimizando y tomando en cuenta todas las
variantes y con la información perfecta, la realidad dista mucho de ese
deseable escenario. En realidad, las personas en las organizaciones no
tienen la información completa y poseen percepciones subjetivas y juicios
a priori de los problemas, o simplemente falta de tiempo y de recursos
(entre los que podemos contar sus conocimientos técnicos del análisis
cuantitativo).
De este modo, los tomadores de decisiones elegirán las que sean
mínimamente aceptables, que representen aproximaciones útiles y
aplicables a los problemas, que no choquen con su sentido común y que
sean compatibles con su buen juicio y experiencia. Además, los decisores
se apoyan en procedimientos heurísticos que proporcionan herramientas
intuitivas que, a su vez, guían y simplifican la toma de decisiones, ya que
representan estrategias mentales de sencilla aplicación para los
tomadores de decisión (Tversky y Kahneman, 1971, 1986). Tienen
particular importancia directrices tales como la pericia, el estilo gerencial,
el conocimiento y la práctica administrativa, entre otros.
20 CAPÍTULO 1
Finalmente, cabe mencionar que las decisiones importantes en la

organización generalmente involucran la acción coordinada de varias
áreas funcionales, o simplemente de grupos de interés, que tienen sus
propios decisores, por lo que eventualmente se presentan conflictos de
intereses de las partes implicadas.
De este modo, las decisiones organizacionales son el resultado de
procesos de negociación, de relaciones sociales complejas y de factores
políticos cuya relevancia trasciende incluso el más preclaro argumento
cuantitativo. Así, las decisiones individuales se tornan en decisiones
colectivas, las cuales deben integrar información relevante de las
diferentes áreas, deben contemplar distintos enfoques de las personas
afectadas, en ellas puede reflejarse el peso específico de los líderes de la
organización, aunque idealmente las decisiones deberían de ser
consensuadas para inducir el compromiso de los integrantes de la
organización; adicionalmente, muchas decisiones deben ser negociadas
considerando grupos al exterior de la organización, por lo que los factores
políticos y coyunturales adquieren singular importancia.
6. METODOLOGÍA CIENTÍFICA
El enfoque de la IO sigue las pautas del método científico. En particular,
el proceso comienza por la observación cuidadosa y la formulación del
problema y sigue con la construcción de un modelo científico que intenta
abstraer la esencia del problema real. En este punto, se propone la
hipótesis de que el modelo es una representación lo suficientemente
precisa de las características esenciales de la situación como para que la
solución obtenida sea válida también para el problema real. Esta hipótesis
se verifica y modifica mediante las pruebas adecuadas. Entonces, en
cierto modo, la Investigación Operativa incluye la investigación científica
creativa de las propiedades fundamentales de las operaciones.
El investigador operativo se ocupa además de la administración práctica
de la organización. Así, para tener éxito, deberá también proporcionar
conclusiones positivas y claras que pueda usar el tomador de decisiones
cuando las necesite.
6.1. Etapas del método científico aplicado a la IO

Identificación del problema y relevamiento de la información. Esta
etapa comprende la identificación de la estructura del sistema en el cual
se presenta el problema, la definición de los interrogantes que se
plantean, la obtención de datos respecto a la estructura del sistema y su
funcionamiento. A fin de lograr un conocimiento acabado del problema a
resolver, se deberán realizar reuniones con las áreas de dirección y
personal, buscar información interna y externa relacionada a la situación
(como estudios realizados con anterioridad, estadísticas existentes, etc.),
además de información en los distintos sectores relacionados al problema
INTRODUCCIÓN 21
(clientes, proveedores, sindicato, etc.). Se debe tener en cuenta que el

tiempo dedicado a esta etapa puede redundar en un gran ahorro de
esfuerzo en el futuro.
Formulación del modelo. Dada la imposibilidad de realizar el estudio del
problema en el sistema real, se hace necesaria la construcción de un
modelo matemático que lo represente. En él se aíslan los aspectos,
conceptos y relaciones fundamentales del problema, obteniendo de esta
manera un subsistema abstracto que representa en forma simplificada y
generalmente incompleta al sistema real, pero que permite trabajar sobre
el mismo y sacar conclusiones válidas del aspecto que se quiere
investigar.
Lógicamente, este proceso de modelización debe ser tal que el deseo de
simplificar no lleve a eliminar elementos o relaciones que sean
fundamentales para el problema en estudio.
En esta etapa, se deben definir las variables a usar que reflejen los
interrogantes definidos en la etapa anterior, la explicitación de los
parámetros del sistema y su entorno y, con todos ellos, la formulación del
modelo simbólico, mediante relaciones funcionales matemático lógicas
que expresen el o los objetivos propuestos y los condicionantes
impuestos. Aquí surge la necesidad de aplicar la creatividad, es decir,
pensar con amplitud de criterio, sin preconceptos producto de la
costumbre y la tradición, tratando de usar la imaginación para generar
nuevas ideas.
Enunciación de hipótesis. Esta etapa se refiere a explicitar con toda
claridad los supuestos y las limitaciones con que se desarrollará el estudio.
Esto resulta de gran importancia, pues en caso contrario corremos el
riesgo de, una vez encontrada una solución del problema planteado, no
saber bajo qué condiciones dicha solución es adecuada, ni podremos
tratar de verificar en qué medida las mismas representan adecuadamente
la realidad.
Validación del modelo. La validación del modelo y sus soluciones se
refiere a una validación de tipo técnica, es decir, verificar que no se hayan
omitido variables o relaciones significativas, y a una validación
operacional, esto es, si los resultados son factibles en el sistema real.
Toma de decisión e implementación. Se trata de la implementación
del modelo validado. Esta etapa es de vital importancia para el éxito del
trabajo realizado. Se deberá evaluar juntamente con el tomador de
decisiones la mejor estrategia para poner en funcionamiento los cambios
sugeridos, cuidando de explicar a todos los sectores afectados la solución
adoptada, de manera tal de minimizar el rechazo por parte de quienes
van a ser testigos de la puesta en marcha.
Seguimiento y control. La última etapa es la evaluación y revisión sobre
el sistema real de los resultados del modelo. El control es imprescindible
para evitar, detectar y, en su caso, corregir desviaciones respecto a lo
planificado.
22 CAPÍTULO 1
En el gráfico 2 se resumen las etapas del método científico.
7. INVESTIGACIÓN OPERATIVA HARD Y SOFT

En los últimos años, ha cobrado fuerza una rama de la IO relacionada a
la toma de decisiones grupales y a la utilización de métodos que no
emplean modelos matemáticos. Sorensen y Vidal (2003) proponen
agrupar a los métodos de Investigación Operativa en IO hard y en IO soft.
En el primer grupo, se incluyen la mayoría de los modelos tratados en
este libro. En general, los métodos hard estructuran los problemas a partir
de hechos medibles y cuantificables y recurren a un modelo matemático
para resolver el problema. También se caracterizan estos métodos como
de decisiones individuales.
La IO soft se relaciona con la fase de estructuración de problemas, incluye
tanto información cualitativa como cuantitativa, los modelos no se apoyan
en formulaciones matemáticas y el “objetivo central es facilitar las
búsquedas de acuerdos entre los miembros del grupo de decisores”. En
esta línea de trabajo, se pueden mencionar distintas aproximaciones
como los mapas cognitivos y, en particular, el Strategic Option
Development and Analysis (SODA), de Eden (2004), y la Soft System
Methodology propuesta por Checkland (2000) y reformulada por Georgiou
(2006, 2008).
Sin embargo, para analizar problemas complejos, Mingers (2011)
recomienda la utilización de combinaciones creativas de ambas
metodologías y plantea el concepto de multi-metodología. Por su parte,
Franco y Lord (2011) señalan que no existe una “mejor manera” de
realizar dicha combinación de métodos, pero que una intervención multi
metodológica debería atender las tres dimensiones claves del problema:
personal, social y material.
Es decir que, al analizar un problema, es necesario caracterizar, además
de lo estrictamente técnico, a los individuos y a las relaciones entre los
mismos. No se debe olvidar que la IO es solo un recurso, que debe ser
complementado con las herramientas cualitativas adecuadas y con las
habilidades administrativas deseables de todo tomador de decisiones,
como son su intuición, su sentido común, su experiencia y su capacidad
de negociación. Es, al final de cuentas, todo este mosaico de destrezas lo
que permitirá resolver integralmente y de manera óptima los problemas
más diversos que enfrentan las organizaciones.
INTRODUCCIÓN 23
• Programación Lineal
• Transporte y
Asignación
• Programación Lineal
Optimización Entera
• Flujo en Redes
Lineal • Programación
DETERMINÍSTICOS Multiobjetivo
Optimización • Modelos Clásicos

• Métodos de búsqueda
No Lineal • Programación No
Lineal
MODELOS DE • Planificación de Proyectos

MIXTOS • Programación Dinámica
INVESTIGACIÓN • Modelos de Inventario
OPERATIVA • Simulación
• Análisis de Decisión
ESTOCÁSTICOS • Procesos Estocásticos
• Teoría de Fenómenos de espera en
fila
Gráfico 1
24 CAPÍTULO 1
análisis y relevamiento
de información
ESTRUCTURACIÓN
DEL PROBLEMA
Parámetros
Variables
MODELO
MATEMÁTICO
relaciones
supuestos HIPÓTESIS limitaciones
técnica operacional
VALIDACIÓN
IMPLEMENTACIÓN
SEGUIMENTO y
CONTROL
Gráfico 2
CAPÍTULO 2
EL PROCESO DE DECISIÓN
1. INTRODUCCIÓN
En este capítulo, trataremos de dar una caracterización general de los
problemas de decisión, la cual nos resultará de utilidad al momento de
analizar los diferentes modelos a estudiar en este texto.
Básicamente, un proceso de toma decisión se presenta cuando, frente a
un problema, existe más de una alternativa o curso de acción posible.
En todo proceso de decisión intervienen dos actores, aunque en algunos
casos la misma persona asume los dos roles:
Decisor: es quien tiene el poder y la responsabilidad de ratificar
una decisión y asumir sus consecuencias.
Analista: es el encargado de estructurar el problema y ayudar al
decisor a visualizarlo.
Frente a un problema de decisión, consideramos conocido el conjunto de
las alternativas posibles, al que denominaremos X. Supondremos que este
conjunto está formado por un número finito de elementos, a los cuales
genéricamente llamaremos xi, es decir, X={x1, x2, ……, xn},
siendo n el número de alternativas de decisión.
Conocido este conjunto X, intentaremos establecer una relación entre los
elementos del conjunto, de forma tal que para cualquier par de elementos
podremos decir si uno es preferible o indiferente al otro.
Así para, x1X  x2X, podemos establecer que x1 es preferible a x2:
x1 x2
o bien que x2 es preferible a x1:

x2 x1
o si ambos elementos son indiferentes entre sí:
x1 = x2
Esta relación, que llamaremos relación de preferencia, es de orden
completo y se determina a través de una aplicación o función d: X → ,
conocida como “función de decisión” y a la cual simbolizaremos como
d(x).
26 CAPÍTULO 2
Si esta función de decisión mide algo deseable, como un beneficio o un

ingreso, a los fines de seleccionar la mejor alternativa, calcularemos:
Máx d(x)
y llamaremos a la o las alternativas que verifiquen ese valor “decisión

óptima o decisión racional”
Por el contrario, si la función mide algo no deseable, como un costo o

pérdida, con el fin de seleccionar la decisión óptima, calcularemos:
Mín d(x)
2. DECISIÓN Y UNIVERSO
En un problema de decisión, a menudo los resultados que se obtienen al
seleccionar una alternativa se ven condicionados por la presentación de
ciertos sucesos que no dependen del tomador de decisiones. Llamaremos
a este conjunto de sucesos “estados de la naturaleza”.
Los estados naturales representan variables exógenas cuya presentación
modifica los resultados de la acción seleccionada.
Representaremos los estados de la naturaleza mediante el conjunto Y,
siendo:
Y = {y1, y2, ……, ym}
Supondremos que, cada vez que el decisor elige un elemento xi del

conjunto X, se presenta, un elemento particular yj del conjunto Y, tal que
el par ordenado (xi,yj) determina un resultado o compensación c(xi,yj). Es
decir, a cada par ordenado (xi,yj) le corresponde un número real c(xi,yj),
que mide el grado de satisfacción que le produce al tomador de decisiones
el hecho de seleccionar una alternativa xi cuando se presenta un estado
natural yj.
A los fines prácticos, cuando el número de elementos de los conjuntos X
e Y es finito y relativamente pequeño, los resultados se pueden resumir
en forma matricial. A esta matriz se la conoce con el nombre de matriz
de las compensaciones o matriz de resultados y tiene una estructura como
la siguiente:
y1 y2 .. .. ym
x1 c(x1,y1) c(x1,y2) .. .. c(x1,ym)
x2 c(x2,y1) c(x2,y2) .. .. c(x2,ym)
x3 c(x3,y1) c(x3,y2) .. .. c(x3,ym)
. . . .. .. .
xn c(xn,y1) c(xn,y2) c(xn,ym)
Tabla 1
EL PROCESO DE DECISIÓN 27
En forma simplificada, se suelen representar las c(xi,yj) por cij, es decir:
y1 y2 . . . . ym
x1 c11 c12 . . . . c1m
x2 c21 c22 . . . . c2m
x3 c31 c32 . . . . c3m
. . . . . . . .
xn cn1 cn2 cnm
Tabla 2
Como el decisor no controla el valor que asumirá yj, no podrá seleccionar

una decisión teniendo en cuenta solamente los valores de la función
c(x,y). Deberá contar con algunos elementos adicionales que informen
sobre el comportamiento de los estados de la naturaleza y le permitan
construir una función de decisión d(x).
Para solucionar tales cuestiones, dependiendo de la disponibilidad de la
información, se organizan los problemas de decisión en tres escenarios
posibles:
En estos tres
➢ Decisiones en situación de certeza o de universo cierto escenarios coinciden
autores tales como
➢ Decisiones bajo riesgo o de universo aleatorio Taha (2004) y
Hillier y Lieberman
➢ Decisiones bajo incertidumbre o de universo incierto (2002).
3. DECISIONES EN SITUACIÓN DE CERTEZA O DE UNIVERSO CIERTO

Un escenario de certeza se da cuando quienes toman las decisiones tienen
la información completa y precisa. Tales situaciones pueden ser
estudiadas por medio de modelos deterministas. Estos suponen que se
conoce toda la información necesaria para la toma de una decisión, por
ejemplo, cuando el problema consiste en determinar el número de
unidades a producir para maximizar la utilidad, conociéndose la
disponibilidad de materia prima y mano de obra, como así también la
utilización de estos insumos por unidad de producto.
Estos tipos de modelos son excelentes para situaciones en las que existen
muchas variables endógenas y restricciones. Son útiles cuando muy pocas
variables no controladas por el modelo presentan incertidumbre, por lo
tanto, son ideales para la toma de decisiones internas de la organización
y, en consecuencia, una gran parte de los problemas de uso corriente en
las empresas pueden formularse con estas herramientas, además de que
existen aplicaciones informáticas poderosas que facilitan la resolución de
dichos problemas. Estos modelos pueden aplicarse a problemas tan
dispares como situaciones de producción, logística, planificación de la
fuerza de ventas, etcétera.
28 CAPÍTULO 2
Desde el punto de vista de la presentación formal de este universo,

decimos que se conoce con exactitud cuál es el estado de la naturaleza
que se presentará ante determinadas circunstancias. Es decir que existe
certeza de lo que ocurrirá durante el período en el cual se tomará la
decisión. Por lo tanto, el decisor conoce la compensación c(x,y) que
obtendrá, la cual, por depender únicamente de x, puede ser tomada como
función de decisión. Es decir que, en universo cierto,
d(x) = c(x,y)
Situaciones de este tipo se presentan cuando el conjunto de estados
naturales (Y) está formado por un único elemento o bien, cuando estando
integrado por más de un elemento, existe uno de ellos con alta
probabilidad de presentación y los restantes con probabilidad muy baja o
casi nula.
De esta manera, conocida la función de decisión d(x), se deberá encontrar
el valor de x que la optimice, para lo cual, en el caso más sencillo –cuando
el conjunto X es finito y con un número reducido de elementos–, bastará
con reemplazar en d(x) cada posible valor del vector X y seleccionar como
decisión óptima aquel elemento que le dé el mejor valor a d(x).
Frecuentemente, el conjunto X está formado por un número grande de
elementos –o es infinito–, lo cual hace imposible seleccionar la mejor
alternativa con el procedimiento anterior. En estos casos, existen métodos
de cálculo –algoritmos– que permiten solucionar el problema.
4. DECISIONES BAJO RIESGO O DE UNIVERSO ALEATORIO

Un escenario de decisiones bajo riesgo supone que la información
disponible no es suficiente o puede obtenerse con cierto margen de
incertezas, debiendo ser reflejada esta situación mediante una
distribución de probabilidad. Por ejemplo, cuando debemos elegir cuántas
Existe información unidades de un bien producir, pero no sabemos con exactitud cuál será el
previa que permite
calcular la
nivel de demanda, aunque con los registros históricos disponibles es
probabilidad de posible construir una distribución de probabilidad.
presentación de cada
estado de la Problemas bajo condiciones de riesgo se utilizan para una gran gama de
naturaleza.
situaciones que involucren decisiones estratégicas de la organización con
su medio ambiente externo, ya que las variables generalmente no están
totalmente bajo el control de los tomadores de decisiones. Por ejemplo,
decisiones acerca de la localización de una planta; discernir entre
construir, ampliar o cambiar de ubicación un negocio; elegir entre
diferentes proyectos, entre otras.
Formalmente, decimos que, en estos casos, se conocen los estados de la
naturaleza que se pueden presentar y la probabilidad de presentación que
corresponde a cada estado de la naturaleza. De esta manera, surge como
natural usar, como función de decisión, el valor esperado de las
compensaciones ante cada decisión posible. La función de decisión d(x),
entonces, es la Esperanza Matemática de las compensaciones:
d(x) = E  c ( x,y )  =  C(xi,yj) pj

y
siendo pj la probabilidad del j-ésimo estado de la naturaleza.
La decisión óptima será, para el caso de que las compensaciones

representen algo deseable (beneficios o ingresos):
max d(x) = max E  c ( x,y ) 
x y
Si las compensaciones representan algo indeseable, como pérdidas o

costos, la decisión óptima de acuerdo a este criterio se determina:
min d(x) = min E  c ( x, y ) 
x y
Al criterio de tomar como función de decisión la Esperanza Matemática de

las compensaciones se le realizan principalmente dos críticas:
✓ La primera plantea que, además de considerar a la Esperanza

Matemática como función de decisión, debería incorporarse alguna
medida de dispersión de las compensaciones, como podría ser la
desviación estándar.
Esto solucionaría el problema que se presenta cuando aparecen valores
semejantes de la Esperanza Matemática para más de una alternativa,
situación que gráficamente podemos mostrar mediante el siguiente
ejemplo hipotético de dos proyectos de inversión. Observemos que ambos
presentan igual rentabilidad esperada ($150); no obstante, el proyecto B
tiene mayor dispersión respecto a ese valor, pudiendo obtener rentas muy
superiores e incluso entrar en pérdidas.
0 150
0
✓ La segunda crítica se refiere a que el valor de la Esperanza
Matemática se vuelve significativo solamente cuando la decisión se repite
un número grande de veces. Por el contrario, si la decisión debe tomarse
por única vez, el criterio debe aplicarse con cautela, ya que podría
conducir a una elección equivocada.
APLICACIÓN PARA UN CASO DE BENEFICIOS

Supongamos un problema de seleccionar una entre tres alternativas
posibles (x1,x2,x3), cuyos resultados se ven influenciados por tres sucesos
(y1,y2,y3) con probabilidades conocidas de presentación. En la siguiente
30 CAPÍTULO 2
tabla, se resumen los resultados (beneficios) de cada alternativa frente a

cada estado natural y las probabilidades de presentación de estos últimos.
y1 y2 y3
x1 150 110 100
x2 125 95 300
x3 120 130 250
Pj 0.3 0.5 0.2
Tabla 3
Para seleccionar la mejor alternativa, aplicamos el criterio de la Esperanza

Matemática, es decir:
y1 y2 y3  C(xi,yj) pj
x1 150 110 100 150 (0.3) + 110 (0.5) + 100 (0.2) = 120
x2 125 95 300 125 (0.3) + 95 (0.5) + 300 (0.2) = 145
x3 120 130 250 120 (0.3) + 130 (0.5) + 250 (0.2) = 151
Pj 0.3 0.5 0.2
Tabla 4
La decisión óptima es la alternativa x 3 por que ofrece el mayor beneficio

esperado, en este caso de $ 151.-
5. DECISIONES BAJO CONDICIONES DE INCERTIDUMBRE O DE

UNIVERSO INCIERTO
Un ambiente de decisión en condiciones de incertidumbre se presenta

cuando no conocemos la distribución de probabilidad de los estados de la
Observe que, en naturaleza. Para estas situaciones, existen varios métodos de elección
este caso, no se
cuenta con basados en criterios racionales. Una característica distintiva de estos
información previa.
métodos radica en la subjetividad del criterio de decisión, lo cual es otro
punto a favor de la racionalidad limitada de Simon, al menos en este tipo
de metodología.
Una característica fundamental de los criterios bajo condiciones de
incertidumbre se refiere a que un mismo problema, a la luz de los
diferentes enfoques del análisis de decisiones, puede tener varias
soluciones, lo cual es un reflejo del estilo gerencial de los decisores. No
es posible decir que uno de estos criterios sea mejor que otro. Lo
aconsejable, en estos casos, es que el decisor utilice el que considere
adecuado, según los datos del problema y a partir de un conocimiento
amplio de cómo opera cada criterio y las críticas o desventajas de cada
uno.
Criterio de Wald o Pesimismo

El principal concepto en el que se basa este modelo es evitar pérdidas
elevadas o inaceptables. De esta manera, debemos colocarnos en la
situación más desfavorable ante cada alternativa de decisión y luego
elegir entre ellas la más favorable. En caso de beneficios, a este modelo

se lo conoce como criterio maximin; y en caso de costos, como el criterio
minimax.
El procedimiento puede describirse como sigue:
1. Determinar el resultado más desfavorable para cada alternativa de

decisión. De esta manera, construimos la función de decisión d(x).
Beneficios  d(x) = min c xi ,y j

y
( )
Costos  d(x) = max c xi ,y j
y
( )
2. De todos estos valores, seleccionar el que nos proporcione el mejor
valor para d(x). La alternativa asociada con este resultado es la
estrategia que debe utilizarse o decisión óptima.
Beneficios  max d(x) = max min c xi ,y j

x y
( )
Costos  min d(x) = min max c xi ,y j
x y
( )
y1 y2 y3 Mín cij Observe que el valor
120 representa el
x1 150 110 100 100 mínimo beneficio que
x2 125 95 300 95 obtendrá si elige la
alternativa x3.
x3 120 130 250 120
Tabla 5
La decisión óptima es la que verifica el maximin, es decir, x3.
APLICACIÓN PARA UN CASO DE COSTOS

y1 y2 y3 y4 Max cij
25 representa el mayor
x1 10 18 25 12 25 costo que obtendrá si
x2 15 5 30 8 30 elige la alternativa x1
x3 10 13 20 35 35
Tabla 6
La decisión óptima es la que verifica el minimax, es decir, x1.

Las principales críticas que se le realizan a este criterio radican en la
subjetividad del coeficiente de optimismo y en el hecho de que, al
considerar solamente las situaciones más desfavorables que pueden
presentarse y dejar de lado las restantes, en algunos casos, puede
conducir a decisiones poco racionales.
Para observar esta situación, analicemos el caso hipotético de dos
alternativas para seleccionar el tamaño de una nueva planta industrial,
cuyos resultados dependerán de la situación económica del país en los
próximos 10 años:
32 CAPÍTULO 2
SITUACIÓN I SITUACIÓN II d(x) = min c(x,y)

PLANTA I 1.000.000 2.000.000 1.000.000
PLANTA II 500.000 25.000.000 500.000
Tabla 7
De acuerdo a este criterio, se deberá construir la planta I; sin embargo,

es indudable que muchos decisores en situaciones similares no dudarían
en escoger la alternativa II.
Criterio de Hurwicz o de Pesimismo Relativo

Este criterio supone que el tomador de decisiones no es completamente
pesimista o totalmente optimista y que el grado de optimismo se puede
medir a través de un coeficiente  que está comprendido entre 0 y 1, con
lo cual el nivel de pesimismo queda definido a través de su complemento
(1 - ).
01
Usando este coeficiente, se define la función d(x) como un promedio

ponderado entre el mejor y el peor resultado que corresponde a cada
alternativa de decisión.
Beneficios → d(x) =
y ( )
 max c xi,y j + (1- ) min c xi,y j
y ( )
y i j ( )
Costos → d(x) =  min c x ,y + (1- ) max c x ,y
y i j ( )
La decisión óptima se obtiene calculando:
 
x  y

( )
Beneficios → max d(x) = max   max c x ,y +(1- ) min c x ,y 
i j y i j  ( )
 
Costos →
x  y

i j ( )
min d(x) = min  min c x ,y + (1- ) max c x ,y 
y i j  ( )
APLICACIÓN PARA UN CASO DE BENEFICIOS (= 0,50)
Se sugiere aplicar
este criterio y1 y2 y3  Máx c (x,y) + (1-) Mín c (x,y)
haciendo variar los
x1 150 110 100 (0.50) 150 + (0.50) 100 = 125
valores de  y
luego analizar los x2 125 95 300 (0.50) 300 + (0.50) 95 = 197,5
resultados. x3 120 130 250 (0.50) 250 + (0.50) 120 = 185
Tabla 8
Según este criterio, la decisión óptima es x 2

APLICACIÓN PARA UN CASO DE COSTOS (= 0,50)

Observe que si
y1 y2 y3 y4  Mín c(x,y) + (1-) Máx c(x,y)  = 0, entonces el
x1 10 18 25 12 (0.50) 10 + 0.50 25 = 17,5 criterio es el de
Wald; por el
x2 15 10 30 8 (0.50) 8 + 0.50 30 = 19 contrario, si  = 1,
x3 10 13 20 35 (0.50) 10 + 0.50 35 = 22.5 estaremos ante un
optimismo total.
Tabla 9
Según este criterio, la decisión óptima es x 1.

La crítica al criterio de Hurwicz es similar a la realizada a Wald, pero, en
este caso, se argumenta que considera solamente situaciones extremas
–más y menos favorables–, perdiendo información sobre los valores
intermedios de las compensaciones.
SENSIBILIDAD DEL COEFICIENTE DE OPTIMISMO 

El cálculo de la sensibilidad de este coeficiente supone determinar los
puntos en los cuales las alternativas son indiferentes.
Para el siguiente ejemplo, en el que las compensaciones representan
beneficios, realizamos el cálculo en forma gráfica como se muestra a
continuación:
y1 y2 y3  Máx c (x,y) + (1-) Mín c (x,y) Min c (x,y) Máx c (x,y)
x1 150 110 100 (0.50) 150 + (0.50) 100 = 125 100 150
x2 125 95 300 (0.50) 300 + (0.50) 95 = 197,5 95 300
x3 120 130 250 (0.50) 250 + (0.50) 120 = 185 120 250
Tabla 10
Mín c (x,y) Máx c (x,y)
400 400
350 350
300 x 2 300
250 250
200 x 3 200
150 150
100 x1 100
0 α = 0 ,3 3 34 1
Observemos que el punto de indiferencia entre las alternativas x 2 y x3 es

=0,3334. Para valores superiores, la alternativa x2 es preferible a x3.
también podemos observar que x 1 nunca sería elegida bajo el criterio de
Hurwicz.
Criterio de Savage o del Mínimo Arrepentimiento

34 CAPÍTULO 2
Savage pone en duda si realmente las compensaciones c(x,y) miden la

satisfacción que le produce a un individuo tomar una decisión y que se
presente determinado suceso. Frente a esto, postula una nueva forma de
medir el grado de satisfacción a través de lo que “deja de ganar por no
haber elegido la alternativa correcta frente a ese estado natural”. Bajo
este concepto, se construye una nueva matriz –a partir de la matriz de
compensaciones–. Denominada R (de los lamentos o arrepentimiento 1),
muestra los costos de oportunidad de no haber seleccionado la mejor
decisión ante cada posible estado de la naturaleza. Para elegir la mejor
alternativa, Savage aconseja aplicar el criterio de Wald para costos a la
matriz R.
Cada elemento rij de la matriz de los lamentos, se calcula como:
Beneficios  rij =máximo beneficio de la columna – beneficio considerado
Costos  rij = costo considerado – mínimo costo de la columna
Es decir:
Beneficios  r(xi,yj) = max c(xi,yj) – c(xi,yj)
x
Costos  r(xi,yj) = c(xi,yj) – min c(xi,yj)

x
Obsérvese que, en este modelo, quien toma las decisiones busca evitar
pérdidas elevadas de oportunidad a través de un análisis minimax de la
matriz de arrepentimientos. Al hacer esto, se minimiza la diferencia
máxima que puede ocurrir entre la mejor alternativa para un estado de
la naturaleza determinado y cada uno de los resultados, es decir que se
asegura minimizar el arrepentimiento máximo o costo de oportunidad.
Beneficios o pérdidas  d(x) = max r(xi,yj)

y
La decisión óptima será:
Beneficios o pérdidas  Min d(x) = min max r(xi,yj)

x x y

Matriz de compensaciones
y1 y2 y3
x1 150 110 100
x2 125 95 300
x3 120 130 250
Tabla 11
1
Regret en inglés.
Matriz R
y1 y2 y3 Max r(xi,yj) Para obtener la
matriz R se debe
x1 0 20 200 200
trabajar sobre las
x2 25 35 0 35 columnas de la
x3 30 0 50 50 matriz de
compensaciones.
Tabla 12
Observemos que, aplicando Wald para pérdidas, la decisión óptima es

x2.

Matriz de compensaciones
y1 y2 y3
x1 10 18 25
x2 15 10 30
x3 10 13 20
Tabla 13
Observe que la
Matriz R decisión óptima,
y1 y2 y3 Max r (xi,yj) independientemente
del tipo de
x1 0 8 5 8 compensación
x2 5 0 10 10 (beneficios o costos),
siempre se obtiene
x3 0 3 0 3 aplicando mínimax.
Tabla 14
Nuevamente, se aplica Wald para pérdidas y obtenemos, en este caso,

que x3 es la decisión óptima.
Criterio de Laplace y Lagrange

Basándose en el principio de la razón insuficiente, este criterio le asigna
igual probabilidad de presentación a cada estado de la naturaleza. De esta
manera, si m es el número de estados naturales, la probabilidad de
presentación de cada uno de ellos será 1/m. Luego, utilizando estas
probabilidades, se procede de igual manera que en un universo aleatorio.
Es decir, la función de decisión será:
Beneficios o costos → d(x) = E  c ( x, y ) 

y
Mientras que la decisión óptima para este criterio se calcula como:
(
Beneficios → max d(x) = max E  c x, y 
x y
)
Costos → min d(x) = min E  c (x, y ) 

x y

36 CAPÍTULO 2
y1 y2 y3 (1/m)  cij
x1 150 110 100 (1/3) 360 = 120
x2 125 95 300 (1/3) 520 = 173,33
x3 120 130 250 (1/3) 500 = 166.66
Tabla 15
La decisión óptima es x2.

y1 y2 y3 y4 (1/m)  cij
x1 10 18 25 12 (¼) 65 = 16.25
x2 15 5 30 8 (¼) 58 = 14,50
x3 10 13 20 35 (¼) 88 = 22
Tabla 16
La decisión óptima es seleccionar la alternativa x2.

Una de las críticas a este criterio se basa en el grado de subjetividad al
considerar como igualmente probables a todos los estados naturales. En
ese sentido, podría el decisor asignar diferentes probabilidades a los
estados naturales basándose en su experiencia, conocimientos previos o
intuición, por ejemplo.
Asimismo, se hacen extensivas las mismas críticas que las realizadas a la
utilización del valor esperado.
6. ÁRBOLES DE DECISIÓN
Esta técnica es útil para resolver determinados problemas de decisión
bajo condiciones de riesgo. Un árbol de decisión es una forma gráfica y
analítica de representar todos los eventos (sucesos) que pueden surgir a
partir de una decisión asumida en cierto momento. Permite desplegar
visualmente un problema y organizar el trabajo de cálculos que deben
realizarse, y ayuda a tomar la mejor decisión desde un punto de vista
probabilístico ante un abanico de posibles decisiones.
Tiene la característica de que se elige todo un plan de acciones sucesivas
a lo largo del tiempo, en el que, en cada una de las etapas o puntos de
decisión, se tienen diferentes alternativas y cada una de estas tiene
eventos asociados con probabilidades concretas.
Elegir la mejor alternativa consiste en elegir la decisión de mayor valor
ponderado, en el caso de representar beneficios, a lo largo de una ruta
de decisiones adyacentes, como producir o comercializar, construir o
ampliar una planta, elegir entre diferentes proyectos de inversión,
etcétera.
Debemos mencionar, sin embargo, que visualizar eventos futuros
asociados a decisiones presentes es una cuestión sumamente compleja,
más aún cuando una decisión involucra muchas alternativas de decisión
en el tiempo.
CONCEPTOS BÁSICOS
• Nodo de decisión: Indica la necesidad de tomar una decisión en ese
momento del proceso. Se representa por un cuadrado.
• Nodo de probabilidad: Indica que, en ese punto del proceso, ocurre

un evento aleatorio. Está representado por un círculo.
• Rama: Nos muestra los distintos caminos que se pueden emprender

cuando tomamos una decisión o bien ocurre algún evento aleatorio.
PASOS PARA EL ANÁLISIS DEL ÁRBOL DE DECISIÓN
1. Definir el problema.
2. Dibujar el árbol de decisión.
3. Asignar probabilidades a los eventos aleatorios.
4. Estimar los resultados para cada combinación posible de
alternativas.
5. Resolver el problema obteniendo como solución la ruta que
proporcione la política óptima.
Vamos a mostrar la operatoria de este método a través de un ejemplo

sencillo. Supongamos que una compañía de seguros nos ofrece una
indemnización por accidente de $210.000.
Si no aceptamos la oferta y decidimos ir a juicio, podemos obtener
$185.000, $415.000 o $580.000, dependiendo de los fundamentos que
la justicia considere aceptables.
Si perdemos el juicio, debemos pagar las costas, que ascienden a
$30.000.
Se solicita identificar la decisión más adecuada, sabiendo que el 70 % de
los juicios se gana y, de estos, en el 50 % se obtiene la menor
indemnización, en el 30 %, la intermedia y en el 20 %, la más alta.
Para resolver este problema, seguimos los pasos ya indicados:
Paso 1. El problema queda claramente definido en el enunciado.
Pasos 2 y 3. El árbol que define este problema con las
probabilidades asociadas a los eventos aleatorios es el siguiente:
38 CAPÍTULO 2
Paso 4. Sobre el árbol, se deberán estimar los posibles resultados frente

a cada probable situación:
Observar que los valores en los nodos surgen de:

185.000(0,50) + 415.000(0,30) +580.000(0,20) = $333.000
333.000(0,70) + (- 30.000) (0,30) = $224.100
El resultado en D es el máximo entre 224.100 y 210.000.
Paso 5. Analizando las rutas de decisiones posibles y sus resultados en

términos de beneficios esperados, se observa que la decisión óptima será
ir a juicio.
7. DECISIONES BAJO CONFLICTO O JUEGOS DE ESTRATEGIA

En este caso, se debe considerar un universo de decisión donde la
ocurrencia de alguno de los estados de la naturaleza no se produce al
azar, sino por la elección de un opositor inteligente que, a fin de obtener
su mayor beneficio, procurará hacerle al decisor el mayor perjuicio.
Problemas con estas características se conocen también como de Universo
Hostil y son estudiados por la Teoría de Juegos. Esta trata sobre la toma
de decisiones bajo conflicto y fue desarrollada por Von Newman y
Morgenstern y descrita en su texto clásico de 1944.
Un juego incluye dos o más tomadores de decisión que buscan maximizar
sus ganancias. El resultado del juego depende de las acciones que toma
cada uno de los jugadores. Para analizarlos, los juegos se clasifican por
el número de jugadores, por la suma algebraica de todos los pagos y por
el número de estrategias o acciones posibles.
En este apartado, presentaremos un caso particular de juegos conocidos
como de “dos jugadores y suma cero”, esto significa que todo lo que
pierde o gana un jugador lo gana o pierde el otro respectivamente.
Se asume siempre que ambos jugadores son igualmente inteligentes y
racionales y que cada decisión de un jugador es efectuada con total
desconocimiento de la jugada que efectúa el oponente.
En estas circunstancias, será totalmente racional que cada jugador elija
una estrategia del tipo de las presentadas por el criterio pesimista,
extrayendo las peores consecuencias de cada decisión y eligiendo de entre
todas ellas a la mejor.
La matriz de compensaciones, que ahora se llama matriz de pagos, se
obtiene considerando al decisor como si fuera un jugador (jugador I), con
todas sus alternativas, y el universo fuera reemplazado por el oponente
(jugador II), representando a lo que antes eran los estados de la
naturaleza con las alternativas de este último. La matriz de pagos se
construye de forma tal que los pagos representan las ganancias del
jugador I (cuyas alternativas corresponden a filas) y consiguientemente
las pérdidas del oponente o jugador II (cuyas alternativas corresponden
a columnas).
I II
GANANCIAS PERDIDAS
MATRIZ
DE PAGOS
Para resolver este problema, parece lógico pensar que el jugador I elegirá Observar que esta
el máximo de los mínimos (criterio maximin) y el jugador II elegirá el forma de resolver el
problema equivale a
mínimo de los máximos (criterio minimax). aplicar el criterio de
Wald para ganancias
Si la elección hecha por ambos jugadores recae en el mismo par (x,y), para el jugador I y
diremos que el juego tiene punto de equilibrio, es decir que ambos para pérdidas para el
jugador II
jugadores elegirán su estrategia más conveniente y esta dará como
resultado el pago que recibirá el jugador I (que también podrá ser una
pérdida y entonces llevará signo negativo) por parte de su oponente (que
será ganancia para este si lleva signo menos). En este caso, al valor del
pago, ubicado en la intersección de la fila maximin y la columna minimax,
se lo designa “valor del juego” (V), porque si ninguno comete un error
siempre el juego se resolverá de esa forma, ya que le garantiza al jugador
I tener como mínimo ese beneficio (mayor si su oponente se equivoca) y
40 CAPÍTULO 2
al jugador II tener como máximo esa pérdida (menor si el jugador I se

equivoca). Al punto de equilibrio algunos autores lo llaman “punto de
silla”.
Veamos un ejemplo: supongamos que dos empresas competidoras tienen
cada una cuatro acciones o decisiones alternativas respecto al
lanzamiento de nuevos productos al mercado. La siguiente tabla resume
las ganancias que obtendrá la empresa A, que a la vez resultan pérdidas
para B (matriz de pagos). También se muestran los resultados de la
aplicación del criterio de Wald para cada empresa, de acuerdo a lo
indicado:
ACCIONES DE B Max min Cij

x y
Analizar qué ocurre si
se selecciona una
alternativa diferente a BI B II B III B IV
la indicada por el
criterio de Wald. AI -12 19 4 0 -12
A II 8 -2 5 7 -2
ACCIONES DE A
A III 16 15 10 42 10
A IV -12 53 2 -26 -26
Min max Cij
16 53 10 42
y x
Tabla 17
Observemos que en la matriz de pagos se verifica que:
max min cij = min max cij

x y y x
Por lo tanto, el juego posee punto de silla y el valor del juego (V) = 10.
Decimos que a cada jugador le conviene jugar una estrategia única, que
justamente es la indicada por el criterio de Wald aplicado a ambos
jugadores. Cuando el juego se resuelve con una estrategia única se lo
denomina “juego con estrategia pura óptima”.
Ahora bien, no todos los juegos tienen estrategia pura óptima. En ese
caso, no hay un razonamiento válido que haga que cada jugador prefiera
una alternativa frente a otras, dado que cada uno puede inferir la jugada
del otro y cambiar en consecuencia y lo mismo puede hacer el contrario,
lo que lleva a cada uno a un círculo vicioso que le impide seleccionar
racionalmente una estrategia. Veamos un ejemplo:
DECISIONES DE B Max min Cij

x y
BI B II B III B IV
AI -12 19 4 0 -12
A II 8 -2 5 7 -2
DECISIONES DE A
A III 16 15 18 42 15
A IV -12 53 2 -26 -26
Min max Cij

16 53 18 42
y x
Tabla 18
Observemos que:
max min cij  min max cij

y y x
No obstante, en esta situación el juego puede ser resuelto si se admite la

realización de varias jugadas (jugadas múltiples), es decir que cada
jugador pueda efectuar un número grande de decisiones alternando las
posibles alternativas. En estos casos, decimos que el juego es de
“estrategias mixtas”.
Von Newman y Morgenstern demuestran que, en el caso de estrategias
mixtas, siempre existe punto de silla y el valor de juego se obtiene
cuando:
n m m n
v = max min  cij pi q j = min max  cij pi q j
x y y x
i =1 j =1 j =1 i =1
0  pi  1 0  qj 1
El problema que se plantea es cómo seleccionar los vectores pi y qj.

Si bien existen técnicas para casos particulares de matriz de pagos de
dimensión 2x2, para problemas de mayor dimensión, la programación
lineal es una metodología que permite encontrar el valor de estos
vectores.
En estas condiciones, el juego con punto de equilibrio para una sola
jugada sería un caso particular en el cual hay una alternativa para cada
jugador que recibe el 100 % de peso probabilístico, siendo las otras
totalmente descartables, es decir, son juegos que se resuelven mediante
una estrategia pura y no con combinaciones lineales de varias o todas las
estrategias disponibles por cada jugador.
42 CAPÍTULO 2
Solución de juegos con estrategias mixtas por programación lineal2

Mediante esta técnica se pueden calcular los vectores de probabilidad de
cada jugador. Analicemos el caso del jugador I: para cualquier estrategia
pura del competidor, las probabilidades óptimas de I se pueden calcular
resolviendo el siguiente problema:
  n n n

max  min   ci1 pi ,  ci 2 pi ,....,  cim pi  
x
  i =1 i =1 i =1 
p1 + p2 +......+ pn =1
pi  0, i = 1, 2,..., n
Ahora bien, haciendo

 n n n

v = min   ci1 pi ,  ci 2 pi ,....,  cim pi 
 i =1 i =1 i =1 
La ecuación implica que,
n
c
i =1
ij pi  v, j = 1, 2, ..., m
Entonces, el problema para el jugador I se puede escribir:
Max( z ) = v
sujeta a
n
v −  cij pi  0
i =1
p1 +p2 +......+pn =1
pi  0, i = 1, 2,..., n
v sin restric.
De la misma forma, el vector de probabilidades óptimas para el jugador

II se calcula resolviendo el siguiente problema lineal:
2. Se aconseja al lector leer el capítulo 3 y 4 de este libro antes de abordar el estudio de

este tema.
Min( g ) = v
sujeta a
m
v −  cij q j  0
j =1
q1 +q2 +......+qm =1
q j  0, j = 1, 2,..., m
v sin restric.
El problema (4) es el dual de (3), razón por la cual ambos problemas
optimizan la variable sin restricción v (valor del juego).
Ejemplo de aplicación
Para el ejemplo de la tabla 17, el modelo lineal que permite obtener las
probabilidades óptimas del jugador A es el siguiente:
Max (z) = v
Sujeta a
v + 12 p1 - 8 p2 - 16 p3 + 12 p4 ≤ 0
v - 19 p1 + 2 p2 - 15 p3 - 53 p4 ≤ 0
v - 4 p1 - 5 p2 - 18 p3 - 2 p4 ≤ 0
v - 7 p2 - 42 p3 + 26 p4 ≤ 0
p1 + p2 + p3 + p4 = 1
p1, p2 , p3 , p4 ≥ 0
v sin restricción de signo
La solución óptima es
p1 = 0
p2 = 0
p3 = 0,9848
p4 = 0,0152
v = 15,578
El programa lineal del jugador B es:
Min (g) = v
Sujeta a
v + 12 q1 - 19 q2 - 4 q3 ≥0
v - 8 q1 + 2 q2 - 5 q3 - 7 q4 ≥ 0
v - 16q1 - 15 q2 - 18 q3 - 42 q4 ≥ 0
v + 12q1 - 53 q2 - 42 q3 + 26 q4 ≥ 0
q1 + q2 + q3 + q4 = 1
q1, q2 , q3 , q4 ≥ 0; v sin restricción de signo
44 CAPÍTULO 2
La solución óptima es:

q1 = 0,5758
q2 = 0,4242
q3 = 0
q4 = 0
v = 15,578
CASO DEL JUEGO PIEDRA, PAPEL, TIJERA

Veamos qué sucede con el conocido juego de piedra, papel y tijera,
suponiendo que cada jugador gana o pierde $1.
La matriz de pagos es la que se presenta en la tabla:
A B PI PA TI
PI 0 -1 1
PA 1 0 -1
TI -1 1 0
Tabla 19
Podemos observar que, en este caso, no existe una estrategia pura

óptima, por lo que A debe elegir un vector de probabilidades que
represente cuántas veces jugará cada estrategia, es decir, debe elegir p1,
p2 y p3.
El valor esperado de A para cada estrategia que juegue B será:
Elección de B Recompensa de A por cada elección de B
PI 0p1 + 1p2 – 1p3 = p2 – p3
PA -1p1 + 0p2 + 1p3 = -p1+ p3
TI 1p1 - 1p2 + 0p3 = p1 - p2
Tabla 20
B elegirá una estrategia tal que el valor esperado de A sea el mínimo

posible.
Viéndolo en la matriz de pagos:
A B PI PA TI
PI 0 -1 1
PA 1 0 -1
TI -1 1 0
Min p2 – p3 -p1+ p3 p1 - p2
Tabla 21
Por lo tanto, A debe elegir una estrategia tal que el mínimo de sus valores
esperados sea el máximo posible. Si llamamos v a ese valor máximo
posible, entonces este debe ser tal que cumpla con:
v ≤ p2 – p3
v ≤ -p1+ p3
v ≤ p1 - p2
Con todo lo anterior, A puede plantear un PL para averiguar cuál es ese
máximo valor posible de v, considerando también que como p 1, p2 y p3
representan probabilidades, entonces su suma debe ser igual a 1.
Quedando el PL:
Max v
sa Resolviendo el programa:
v ≤ p2 – p3 v = $1,00
p1 = 1/3
v ≤ -p1+ p3
p2 = 1/3
v ≤ p1 - p2 p3 = 1/3
p 1 + p2 + p3 = 1
p1, p2 y p3 ≥ 0 y v número real

46 CAPÍTULO 2
ACTIVIDADES DE AUTOEXAMEN
ACTIVIDAD 1
RESPONDA SI LAS SIGUIENTES AFIRMACIONES SON VERDADERAS O FALSAS:
A) Se puede considerar que el criterio de Wald es un caso particular del
criterio de Hurwicz.
B) Cuando las compensaciones representan costos, y  es el coeficiente

de optimismo, la función de decisión según el criterio de Hurwicz está
dada por:
d(x) = () Min c(x,y) + (1-) Max c(x,y).
C) Si las compensaciones representan beneficios, la función de decisión

aplicando el criterio de Savage está dada por:
d(x) = max min r(x,y).
D) La única crítica que se le formula al criterio de la Esperanza

Matemática es que no tiene en cuenta la desviación típica.
ACTIVIDAD 2
RESPONDA LAS SIGUIENTES PREGUNTAS:
a) En una matriz de resultados de un problema de decisión, ¿qué
representan los cij?
b) ¿Qué críticas podrían realizarse al criterio de Hurwicz?
c) En el criterio de Savage, ¿cómo se calculan los elementos de la

matriz R cuando los elementos de la matriz de compensaciones
representan costos?
ACTIVIDAD 3
Un inversionista posee un capital que asciende a $400.000. Tiene tres
alternativas de inversión que llamaremos A, B y C.
La alternativa A es invertir el 100 % del capital, la alternativa B es invertir
el 40 % del capital, mientras que la C propone invertir el 30 % del mismo.
El rendimiento de la inversión A será del 10 %, la de B rendirá el 11 % y la
de C el 17 %.
En el caso de B y C, al saldo no invertido lo guardará en el banco, que le
proporcionará un interés que se fijará al finalizar el período, según la
situación económica que se presente, la que podrá ser de gran inflación,
recesión o prosperidad económica. El interés anual que abonará el banco en
cada situación económica será del 10 %, 7 % y 5 % respectivamente.
¿Qué alternativa deberá elegir el inversionista si:
a) utiliza el criterio de Wald?
b) utiliza el criterio del optimismo relativo y fija un coeficiente de

pesimismo de 0,65?
c) utiliza el criterio de Savage?
d) estima que la posibilidad de que haya gran inflación es del 20 % y
la de prosperidad económica es del 50 %?
ACTIVIDAD 4
La florería Claveles S.A. debe decidir cuántas orquídeas ordenar para el
Día de la Secretaria. La demanda de este tipo de flores en los días
especiales, como el de la Secretaria o el de la Madre, es una variable
aleatoria (D). El costo de cada flor es de $10 si se las compra con
anterioridad al Día de la Secretaria. Si la demanda excede el número de
flores disponibles, el faltante se satisface colocando una orden urgente.
En este caso, el costo de cada flor será $5 más caro que el costo normal.
Si la demanda es menor que el inventario que se tiene, las flores que
sobran se pueden vender con posterioridad. El precio de venta de las
flores que sobren será de $3 menos que su costo original, ya que no se
encontrarán igualmente frescas.
Se realizó un estudio sobre 100 días festivos y se registraron las
siguientes observaciones:
Demanda 10 15 20 25 30
Nº de días en que se produjo 10 25 30 20 15
¿Qué cantidad de orquídeas aconsejaría usted ordenar para minimizar el

costo esperado?
ACTIVIDAD 5
Un pequeño supermercado pide semanalmente un tipo especial de yogurt
con cereales y vitaminas. El encargado de compras ha observado que las
posibles demandas son: 100, 200 o 300 unidades. El producto cuesta $0,8
cada uno y se vende a $1,25 la unidad. Los que sobran al final de la
semana se pueden devolver, obteniéndose un reintegro de $0,60 por cada
uno. Si durante la semana le faltan productos, puede solicitarlos al
proveedor en carácter de pedido urgente con un recargo de 10 %
a) ¿Cuál será la decisión óptima según el criterio de Hurwicz? Considere

un coeficiente de optimismo de 0,7.
b) ¿Cuál será la decisión óptima según el criterio de Wald?
c) ¿Cuál será la decisión óptima según el criterio de Lapalce?
d) ¿Cuál será la decisión óptima según el criterio de Savage o del
mínimo arrepentimiento?
e) Suponiendo que la demanda semanal sigue la distribución que se
presenta en la tabla:
48 CAPÍTULO 2
Demanda 100 200 300

Probabilidad 0.35 0.45 0.2
¿Cuántas unidades se deberán comprar?
ACTIVIDAD 6
Juan Rodríguez afirma haberse lesionado la espalda como resultado de
una caída cuando reparaba el techo de uno de los edificios de
departamentos de la constructora Márquez & Co. Juan entabló una
demanda contra Márquez, solicitando una indemnización por daños: él
afirma que el techo tenía secciones destruidas y su caída podría haberse
evitado si se lo hubiesen comunicado.
Márquez notificó a su compañía de seguros (Segurance) del accidente. Se
tomaron algunas declaraciones y ha tenido lugar una serie de reuniones
entre ambas partes. Como resultado de estas reuniones, Segurance le
propone un arreglo extrajudicial con una oferta de $500.000. Juan puede
aceptar el arreglo y, en ese caso, se da por concluido el conflicto; o iniciar
un juicio contra Márquez & Co.
En el caso de que Juan gane el juicio, puede obtener $400.000, $800.000
o $1.700.000 dependiendo de los fundamentos que la justicia considere
aceptables.
Sin embargo, si Juan pierde el juicio, como él deberá pagar costas y
accesorios, tendrá un costo de $50.000.
Ayude a Juan a tomar la decisión más adecuada, sabiendo que el 30 %
de los juicios se pierden y el 70 % se ganan; y de estos, en el 50 % se
obtiene la menor indemnización, en el 30 % la intermedia y en el 20 %
la más alta.
ACTIVIDAD 7
Un gerente está tratando de decidir si debe comprar una máquina o dos.
Si compra solo una y la demanda resulta ser excesiva, podría adquirir
después la segunda máquina. Sin embargo, perdería algunas ventas
porque el tiempo que implica la fabricación de este tipo de máquinas es
de seis meses. Además, el costo por máquina sería más bajo si comprara
las dos al mismo tiempo. La probabilidad de que la demanda sea baja se
ha estimado en 0,30. El valor presente neto, después de impuestos, de
los beneficios derivados de comprar las dos máquinas a la vez es de
$90.000 si la demanda es baja, y de $170.000 si la demanda es alta.
Si se decide comprar una máquina y la demanda resulta ser baja, el valor
presente neto sería de $120.000. Si la demanda es alta, el gerente tendrá
tres opciones: la de no hacer nada tiene un valor presente neto de
$120.000; la opción de subcontratar, $140.000; y la de comprar la
segunda máquina, $130.000.
a. Dibuje un árbol de decisiones para este problema.
b. ¿Cuántas máquinas debe comprar la compañía inicialmente? ¿Cuál
es el beneficio esperado de esta alternativa?
ACTIVIDAD 8
Dos importantes cadenas de supermercados se disputan una franja del
mercado. Para captar a los clientes de esta franja, cada supermercado ha
pensado en una estrategia diferente. De esta manera, los clientes que
logre atraer uno de ellos los pierde el otro supermercado.
El supermercado I ha elaborado las siguientes estrategias alternativas:
▪ Otorgar una tarjeta para que los clientes puedan sumar puntos con sus
compras, los que luego podrán canjear por regalos según los puntos
acumulados. A esta la llamaremos estrategia A.
▪ Otorgar una tarjeta para que los clientes puedan sumar puntos con sus
compras, los que luego podrán aplicar en compras futuras como
descuentos. A esta la llamaremos estrategia B.
Las estrategias del supermercado II son:
▪ Otorgar una tarjeta que le permite a los clientes obtener un descuento
sobre productos no perecederos. A esta la llamaremos estrategia 1.
▪ Otorgar una tarjeta que le permite a los clientes obtener un descuento
sobre productos perecederos. A esta la llamaremos estrategia 2.
Cada uno desea elevar al máximo su número de clientes atraídos.
Mediante la teoría de juegos, determine la estrategia óptima para cada
supermercado y el valor del juego.
SUPERMERCADO II
SUPERMERCADO I ESTRATEGIA 1 ESTRATEGIA 2
ESTRATEGIA A 20000 20000
ESTRATEGIA B 30000 25000
ACTIVIDAD 9
Una pizzería está planificando su actividad para el próximo domingo. En
función de los datos que se reflejan en la siguiente tabla (beneficios
obtenidos), realizar el árbol de decisión correspondiente y, en función de
este, probar que la decisión más adecuada es hornear 170 pizzas.
Demanda Demanda Demanda Demanda

150 160 170 180
Hornear 150 300 300 300 300

Hornear 160 290 320 320 320
Hornear 170 280 310 340 340
Hornear 180 270 300 330 360
Probabilidad 0,2 0,4 0,25 0,15
50 CAPÍTULO 2
CAPÍTULO 3
PROGRAMACIÓN LINEAL
1. INTRODUCCIÓN
Debido a que la esencia de la programación lineal (PL) puede
transmitirse mejor a través de un modelo concreto, comenzamos el
análisis de este tema mediante un ejemplo: una fábrica de cerámicos
quiere determinar el plan de producción óptimo de sus dos productos,
cerámicos esmaltados y cerámicos rústicos.
El proceso de producción de los cerámicos requiere diferentes
combinaciones de horas de mano de obra, horas de secado y de cocción.
Para la fabricación de un m2 de cerámico esmaltado, son necesarias 5
horas de mano de obra, 4 horas de secado y 6 horas de cocción.
Mientras, por cada m2 de cerámico rústico, se requieren 5 horas de
mano de obra, 8 horas de secado y 4 horas de cocción.
La contribución a las utilidades por cada m 2 de cerámico es: $8 para el
cerámico esmaltado y $6 para el cerámico rústico.
Teniendo en cuenta que la fábrica dispone de 300 horas de mano de
obra, 400 horas para secado y 320 horas para cocción por mes, formule
un modelo que le permita a la fábrica determinar el plan de producción
que maximice la contribución a las utilidades.
Disponibilidad
Cerámico Cerámico
horas
Esmaltado Rústico
mensuales
Horas de mano de obra / m2 5 5 300
Horas de secado / m 2
4 8 400
Horas de cocción / m2 6 4 320
Contribución a las utilidades / m 2
8 6
Tabla 1
Vamos a suponer, además, que la empresa no tiene limitaciones

respecto a la demanda, es decir, puede vender todo lo que produce.
Al proceso de representar este problema mediante un modelo
matemático, se denomina modelización o planteamiento del modelo
lineal.
52 CAPÍTULO 3
ALGUNAS CONSIDERACIONES AL MOMENTO DE MODELIZAR

En primer lugar, analizaremos las características del problema: la
empresa tiene como objetivo la maximización de las utilidades
provenientes de la fabricación de los cerámicos rústicos y esmaltados.
La contribución máxima a las utilidades que puede lograrse está sujeta a
la disponibilidad de los insumos. Tanto las utilidades como el uso de los
insumos son proporcionales a la cantidad que se fabrique de los
productos. No es posible fabricar cantidades negativas de los productos.
Las características observadas en este problema son comunes a un tipo
importante de situaciones que pueden ser representadas a través de un
modelo matemático, conocido como “programación lineal” (PL).
De acuerdo a las consideraciones anteriores, desarrollaremos un modelo
matemático que represente el problema enunciado. Para modelizar un
problema, debemos identificar el objetivo, definir las variables y
enunciar las restricciones en forma verbal. Para nuestro ejemplo, serán:
Objetivo: maximizar la contribución total a las utilidades.
Observe que las Variables de decisión:

variables están
definidas con unidad x1: m2 de cerámicos esmaltados a fabricar mensualmente.
de medida y para un
periodo de análisis. x2: m2 de cerámicos rústicos a fabricar mensualmente.
Restricciones:
- La cantidad de horas de mano de obra a utilizar mensualmente no
debe superar las 300.
- La cantidad de horas de secado a utilizar mensualmente no debe
superar las 400.
- La cantidad de horas de cocción a utilizar mensualmente no debe
superar las 320.
Es conveniente, al momento de modelizar, controlar siempre las

unidades de medida.
Cuando estemos seguros de haber identificado todas las restricciones
del problema, podremos representarlo a través de un modelo
matemático.
PROGRAMACIÓN LINEAL 53
MODELO MATEMÁTICO
Max Z = 8 x1 + 6 x2 Finalmente, el modelo es:
 $  Max z = 8 x1 + 6 x2
 m2 
 2   sa
m 
5 x1 + 5 x2  300 Hs de M O
Sujeto a: 4 x1 + 8 x2  400 Hs de Secado
5 x1 + 5 x2  300 HMO 6 x1 + 4 x2  320 Hs de Cocción
x1 y x2  0
 hsMO 
 2 
 m2 
 
 hsMO 
 m 
4 x1 + 8 x2  400 H Secado
6 x1 + 4 x2  320 H Cocción
x1 , x 2  0
Observemos que en el primer miembro de las restricciones está

representado el uso del recurso y en el segundo miembro (lado derecho)
se encuentra la disponibilidad del mismo. Asimismo, la última
restricción: x1, x2  0 expresa que las variables del problema solo
pueden asumir valores reales no negativos.
Analizando las restricciones del problema, observamos que se admite la
posibilidad de utilizar una menor cantidad de recursos que los
disponibles. Esta situación puede representarse matemáticamente a
través de variables que representen los insumos no utilizados, conocidas
con el nombre de “variables de holgura” o “excedente”.
Estas variables aparecen en el objetivo con coeficiente nulo, dado que
no aportan nada a las utilidades.
Max z = 8x1 + 6x2 + 0S1 + 0S2 + 0S3

sa
5x1 +5x2 + S1 = 300 Hs de Mano de Obra
4x1 + 8x2 + S2 = 400 Hs de Secado
6x1 + 4x2 + S3 = 320 Hs de Cocción
x1 , x2 ,S1 ,S2 y S3  0
Siendo:
S1= cantidad de sobrante de horas de mano de obra
S2= cantidad de sobrante de horas de secado
S3= cantidad de sobrante de horas de cocción
54 CAPÍTULO 3
2. MODELO MATEMÁTICO GENERAL DE LA PROGRAMACIÓN LINEAL

La programación lineal es un modelo de programación matemática1 en
el cual la función a optimizar (maximizar o minimizar) es lineal y cuyas
variables (no negativas) están sujetas a un conjunto de restricciones
también lineales, expresadas como desigualdades del tipo ,  o
igualdades.
El modelo puede ser expresado de diferentes maneras:
FORMA EXPLÍCITA
Maximizar Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn
Sujetas las xj a:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn  b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn  b2
. . . . .
am1 x1 + am2 x2 + am3 x3 +… + amn xn  bm
 xj  0 (j = 1, 2, …, n)
Donde:
xj son las variables de decisión del modelo.
cj son parámetros que preceden a las variables en la función objetivo
(FO) y generalmente representan beneficios, ingresos o costos
unitarios, los que pueden ser monetarios o no.
aij (i=1, 2, …, m) son parámetros que representan coeficientes
técnicos en las restricciones.
bi son los términos independientes de las restricciones. Estos
parámetros generalmente representan disponibilidades de insumos o
requerimientos necesarios.
Es conveniente aclarar que el modelo puede presentar algunas variantes

y aun así será un modelo de PL. Ellas son:
• El objetivo puede ser minimizar.

• Algunas o todas las restricciones pueden ser del tipo mayor o igual
que () o de igualdad (=).
FORMA MATRICIAL
Maximizar Z = CX
AX  B
X
1
En el anexo 1 se caracteriza un modelo de programación matemática.
donde:
C = es un vector fila de orden 1xn
X = es un vector columna de orden nx1
A = matriz de orden mxn
B = es un vector columna de orden mx1
 x1 
   a11 a12

... a1n 

b

1


X
 x2  C = c1, c2 , ...., cn   a21 a22
A=
... a 
2n
B=
b 2 

... 
=
. 
 ... ... ... ... 
 
  am1 am2 ... amn  b m 
 xn 
FORMA VECTORIAL
Máx ∑nj=1 cj xj
Máx. CX  a1j   b1 
s.a a  b 
 2j   2
n Pj =  .  P0 = B =  . 
 Pj xj = P0  .   . 
j=1
  b 
x j  0, j amj   m
FORMA ESTÁNDAR (matricial)

Un programa lineal en forma estándar tiene todas las restricciones de
igualdades (independientemente de que la FO sea de máximo o
mínimo), es decir:
Maximizar CX Minimizar CX
AX = B AX = B
X X
FORMA CANÓNICA (matricial)

Un PL en forma canónica es aquel que:
- en caso de máximo, todas las restricciones son del tipo .
- en caso de mínimo, todas las restricciones son de .
AX  B AX  B
X X
56 CAPÍTULO 3
FORMA MIXTA (matricial)

Cuando las restricciones son de cualquier tipo, cualquiera sea el sentido
de optimidad de la FO, decimos que el PL es mixto.
AX [ , =,  ] B AX [ , =,  ] B
X X
SUPUESTOS DEL MODELO

Este modelo tiene implícitos ciertos supuestos, algunos de los cuales son
obvios, mientras que otros no tanto. De todas maneras, es importante
tenerlos presente al momento de analizar un problema. Ellos son:
✓ Un único objetivo que está sujeto a restricciones y a las
restricciones de no negatividad de las variables.
✓ Aditividad, lo que implica que las contribuciones de los productos
individuales son aditivas.
✓ Proporcionalidad, esto es que tanto la función objetivo como las
restricciones deben ser proporcionales al nivel de las variables.
✓ Divisibilidad, es decir que las variables deben ser divisibles a
cualquier nivel fraccionario.
✓ Certidumbre, lo que supone que los parámetros del modelo se
conocen con certeza.
3. MÉTODO GRÁFICO PARA RESOLVER PROGRAMAS LINEALES

Nos interesa ahora resolver nuestro problema, es decir, poder indicarle
al decisor cuántos metros cuadrados de cada cerámico deberá producir
mensualmente para maximizar su beneficio.
Resolver un programa lineal significa encontrar un conjunto de valores
para las variables de decisión que, cumpliendo con todas las
restricciones –incluidas las de no negatividad–, optimicen la función
objetivo.
De acuerdo a lo anterior y como el modelo tiene solo dos variables de
decisión (x1 y x2), para solucionar el problema de la fábrica de
cerámicos podemos utilizar el método gráfico.
Para identificar la solución óptima, debemos encontrar primero el
conjunto de todos los valores de x1 y x2 que son solución del sistema de
inecuaciones de restricción y, luego de todos ellos, identificar cuál
optimiza a la función z. Lo hacemos de la siguiente manera:
1. Encontramos el conjunto de puntos que es solución de la primera

restricción. Para hacer esto, dibujamos la recta representativa de la
igualdad 5x1+5x2 = 300 y, a continuación, verificamos cuál es el
semiplano que cumple con la restricción 2. x2
100
Siempre debemos tener en cuenta que las restricciones de no

95
90
negatividad ubican el gráfico en el primer cuadrante.

85
80
75
70
x2 65
60 Payoff: 3.0 x1 + 6.0 x2 = 1135.7
55
50
5 x1 + 5 x2  300
45
40
35
30
25
20
15
10
x
0
x1
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 1 90 95 100
: 5.0x1 + 5.0x2 <= 300.0

Gráfico 1
2. A continuación, identificamos el conjunto de puntos que es solución

de las dos primeras restricciones. Para ello, introducimos en el gráfico a
la restricción: 4x1 + 8x2  400, verificamos cuál es el semiplano que es
solución de esta restricción y luego identificamos el conjunto de puntos
x2
100
95
solución de ambas restricciones. Hacemos lo mismo hasta incluir a todas

90
85
80
las restricciones. 75
70
x2 65
60 Payoff: 3.0 x1 + 6.0 x2 = 1135.7
55
50
45 5 x1 + 5 x2  300
40
35 4 x1 + 8 x2  400
30
25
20
15
10
xx11
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
: 5.0x1 + 5.0x2 <= 300.0

: 4.0x1 + 8.0x2 <= 400.0 Gráfico 2
Gráfico 3
3. Una vez encontrado el conjunto solución o región factible, para

identificar la solución óptima debemos graficar la función z.
Para nuestro problema, z = 8 x1 + 6 x2, siendo la forma explícita de la
ecuación de esta recta:
2
Esto se logra reemplazando en la inecuación a x1 y x2 por las coordenadas de un punto,
como por ejemplo el (0, 0).
58 CAPÍTULO 3
z 8
x2 = − x1
6 6
Observemos que esta ecuación define a una “familia” de rectas paralelas

y que, a medida que se incrementa el valor de z (contribución total en
este caso), se obtienen rectas paralelas cada vez más alejadas del
origen. Esto nos permite afirmar que el sentido de optimidad en el
desplazamiento de z será alejándola del origen y, como consecuencia, el
punto de mayores utilidades será el último punto de contacto entre z y
el polígono de soluciones.
Notemos que no se habla del punto más alejado del origen, ya que esto
involucra el concepto de distancia al origen, el cual no es acertado en
este caso.
Para identificar este punto, se debe introducir la recta z en el gráfico.
Luego, la desplazamos en su sentido de optimidad.
Es aconsejable darle
a z un valor arbitrario
para poder dibujarla.
Gráfico 4
Analice cuál es el
sentido de optimidad
si el objetivo fuera:
max z = 8x1 – 6x2
Gráfico 5
Vemos que el punto óptimo se forma con la intersección de las

restricciones de horas de mano de obra y de horas de cocción. Para
encontrar la solución óptima, se debe resolver el sistema de ecuaciones:
6 x1 + 4 x2 = 320
5 x1 + 5 x2 = 300
Solución óptima:
x1 = 40 m2
x2 = 20 m2
Valor de la función objetivo en el óptimo:

Z = $440
Horas requeridas para Horas Horas Tipo de

x1= 40 m2 y x2= 20 m2 disponibles no utilizadas restricción
HMO 5(40) + 5(20) = 300 300 0 Limitante
Horas de
4(40) + 8(20) = 320 400 80 No limitante
secado
Horas de
6(40) + 4(20) = 320 320 0 Limitante
cocción
Tabla 2
En la tabla anterior podemos observar que existen 80 horas de secado

que no han sido utilizadas (S2 = 80), en tanto que para las horas de
mano de obra y de cocción se utilizaron todos los recursos.
En definitiva, la respuesta que podemos darle al responsable de la
empresa es que, para obtener la máxima contribución total a las
utilidades –que será de $440– debe fabricar 40 unidades del producto I
y 20 unidades del producto II. Siguiendo este plan de producción,
utilizará todas las horas de mano de obra y todos los materiales
disponibles, quedando sin usar 80 horas máquina.
Resumen de los pasos en la aplicación del método gráfico:
1. Identificar el conjunto de soluciones posibles del problema o
región factible.
2. Trazar la recta representativa de la función objetivo.
3. Desplazar la recta en el sentido de optimización hasta identificar
el último punto de contacto entre la recta y la región factible.
Este punto es la solución óptima y corresponde a un vértice del
polígono de soluciones.
4. Encontrar los valores de las variables que optimizan la función
objetivo, resolviendo en forma simultánea las ecuaciones de
restricción que determinan el punto óptimo.
5. Encontrar los valores de las variables de holgura/excedente,
reemplazando los valores de las variables de decisión en cada
una de las ecuaciones de restricción.
6. Encontrar el valor de Z reemplazando los valores de las variables
en la función objetivo.
En los casos en que el problema tiene más de tres variables de decisión,
es imposible utilizar el método gráfico. Esto resulta una gran limitación,
ya que los problemas reales tienen gran cantidad de variables y
restricciones. Afortunadamente, existe un método algebraico para
resolver programas lineales que se llama método simplex, el cual
veremos en detalle más adelante.
60 CAPÍTULO 3
UN PROBLEMA DE MINIMIZACIÓN
El dueño de una pequeña tienda de mascotas prepara una mezcla
especial de comida para los perros que tiene en guardería durante el fin
de semana combinando dos alimentos, a los que llamaremos I y II.
El veterinario ha sugerido que la grasa contenida en la mezcla no debe
superar los 300 gramos y que, por lo menos, debe tener 40 unidades de
vitamina A.
El alimento I contiene 10 g de grasa y 4 unidades de vitamina A por
cada kg, mientras que el II contiene 20 g de grasa y 3 unidades de
vitamina A por kg. También aconsejó incluir en la mezcla por lo menos 3
kg de alimento II.
Además de lo indicado por el veterinario, debe tener en cuenta que del
alimento I solamente puede conseguir hasta 8 kg por semana y que,
debido a la cantidad promedio de perros en la guardería, necesita por lo
menos 12 kg de mezcla por fin de semana.
El costo del alimento I es de $5 por kg y el del alimento II es de $7 por
kg.
Para modelizar este problema, debemos identificar el objetivo, definir
las variables y enunciar las restricciones en forma verbal.
Objetivo: minimizar el costo total de la mezcla de alimentos.
Variables:
x1 = kg de alimento tipo I a incluir en la mezcla
x2 = kg de alimento tipo II a incluir en la mezcla
Restricciones:
- El contenido máximo de grasa en la mezcla no debe superar los
300 g.
- La mezcla debe contener por lo menos 40 unidades de vitamina A.
- Se pueden conseguir hasta 8 kg. de alimento I por semana.
- La mezcla debe contener por lo menos 3 kg. del alimento II.
- Se necesitan por lo menos 12 kg. de mezcla por fin de semana.
- Las variables no pueden asumir valores negativos.
El modelo de PL para este problema es el siguiente:

Min 5x1 + 7x2

sa
10x1 + 20x2  300
4x1 + 3x2  40
x1  8
x2  3
x1 + x2  12
x1 , x2  0
Resolvemos gráficamente siguiendo los pasos anteriormente

enumerados en el método:
1. Identificamos a la región factible, es decir, al conjunto de puntos que
es solución de todas las inecuaciones del sistema de restricciones del PL.
Gráfico 6
2. Introducimos en el gráfico a la recta representativa de z y luego la

desplazamos en su sentido de optimidad para identificar al punto
óptimo.
Como en este caso la función objetivo representa un costo, al disminuir
el valor de z en la ecuación de la recta, la ordenada al origen también
disminuye y, por lo tanto, podemos decir que el sentido de optimidad de
z se encuentra desplazándola hacia el origen.
En el gráfico siguiente, se representa a z con línea de puntos:
Gráfico 7
62 CAPÍTULO 3
Podemos observar que el punto óptimo se forma por la intersección de

las rectas que representan a las restricciones:
x1  8
x1 + x2  12
Con ellas, planteamos un sistema de dos ecuaciones que nos permitirán
determinar los valores de las variables de decisión.
A continuación, se encuentran los valores de las variables de
holgura/excedente reemplazando a las variables de decisión por sus
respectivos valores en las restricciones.
La solución completa es:
VARIABLE VALOR
x1 8
x2 4
S1 140
S2 4
S3 0
S4 1
S5 0
Esta solución óptima le da a la FO el valor Z = $68.
El informe al dueño de la tienda de mascotas debería contener, como

mínimo, la siguiente información:
- Cantidad de mezcla a preparar por fin de semana: 12 kg.
- Composición: 8 kg del alimento tipo I y 4 kg del alimento tipo II.
- Costo de la mezcla por fin de semana: $68.
Especificaciones técnicas:
- Contiene 1 kg. por encima del mínimo requerido del alimento II y
exactamente el máximo permitido del alimento I.
- La cantidad de grasa aportada es de 160 g y contiene 44 unidades
de vitamina A.
4. CONCEPTOS BÁSICOS
A continuación, enunciaremos algunos conceptos necesarios para
continuar con el desarrollo de este capítulo.
Combinación lineal convexa de vectores: es una combinación lineal
convexa de r vectores V1, V2, ..., Vr es otro vector V, tal que:
V = 1V1 + 2V2 +........+ rVr
r
Con la condición de que los i  0 y  αi = 1 , para i= 1, 2, ..., r
i=1
Por ejemplo, para el caso de dos dimensiones, si realizamos una

combinación lineal convexa de dos vectores obtendremos como
resultado un punto (vector) que pertenece al segmento de recta que los
une. Gráficamente:
x2
V1
V2
x1
Gráfico 8
Conjunto convexo: un conjunto de puntos S es un conjunto convexo si

el segmento rectilíneo que une cualquier par de puntos de S se
encuentra completamente en S.
Observemos que, de las figuras que se muestran a continuación, las dos
primeras son conjuntos convexos en tanto que la tercera no lo es.
Para cualquier conjunto convexo S, un punto P es un punto extremo si

para cada segmento rectilíneo que se encuentra completamente en S y
que pasa por P, P es un extremo del segmento rectilíneo.
Para un problema de PL, en forma estándar, con m ecuaciones de

restricción y n variables incluidas las de holgura o excedente,
enunciamos los siguientes conceptos respecto al conjunto de soluciones
del problema:
Solución factible o posible de un PL (SF): es un conjunto de valores
de las variables xj que verifican el sistema de restricciones, incluidas las
de no negatividad.
Solución factible básica (SFB): es toda solución factible que tiene
como máximo m variables positivas o, lo que es lo mismo, tiene al
menos n-m valores de las variables nulos. El número máximo de
soluciones básicas se calcula de la siguiente manera:
n!
Cnm =
m!(n - m)!
64 CAPÍTULO 3
Solución factible básica no degenerada: tiene exactamente m

variables positivas, o exactamente n-m variables nulas.
Solución factible básica degenerada: tiene menos de m variables
positivas, o más de n-m variables nulas.
Solución óptima: es toda solución que le da a la función Z el máximo
(o mínimo) valor.
Podemos resumir estos conceptos en el siguiente diagrama:
SOLUCIÓN FACTIBLE O POSIBLE

Todas las xj ≥ 0
SOLUCIÓN FACTIBLE NO BÁSICA SOLUCIÓN FACTIBLE BÁSICA

Más de m xi > 0 No más de m xi > 0
NO DEGENERADA DEGENERADA
Exactamente m xi > 0 Menos de m xi > 0
Gráfico 9
5. CONSIDERACIONES RESPECTO AL CONJUNTO DE SOLUCIONES

A partir del gráfico del problema de la fábrica de cerámicos, analicemos,
en una tabla, algunos puntos del conjunto de soluciones del problema.
Para cada uno de ellos, determinemos si las variables (decisión y
holgura) son positivas o nulas:
Observe que en los puntos

A B C D E
que corresponden a los x1 >0 >0 =0 >0 >0
vértices A, B y C la x2 >0 >0 >0 >0 >0
solución es posible básica S1 =0 =0 >0 >0 >0
(m variables positivas) en
S2 =0 >0 =0 >0 >0
tanto que en los puntos D
y E las soluciones son
S3 >0 =0 >0 =0 >0
posibles no básicas (más
de m variables positivas).
Considerando lo analizado hasta el momento, podemos hacer las

siguientes observaciones:
✓ Para cumplir con las restricciones de no negatividad de las

variables, gráficamente se trabaja siempre en el 1º cuadrante.
✓ El poliedro de soluciones es un conjunto convexo.

✓ Los puntos que resulta necesario considerar para buscar el óptimo
son los que se encuentran sobre la frontera de la región factible.
✓ En particular podemos observar que, si el PL tiene solución, esta
se encontrará en, al menos, uno de los vértices.
✓ Se puede obtener la solución en cada vértice resolviendo en forma
simultánea las ecuaciones lineales que lo determinan.
✓ Las soluciones factibles en los vértices son soluciones factibles
básicas.
✓ Todos los puntos del poliedro de soluciones verifican las
restricciones, es decir que el problema tiene infinitas soluciones
factibles.
✓ En todo punto situado sobre una recta no hay sobrante de ese
insumo.
✓ En las ecuaciones determinantes del óptimo (restricciones
limitantes), no hay sobrantes de insumos, por lo tanto, las
variables de holgura son nulas.
✓ En las ecuaciones no determinantes del óptimo (restricciones no
limitantes) siempre hay sobrantes de insumos, o sea, las variables
de holgura son positivas.
✓ Si el funcional verifica su máximo valor en un único vértice del
poliedro, significa que el problema tiene una única solución
óptima.
✓ Si z fuera paralela a una restricción limitante, el problema tendría
infinitas soluciones óptimas.
✓ Si el óptimo se verifica en un vértice donde se cruzan tres o más
rectas de restricción, la solución óptima es degenerada.
6. TEOREMAS DE COMBINACIONES LINEALES CONVEXAS DE

SOLUCIONES FACTIBLES
Enunciaremos una serie de teoremas relacionados con las soluciones

factibles de los problemas lineales, los que resultarán de utilidad en
desarrollos posteriores.
TEOREMA 1
Este teorema se enuncia como: “Toda combinación lineal convexa de
soluciones factibles de un programa lineal es otra solución factible de
dicho programa”.
Para demostrarlo, partimos de un PL estándar matricial:
66 CAPÍTULO 3
Maximizar CX
AX = B
X
Sean X1, X2, ..., Xr, r vectores soluciones del PL, por lo tanto, se
verificará:
AX1 =B
AX2 =B
...... (1)
AXr =B
Si multiplicamos miembro a miembro las ecuaciones del sistema (1) por

escalares 1; 2, ..., r respectivamente, con la condición que,
r
αi ≥ 0 y ∑ αi = 1
i=1
tendremos:
1 A X1 = 1 B
2 A X2 = 2 B
......... (2)
r A Xr = r B
Sumando miembro a miembro:

r r
∑ αi A Xi = ∑ αi B
i=1 i=1
Podemos extraer factor común premultiplicando el primer miembro por

A y el segundo por B, entonces queda:
r r
A ∑ αi Xi = B ∑ αi
i=1 i=1
Siendo,
r
∑ αi = 1
i=1
el vector resultante de la combinación convexa,
∑ αi Xi = Xk
i=1
será también una solución factible del PL, es decir:

AXk = B
En consecuencia, queda demostrado el teorema.

Corolario del teorema 1: “El conjunto de todas las soluciones factibles
de un PL, si no es vacío, es un conjunto convexo. Es decir que, si no es
vacío, está formado por un único elemento o por una infinidad”.
TEOREMA 2
“Si existe más de una solución factible que le den el mismo valor a la
función objetivo, cualquier combinación lineal convexa de las mismas
dará al funcional igual valor”.
La demostración de este teorema es similar al anterior. Partimos de un
PL en forma estándar matricial:
Maximizar CX
AX = B
X
Sean X1, X2, Xr, r vectores soluciones del PL que dan a la función
objetivo igual valor, por lo tanto, se verificará:
CX1 = Z0
CX2 = Z0
. .. .. (3)
CXr = Z0
Si multiplicamos miembro a miembro las ecuaciones del sistema (3) por
escalares 1; 2, ..., r respectivamente, con la condición de que
r
i  0 y,  i = 1 i= 1, 2, ..., r,
i=1
tendremos:
1CX1 = 1 Z0
2CX2 = 2Z0 (4)
. . .
r CXr = r Z0
Si ahora sumamos miembro a miembro, obtendremos:
r r
 αiC Xi = i=1
i=1
 αi Z0
de donde,
r r
C αi Xi = Z0  αi
i=1 i=1
Como,
r
 i = 1
i=1
tendremos que el vector resultante de la combinación convexa

r
  X = Xk
i=1 i i
68 CAPÍTULO 3
es también una solución factible del PL que otorga a la función de

decisión el mismo valor Z0, es decir:
CXk = Z0
En consecuencia, de acuerdo a los teoremas 1 y 2, podemos afirmar que
cualquier combinación convexa de soluciones factibles óptimas es
también una solución factible óptima.
Por lo cual, respecto al conjunto de soluciones factibles óptimas,
decimos que es un conjunto convexo que, si no es vacío, está formado
por un elemento o por una infinidad.
TEOREMA 3
“Si un PL es resoluble –es decir, que posee óptimo–, existirá siempre
por lo menos una solución factible básica que también sea óptima” 3.
7. MÉTODO SIMPLEX
Este método, desarrollado por George Dantzig en 1947, permite
encontrar la solución óptima de cualquier programa lineal, cualquiera
sea el número de variables y ecuaciones que lo forman, e identificar
aquellos problemas que no tienen solución, o cuya solución óptima es no
acotada4.
El algoritmo parte de una solución básica inicial (SF en un vértice) y, a
través de sucesivas iteraciones, explora sistemáticamente los vértices
del poliedro de soluciones del programa lineal hasta identificar la
solución óptima.
Si bien con posterioridad se han desarrollado métodos que teóricamente
son más eficientes en tiempo computacional para problemas de gran
tamaño, simplex ha demostrado, en la práctica, un mejor desempeño en
la mayoría de los casos, razón por la cual es aún el de mayor difusión.
El método simplex tiene en cuenta las siguientes propiedades de los
puntos extremos o soluciones factibles básicas:
1. a) Si existe exactamente una solución óptima, entonces debe ser

una solución de punto extremo.
b) Si existen soluciones óptimas múltiples, entonces al menos
dos de ellas deben ser soluciones factibles en puntos extremos
adyacentes (solo se consideran las soluciones factibles).
2. Existe solo un número finito de puntos extremos (soluciones
factibles básicas).
3. Si una solución en un vértice es igual o mejor (según el valor de
la función objetivo) que todas las soluciones factibles en los
vértices adyacentes a ella, entonces es igual o mejor que todas
las demás soluciones en los vértices, es decir, es óptima.
3
La demostración de este teorema puede consultarse en Gass (1979), Capítulo 3.
4
El teorema que fundamenta el método simplex se enuncia y demuestra en el Anexo 2, al
final de este Capítulo.
Recordemos que, gráficamente, cada vértice se forma por la

intersección de las rectas representativas de las restricciones y que los
valores de las variables para cada punto extremo se encuentran
resolviendo en forma simultánea las ecuaciones de restricción
correspondientes a ese vértice. A su vez, cada punto extremo o vértice
corresponde a una solución posible básica del problema.
El método simplex, basándose en estas conclusiones generales, analiza
sistemáticamente los puntos extremos de la región factible hasta
identificar el punto óptimo, asegurándose en cada paso que el vértice
analizado no es peor que el anterior, esto es, que le dé a la función
objetivo un valor mejor o al menos igual que el anterior.
UNA VISIÓN GRÁFICA DEL MÉTODO

Trabajemos un problema de fabricación de productos a los que
llamamos PI y PII. Los datos del problema se muestran en la tabla.
Su formulación matemática:
Definición de variables
x1: cantidad a producir del producto 1
x2: cantidad a producir del producto 2
Max z = 4 x1 + 7 x2
Sujetas las variables xj a:
10 x1 + 10 x2 ≤ 980 (h mano de obra)
12 x1 + 24 x2 ≤ 1932 (h máquina)
15 x1 + 10 x2 ≤ 1250 (unidades de material prima)
xj  0, j = 1, 2
Resolvemos gráficamente
x2
120
114
x
108 2
102
Vértice
96
90
: 15.0 x1 + 10.0 x2 = 1250.0
84
78
72
óptimo
66
60
54
48 Payoff: 4.0 x1 + 7.0 x2 = 292.3
42
36
30 : 12.0 x1 + 24.0 x2 = 1932.0
24
18 : 10.0 x1 + 10.0 x2 = 980.0
12
6
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 x150
1 160 170 180 190 200 x1
Gráfico 10
: 10.0x1 + 10.0x2 <= 980.0
: 12.0x1 + 24.0x2 <= 1932.0
: 15.0x1 + 10.0x2 <= 1250.0
70 CAPÍTULO 3
Si analizamos el poliedro de soluciones factibles, podemos observar que,

para cualquier punto interior del mismo, siempre habrá un punto de la
frontera que le da a la función objetivo un mejor valor, cualquiera sea el
objetivo y cualquiera sea la inclinación de la recta que lo representa.
Además, como las restricciones son lineales y la función objetivo
también, el óptimo se dará en al menos un vértice del poliedro. Decimos
en al menos un vértice porque la recta de isoutilidad (o isocosto) puede
coincidir con dos vértices del poliedro de soluciones y, en ese caso,
tendríamos dos vértices óptimos y los infinitos puntos del segmento de
recta que los une.
También, analizando las soluciones del gráfico, observamos que los
vértices corresponden a soluciones factibles básicas, es decir que en
ellas tenemos como máximo m valores positivos y los restantes nulos,
por lo que podemos concluir que la solución óptima (si existe) será una
solución factible básica.
Esto que se observa en el gráfico está probado por el teorema
fundamental de la PL: “Si un problema de programación lineal tiene
solución óptima, existirá siempre por lo menos una solución factible
básica (vértice) que también sea óptima”. Justamente en este teorema
se basa el algoritmo simplex.
Simplex parte de una solución básica inicial y, a través de sucesivas
iteraciones, explora sistemáticamente los vértices del poliedro de
soluciones del programa lineal hasta identificar la solución óptima.
Por otro lado, sabemos que el número máximo de soluciones factibles
básicas está dado por Cnm , entonces, simplex identificará el óptimo en
un número finito de pasos cuyo máximo está dado justamente por este
combinatorio.
El método consta de dos fases: en la primera identifica una solución
factible básica (vértice) y la segunda corresponde al mejoramiento de
esta hasta llegar al óptimo.
Analicemos el método en un gráfico:
Gráfico 11
Supongamos que se identifica como primer SFB de partida al vértice 0,

lo primero que simplex analiza es si es solución óptima o no, y lo hace a
través de un criterio de optimidad, y evidentemente que este vértice no
es óptimo.
Si el vértice no es óptimo, entonces debe decidir hacia dónde se mueve.
Siempre pasa de un vértice a otro adyacente (el otro vértice del mismo
lado), en nuestro caso será al A o al B. Esto se debe a que solo cambia
de una variable por vez, es decir que una variable que en ese vértice es
igual a cero asumirá un valor positivo y, por lo tanto, una de las que son
positivas asumirá el valor cero. Para decidir hasta qué vértice conviene
desplazarse, analiza la tasa de cambio de z, es decir, en cuánto se
incrementa z si se mueve una unidad hacia el vértice A y cuál será el
incremento si se mueve hacia B. Supongamos que se mueve hacia A, es
decir, se incrementa x2, el incremento por cada unidad será de $7; y si
se mueve hacia B, el incremento por unidad será de $4. Como se trata
de un problema de maximización, no tendremos dudas de que conviene
desplazarse hacia el vértice A. Es necesario aclarar que, partiendo del
vértice 0, la tasa de crecimiento de z coincide con los coeficientes cj,
pero, como veremos al analizar en detalle el algoritmo, esta situación no
se repite para los restantes vértices.
Ahora bien, por cada unidad que se mueva sobre el eje x 2, z crecerá en
$7, por lo que conviene desplazarse lo más posible, pero sin salir del
poliedro de soluciones. Simplex utiliza también un criterio que le permite
saber cuánto puede desplazarse sin salirse de la región factible, es decir
que le indica cómo llegar al vértice A.
Observe que el vértice A es un SFB, ya que tiene tres variables positivas
(x2, S1 y S3) y dos variables nulas (x1 y S2). Si analizamos el punto F,
veremos que se trata de una Solución Básica No Factible (SBNoF)
porque en este vértice, S2 es negativa, ya que está por encima de la
recta que representa el máximo uso de ese recurso (R2). Por esto, se
debe tener cuidado de no pasar de una SFB a una SBNoF.
Si analizamos cuáles variables son positivas y cuáles son iguales a cero,
veremos que en A x2, que antes era igual a cero, ahora es positiva; y la
holgura correspondiente a las Horas Máquina (S2), que antes era
positiva, ahora es igual a cero. Gráficamente hemos pasado de un
vértice a otro adyacente cambiando una variable; en este punto
extremo, las variables básicas (las que son positivas) son x 2, S1 y S3 y
las no básicas (o variables nulas), x1 y S2.
Una vez que se llega al vértice A, nuevamente se analiza si esta SFB es
óptima y, si no lo es, a cuál vértice, de los adyacentes, conviene
moverse. Continúa de esta manera hasta identificar a la solución
óptima.
72 CAPÍTULO 3
PASOS DEL MÉTODO SIMPLEX

Teniendo en cuenta lo expresado en el Teorema 3, el algoritmo simplex
busca el óptimo de un problema de PL recorriendo algunos de los
vértices del poliedro del conjunto de soluciones factibles de manera que
el valor de la función objetivo mejore en cada desplazamiento. Es decir
que analiza las soluciones posibles básicas del problema hasta encontrar
la óptima, resolviendo en cada paso un sistema de “m” ecuaciones con
“n” variables, de las cuales “n-m” son iguales a cero.
El método consiste fundamentalmente en dos fases: en la primera se
identifica una solución posible básica que sirva de punto de partida; y en
la segunda fase, o fase iterativa, se analiza si dicha solución es o no
óptima y, si no lo es, a partir de ella se encuentra una mejor.
El simplex trabaja con tablas. Cada una de ellas corresponden a un
punto extremo o vértice del conjunto de soluciones factibles, es decir, a
una solución posible básica; y resumen toda la información necesaria de
cada solución.
Primera Fase: identificación de una solución factible básica. Los pasos

a seguir en esta etapa son:
1. Convertir el modelo a su forma estándar. Esto se logra sumando una

variable de holgura al lado izquierdo de las restricciones de  y
restando una variable de excedente en los primeros miembros de las
restricciones de . Estas variables deberán interpretarse de acuerdo
al significado de la restricción de que se trate, sin embargo, en la
función objetivo llevan un coeficiente nulo, ya que no agregan nada al
objetivo. En el caso de que en el vector del lado derecho exista algún
valor negativo, deberán multiplicarse ambos miembros de la
restricción por -1.
2. Analizar la matriz de coeficientes del sistema de ecuaciones de

restricción y ver si en ella existen m vectores unitarios con
configuración de matriz identidad5. Las variables cuyos coeficientes
técnicos (aij) se corresponden con la submatriz identidad serán las
variables consideradas básicas en la solución inicial y sus valores en
la solución serán los términos independientes de las restricciones (b i).
El resto de las variables serán consideradas no básicas y, por tanto,
su valor en la solución será cero. Si la matriz A no contiene una
submatriz identidad o existe algún componente negativo en el vector
B, no se puede determinar en esta instancia una solución factible
básica inicial y, por lo tanto, no es posible comenzar con simplex6.
5
O bien m vectores, tal que permutando el orden de sus columnas tengan configuración
de matriz identidad.
6
Posteriormente se analizará la forma de solucionar este inconveniente a fin de hallar una
solución básica de partida.
3. Armar la tabla de partida, tomando como solución básica inicial la

correspondiente a los vectores unitarios identificados en la etapa
anterior.
Segunda Fase: mejoramiento de la solución. En esta segunda fase se

analiza si la solución encontrada es óptima o no, y esto se hace a través
de un criterio de optimidad, el que indica si es posible mejorar o no el
valor de z.
Si la solución no es óptima, entonces se debe pasar a otra SFB haciendo
un cambio de variables en la base. Es decir que alguna variable no
básica –nula– pasa a ser básica –positiva– y alguna variable básica pasa
a ser no básica. Esto se conoce como “determinación de la variable que
entra y la variable que sale de la base”.
A continuación, se actualiza la tabla simplex y se analiza nuevamente la
solución. El procedimiento continúa hasta que el criterio de optimidad
indica que la solución hallada es óptima.
1. Análisis de la solución: investigar si la solución encontrada se puede

mejorar. Para ello, analizar las diferencias cj-zj. Estos valores miden
el incremento de la función objetivo ante un aumento unitario en el
valor de cada una de las variables no básicas. Por lo tanto:
• Si una variable no básica que tenga asociado un (cj-zj)>0 ingresa
a la base, el valor de z aumentará.
• Si una variable no básica que tenga asociado un (cj-zj)<0 ingresa
a la base, el valor de z disminuirá.
• Si una variable no básica que tenga asociado un (cj-zj)=0 ingresa
a la base, el valor de z no se alterará.
Como consecuencia de lo anterior, la prueba de optimidad dice:
➢ En problemas de maximización, la solución es óptima si todas las
diferencias (cj-zj) son  0.
➢ En problemas de minimización, la solución es óptima si todas las
diferencias (cj-zj) son  0.
2. Variable de entrada: determinar la variable que ingresará a la

base. La variable que entra a la base debe ser aquella que tenga el
mayor incremento positivo en el caso de maximización (o mayor
incremento negativo en el caso de minimización), ya que esta es la
variable que aumenta (disminuye) más rápidamente el valor de la
función objetivo. Entonces:
• Si Z es de Maximización, ingresa la variable que verifica mayor
diferencia marginal (cj-zj) > 0.
• Si Z es de Minimización, ingresa la variable que verifica menor
diferencia marginal (cj-zj) < 0.
74 CAPÍTULO 3
3. Variable de salida: para determinar la variable que sale de la base, se

ij selecciona aquella que tenga el menor cociente entre su valor en la
En general,
representa a los solución actual (  i ) y el coeficiente ik (siendo k la variable que
coeficientes de la
columna de la
entra) siempre y cuando dicho coeficiente sea estrictamente positivo,
variable xj. es decir:
i
= min ; ik  0
ik
Este cociente representa el máximo valor que puede tomar la variable

entrante, antes que viole las restricciones de no negatividad.
Si todos los ij son ≤ 0, la solución es no acotada. Esto significa que la
función objetivo podría incrementar (disminuir) infinitamente su valor.
Esta situación es prácticamente imposible en la realidad, por lo cual
corresponde detener el proceso de cálculo y revisar la modelización del
problema.
4. Actualización: se debe actualizar la tabla mediante operaciones

elementales en filas.
5. Criterio de detención: el proceso se detiene cuando:
• Si Z es de Maximización: (cj-zj)  0; j
• Si Z es de Minimización: (cj-zj)  0; j
• Para alguna variable no básica que pueda entrar a la base se
verifica que todos los ij son ≤ 0
EJEMPLO DE APLICACIÓN
Retomando nuestro problema de la fábrica de cerámicos, una vez
agregadas las variables de holgura a su formulación, nos queda:
Max z = 8x1 + 6x2 + 0S1 + 0S2 + 0S3

sa
5x1 + 5x2 + S1 = 300
4x1 + 8x2 + S2 = 400
6x1 + 4x2 + S3 = 320
x1 , x2 ,S1 ,S2 y S3  0
Una primera solución posible básica puede encontrarse igualando a cero

x1 y x2. De esta manera, la solución será:
x1 = 0
x2 = 0
S1 = 300
S2 = 400
S3 = 320
y el valor de la función objetivo es Z = 0

Como vemos, se trata de la solución posible básica que corresponde al
punto (0,0) en la solución gráfica.
A las variables que son iguales a cero en una SFB se las denomina
“variables no básicas” y a las que asumen un valor positivo, “variables
básicas”.
Una forma de identificar las variables que serán básicas en la solución
de partida consiste en analizar la matriz A de coeficientes del sistema de
ecuaciones de restricción:
5 5 1 0 0 
 
4 8 0 1 0 
6 4 0 0 1 
Obsérvese que las columnas que corresponden a las variables básicas

son vectores unitarios, esta es justamente la característica que nos
permite identificar las variables que estarán en la base en la primera
solución.
Es conveniente expresar esta solución, útil como punto de partida para
el simplex, en una tabla (para facilitar los cálculos que el método
requiere).
A continuación, se presenta la estructura de una tabla simplex con su
descripción:
76 CAPÍTULO 3
CB
CB Base VLD NOMBRE DE LAS VARIABLES
zj
cj - zj
Tabla3
Columna Base: nombre de las variables básicas. Hay un renglón para cada
variable básica y este renglón tiene un 1 en la columna que corresponde a dicha
variable básica.
Columna CB: coeficientes que preceden a las variables básicas en la función
objetivo.
Fila CB: coeficientes que tienen cada una de las variables en la función objetivo.
Columna VLD (vector del lado derecho): contiene los valores de las
variables básicas en la presente solución y el valor de la función objetivo.
El cuerpo de la tabla contiene tantas filas como ecuaciones de restricción
tenga el problema, más dos renglones, uno para zj y otro para cj – zj; y
tantas columnas como variables tenga el problema.
Cálculo de la fila zj: se determina cada valor como la suma de los
productos que se obtienen multiplicando los elementos de la columna C B
por los elementos correspondientes de la j-ésima columna.
Cálculo de la fila cj - zj: se determina cada valor restando zj de cj.
Representamos la solución de partida en la tabla 4:
cB 8 6 0 0 0
Verifique en la
solución gráfica que cB Base VLD x1 x2 S1 S2 S3
esta solución
0 S1 300 5 5 1 0 0
corresponde al vértice
(0,0). 0 S2 400 4 8 0 1 0
0 S3 320 6 4 0 0 1
zj 0 0 0 0 0 0
cj - zj 8 6 0 0 0
Tabla 4
En la columna VLD se encuentra la primera solución, que es como ya lo

habíamos dicho:
x1 = 0
x2 = 0
S1 = 300
S2 = 400
S3 = 320
En esta solución, Z = 0.
Una vez identificada la solución de partida, pasamos a la segunda fase

del método o fase iterativa. En esta, debemos analizar si la solución
actual es óptima o no y, en este último caso, hallar una nueva solución
que le proporcione un mejor valor a la función objetivo.
Para saber si la solución encontrada en la tabla 2 es óptima o no, se
utiliza el criterio de optimidad –para problema de maximización–: la
solución será óptima cuando todas las diferencias c j – zj sean menor o
igual que cero. Podemos observar que, para nuestro ejemplo, hay dos
valores positivos, por lo tanto, la solución no es óptima.
Para encontrar una nueva SFB, hay que tener en cuenta que alguna de
las variables no básicas en la solución actual deberá ingresar a la base y
que alguna de las variables básicas deberá salir de la base actual (esto
es, asumir un valor nulo en la nueva solución).
Primero se selecciona la variable que ingresa a la base y luego la
variable que sale. Se debe seguir el siguiente criterio:
- En caso de máximo:
Ingresa a la base a variable que verifica mayor diferencia marginal (c j-
zj) > 0. En este caso, la variable que entra es x1 y, a continuación,
marcamos la columna correspondiente.
Sale de la base, se selecciona la variable que tenga el menor cociente
entre su valor actual (  i ) y el coeficiente ij (siendo j=k la variable
que entra) siempre y cuando dicho coeficiente sea estrictamente
positivo, es decir:
i
 = min ; ij  0
ij
Una vez determinada la variable que sale de la base, en este caso S 3,
marcamos la fila correspondiente:
cB 8 6 0 0 0
cB Base VLD x1 x2 S1 S2 S3
0 S1 300 5 5 1 0 0 300/5=60
0 S2 400 4 8 0 1 0 400/4=100
0 S3 320 6 4 0 0 1 320/6=53,33
zj 0 0 0 0 0 0
cj - zj 8 6 0 0 0
Tabla 5
Seleccionadas la variable que ingresa y la que sale de la base, debemos

calcular la nueva SFB (otro vértice). Esto se logra incorporando la
variable que entra y eliminando la variable que sale. En esta nueva
solución, las variables básicas serán:
S1, S2 y x1
y las variables no básicas:
x2 y S3.
78 CAPÍTULO 3
El valor de la FO en la nueva solución será:
(
Znuevo = Z0 + C j − Zj  )
Como x1 reemplaza a S3, la columna correspondiente a x1 en la nueva
tabla deberá ser el vector unitario:
0 
0 
 
1 
Por lo tanto, tendremos que hallar una matriz equivalente a la matriz A

de la solución anterior. Para lograr esto, se emplean las siguientes
operaciones elementales en filas:
 multiplicar una fila por un número distinto de cero.
 sumarle a una fila otra multiplicada por un número.
Explicamos a continuación el procedimiento para obtener la nueva

solución:
1º Armamos nuevamente la tabla colocando a x1 en la base, en lugar de

S3, con su correspondiente coeficiente en la columna CB.
cB 8 6 0 0 0
0 S1
0 S2
8 x1
zj
cj - zj
Tabla 6
2º El número que se encuentra en la intersección entre la columna de la

variable que entra y la fila de la variable que sale se llama “elemento
pivot” y, en la nueva solución, tiene que ser igual a uno. Para esto,
multiplicamos toda la fila de x1 por su recíproca, es decir, 1/6,
obteniendo de esta manera la fila nueva de la variable x1, como se
muestra a en la tabla siguiente:
cB 8 6 0 0 0
0 S1
0 S2
8 x1 320/6 1 4/6 0 0 1/6
zj
cj - zj
Tabla 7
De esta manera, hemos encontrado el elemento unitario del vector x1:

0 
 
0 
1 
3º Ahora debemos encontrar los elementos nulos del vector x 1. Para

ello, usamos la segunda operación elemental en fila. El cero que
corresponde a la fila de S2 se obtiene sumando a la fila de S2 (tabla 5),
la fila nueva de x1 (tabla 7) multiplicada por -4 (opuesto del número que
se desea anular). Esto es:
VLD x1 x2 S1 S2 S3
400 4 8 0 1 0
+ (320/6) (-4) + 1 (-4) + (4/6)(-4) + 0(-4) + 0(-4) + (1/6)(-4)
1120/6 0 32/6 0 0 -4/6
Tabla 8
cB 8 6 0 0 0
0 S1
0 S2 1120/6 0 32/6 0 1 -4/6
8 x1 320/6 1 4/6 0 0 1/6
zj
cj - zj
Tabla 9
4º A continuación, obtenemos el cero correspondiente a la fila de S1

haciendo: la fila S1 más la fila nueva de x1 multiplicada por -5.
cB 8 6 0 0 0
0 S1 200/6 0 10/6 1 0 -5/6
0 S2 1120/6 0 32/6 0 1 -4/6
8 x1 320/6 1 4/6 0 0 1/6
zj
cj - zj
Tabla 10
5º Una vez actualizada la tabla, corresponde calcular la fila de z j y la de

cj – zj, conformando de esta manera la nueva tabla:
cB 8 6 0 0 0
0 S1 200/6 0 10/6 1 0 -5/6 20
0 S2 1120/6 0 32/6 0 1 -4/6 35
8 x1 320/6 1 4/6 0 0 1/6 80
zj 1280/3 8 32/6 0 0 8/6
cj - zj 0 4/6 0 0 -8/6
Tabla 11
La nueva solución es:

x1 = 320/6
80 CAPÍTULO 3
x2 = 0
S1 = 200/6
S2 = 1120/6
S3 = 0
Z = 1280/3
Podemos observar que aún no hallamos la solución óptima, ya que para

la columna correspondiente a la variable x2 se verifica un valor cj–zj>0.
La variable que ingresa a la base en la próxima solución será x 2, ya que
verifica la mayor diferencia marginal, (c2 - z2) = 4/6.
Para determinar la variable que sale de la base, calculamos los cocientes
entre cada elemento de la columna VLD y los elementos
correspondientes de la columna de x2, pero solo considerando los
denominadores positivos. Los cálculos se pueden observar en la tabla
11.
Luego, para pasar a la nueva solución, debemos repetir los pasos 1 a 5.
Obtenemos, en este caso, la siguiente tabla:
cB 8 6 0 0 0
6 x2 20 0 1 6/10 0 -5/10
0 S2 80 0 0 -32/10 1 2
8 x1 40 1 0 -4/10 0 5/10
zj 440 8 6 4/10 0 1
cj - zj 0 0 -4/10 0 -1
Tabla 12
Como podemos observar, se trata de la solución óptima, ya que todas

las diferencias marginales (cj – zj) son negativas o nulas.
x1 = 40
x2 = 20
S1 = 0
S2 = 80
S3 = 0
Z = 440
8. TÉCNICA DE LA BASE ARTIFICIAL

Al resolver algunos problemas con el método simplex, muchas veces
sucede que no podemos identificar la solución básica de partida.
En general, esto ocurre cuando en el planteo tenemos restricciones de
igualdad o inecuaciones del tipo . En el primer caso, no es necesario
agregar variables de holgura y, en el segundo, las agregamos restando,
por lo cual no existirán en la matriz A los m vectores unitarios
necesarios para formar la primera solución básica.
Para solucionar este problema, se utiliza la técnica de la base artificial o

simplemente variables artificiales. Se trata de un artificio matemático
por medio del cual se agregan al problema tantas variables artificiales
como vectores unitarios nos falten en la matriz A. De este modo,
modificamos el problema original de manera tal que nos permita
identificar la solución de partida.
Es importante destacar que estas variables no son variables del
problema original. Por ello, decimos que una solución del mismo se
obtiene una vez que se hayan eliminado de la base todas las variables
artificiales. Para que el algoritmo simplex las elimine de la base
rápidamente, se deben agregar en la función objetivo precedidas de un
coeficiente que deberá ser:
✓ en caso de maximización, muy grande en valor absoluto y

negativo.
✓ si el problema es de mínimo, muy grande y positivo.
Si se verifica la condición de optimidad y en la base aún queda alguna
variable artificial, puede suceder alguna de las siguientes dos cosas:
✓ Si la variable artificial quedó en la base con un valor positivo,

entonces el problema original es no factible.
✓ Si la variable artificial quedó en la base, pero con un valor nulo,
entonces la solución encontrada sí es solución del problema
original y será degenerada, ya que tendrá menos de m valores
positivos.
Supongamos el siguiente problema de PL:
Max 15x1 + 25x2

sa
5x1 + 6x2  50
8x1 + 4x2  30
x2  5
x1 , x2  0
Para comenzar el método simplex, primero debemos expresar el

problema en forma estándar (agregamos las variables de
holgura/excedente):
82 CAPÍTULO 3
M ax 15x1 + 25x2 + 0S1 + 0S2 + 0S3

sa
5x1 + 6x2 + S1 = 50
8x1 + 4x2 − S2 = 30
x2 + S3 = 5
x1 , x2 , S1 , S2 y S3  0
Calculamos el número de variables: n=5; y la cantidad de ecuaciones de

restricción linealmente independientes: m=3. Luego, analizamos a la
matriz A para identificar los m vectores unitarios que formen la matriz
identidad.
x1 x2 S1 S2 S3
5 6 1 0 0
8 4 0 -1 0
0 1 0 0 1
Observemos que en la matriz A falta el vector unitario:

0
[ 1]
0
Para generar este vector, se modifica el problema original agregando

nuevas variables que, como no son parte del problema original, se las
llama “variables artificiales”. Recordemos que estas variables se agregan
solamente como un artificio matemático a los fines de generar una
solución básica de partida, pero no son variables del problema original.
En este ejemplo, como el problema es de maximización, en la función
objetivo deben agregarse restadas y precedidas de un coeficiente muy
grande.
Recordemos, además, que encontraremos una primera solución del
problema original cuando la variable artificial (A 1) haya salido de la
base. El problema original modificado es el siguiente:
Se utilizó –M como M ax 15x1 + 25x2 + 0S1 + 0S2 + 0S3 − MA1

coeficiente de A1, pero sa
podría reemplazarse
por un valor numérico 5x1 + 6x2 + S1 = 50
grande, que sea por lo
menos 100 veces más
8x1 + 4x2 − S2 + A1 = 30
que el mayor cj. x2 + S3 = 5
x1 , x2 , S1 , S2 ,S3 y A1  0
Si se analiza la matriz A, encontramos los m vectores unitarios:

x2 S1 S2 S3 A1
x1
5 6 1 0 0 0
8 4 0 -1 0 1
0 1 0 0 1 0
La primera solución básica estará formada por S 1, S2 y A1 como

variables básicas; y x1, x2 y S2 como variables no básicas.
Tablas simplex:
cB 15 25 0 0 0 -M
cB Base VLD x1 x2 S1 S2 S3 A1
0 S1 50 5 6 1 0 0 0 10
-M A1 30 8 4 0 -1 0 1 3,75
0 S3 5 0 1 0 0 1 0 ---
zj ---- -8M -4M 0 M 0 -M
cj - zj 15+8M 25+4M 0 -M 0 0
Tabla 13
La variable que entra es x1 y sale A1. Como la variable artificial no es

parte del problema original, se puede eliminar su columna, ya que no
puede volver a entrar a la base. Así, la nueva tabla es:
cB 15 25 0 0 0
0 S1 31,25 0 3,5 1 0,625 0 8,92
15 x1 3,75 1 0,5 0 -0,125 0 7,5
0 S3 5 0 1 0 0 1 5
zj 56,25 15 7,5 0 -1,875 0
cj - zj 0 17,5 0 1,875 0
Tabla 14
Aún no llegamos a la solución óptima, la variable que entra es x 2 y la
que sale es S3.
cB 15 25 0 0 0
cB Base VLD x1 x2 S1 S2 S3 Para el cálculo de 
no se consideran los
0 S1 13,75 0 0 1 0,625 -3,5 22
cocientes para las
15 x1 1,25 1 0 0 -0,125 -0,5 ---- filas de x1 y x2 porque
25 x2 5 0 1 0 0 1 ---- los denominadores
zj 143,75 15 25 0 -1,875 17,5 son negativo y nulo
respectivamente.
cj - zj 0 0 0 1,875 -17,5
Tabla 15
Luego de una iteración más, obtenemos la tabla óptima:
cB 15 25 0 0 0
0 S2 22 0 0 1,6 1 -5,6
15 x1 4 1 0 0,2 0 -1,2
25 x2 5 0 1 0 0 1
zj 185 15 25 3 0 7
cj - zj 0 0 -3 0 -7
Tabla 16

x1 = 4
x2 = 5
84 CAPÍTULO 3
S1 = 0
S2 = 22
S3 = 0
Z = 185
9. CASOS PARTICULARES
Al resolver un problema de PL, pueden presentarse situaciones
especiales, las cuales se conocen con el nombre de “casos particulares”.
x2
10
9.1. PROBLEMA CON SOLUCIONES DEGENERADAS

8
Analicemos la solución gráfica del siguiente PL:

7
6
Payoff: 20.0 x1 + 14.0 x2 = 82.0
: 2.0 x1 + 2.0 x2 = 10.0
max 20x1 + 14x2 5
En el vértice óptimo se
sa
intersectan tres restricciones,
4
8x1 + 4x2  28 3
A
podríamos decir que el vértice A
: 8.0 x1 + 4.0 x2 = 28.0
2x1 + 2x2  10 está sobre definido. Esto hace

8x1 + 2x2  22
2
que en ese punto se anulen más

: 8.0 x1 + 2.0 x2 = 22.0
x1 , x2  0 1
de n-m variables y, por lo tanto,
0
que la solución sea degenerada.
0 1 2 3 4 5 6 7 8 9 10 x1
Optimal Decisions(x1,x2): ( 2.0, 3.0)

: 8.0x1 + 4.0x2 <= 28.0
: 8.0x1 + 2.0x2 <= 22.0
: 2.0x1 + 2.0x2 <= 10.0
Veamos ahora las últimas dos tablas simplex para este problema:
cB 20 14 0 0 0
0 S1 8 4 0 1 0 -2 2
0 S2 12 6 0 0 1 -1 2
14 X2 5 1 1 0 0 0,5 5
zj 70 14 14 0 0 0
cj – zj 6 0 0 0 -7
Tabla 17
Observemos que existe un empate entre S 1 y S2 al decidir la variable

que sale de la base. En principio, se puede seleccionar como variable de
salida a cualquiera de las dos. Si elegimos sacar S 2 (tabla 19), se
observa que S1 se hace nula en la columna VLD. En este caso, la
solución encontrada es una solución degenerada.
cB 20 14 0 0 0
cB Base VLD x1 x2 S1 S2 S3 A partir de la tabla
18, realice los
0 S1 0 0 0 1 -0,667 -1,33
cálculos con S1 como
20 x1 2 1 0 0 0,167 -0,167 variable de salida y
14 x2 3 0 1 0 -0,167 0,667 observe qué sucede.
zj 82 20 14 0 1 6
cj - zj 0 0 0 -1 -6
Tabla 18
Una situación similar se presenta si se seleccionara S 2 como variable de

salida.
La degeneración se observa cuando el vector solución verifica menos de
m valores positivos o más de (n – m) valores nulos.
Recordemos que también se presenta un caso de problema degenerado
cuando en la solución óptima quedan variables artificiales nulas.
9.2. PROBLEMA CON MÚLTIPLES SOLUCIONES ÓPTIMAS

Observemos el siguiente PL y su solución gráfica:
x2
100
95
90
85
min 80x1 + 80x2

80
75
sa
70
65
5x1 + 5x2  500

60
55
x1  40
50
La recta z es paralela a una

45
x2  25
40
35
restricción.
30 D
x1, x2  0
: 0.0 x1 + 1.0 x2 = 25.0
25
Payoff: 80.0 x1 + 80.0 x2 = 4380.0
20
15
: 1.0 x1 + 0.0 x2 = 40.0
10
: 5.0 x1 + 5.0 x2 = 500.0
5
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 x1
Optimal Decisions(x1,x2): (40.0, 25.0)

: 5.0x1 + 5.0x2 <= 500.0
: 1.0x1 + 0.0x2 >= 40.0
: 0.0x1 + 1.0x2 >= 25.0
Comparemos el gráfico anterior con el del PL que se da a continuación:

x2
100
95
90
85
80
max 80x1 + 40x2 75
70
sa 65
60
5x1 + 5x2  350 55

En este caso, la recta de
50
12x1+6x2  600 45
A isoutilidad (z) también es
40
x2  60 35 paralela a una de las

restricciones.
30
: 0.0 x1 + 1.0 x2 = 60.0
x1, x2 25
Payoff: 80.0 x1 + 40.0 x2 = 3090.0
20
15
: 12.0 x1 + 6.0 x2 = 600.0
10
: 5.0 x1 + 5.0 x2 = 350.0
5
B
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 x1

: 5.0x1 + 5.0x2 <= 350.0
: 12.0x1 + 6.0x2 <= 600.0
: 0.0x1 + 1.0x2 <= 60.0
La diferencia entre los dos casos mostrados es que, en el segundo, la

recta z es paralela a una restricción limitante. Esto implica que existirán
dos vértices que son óptimos, el A y el B, y además todos los puntos
que forman el segmento de recta que los une.
La tabla óptima del simplex del problema de maximización es:
cB 80 40 0 0 0
0 S1 100 0 2,5 1 0 -0,417 40= 
80 x1 50 1 0,5 0 0 0,083 100
0 S2 60 0 1 0 1 0 60
zj 4000 80 40 0 0 6,67
cj – zj 0 0 0 0 -6,67
Tabla 19
36
86 24 CAPÍTULO 3
Observemos que la diferencia c2 – z2 es igual a cero y la variable x2 no

es básica.
Esto significa que si introducimos x2 a la base y eliminamos la que
corresponda, en este caso S1, obtendremos otra solución que le dará a z
30
el mismo valor. Esto es así, porque según el Teorema que fundamente

el método simplex7, el valor de una nueva solución se obtiene
18
calculando,
Znuevo = Z0 + C j − Zj  ( )
Znuevo = 4000 + 0(40) = 4000
Luego, de acuerdo al Teorema 2, mediante combinaciones lineales

24
convexas, podemos obtener infinitas soluciones óptimas.

12
Este caso especial se origina cuando el conjunto de soluciones óptimas

está formado por más de un elemento, por lo que, de acuerdo con el
teorema 1 y 2 de combinaciones lineales convexas, decimos que el
problema posee una infinidad de soluciones óptimas. Una excepción a
este caso particular se ve en el siguiente gráfico:
18
max 240x1 + 120x2

6
Observe que la recta Z

: 8.0 x1 + 2.0 x2 = 22.0
sa es paralela a una de
8x1 + 4x2  28 las restricciones
2x1 + 2x2  10 limitantes, pero al ser
8x1 + 2x2  22 un óptimo degenerado,
x1, x2 : 2.0 x1 + 2.0 x2 = 10.0 no tiene múltiples
soluciones óptimas.
12
: 8.0 x1 + 4.0 x2 = 28.0

Payoff: 240.0 x1 + 120.0 x2 = 736.8
0
0 10

: 8.0x1 + 4.0x2 <= 28.0
: 2.0x1 + 2.0x2 <= 10.0
: 8.0x1 + 2.0x2 <= 22.0
Sin embargo, esto no sucede en todos los problemas que tienen óptimo
degenerado, como puede verse a continuación.
: 8.0 x1 + 2.0 x2 = 22.0

La misma región factible
max 60x1 + 60x2 del problema anterior,
pero z es paralela a otra
sa
de las restricciones
8x1 + 4x2  28
limitantes y, en este
2x1 + 2x2  10 : 2.0 x1 + 2.0 x2 = 10.0 caso, se puede observar
8x1 + 2x2  22 que existen múltiples
x1, x2 : 8.0 x1 + 4.0 x2 = 28.0
soluciones óptimas,
0
siendo una Payoff:
de60.0 x1ellas
+ 60.0 x2 = 270.0
0 degenerada. 10
: 8.0x1 + 4.0x2 <= 28.0
: 2.0x1 + 2.0x2 <= 10.0
9.3. PROBLEMA NO ACOTADO : 8.0x1 + 2.0x2 <= 22.0
7
Ver la demostración de este Teorema en el Anexo 2 al final de este capítulo.
x2
120
114
108
102
96
90
84
78
72
A continuación se muestra un PL y su solución gráfica:

66
60
54
48
Max 2x1 + x2 42
Z crece
sa
36
indefinidamente Observe que la recta z puede
ser desplazada en su sentido de
30
x1 − x2  10 24
optimidad sin llegar nunca al

x2  20
18
12 óptimo.
x1 , x2  0 6
0
x1
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
Payoff: 2.0 x1 + 1.0 x2 = 117.6
: 1.0x1 - 1.0x2 >= 10.0
: 0.0x1 + 2.0x2 <= 40.0
Esta situación en la tabla simplex:
cB 2 1 0 0
cB Base x2
120
VLD x1 x2 S1 S2
2 x1 30 1 0 -1 0,5
114
1 x2 20 0 1 0 0,5
zj 108
80 2 1 -2 1,5
102c - z 0 0 2 -1,5
j j
96 Tabla 20
Es imposible seleccionar la variable que sale, ya que todos los elementos

90
de la columna de S1 son negativos y ceros. En este caso, debe

84
detenerse el proceso y revisar el planteo, puesto que esto surge

78
justamente de un error en la modelización del problema.

72
Podemos decir que un PL es no acotado cuando el conjunto de

66
soluciones factibles es un conjunto convexo abierto y el sentido de

60
optimización del funcional se dirige hacia la zona no acotada del mismo.

54
48
9.4. PROBLEMA INCOMPATIBLE 42
36
max 20x1 + 30x2 30
sa 24
En el gráfico se puede ver que no
10x1 + 5x2  150
existe una región factible. El
18
5x1 + 6x2  100 12 sistema de restricciones : 0.0 es x1 + 1.0 x2 = 20.0
x2  20 incompatible. : 5.0 x1 + 6.0 x2 = 100.0

6
x1, x2  0
: 10.0 x1 + 5.0 x2 = 150.0
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170
Payoff: 20.0 x1 + 30.0 x2 = -356.6
: 10.0x1 + 5.0x2 <= 150.0

: 5.0x1 + 6.0x2 <= 100.0
cB 20
: 0.0x1 + 1.0x2 >= 20.0
30 0 0 0 -1000
cB Base VLD x1 x2 S1 S2 S3 A1
0 S1 66,667 5,834 0 1 -0,834 0 0
30 x2 16,667 0,834 1 0 0,167 0 0
-1000 A1 3,334 -0,834 0 0 -0,167 -1 1
zj ------ 858,334 30 0 171,66 1000 -1000
cj - zj -838.34 0 0 -171,66 -1000 0
Tabla 21
En la tabla se observa que el criterio de optimidad indica que es la

solución óptima, sin embargo, como ha quedado en la base una variable
artificial positiva, concluimos que el problema original es incompatible o
no factible.
88 CAPÍTULO 3
DIAGRAMA DEL MÉTODO SIMPLEX

1º SFB m vectores
I FASE unitarios?
SI NO
pasamos a usamos Variables

II FASE Artificiales
Según el
vector i-ésimo
¿Dónde?
unidad que
1º Solución falte
en Tabla
Máx => -M
Coeficiente
verificamos en z? Mín => M
Criterio de Max  (cj-zj)  0

Es óptima?
optimidad Min  (cj-zj)  0
NO
SI Variable artificial
observamos
FIN positiva en la
base?
SI NO
Mejoramiento
Problema No Solución
Factible Óptima
seleccionamos
Variable que Variable que

Entra Sale
Máximo: i
mín
mayor (cj-zj)>0 ij
ij  0
Mínimo
menor (cj-zj)<0
Actualizar la Pasar a otra

Solución tabla
10. INTERPRETACIÓN ECONÓMICA DE LA TABLA SIMPLEX

Antes de comenzar con el análisis de post-optimidad, vamos a realizar
una interpretación de cada uno de los elementos de la tabla simplex.
Este tema se conoce también como análisis económico del método
simplex.
Continuaremos con nuestro problema de la producción de cerámicos.
Recordemos los requerimientos de insumos como así también la
contribución a las utilidades de cada producto:
Disponibilidad
Cerámico Cerámico
horas
esmaltado rústico
mensuales
Horas de mano de obra / m2 5 5 300
Horas de secado / m2 4 8 400
Horas de cocción / m 2
6 4 320
Contrib. a las utilidades / m 2
8 6
Tabla 22
Objetivo: Maximizar la contribución total a las utilidades mensuales.

Definición de variables:
x1 = m2 de cerámico esmaltado a producir mensualmente.
x2 = m2 de cerámico rústico a producir mensualmente.
Max Z = 8 x 1 + 6 x2
S.a.
5 x1 + 5 x2  300 H Mano de Obra
4 x1 + 8 x2  400 H Secado
6 x1 + 4 x2  320 H Cocción
x1 , x2  0
Agregamos variables de holgura:
Max Z = 8 x 1 + 6 x 2 + 0 S1 + 0 S2 + 0 S 3
S.a.
5 x1 + 5 x 2 + S1 = 300 H Mano de Obra
4 x1 + 8 x2 + S2 = 400 H Secado
6 x1 + 4 x2 + S3 = 320 H Cocción
x1 , x2 , S1 , S2 , S3  0
S1 = cantidad de sobrante de horas de mano de obra

S2 = cantidad de sobrante de horas de secado
S3 = cantidad de sobrante de horas de cocción
La tabla que se muestra a continuación es la que se obtiene luego de

una iteración de simplex:
90 CAPÍTULO 3
cB 8 6 0 0 0
0 S1 200/6 0 10/6 1 0 -5/6 20
0 S2 1120/6 0 32/6 0 1 -4/6 35
8 x1 320/6 1 4/6 0 0 1/6 80
zj 1280/3 8 32/6 0 0 8/6
cj - zj 0 4/6 0 0 -8/6
Tabla 23
Según esta solución, produciendo 320/6 m 2 de cerámico esmaltado y

nada de cerámico rústico, se tendrá un beneficio de $1280/3.
Con este plan de producción, se usarán todas las horas de cocción,
quedando un excedente de 200/6 horas de mano de obra y 1120/6
horas de secado.
Además, podemos decir que el plan de producción no es el óptimo y, por
lo tanto, no se obtiene la máxima contribución a las utilidades posible.
Vamos a analizar qué sucede si decidimos producir algunos m 2 de
cerámico rústico que, según este plan, no estamos fabricando.
Para producir un m2 de rústico necesitamos 5 horas de mano de obra, 8
horas de secado y 4 horas de cocción. Con las Horas de Mano de Obra y
horas de secado no hay inconvenientes, ya que en este momento
tenemos excedentes; no ocurre lo mismo con las horas de cocción,
debido a que, para el plan de producción actual, se trata de un recurso
limitante (variable de holgura nula).
Es decir que, si queremos producir un m2 de cerámico rústico,
necesariamente deberemos dejar de fabricar algo del cerámico
esmaltado para, así, poder liberar horas de cocción.
Al disminuir la producción del cerámico esmaltado para poder fabricar
cerámico rústico, sufrirán también modificaciones los excedentes de los
otros insumos.
Todo este análisis, como así también la modificación que se producirá en
el objetivo, lo encontramos en la columna correspondiente a x 2.
Cuánto se deberá disminuir la

producción de cerámico esmaltado
para poder producir 1 m2 de cerámico
rústico
cB 6
cB Base VLD x2
0 S1 200/6 10/6
0 S2 1120/6 32/6 Tasa de sustitución ij
8 x1 320/6 4/6
zj 1280/3 32/6
cj - zj 4/6 Z =contribución que se pierde
2
por unidad que se fabrique
C2-Z2 = incremento marginal

unitario de Z
Tasas de sustitución: en general indican, si su signo es positivo, el

“sacrificio” que se deberá hacer de la variable básica xi para incrementar
en una unidad la variable no básica xj. Si la tasa de sustitución es
negativa, indica el incremento que se producirá en la variable básica.
En nuestro ejemplo, 4/6 significa que, para poder fabricar un m 2 de
cerámico rústico, deberemos dejar de producir 4/6 de m 2 de cerámico
esmaltado.
Esto se debe a que, para poder producir un m2 de cerámico rústico, se
necesitan 4 horas de cocción; mientras que, para producir un m2 del
cerámico esmaltado, se necesitan 6 horas de cocción. Entonces, si se
dejan de fabricar 4/6 m2 del cerámico esmaltado, tendremos:
horas de cocción liberadas en la producción del
6 . 4/6 = 4 cerámico esmaltado (que son las que necesitamos
para producir un m2 de cerámico rústico).
horas de cocción
por m2 de cerámico m2 de cerámico
esmaltado esmaltado a disminuir
El valor 12=10/6 nos dice que, por cada m2 que se incremente la

producción de cerámico rústico, el excedente de HMO se reducirá en
10/6. Mientras que 22 = 32/6 indica que, por cada m2 que se
incremente la producción de cerámico rústico, el excedente de horas de
secado se reducirá en 32/6.
En cuanto a Zj, expresa la contribución que se pierde por m2 que se
fabrica de cerámico rústico, originado por la reducción de la
producción de cerámico esmaltado. Es decir, Z1 = 32/6 expresa que el
cambio que se necesita realizar en el plan de producción, para poder
fabricar un m2 de cerámico rústico, disminuye la contribución a las
utilidades en $32/6.
Comparando este “costo” con la contribución unitaria de cerámico
rústico, podremos decidir si nos conviene o no hacer dicha modificación
en el plan de producción, es decir:
C2 – Z2 = 6 – 32/6 = 4/6
Este valor representa el incremento neto unitario de la función

objetivo. Como es positivo, lógicamente nos convendrá fabricar el
cerámico rústico, ya que, por cada m2, la contribución total a las
utilidades crecerá en $4/6.
Si nos conviene fabricar un m2, entonces nuestra intención será producir
todos los m2 que se puedan. Así, el paso siguiente es determinar
cuántas unidades podremos fabricar con los recursos que tenemos.
Vamos a llamar  a esa cantidad. Para encontrar el valor de , usamos
las tasas de sustitución de la siguiente manera:
92 CAPÍTULO 3
Sabemos que, por cada unidad en que se aumente x2, x1 disminuirá en

4/6; la pregunta es: ¿Hasta cuántos m2 se puede disminuir x1?
Seguramente coincidiremos en que lo máximo que puede disminuirse es
320/6 (la producción actual), ya que todas las variables deben respetar
la restricción de no negatividad. Podemos escribir esto de la siguiente
manera:
4/6   320/6
Usando para los excedentes de horas de mano de obra (S 1) y horas de

secado (S2), el mismo razonamiento que para x1, podemos escribir las
siguientes inecuaciones:
10/6   200/6
32/6   1120/6
El valor de  que cumpla con las tres inecuaciones será el nuevo valor
para x2. Resolviendo:
10/6   200/6    20
32/6   1120/6    35
4/6   320/6    80
Vemos que el nuevo valor de x 2 es 20 (el único valor que verifica las
tres inecuaciones).
Utilizando todo lo que tenemos hasta ahora, podemos conocer la
solución completa.
Valores de las variables:
x1 = 320/6 – (20 . 4/6) = 40

x2 = 20
S1 = 200/6 – (20 . 10/6) = 0
S2 = 1120/6 – (20 . 32/6) = 80
S3 = 0
El nuevo valor de Z:
Z = 1280/3 + (20 . 4/6) = 440
En forma general y de acuerdo a lo demostrado en el teorema

fundamental del método simplex, podemos decir que los valores de las
variables para la nueva solución se calculan como:
xi = i - ij (i = 1...m)
xj = 
xk = 0 (k  1, 2, ...m, j )
Mientras que el nuevo valor del funcional es:
z0 +  ( cj - zj)
94 CAPÍTULO 3
ANEXO 1
MODELO DE PROGRAMACIÓN MATEMÁTICA
Formalmente, un modelo de Programación Matemática tiene la siguiente

estructura:
Óptimo z = f(x)
Sujeto a:
gi(x)  bi para i  1
gi(x)  bi para i  2
gi(x) = bi para i  3
Siendo 1, 2, e 3 una partición del conjunto de índices  ={1, 2, …, m}.
Donde m representa el número total de ecuaciones y/o inecuaciones de
restricción existentes en el modelo.
Podemos decir que estamos frente a un problema de Programación
Matemática si el mismo trata de optimizar (maximizar o minimizar) una
función donde las variables pueden asumir únicamente los valores que
verifican un conjunto de restricciones expresadas como ecuaciones y/o
inecuaciones.
De acuerdo a las características de la función objetivo y las
restricciones, un modelo de Programación Matemática puede ser de:
✓ Programación lineal: cuando la función objetivo y todas las

restricciones son lineales.
✓ Programación lineal entera: si algunas o todas las variables de
modelo deben ser enteras.
✓ Programación no lineal: cuando la función objetivo y/o alguna o
todas las restricciones son no lineales.
✓ Programación multiobjetivo: cuando existe más de una función
objetivo.
ANEXO 2
TEOREMA QUE FUNDAMENTA EL MÉTODO SIMPLEX
Dantzing desarrolló el método simplex basándose en el teorema

fundamental de la PL que sostiene que “si un problema de PL es
resoluble, existe al menos una solución posible básica que será también
óptima”. Por esta razón es que solo consideramos las soluciones de los
vértices del poliedro y descartamos las de punto interior.
Partimos de un PL expresado en forma estándar vectorial:
Max z = c1 x1 + c2 x2 + ......+cn xn (1)

sa
P1 x1 + P2x2 +........+ Pnxn = P0 (2)
xj  0 (j = 1, 2,......,n)
Consideramos conocida una solución factible (posible) básica (SFBND)

de este problema, en la que suponemos que los m valores positivos son
los m primeros (es decir que los nulos serán los n-m restantes).
Llamaremos a cada elemento de este vector solución i , es decir:
 1  0 
 
 2  0 
 . 
 
.
X =  
m  0 
 
  m +1 = 0 
 
 . 
 n = 0 
Siendo una solución verificará (2) y le dará a z un valor z 0, es decir:
z0 = c1 1 + c2 2 + ......+cm m (3)
sa
P1 1 + P2 +........+ Pmm = P0 (4)
Al ser una SFB, los vectores P1, P2, ..., Pm son linealmente
independientes (es decir, constituyen una base en el espacio m-
dimensional), por lo que podremos expresar cualquier vector no básico
como combinación lineal de ellos.
Tomemos un vector no básico cualquiera (Pj para j = m+1, m+2, ..., n.)
y lo expresemos como combinación lineal de los vectores básicos (P i, i =
1, 2, ..., m) mediante escalares que llamaremos ij.
P1 1j + P2j +........+ Pmmj = Pj (5)
Además, con los mismos escalares definimos la igualdad:

96 CAPÍTULO 3
zj = c1 1j + c2 2j + ......+cm mj (6)
Con todos estos elementos pasamos a enunciar el teorema:
“Si para alguna j se verifica que cj > zj , será posible encontrar al

menos una solución posible tal que: z > z0 “.
Siendo z0 el valor del funcional para la solución actual y z el valor del

funcional para la nueva solución.
Para demostrarlo, multiplicamos ambos miembros de (5) y (6) por un
parámetro  y luego restamos de (4) y (3), es decir:
(4) -  (5)
(3) -  (6)
P1 (1 -  1j) + P2 (2 -  2j) +........+ Pm (m-  mj) = P0 - P j (7)

z0 -  zj = c1 (1 -  1j) + c2 (2 -  2j) + ......+cm ( m -  mj) (8)
En (7) despejamos P0
P1 (1 -  1j) + P2 (2 -  2j) +........+ Pm (m-  mj) + P j = P0 (9)
En (8) sumamos cj  en ambos miembros:
z0+ (cj-zj)=c1 (1-  1j) + c2 (2-  2j) + ..+cm (m -  mj) + cj  (10)
Observemos que el vector formado por:
 1 − 1 j 
 
 2 − 2 j 
 
 
m − mj 
  
Es una solución del programa lineal, puesto que verifica (4).
Asimismo, siendo las i (i = 1.....m) todas positivas por hipótesis, es

evidente que existirán valores positivos de  que verifiquen:
i - ij  0 (i = 1....m) (11)

En consecuencia, para cualquier valor de  que verifique (11), podemos
afirmar que los valores:
xi = i - ij (i = 1...m)
xj =  (12)
xk = 0 (k  1, 2, ...m, j )
Constituyen una solución posible, ya que verifica el sistema de

restricciones (9) y le da al funcional un valor en (10) igual a:
z0 +  ( cj - zj)
Con lo cual hemos demostrado el teorema, puesto que:
z = z0 +  ( cj - zj) > z0 (13)

Ahora bien, como nuestro objetivo es maximizar z, será conveniente
que z crezca lo más posible, para lo cual resulta lógico pensar que 
deberá asumir el mayor valor que el sistema de ecuaciones (11) le
permita, de donde se deduce que el mayor valor que  puede asumir es
i
 = min para ij > 0 (14)
ij
Obsérvese que si para alguna j, donde se verifica c j > zj, “todos” los ij 
0, entonces  no tendrá límite superior, con lo cual tampoco lo tendrá z
(es función creciente de  según (13) ) y estaremos ante el caso de un
funcional no acotado.
La nueva solución factible básica encontrada en (12) es utilizada como
una nueva base, a partir de la cual y desarrollándose todo el proceso
descripto, podemos ir encontrando nuevas SFB con valores cada vez
mejores del funcional siempre que para alguna j se verifique c j > zj
exista al menos un i que cumpla con (14).
El proceso se detendrá cuando para todo j se verifique que:
cj  z j
La demostración puede consultarse en Pérez Mackeprang, C.:

“Introducción a la PL y sus aplicaciones”, FCE.
APLICACIÓN DEL TEOREMA CON UN EJEMPLO

Consideremos el problema lineal:
Max Z = 8 x1 + 6 x2 + 0 x3 + 0 x4 + 0 x4
Sa
5 x1 + 5 x 2 + x3 = 300
4 x1 + 8 x2 + x4 = 400
6 x1 + 4 x2 + x5 = 320
xj  0 (j = 1, …, 5)
Del cual suponemos conocida la siguiente solución factible básica no

degenerada:
1 = 320/6; 2 = 0; 3 = 200/6; 4 = 1120/6 y 5 = 0
Esta solución otorga a la función objetivo el valor:

98 CAPÍTULO 3
z0 = 1280/3
Analizaremos qué ocurre si intentamos introducir a la base la variable

x2. Para ello, planteamos expresar el vector no básico P 2 mediante la
combinación lineal de los vectores que corresponden a las variables
básicas, es decir:
P1 12 + P3 32 + P4 42 = P2
5  1  0 5 
       
4 λ12 + 0 λ32 + 1  λ42 = 8  ;
6  0 0 4
Resolviendo este sistema, obtenemos el valor de los escalares :

λ12 = 4/6
λ32 = 10/6
λ42 = 32/6
Observemos que cada ij mide la reducción que se debe realizar en el

valor de las variables básicas i (i= 1, 3, 4), a fin de liberar los recursos
necesarios para introducir una unidad de x2.
Calculamos, además:
z2 = c1 12 + c3 32 + c4 42 = 8 (4/6) + 0 (10/6) + 0 (32/6) = 32/6
El valor z2 mide el costo de introducir a la base la variable no básica x 2

(a nivel unitario), medido en términos de la reducción que debe
efectuarse en las variables básicas.
A partir de este valor, calculamos la contribución neta que se obtendrá
por producir una unidad de x2:
c2 – z2 = 6 – 32/6 = 4/6
De acuerdo al teorema que fundamenta el método simplex, como c2 

z2, podemos mejorar la solución actual si introducimos a la base la
variable x2.
Dado que producir a nivel unitario x2 mejora el objetivo en 4/6, es lógico
intentar ingresar esta variable al mayor valor posible (es decir, aquel
valor permitido por la disponibilidad de insumos). Llamaremos  a ese
valor y planteamos las siguientes relaciones que nos permitirán calcular
el mayor valor al cual se puede ingresar x2:
1 -  12  0; 320/6 – (4/6 )  0;  = 80

3 -  32  0; 200/6 – (10/6 )  0;  = 20
4 -  42  0; 1120/6 – (32/6 )  0;  = 35
De donde  = 20 es el valor que verifica el sistema de inecuaciones y,

por lo tanto, decimos que es el valor al cual ingresará la variable x 2 a la
base en la próxima solución.
Para conocer cómo se modifican las variables básicas en la nueva
solución, calculamos:
x1 = 1 -  12 = 320/6 – (20 4/6) = 40

x3 = 3 -  32 = 200/6 – (20 10/6) = 0
x4= 4 -  42 = 320/6 – (20 4/6) = 80
Resumiendo, el vector correspondiente a la nueva solución es:
40
 
20 
X = 0  ;
 
80 
0 
 
El valor de z para esta nueva solucion lo calculamos como:
0 ( 2 2 )
z = z +  c − z = 1280 / 3 + 20 (4 / 6) = 440
El proceso se repite hasta que  j  cj  zj

95
90
100 85
CAPÍTULO 3
80
75
70
65
ACTIVIDAD 1
En base al análisis del siguiente gráfico, responda:
60
55
x2
50
45
B
40
Payoff: 30.0 x1 + 30.0 x2 = 4080
35
A R1
30
: -15.0 x1 + 30.0 x2 = 145.0
25
C
20
: 6.0 x1 + 5.0 x2 = 150.0
15
10 D R2 : 60.0 x1 + 80.0 x2 = 3200.0
5 R3
0
0 5 10 15 20 25 30 35 40 45 50 55 x601 65 70 75 80 85 90 95 100 x1

: 60.0x1 + 80.0x2 <= 3200.0
: -15.0x1 + 30.0x2 >= 145.0
a) ¿Cuáles restricciones son limitantes en cada uno de los vértices del
: 6.0x1 + 5.0x2 >= 150.0
poliedro de soluciones?
b) Si el objetivo es maximizar 30x1+ 30x2:

¿Cuál es el vértice óptimo?
¿Cuáles variables son básicas en ese vértice?
c) Si el objetivo es maximizar 30x1+ 60x2:

d) Si el objetivo es minimizar 30x1+ 15x2:

e) ¿A qué conclusión arribaría si el objetivo es minimizar 30x1+ 25x2?
f) ¿Podría arribar a la misma conclusión si el objetivo fuera maximizar

30x1+ 25x2?
ACTIVIDAD 2
¿Cuál será la región factible si al gráfico del problema anterior se le
agrega la restricción: x1  x2?
ACTIVIDAD 3
¿Cuál de las siguientes afirmaciones es verdadera para la solución

óptima de un de un PL?
(a) Todo programa lineal tiene una solución óptima.
(b) La solución óptima utiliza todos los recursos disponibles.
(c) Si la solución óptima existe, ocurre en al menos un vértice de
la región factible.
(d) Tanto (a) como (b) son verdaderas.
(e) Ninguna de las anteriores.
ACTIVIDAD 4
Sea x1 el número de unidades producidas y x 2 el número de unidades
compradas. Si el costo unitario de producción es de $2, el de adquisición
de $3 y la demanda de 4000 unidades, entonces la función objetivo
será:
(a) Max 2 x1 + 3 x2
(b) Min 4000 (x1 + x2)
(c) Max 8000 x1 + 12000 x2
(d) Min 2 x1 + 3 x2
(e) Ninguna de las anteriores
ACTIVIDAD 5
Marque la o las alternativas correctas. En un PL, la degeneración ocurre
cuando:
(a) Existe una diferencia cj – zj = 0 para alguna variable no básica.
(b) Existe una diferencia cj – zj = 0 para alguna variable básica.
(c) Se produce un empate al decidir la variable que entra a la
base.
(d) Se produce un empate al decidir la variable que sale de la
base.
(e) Ninguna de las anteriores.
ACTIVIDAD 6
El gráfico que se encuentra a su derecha

corresponde a un PL de maximización.
Observando el gráfico, responda:
1. Cantidad de variables.
2. Cantidad de restricciones sin incluir
las de no negatividad.
3. Cantidad de variables positivas en
una solución Factible Básica No
Degenerada.
4. Clasifique a las soluciones
identificadas como A, B, C, y D.
5. Formule un modelo general explícito
para este problema.
102 CAPÍTULO 3
ACTIVIDAD 7
Responda Verdadero o Falso
A. “La región factible de un PL es el conjunto de todos los puntos que

satisfacen por lo menos una restricción”.
B. “El conjunto de soluciones factibles de un problema lineal siempre

es infinito”.
C. “Si el conjunto de soluciones factibles óptimas es el conjunto

vacío, entonces necesariamente el conjunto de soluciones factibles
debe ser también vacío”.
D. "Dado un PL con 7 variables y 4 ecuaciones de restricción

linealmente independientes. Si una solución del mismo posee 5
variables positivas y 2 nulas, decimos que es una solución factible
básica degenerada”.
E. “Las soluciones factibles no básicas de un PL siempre están

ubicadas en la frontera del poliedro de soluciones”.
F. “Las variables de holgura/excedente pueden ser positivas,

negativas o nulas según el tipo de restricción en la que se
agregan”.
G. “Para un modelo de PL de maximización, la regla de entrada en el

método simplex garantiza que la función objetivo no decrecerá en
cada recorrido”.
H. “En simplex, la no factibilidad (sin solución) ocurrirá siempre que

exista un empate al seleccionar la variable de salida”.
I. “Con el método simplex se sabe que la degeneración ocurrirá

siempre que exista un empate al seleccionar la variable de
entrada”.
J. “Si un programa lineal no es no factible, tiene solución óptima”.
K. “Usando el método simplex en un caso de maximización, y dado

que el renglón zj da la pérdida que resulta de incrementar en una
unidad a la variable no básica xj, podemos elegir la mejor variable
para introducir a la base, seleccionando cualquier columna que
tenga valor zj negativo”.
L. “Dados dos puntos factibles X* y X**, entonces todos los puntos

situados sobre el segmento de recta que los une son factibles y Z
tiene el mismo valor en todos esos puntos”.
ACTIVIDAD 8
Suponga que no se hubiera eliminado la variable básica con el menor
cociente i /ij para ij > 0, en una iteración específica del simplex. ¿Qué
efecto tendría esto sobre la tabla simplex para la siguiente solución?
ACTIVIDAD 9
Si de un problema de PL de maximización, con 5 variables y 3
restricciones, se conoce la siguiente solución factible básica:
x1 = 1 x2 =  2 x3 = 3 x4 = 0 x5 = 0
Esta solución da a la función objetivo el valor igual a Z0.

Se conocen también que
c4 - z4 > c5 - z5 > 0
y
14 15
24 25
34 35
Indique para la próxima solución:

1) ¿Cuál es la variable que entra?
2) ¿Cómo determina el valor de ?
3) ¿Cuál es el valor de las variables en la próxima solución?
4) ¿Cómo se determina el valor de la función objetivo?
ACTIVIDAD 10
En la tabla simplex, para un problema de maximización, ¿cómo se
interpreta un valor Z4 = 10 si X4 es una variable de holgura?
ACTIVIDAD 11
Considerando la tabla simplex de un PL de maximización que se
presenta a continuación, se solicita:
30 20 15
CB Base VLD x1 x2 x3 S1 S2
5 0 0,5 1 -0,5 0
20 1 0,5 0 0,5 0
30 0 1,5 0 -0,5 1
Complete la tabla
a) ¿Es esta la solución óptima? ¿Por qué?
b) Si esta es la solución óptima, especifíquela.
c) Si no es la solución óptima, realice las iteraciones necesarias
para llegar a ella.
ACTIVIDAD 12
La siguiente tabla corresponde a un PL de maximización canónico (con
restricciones del tipo  ):
104 CAPÍTULO 3
Cj 15 10 20 0 0 0
CB Base VLD x1 x2 x3 S1 S2 S3
50 2/3 1/3 1 1/3 0 0
200 7/3 5/3 0 -1/3 1 0
300 -1/3 7/3 0 -2/3 0 1
Zj
Cj - Zj
a) Complete la tabla, ¿es esta la solución óptima? ¿Por qué?

b) Si no es la solución óptima, realice las iteraciones necesarias
para llegar a ella y especifíquela.
ACTIVIDAD 13
Dado el PL
Max z = 3 x1 + 6 x2 + 5 x3 Contribución Total a las Utilidades
Sujeto a:
50 x1 + 50 x2 + 40 x3  3900 Restricción de kilos de hierro
4 x1 + 8 x 2 + 6 x3  600 Restricción de Horas de Máquina
6 x1 + 3 x2 + 6 x3  330 Restricción de Horas de Mano de Obra
x1, x2, x3  0
Donde
x1: unidades de repuestos A a elaborar en una semana
x2: unidades de repuestos B a elaborar en una semana
x3: unidades de repuestos C a elaborar en una semana
Resuelva utilizando simplex e informe la solución óptima.
ACTIVIDAD 14
Una compañía de auditores se especializa en preparar liquidaciones y
auditorías de empresas pequeñas. Tienen interés en saber cuántas
auditorías y liquidaciones pueden realizar mensualmente para
maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y
320 horas para revisión. Una auditoría, en promedio, requiere de 40
horas de trabajo directo y 10 horas de revisión, además aporta un
ingreso de $300. Una liquidación de impuesto requiere de 8 horas de
trabajo directo y de 5 horas de revisión, produce un ingreso de $ 100. El
máximo de liquidaciones mensuales disponibles es de 50.
A. Plantee el problema y encontrar la solución óptima usando el método
gráfico.
B. Resuelva usando el método simplex.
C. A partir de la solución encontrada, elabore un informe para el decisor.
ACTIVIDAD 15
SuperMovil SA fabrica dos tipos de teléfonos celulares (FX120 y FX128).

Los únicos recursos escasos en el proceso de fabricación son la mano de
obra y los chips de potencia.
Actualmente, la compañía tiene dos trabajadores: el trabajador 1, que
está dispuesto a trabajar hasta 40 horas a la semana y se le paga $12 la
hora; y el trabajador 2, que está dispuesto a trabajar hasta 50 horas a
la semana y se le paga $10 la hora.
Las necesidades de mano de obra de cada modelo de teléfono se dan en
la siguiente tabla:
NECESIDADES DE MANO
FX120 FX128
DE OBRA
Trabajador 1 2 1
Trabajador 2 1 2
SuperMovil SA puede conseguir hasta 25 chips de potencia a la semana

y la contribución unitaria a las utilidades de los teléfonos es de $30 y
$20 respectivamente.
A. Plantee el problema y encuentre la solución óptima usando el método
gráfico.
B. Resuelva usando el método simplex.
C. A partir de la solución encontrada, elabore un informe para el decisor.
ACTIVIDAD 16
Para los siguientes problemas se solicita:
a) Definir verbalmente el objetivo.
b) Definir las variables de decisión.
c) Identificar verbalmente a las restricciones.
d) Plantear el modelo lineal.
I. Desechos industriales
Una fábrica quiere minimizar los costos de deshacerse de las 100 t
diarias de basura que produce, las que puede enviar a dos plantas
procesadoras. En la Planta 1 (P1), el costo de procesamiento de la
basura es de $15 por t y en la Planta 2 (P2) es de $20 por t. Cada
Planta procesadora puede recibir hasta 80 t por día. Cada tonelada de
basura que entra en la P1 queda reducida a 0,25 t de desechos
industriales y en la P2 se reducen a 0,20 t. Estos desechos deben
enviarse a uno de los dos enterramientos sanitarios existentes en la
ciudad, los que tienen capacidad de recibir hasta 30 n por día cada uno.
Las distancias en kilómetros desde la fábrica hasta cada planta y desde
ellas a cada quemador son las que se muestran en el gráfico.
El costo de transportar una tonelada de material, sea basura o desecho,
es de $3 por kilómetro.
106 CAPÍTULO 3
10 Km
P1 E1
15 Km 15 Km
16 Km
20 Km P2 E2
12 Km
II. Proceso productivo

Litoral SA elabora y vende jugo concentrado de naranja y de pomelo. La
administración desea encontrar el plan de producción que maximice sus
beneficios en función a su capacidad productiva y a la demanda de
jugos, ya que en relación a la materia prima no existen problemas de
abastecimiento.
Todo comienza con la transformación de la materia prima en derivados
con mayor valor agregado. Los más comunes son aceite esencial, jugo
concentrado y cáscara deshidratada.
Una vez que la fruta es seleccionada y clasificada, pasa a la extracción
de aceite esencial, el que se obtiene por raspado de la cáscara de la
fruta bajo una corriente de agua, que arrastra el aceite esencial en
forma de emulsión hasta las centrífugas encargadas de su recuperación.
A continuación, la fruta pasa a la extracción de jugo. Esto se realiza en
máquinas extractoras que, en una sola operación, separan el jugo, las
cáscaras, semillas y hollejos, y una emulsión de aceite esencial que
contiene la fruta.
El jugo obtenido es tamizado, pasteurizado y concentrado. El jugo
concentrado se envía a tanques refrigerados donde se homogeneiza su
calidad y luego se embotella.
Esquemáticamente, el proceso productivo de los concentrados sigue el
diagrama que se muestra a continuación.
M2
M1 Embotelladora
M3
La máquina 1 (M1) extrae el jugo de la fruta y separa la parte sólida.

Por cada kg de naranjas, se obtienen 0,70 l de jugo y por kg de pomelo
se obtienen 0,65 l Esta máquina puede procesar hasta 125 kg/hora, con
un costo de $30/hora.
El proceso de concentrado de jugo de naranja se realiza en la máquina 2
(M2), perdiéndose durante el mismo un 25 % debido a la evaporación
de líquido. La capacidad de procesamiento de esta máquina es de 55 l/h

a un costo de $80 por hora.
El concentrado de pomelo se obtiene en la M3 con un rendimiento del 70
%. Esta máquina puede procesar hasta 60 l de jugo de pomelo por hora
a un costo de $90 por hora.
Cada máquina puede trabajar como máximo 10 h por día.
Una vez terminado el proceso, el jugo es embotellado en envases de un
litro, con un costo de $0,10 por envase. La embotelladora tiene una
capacidad de 500 litros por día.
La información referida a costo de materia prima, precio de venta y
demanda máxima del mercado se presenta en la siguiente tabla:
COSTO MATERIA PRIMA PRECIO DE VENTA DEMANDA MÁXIMA

$/kg $/l l/día
NARANJA 0,75 5,00 500
POMELO 0,80 6,00 800
Actualmente, la empresa tiene comprometida una entrega de jugo

concentrado de naranjas de 100 l por día.
III. Inversiones
La AFJP Seguridad SA ha solicitado a un grupo de analistas financieros que
le indiquen recomendaciones de inversión para el fondo de jubilaciones.
Disposiciones del Estado hacen necesario diversificar las inversiones
asignando el fondo entre los siguientes instrumentos: certificados de
depósito (CD), bonos de tesorería (BT), acciones comunes (AC), acciones
especulativas (AE) y fondos comunes de inversión (FC). Los analistas han
estimado un rendimiento anual para cada clase de inversión y han
desarrollado un factor de riesgo para cada una de ellas. Este factor señala
la probabilidad de que el rendimiento real de la inversión en esa clase sea
inferior al rendimiento esperado. Esta información se presenta en la
siguiente tabla:
Inversión Rend. esper. anual Factor de riesgo

(%)
CD 6,00 0,02
BT 12,00 0,42
AC 9,00 0,38
AE 14,30 0,45
FC 6,70 0,05
La AFJP ha señalado que el factor promedio ponderado de riesgo no debe

ser superior a 0,20 y, además, que los Fondos Comunes de Inversión
deben representar al menos el 50 % del total. Por otro lado, las
disposiciones reglamentarias prohíben que se invierta más del 25 % en
acciones especulativas y bonos de tesorería. ¿Qué recomendaciones deben
hacer los analistas si se pretende maximizar el rendimiento sobre la
inversión?
108 CAPÍTULO 3
IV. Periodos múltiples – Producción y planeación de inventarios

Estos modelos de periodos múltiples permiten establecer, para cada uno
de los periodos considerados, un programa de producción y de
inventarios finales que permita maximizar la contribución total o
minimizar los costos.
La empresa CompuTar SA, fabricante de procesadores para
computadoras, quiere determinar el programa anual de producción e
inventario que maximice su contribución total. La información relevante
del problema se da en la siguiente tabla:
CAPACIDAD DE DEMANDA COSTO DE PRECIO DE COSTO DE

TRIMESTRE PRODUCCIÓN (UNIDADES) PRODUCCIÓN VENTA INVENTARIO
(UNIDADES) (UNITARIO) (UNITARIO) (UNITARIO)
1 600 400 20 50 10
2 400 500 25 50 10
3 700 400 30 60 10
4 500 500 30 60 10
El inventario al inicio del trimestre 1 es de 100 unidades y la empresa

quiere tener por lo menos 150 unidades en inventario al final del año,
con el objetivo de hacer frente a las necesidades de inicio del año
siguiente.
Observación: para modelizar los aspectos del problema que se refieren a
los diferentes periodos (t), en cada uno de ellos requerirá una ecuación
de equilibrio del tipo:
Invent. Final (t) = Invent. Inicial (t) + Producción (t) – Demanda (t)
CAPÍTULO 4
DUALIDAD Y SENSIBILIDAD EN PL
1. INTRODUCCIÓN
En el capítulo anterior se describieron las características de los modelos
de programación lineal, así como los diferentes caminos a partir de los
cuales encontrar la solución: resolución gráfica y algoritmo simplex.
En este capítulo se describen dos técnicas relacionadas con la
programación lineal: la dualidad y el análisis de sensibilidad. En la primera
parte se desarrolla la teoría asociada a la dualidad: cómo se obtiene el
dual de un programa lineal, la interpretación del concepto de precio
sombra y una serie de teoremas y resultados útiles para la interpretación
de un modelo lineal. En la segunda parte se muestran las posibilidades
del análisis de sensibilidad en la programación lineal, tratando de analizar
cómo varía la solución del modelo (tanto el valor de la función objetivo
como el valor de las variables de decisión) en función de dos conjuntos
de parámetros del modelo: los coeficientes de la función objetivo y los
términos independientes de las restricciones.
2. LA DUALIDAD EN LA PROGRAMACIÓN LINEAL

Comenzaremos el tratamiento de este tema mediante el análisis de
nuestro ejemplo de la fábrica de cerámicos. El modelo lineal de este
problema era:
x1: m2 de cerámicos esmaltados a fabricar mensualmente.
x2: m2 de cerámicos rústicos a fabricar mensualmente.
Max z = 8x1 + 6x2

sa
5x1 + 5x2  300 Hs de Mano de Obra
4x1 + 8x2  400 Hs de Secado
6x1 + 4x2  320 Hs de Cocción
x1, x2  0
Vamos a suponer que la empresa tiene la posibilidad de “vender” los

insumos que utiliza para su producción; es lógico que, en ese caso,
110 CAPÍTULO 4
pretenda recibir como “mínimo” lo que obtiene si los usa en la fabricación

de sus productos. Es decir que ella desea determinar el “precio” de los
recursos, por debajo del cual ya no le conviene venderlos; en definitiva,
quiere averiguar el “valor” de esos recursos.
Definimos a las variables y1, y2 y y3 como los precios unitarios de los
recursos horas de mano de obra, horas de secado y horas de cocción,
respectivamente.
Como su objetivo es encontrar el precio mínimo al que debería vender
estos recursos, entonces:
min 300 y1 + 400 y2 + 320 y3
Como dijimos, la empresa debería recibir como mínimo lo que obtiene si

los usa en su producción. Así, la contribución a las utilidades de cada
producto nos da un límite inferior para estos precios.
Es decir que, si en lugar de fabricar un m2 de cerámicos esmaltados,
vendemos 5 horas de mano de obra, 4 horas de secado y 6 horas de
cocción, como mínimo debemos recibir la contribución a las utilidades que
proporciona dicho producto. Podemos expresar esto de la siguiente
manera:
5 y1 + 4 y2 + 6 y3  8
Usando el mismo razonamiento para el otro tipo de cerámico, obtenemos:
5 y1 + 8 y2 + 4 y3  6
Además, como estamos considerando precios:
y1 , y2, y3  0
Observemos que, con los mismos datos del problema original, hemos
formulado otro PL que brindará información sobre el “valor” que los
recursos tienen para la empresa, lo que en economía se conoce como
precio sombra o valor marginal del recurso.
Si ahora resolvemos ambos problemas, observamos que los valores
óptimos son iguales; esto era de esperarse, ya que la empresa no
aceptaría, por la venta de sus insumos, menos dinero del que podría
obtener si los utiliza en la fabricación de sus productos.
EL PROBLEMA DUAL
Decimos entonces que, para cada problema de programación lineal existe
siempre, asociado al mismo, otro problema lineal. A este nuevo programa
se lo puede emplear para obtener la solución del problema original y,
DUALIDAD Y SENSIBILIDAD 111
además, sus variables proporcionan información útil acerca de la solución

óptima del problema lineal original.
A los fines del desarrollo de este tema, convendremos en llamar “primal”
al programa original y “dual” al problema lineal asociado.
Existen varias formas de dualidad: canónica o simétrica, dualidad
estándar y dualidad mixta; el nombre de cada una de ellas se origina de
acuerdo con la forma en que se presente el problema original.
Forma canónica de la dualidad

Si el problema primal esta dado en la forma:
Maximizar CX
AX  B
X
Entonces, el problema dual asociado será de la forma:
Minimizar BÝ
AÝ  C´
Y
Por ejemplo, dado el problema primal:
Max Z = 8 x1 + 6 x2
Sa.
5 x1 + 5 x2  300
4 x1 + 8 x2  400
6 x1 + 4 x2  320
x1 , x2  0
El programa dual asociado es:
Min. G = 300 y1+400 y2+320 y3
Sa.
5 y1 + 4 y2 + 6 y3  8
5 y1 + 8 y2 + 4 y3  6
y1, y2, y3  0
Observemos que cada restricción del primal se relaciona con una variable
principal del dual, y viceversa. Es decir, la primera restricción primal se
corresponde con la primera variable dual; la segunda restricción primal,
con la segunda variable dual; y así sucesivamente. Razón por la cual
decimos que, si el programa primal tiene n variables principales y m
restricciones, el dual tendrá m variables principales y n restricciones.
Forma estándar de la dualidad

Si el problema primal esta dado en la forma:
Maximizar CX
AX = B
X
112 CAPÍTULO 4
Entonces, el problema dual asociado será de la forma:

Minimizar BÝ
AÝ  C´
Y sin restricción de signo
Por ejemplo, dado el problema primal:

Programa Primal Programa Dual
Max Z = 20 x1 + 60 x2 Min. G = 100 y1 + 20 y2 + 40 y3

Sa. Sa.
5 x1 + 10 x2 = 100 5 y1 + y2 + 2 y3  20
x1 + 8 x2 = 20 10 y1 + 8 y2 + 12 y3  60
2 x1 + 12 x2 = 40
y1, y2, y3 sin restricción
x1 , x2  0
Cabe aclarar que Bazaraa et. al. (1981) demuestran que “el dual del dual
es el primal”, por lo cual las definiciones dadas se pueden aplicar al revés
y los términos “primal” y “dual” son relativos al marco de referencia que
se seleccione.
Forma mixta de la dualidad

A los fines de plantear el modelo dual de un programa lineal presentado
en forma mixta, debemos tener en cuenta la relación que existe entre las
restricciones de uno de los programas y las variables del otro. En el
siguiente cuadro se resumen las diferentes situaciones que se pueden
presentar:
Problema de Máximo Problema de Mínimo
No
Canónica ≤ → ≥0
Negativa
Restricción No Variable
≥ → ≤0 No Positiva
Canónica
No
Igualdad = → n/r
Restringida
No
≥0 → ≥ Canónica
Negativa
No
Variable No Positiva ≤0 → ≤ Restricción
Canónica
No
n/r → = Igualdad
Restringida
Veamos un ejemplo:
Programa Primal Programa Dual
Maximizar 10 x1 + 18 x2 Minimizar 80 y1 + 120 y2 + 10 y3

Sa: Sa:
x1 + 8 x2  80 y1 + 9 y2 + 2 y3  10
9 x1 + 15 x2  120 8 y1 + 15 y2 + y3  18
2 x1 + x2 = 10
y1  0; y2  0, y3 s/r
x1  0; x2  0
RELACIONES PRIMAL - DUAL

Existen, entre ambos problemas, dos tipos de relaciones:
Relación entre variables y restricciones: como podemos observar en
lo desarrollado hasta aquí, las relaciones entre las variables de un
programa y las restricciones en el otro programa son:
✓ Las restricciones de la forma “menor o igual que” en el problema
de máximo dan origen a variables “ 0” en el problema de
mínimo.
✓ Las restricciones “igual que” dan origen a variables “no
restringidas” en el otro problema.
✓ Las restricciones “mayor o igual que” en el problema de máximo
originan variables “ 0” en el programa de mínimo.
Relación entre los valores objetivos: se puede demostrar que el valor
de la función objetivo, para cualquier solución factible del problema de
máximo, es siempre menor o igual que el valor de la función objetivo para
cualquier solución factible del problema de mínimo, es decir:
ZG
En particular, la igualdad se verifica cuando ambos problemas
están en el óptimo.
TEOREMA FUNDAMENTAL DE LA DUALIDAD

Este teorema expresa que, “con respecto a los programas lineales primal
y dual, exactamente una de las siguientes proposiciones es cierta:
✓ Ambos problemas tienen solución óptima X* y Y*, siendo Z*= G*.

✓ Uno de los problemas es no acotado, en cuyo caso el otro problema
es no factible.
✓ Ambos problemas son no factibles”.
114 CAPÍTULO 4
TEOREMA DÉBIL DE HOLGURA COMPLEMENTARIA

Este teorema (demostrado para el caso de la dualidad canónica) sostiene
que, en el óptimo, “si una variable en uno de los problemas es positiva,
entonces la restricción correspondiente en el otro problema es sin
holgura; y si una restricción en uno de los problemas es con holgura,
entonces la variable correspondiente en el otro problema debe ser nula”.
Este teorema denomina “variable” solo a las variables de decisión y
simplemente “holgura” a las variables de holgura. Si ahora nombramos
variable a todas, sean de decisión o de holgura, podemos enunciar el
teorema de la siguiente manera: “Si una variable en uno de los problemas
(primal o dual) es positiva, entonces la variable relacionada en el otro
problema debe ser nula”.
Cuidado, porque la relación va en un solo sentido, es decir que si yo miro

la solución de uno de ellos puedo decir que, para cada variable positiva,
la relacionada en el otro problema es nula, pero lo inverso no siempre es
válido.
Podríamos preguntarnos por qué no es posible asegurar que, si una

variable es nula, entonces la variable relacionada en el otro problema es
positiva. Para responder esta pregunta, mostramos a continuación los
casos en que no se cumple que, siendo una variable nula, la relacionada
es positiva.
PRIMER CASO: puede darse en un problema degenerado
20 14 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P5 0 0 0 0 1,5 -2 1
P2 14 3 0 1 -0,25 1 0
P1 20 2 1 0 0,25 -0,5 0
Z 82 20 14 1,5 4 0
0 0 -1,5 -4 0
y1 y2 y3
Segundo CASO: problema con múltiples soluciones óptimas
54 45 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P5 0 1,667 0 0 0,333 -0,4 1
P1 54 5,556 1 0 -0,222 0,333 0
P2 45 6,667 0 1 0,333 -0,4 0
Z 600 54 45 3 0 0
0 0 -3 0 0
y1 y2 y3
INTERPRETACIÓN MATEMÁTICA DE LAS VARIABLES DUALES

En el óptimo, la variable dual representa la cantidad que incrementa la
función Z ante un incremento unitario en el i-ésimo valor del lado derecho
(bi). Esto se demuestra calculando en el óptimo:
 Z *  (BÝ*)
= = yi *
 bi  bi
Es imprescindible, para interpretar el significado económico de las
variables duales, tener muy en claro qué representa la función objetivo
del primal y qué representa la restricción relacionada a la variable dual
que se analiza.
Por ejemplo, si la i-ésima restricción representa la disponibilidad de b i
unidades de insumo para elaborar un producto y Z representa la
contribución total a las utilidades, entonces yi (variable dual) representa
el incremento en las utilidades por adicionar una unidad del i-ésimo
insumo.
Si, en cambio, la i-ésima restricción representa la demanda de al menos
bi unidades producidas y Z representa el costo total de producción,
entonces yi es el costo incremental de producir una unidad más del i-
ésimo producto.
Económicamente, puede interpretarse al vector de variables duales Y*
como un vector de precios sombra para el vector del lado derecho, es
decir que es el precio justo o valoración interna de los recursos.
3. ANÁLISIS DE SENSIBILIDAD
Uno de los supuestos sobre los que está basada la PL es el de certidumbre.
Es decir que el modelo supone que todos los parámetros que en él
intervienen se conocen con exactitud.
Nosotros sabemos que, en los problemas que se nos presentan
diariamente, existe un grado de incertidumbre o aleatoriedad en los datos
que poseemos. Por ejemplo, podemos estimar que la disponibilidad de
horas de mano de obra mensuales es, en promedio, de 500; pero, cada
mes en particular, la cantidad real de horas disponibles pueden no ser
exactamente 500, aunque sí un valor muy aproximado.
En general, al modelizar, se utilizan estimaciones estadísticas de los
parámetros del modelo y luego se los trabaja como valores ciertos.
Debido a esto, se hace necesario realizar un análisis de la sensibilidad de
la solución del problema. Esto es, estudiar los efectos que tienen
variaciones que puedan producirse en los valores de los parámetros en la
solución óptima del problema. Esto es lo que se conoce como análisis de
sensibilidad o análisis de pos-optimidad. Su objetivo es responder a
preguntas tales como:
1. ¿Cómo afecta a la solución óptima un cambio en el coeficiente de
costo de alguna variable no básica?
116 CAPÍTULO 4
2. ¿Cuál es el efecto que tiene en la solución óptima un cambio en el

coeficiente de costo de una variable básica?
3. ¿Qué efecto producirá en la solución óptima una variación en el lado
derecho de alguna restricción?
En resumen, el análisis de pos-optimidad se realiza sobre:
Coeficientes de Valores del lado

la función derecho (bi)
objetivo (cj)
De una variable De una variable Restricción No Restricción

No básica Básica limitante Limitante
xj =0 xj >0 Si > 0 Si = 0
Estudiaremos este tema desde tres aspectos:

➢ análisis gráfico,
➢ estudio de los intervalos de sensibilidad y
➢ cálculo de los intervalos.
3.1. UNA VISIÓN GRÁFICA

Se analizará gráficamente qué ocurre con la solución óptima y con el valor
de la función objetivo ante cambios en los parámetros cj y bi.
Variaciones en los coeficientes de la función objetivo

Si se incrementa o disminuye algún coeficiente de la función objetivo,
x2
cambiará la pendiente de la recta que la representa. Dependiendo de la

120
114
magnitud del cambio, el vértice actual seguirá o no siendo óptimo.

108
Supongamos que tenemos el siguiente problema:

102
96
La ecuación explícita
Max Z = 12 x1 +20 x2
de la recta de
90
isoutilidad es: Sa : 10 x1  300

84
x2=(Z/c2) – (c1/c2) x1 12 x2  360

78
de donde cualquier
cambio en los
15 x1 + 10 x2  600
72
66
coeficientes cj
modificará la
x1 y x2 ≥ 0
60
pendiente de la recta. 54
Su solución gráfica es: 48
42
36
A
30
24
18
Payoff: 12.0 x1 + 20.0 x2 = 840.0
12
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170
Figura 1
:: 15.0
: 10.00.0
x1 x1
+x1+0.0
+ 12.0
10.0x2
x2 =x2==360.0
300.0
600.0
Figura 1
: 10.0x1 + 0.0x2 <= 300.0
: 0.0x1 + 12.0x2 <= 360.0
: 15.0x1 + 10.0x2 <= 600.0
120
114
108
102
117
90
De acuerdo a la solución gráfica, vemos que el vértice óptimo es A.

84
Supongamos que el coeficiente de x1 se incrementa a 20. Esto hace que

78
la pendiente de Z cambie, como se observa en la figura 2, pero el vértice

72
actual sigue siendo el óptimo.

66
60
54
48
42
36
A
30
24 x2
120
18
B Payoff: 20.0 x1 + 20.0 x2 = 1000.0
114
12
108
6
102
0
0 96 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 2

90
: 10.0x1 + 0.0x2 <= 300.0
: 0.0x1 + 12.0x2 <= 360.0
Figura 2
84 + 10.0x2 <= 600.0
: 15.0x1
78
Observemos ahora la figura 3. En este caso, el coeficiente de x1 se

72
incrementó a 35 y, como consecuencia, la pendiente de Z se modificó

66
tanto que cambió el vértice óptimo, pasando de A a B.

60
54
48
42
36
A
30
Payoff: 35.0 x1 + 20.0 x2 = 1350.0
24
18
B
12
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 19

: 10.0x1 + 0.0x2 <= 300.0
: 0.0x1 + 12.0x2 <= 360.0
: 15.0x1 + 10.0x2 <= 600.0
Figura 3
En consecuencia, puede afirmarse que en tanto la pendiente de la recta z

se mantenga entre las pendientes de las rectas que representan a las
restricciones 1 y 3, el vértice óptimo no se modifica.
A través de este sencillo ejemplo, se puede observar que las variaciones
en los coeficientes de la función Z producen una modificación en su
pendiente. Por esta razón, lo que pretendemos al realizar el análisis de
sensibilidad es determinar un rango o un intervalo de valores dentro del
cual pueden variar los coeficientes de la función objetivo, sin que la
solución (vértice actual) deje de ser óptima.
Cambios en los valores del lado derecho

Veamos, con el mismo ejemplo, qué sucede cuando varían los valores del
lado derecho.
x2
120
118 114
CAPÍTULO 4
108
Puede observarse en la figura 4 que, si b3 (valor del lado derecho de la

102
restricción 3) se incrementa a 700, se amplía la región factible y el vértice

96
actual deja de ser óptimo; en este caso, pasa del vértice A al C.

90
Pero si hacemos un análisis más detallado, podemos observar que en el

84
vértice A (solución factible básica anterior), y de acuerdo con la figura 1,

78
las variables básicas eran x1, x2 y S2, siendo las no básicas S1y S3.
72
Si observamos ahora la figura 4, en el vértice C (óptimo actual) seguimos

66
teniendo las mismas variables básicas y no básicas, sin embargo, es

60
evidente que han cambiado sus valores.

54
48
42 x2
120
36
114
A C
30
108
Payoff: 12.0 x1 + 20.0 x2 = 920.0
24
102
18
96
12
90
6
84
0
78
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
72Optimal Decisions(x1,x2): (26.7, 30.0)

: 10.0x1 + 0.0x2 <= 300.0 Figura 4
: 0.0x1 + 12.0x2 <= 360.0
66
: 15.0x1 + 10.0x2 <= 700.0
Algo similar puede se observa en la figura 5. En este caso, b3 disminuyó

60
hasta 500 y el vértice óptimo pasó de A a D, manteniéndose el mismo

54
conjunto de variables básicas, pero evidentemente sus valores son

48
diferentes. 42
36
D A
30
Payoff: 12.0 x1 + 20.0 x2 = 760.0
24
18 x2
120
12
114
6 108
102
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
96
Figura 5
: 10.0x1
90 + 0.0x2 <= 300.0
: 0.0x1 + 12.0x2 <= 360.0
En la figura 6 puede observase que b3 se incrementó hasta 800, lo que

: 15.0x1
84 + 10.0x2 <= 500.0
: 15.0x1 + 10.0x2 <= 600.0
dio como resultado que el vértice óptimo, E en este caso, se dé en la

78
intersección de las restricciones 1 y 2. Se produce así una modificación

72
66
en el conjunto de variables básicas, es decir, la base actual deja de ser

60
óptima cambiando su composición; en este caso, la base estará formada

54
por x1, x2 y S3. 48
Payoff: 12.0 x1 + 20.0 x2 = 960.0

42
36
A E
30
24
18
12
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160
Figura 6
: 10.0x1 + 0.0x2 <= 300.0
: 0.0x1 + 12.0x2 <= 360.0
: 15.0x1 + 10.0x2 <= 800.0
x2
120

119
108
102
Analicemos qué sucede cuando se trata de una restricción no limitante,

96
como es, en nuestro ejemplo, la primera restricción. Si aumentamos el bi

90
a 400, es decir, relajamos la restricción, el mismo vértice A seguirá siendo

84
el óptimo. Sin embargo, en la solución habrá cambiado el valor de la

78
holgura, en este caso aumentará, pero no así el valor de z. Lo mismo

72
ocurre si disminuimos el valor del bi en una cantidad inferior al valor de

66
60
la holgura. Esto puede verse en el gráfico 7.

54
48 : 10.0 x1 + 0.0 x2 = 400.0

Payoff: 12.0 x1 + 20.0 x2 = 840.0
42
36
: 0.0 x1 + 12.0 x2 = 360.0
A
30
x2
120
24
114
18
108
12
102
6
: 15.0 x1 + 10.0 x2 = 600.0
96
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190
90
Figura 7
: 10.0x1 + 0.0x2 <= 400.0
: 84
0.0x1 + 12.0x2 <= 360.0
: 15.0x1 + 10.0x2 <= 600.0
Si se disminuye el bi en un valor igual a la holgura, se observa que, en el

78
punto óptimo, se intersecan las tres restricciones y esto producirá que la

72
solución en ese vértice sea degenerada. Es decir que en la solución óptima

66
los valores de las variables serán los mismos, a excepción de la holgura

60
de la restricción analizada que ahora será cero. El valor de la función

54
objetivo será el mismo. Esto se muestra en la figura 8.

48
42 Payoff: 12.0 x1 + 20.0 x2 = 840.0
x2
36
120
30
114 A
24 : 10.0 x1 + 0.0 x2 = 200.0
108
18
102
: 0.0 x1 + 12.0 x2 = 360.0
12
96
: 15.0 x1 + 10.0 x2 = 600.0
6
90
0
84
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160
78 Optimal Decisions(x1,x2): (20.0, 30.0)

Figura 8
: 10.0x1 + 0.0x2 <= 200.0
: 0.0x1 + 12.0x2 <= 360.0
72
: 15.0x1 + 10.0x2 <= 600.0
Si ahora disminuimos el valor del bi más allá de la holgura de esa

66
restricción, el vértice A dejará de ser óptimo, esto es que el conjunto de

60
variables básicas habrá cambiado y, por lo tanto, deberá resolverse

54
nuevamente el problema. Observemos esta situación en la figura 9.

48
42 Payoff: 12.0 x1 + 20.0 x2 = 780.0
36
A
30
24 : 10.0 x1 + 0.0 x2 = 150.0
18
: 0.0 x1 + 12.0 x2 = 360.0
12
: 15.0 x1 + 10.0 x2 = 600.0

6
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160

: 10.0x1 + 0.0x2 <= 150.0
Figura 9
: 0.0x1 + 12.0x2 <= 360.0
: 15.0x1 + 10.0x2 <= 600.0
120 CAPÍTULO 4
En resumen, el cambio en bi tiene como efecto expandir o contraer la

región de soluciones factibles. Al cambiar bi a bi , cambiarán al menos los
valores de algunas de las variables básicas. Sin embargo, si bi se
incrementa o disminuye más allá de ciertos límites, la base actual dejará
de ser factible y deberá, por lo tanto, recalcularse la solución completa.
Por esta razón, los valores admisibles para bi son aquellos para los que
la nueva solución básica permanece factible. Es decir, para los que las
variables básicas permanecen no negativas.
3.2. ANÁLISIS DE LOS INTERVALOS DE SENSIBILIDAD
Cambios en los coeficientes de la función objetivo (cj)

1. Cambio en cj de una variable no básica:
➢ En caso de maximización, si el coeficiente de xj disminuye, entonces
no se produce ningún cambio en la solución óptima; lo mismo si
aumenta en una cantidad menor o igual al límite superior del
intervalo.
➢ En caso de minimización, si el coeficiente de xj aumenta, entonces
no se produce ningún cambio en la solución óptima; lo mismo si
disminuye en una menor o igual al límite inferior del intervalo.
2. Cambio en cj de una variable básica:
Si xk es una variable básica, la solución óptima no va a sufrir ningún
cambio siempre que la modificación en el coeficiente ck esté dentro del
intervalo de sensibilidad. En este caso, el valor de la función objetivo
aumentará o disminuirá en:
Z´= Z0 +  ck xk
Variaciones en los valores del lado derecho (b i)

1. Restricciones no limitantes (con holgura positiva)
El lado derecho de la restricción puede disminuir en una cantidad igual al
valor de la variable de holgura y relajarse arbitrariamente, sin que la base
actual sufra modificaciones. En estos casos, no cambiará el valor de la
función objetivo, pero sí el valor de la holgura correspondiente.
2. Restricciones limitantes (sin holgura)
El cambio que se produzca en algún valor del lado derecho siempre tendrá
un efecto sobre la base óptima. Si el aumento o disminución está
contenido dentro del intervalo, no cambiará la estructura de la base
óptima –las variables básicas serán las mismas–, pero sí se modificarán
los valores de las variables básicas y el valor de la función objetivo.
El nuevo valor de la función objetivo será:
Z´= Z0 +  bi yi,
donde yi es el valor de la variable dual.
Los nuevos valores de las variables básicas se recalculan usando las

tasas de sustitución:
xi= i +  bi ij si la restricción es de ≤ o =
xi= i -  bi ij si la restricción es de ≥
donde ij representan a las tasas de sustitución de la variable de

holgura/excedente asociada a bi en el caso de restricciones de ≤ ó
≥, o a las tasas de sustitución de la variable artificial en el caso de
restricciones de igualdad.
REGLA DE 100 %
La validez de los cambios informados por el análisis de sensibilidad son
ceteris paribus, es decir, se deben analizar uno por vez. No obstante,
existe una regla práctica, conocida como regla del 100 %, que sostiene
que “para considerar cambios simultáneos se deben sumar los
porcentajes de cambio tanto de los incrementos como de las
disminuciones permisibles; si la suma de los cambios porcentuales no
excede el 100 %, la solución óptima no se modificará”. Esto es válido
tanto para cambios en el vector de términos independientes de las
restricciones como en los coeficientes que preceden a las variables en la
FO.
3.3. CÁLCULO DE LOS INTERVALOS DE SENSIBILIDAD

Cambios en los coeficientes de la función objetivo
1. Coeficiente de una variable no básica
Para una variable no básica, el intervalo de sensibilidad define los posibles
valores del coeficiente de la función objetivo para los cuales esa variable
sigue siendo no básica.
Analizando para el caso de máximo, podemos decir que una variable, que
en la solución óptima actual es no básica, tiene una diferencia c j - z j
negativa, es decir que su contribución neta unitaria al objetivo es negativa
y, por lo tanto, para que sea conveniente introducirla a la base, su
contribución debe ser positiva. Por esta razón, vamos a analizar la
condición de optimidad para esta variable.
Como la variable no es básica, analizamos solo incrementos en dicho
coeficiente, ya que, si la utilidad de esta variable disminuye, no habrá
cambios en la solución óptima.
El intervalo de optimidad para un coeficiente de la función objetivo se
determina mediante los valores de los coeficientes que mantienen:
cj - zj  0 para todos los valores de j
Haciendo el análisis para una variable no básica xj cualquiera y si
llamamos c j al incremento en el coeficiente de dicha variable,
tendremos que el nuevo coeficiente será:
122 CAPÍTULO 4
cj = c j + c j
Usando la condición de optimidad, podemos decir que xj seguirá siendo
no básica siempre que:
cj − zj  0
Reemplazando por el nuevo valor de c j y realizando algunas operaciones:
cj − zj  0
c j + c j - z j  0
c j  -c j + z j
c j  − ( c j − z j )
En general, para cualquier problema:
cj  zj - cj
Si c j = z j - c j se obtiene una solución óptima alternativa.
Resumiendo, si se modifica el coeficiente de la función objetivo de una

variable no básica:
➢ En caso de maximización  Si el coeficiente de xj disminuye, entonces
no se produce ningún cambio en la solución óptima; lo mismo si aumenta
en una cantidad inferior cj - zj .
Es decir, el intervalo de variación es: − , cj - zj 

 
➢ En caso de minimización  Si el coeficiente de xj aumenta, entonces

no se produce ningún cambio en la solución óptima; lo mismo si disminuye
en una cantidad inferior cj - zj
Es decir, el intervalo de variación es:  c j - z j , 

 
2. Coeficiente de una variable básica
Si se modifica el coeficiente cj de una variable básica, entonces puede
producirse uno de dos resultados: es posible que la variable deje de ser
básica o que aumente su valor. Es por esta razón que se deben considerar
tanto aumentos como disminuciones en los coeficientes de la función
objetivo. Y también, a diferencia de los casos de las variables no básicas,
los cambios en los coeficientes de las variables básicas tendrán, de alguna
manera, un impacto sobre el valor de la función objetivo.
Realizamos el análisis de la misma manera que para una variable no
básica considerando la condición de optimidad. Sin embargo, en este caso
para determinar los límites de c j y, por lo tanto, el intervalo de
sensibilidad, debemos considerar todos los valores c j - z j que se ven
afectados por Δc j . Para hacer esto, usamos las tasas de sustitución que
relacionan a la variable que sufrió un cambio en su coeficiente,
supongamos que sea xk, con cada una de las variables no básicas.
Si llamamos z0 al valor de la función objetivo, el nuevo valor se puede
determinar como:
z0 = z0 + λk Δck
La fila de z j puede determinarse como:

zj = z j + λkjΔck para j = 1, 2, ..., n
Para que la solución actual siga siendo óptima, ningún valor cj - zj debe
hacerse positivo.
Puede calcularse la fila cj - zj como:

(c j ) (
- zj = c j - z j + λkjΔck )
(c j ) ( )
- zj = c j - z j - λkjΔck para j = 1, 2, ..., n
Para determinar la magnitud de la variación, despejamos Δck del sistema

de restricciones dado por:
(c j ) ( )
- zj = c j - z j - λkjΔck  0 para j = 1, 2, ..., n
Resumiendo, si se modifica el coeficiente de la función objetivo de una

variable básica, puede ocurrir que, si el cambio en el coeficiente que tiene
la variable xk en la función objetivo está dentro del intervalo de
sensibilidad, la solución óptima no va sufrir ningún cambio y el valor de
la función objetivo aumentará o disminuirá. Sin embargo, si el cambio es
tal que el nuevo coeficiente sale del intervalo determinado, la solución
dejará de ser óptima.
Variaciones en los valores del lado derecho

El cambio en un bi tiene como efecto aumentar o disminuir la región de
soluciones factibles. Al cambiar bi a bi , cambiarán al menos los valores
de algunas de las variables básicas. Por esta razón, los valores admisibles
para bi son aquellos para los que la nueva base permanece factible. Es
decir, para los que las variables básicas son no negativas.
1. Restricciones no limitantes
Si la restricción es del tipo , el intervalo de variación de bi será [Si,  ],
donde Si es el valor de la variable de holgura correspondiente a la i-ésima
restricción.
124 CAPÍTULO 4
Si la restricción es del tipo , el intervalo de variación de bi será [- , Si],

donde Si es el valor de la variable de excedente correspondiente a la i-
ésima restricción.
En estos casos, no cambiará el valor de la función objetivo, pero sí el valor
de la holgura correspondiente.
2. Restricciones limitantes
Cuando hicimos el análisis de los elementos de la tabla simplex, definimos
a las tasas de sustitución (ij) como el sacrificio que se debía hacer de la
variable básica xi para poder incrementar en una unidad la variable no
básica xj.
Cuando la variable no básica analizada es una variable de holgura,
debemos interpretar ese incremento como dejar libre o dejar de usar una
unidad del recurso (bi ) de la restricción a la cual corresponde dicha
holgura. Es decir que estas tasas nos mostrarán el sacrificio de cada
variable básica si disminuimos en una unidad un valor del lado derecho.
Por el contrario, si aumentamos en una unidad un bi , la interpretación de
las ij será exactamente lo opuesto. De esta manera, podemos usar a las
tasas de sustitución de las variables de holgura correspondiente al lado
derecho analizado para determinar en cuánto puede aumentar o disminuir
su valor sin que la solución actual deje de ser factible.
Para determinar el intervalo de sensibilidad, usamos la condición de
factibilidad de la solución y las tasas de sustitución de las variables de
holgura. El procedimiento para determinar este intervalo en caso de
restricciones del tipo  es el siguiente:
 1   1j   0 
     0 
 2  2j   
 3  + bi  3j    0 
 (1)
     
     
 m   mj   0 
Solución actual
Columna de la tabla simplex que

corresponde a la variable de holgura
asociada a la restricción i
Resolviendo, nos queda un sistema de inecuaciones y podemos

determinar, de esta manera, un incremento y una disminución para bi .
Para restricciones del tipo , se pueden usar las tasas de sustitución de la
variable artificial y hacerlo de la misma manera que en el caso anterior
(1) o usar las tasas de sustitución de la variable de excedente, pero
restando el incremento, es decir:
 1   1j  0
     
 2   2j  0
 3  − bi  3j   0
     
    (2)
 
     
 m m j  0
Determinándose al igual que en el caso anterior un incremento y una

disminución para el valor del lado derecho analizado.
Para restricciones de =, se plantea un sistema de restricciones como (1),
pero con las tasas de sustitución de la columna de la variable artificial
correspondiente a la restricción analizada y se procede de manera análoga
a los casos anteriores.
Conclusión: En el caso de restricciones limitantes, el cambio que se
produzca en algún valor del lado derecho siempre tendrá un efecto sobre
la solución óptima de la siguiente manera:
➢ Si el aumento o disminución está contenido dentro del intervalo de

sensibilidad, no cambiará la base óptima, pero sí los valores de las
variables positivas y el valor de la función objetivo.
➢ Si el aumento o disminución producida hace que el nuevo valor no esté
contenido en el intervalo de sensibilidad, cambiará la solución completa.
PRECIO SOMBRA VS. PRECIO DUAL

Al analizar los cambios en los lados derechos de las restricciones y la
interpretación de los resultados que nos brinda la computadora,
dependiendo del software utilizado, aparecen alguno de estos dos
importantes conceptos: precio dual y precio sombra.
Es muy importante, al momento de analizar la solución óptima, tener en
claro la diferencia entre ambos.
Precio sombra indica la variación que se produce en el valor de la función
objetivo ante un incremento en el lado derecho de una restricción. El
precio sombra es el valor de la variable dual correspondiente.
Esto significa que, para un problema de maximización, si el precio sombra
es positivo, un incremento en el valor del lado derecho (VLD) implicará
un crecimiento en el valor de la función objetivo y, por lo tanto, el valor
de la función objetivo mejora. Si, en cambio, el problema es de
minimización, como un precio sombra positivo indica un incremento de la
función objetivo, entonces nuestro objetivo desmejora.
Precio dual representa la mejora o desmejora que se produce en el valor
de la función objetivo, ante un incremento en el lado derecho de una
restricción, según que el precio dual sea positivo o negativo.
Esto quiere decir que un precio dual positivo nos indica en cuánto mejora
el valor de la función objetivo ante un incremento del lado derecho; y aquí
126 CAPÍTULO 4
mejora expresa que el valor objetivo crece en caso de máximo y decrece

en caso de mínimo.
De la misma manera, un precio dual negativo representará la desmejora
que se produce en el valor de la función objetivo ante un incremento del
VLD.
Como resumen de lo anterior, podemos decir que, en caso de

maximización, precio sombra y precio dual son iguales; sin embargo, en
caso de minimización, uno es el opuesto del otro.
INTRODUCCIÓN DE UNA NUEVA VARIABLE

En numerosas ocasiones, los decisores se plantean la necesidad de incluir
en el modelo una variable no considerada en el problema original. Por
ejemplo, un nuevo producto o una actividad adicional que no fue
contemplada con anterioridad. En estos casos, resulta interesante
estudiar si es conveniente su introducción analizando de qué manera
afectarían a la solución óptima actual. Para efectuar este análisis,
podemos utilizar a los precios sombra.
Al realizar la interpretación de los elementos de la tabla simplex, vimos
que las diferencias cj-zj correspondientes a las variables de holgura nos
indicaban la disminución que se produce en el valor de z si dejamos sin
usar una unidad del recurso, y esto se debe a que tendremos que dejar
de producir algunos productos.
Asimismo, recordemos que este valor, considerando el signo que nos fija
el dual, es el precio sombra y nos indica el valor marginal del recurso al
cual se refiere.
Con este razonamiento, podremos calcular el “costo de oportunidad” de
introducir el nuevo producto y compararlo con la contribución que aporta
a la función objetivo, para determinar si se produce un incremento o una
disminución marginal en el valor de z.
Es decir, para los recursos de los cuales tenemos holgura, su costo de
oportunidad es cero, pero de aquellos limitantes tendremos que
considerar que dejar de utilizar una unidad en la producción actual para
derivarlo a la producción de un nuevo producto tiene, para nosotros, un
costo que está dado por el precio sombra. De esta manera, podremos
calcular cuál es el “costo de introducir” esta nueva variable y luego
compararlo con su contribución al objetivo.
Así, si k representa a la nueva variable, el cálculo a realizar será:
m
zk = a
i =1
ik (yi )
ck − zk
Si ck − zk es positivo, convendrá introducir este nuevo producto o
actividad; y si es negativo, nos indicará la magnitud del cambio que
debería realizarse para poder introducirlo.
ANÁLISIS DE SENSIBILIDAD MEDIANTE UN EJEMPLO

Una empresa fabrica cuatro tipos de alfombras que tienen gran demanda
en el mercado.
En el proceso de fabricación, primero se tiñe el hilado, que es la materia
prima principal, y luego se lo envía a la sección tejido. En la tabla se
muestran los kg de materia prima y las horas en cada sección necesaria
para fabricar cada alfombra, la disponibilidad total de estos insumos y la
contribución unitaria de cada tipo de alfombra.
PRODUCTO
Alfombra Alfombra Alfombra Alfombra
Disponibilidad
I II III IV
Materia prima
3 4 8 6 22.000
(kg/unid.)
H sección
8 2 4 2 28.000
teñido
H sección tejidos 4 6 2 4 8.000

Contribución
40 60 30 10
($/unid)
Tabla 1
x1, x2, x3 y x4 indican las unidades de las alfombras I, II, III y IV a
fabricar, respectivamente.
Max 40x1 + 60x2 + 30x3 +10 x4

sa
3x1 + 4x2 + 8x3 + 6x4  22000 Materia Prima
8x1 + 2x2 + 4x3 + 2x4  28000 H sección teñido
4x1 + 6x2 + 2x3 + 4x4  8000 H sección tejidos
x1, x2, x3 y x4  0
En la página siguiente, se muestran los informes de solución de los
software LINDO y SOLVER correspondientes a este problema.
Analicemos la salida y respondamos las siguientes preguntas:
a) ¿Cuál es la solución óptima y cuál el valor de la función objetivo?
b) ¿Existe excedente en alguno de los recursos?, ¿en qué cantidad?
c) Si la contribución de la alfombra III aumenta en $20, ¿cambia la
solución óptima?, ¿cómo?, ¿qué sucede con la contribución total?
d) Si la contribución de la alfombra IV aumenta en $25, ¿cambia la
solución óptima?, ¿cómo?, ¿qué sucede con la contribución total?
e) Suponga que se pueden conseguir 1.000 kg adicionales de materia
prima, pagando un precio adicional de $5 por kg. ¿Conviene
adquirirlos? ¿Por qué?
f) ¿Cuál es el valor de una hora adicional en la sección teñido? Justifique.
128 CAPÍTULO 4
g) Suponga que en la sección tejidos, como consecuencia de la rotura de

una máquina, disminuyen las horas disponibles en 1.000, ¿cómo
afecta esto a la solución óptima y al valor de Z?
h) Suponga que un cliente importante le solicita 10 alfombras tipo IV.
¿Cuál será el nuevo valor de la función objetivo? ¿Por qué? ¿De qué
tipo será la nueva solución?
i) Calcule el intervalo de sensibilidad para el coeficiente de las variables
x1 y x2.
j) Calcule el intervalo de sensibilidad de la primera y segunda restricción.
k) Al fabricante le interesa producir un nuevo modelo de alfombra de
colores más brillantes y que se puede vender a $100. Para su
fabricación necesitará 4 kg de materia prima, 5 h en la sección teñido
y 5 h en la sección tejidos. Quiere saber si le conviene producirlo. Si
lo cree conveniente, sugiera un precio de venta.
INFORME DE SOLUCIÓN CON LINDO
OBJECTIVE FUNCTION VALUE
1) 105000.0
Disminución que se produce en z
VARIABLE VALUE REDUCED COST por cada unidad en que se
incrementa la variable
X1 0.000000 0.500000
X2 500.000000 0.000000
X3 2500.000000 0.000000
X4 0.000000 35.000000
Mejora que se produce en z por

cada unidad en que se incrementa
ROW SLACK OR SURPLUS DUAL PRICES el lado derecho de la restricción.
Tiene validez dentro del intervalo
2) 0.000000 1.500000 de sensibilidad.
3) 17000.000000 0.000000
4) 0.000000 9.000000
RANGES IN WHICH THE BASIS IS UNCHANGED: Variable no básica

Si la variación del
OBJ COEFFICIENT RANGES coeficiente de x1 se
VARIABLE CURRENT ALLOWABLE ALLOWABLE produce dentro de este
rango, no se producen
COEF INCREASE DECREASE cambios en los valores de
las variables, ni en el
X1 40.000000 0.500000 INFINITY valor de z
X2 60.000000 30.000000 0.769231
X3 30.000000 90.000000 9.999998 Variable básica
X4 10.000000 35.000000 INFINITY Si la variación del
coeficiente de x3 se
produce dentro de este
rango, no se producen
cambios en los valores
de las variables, sólo
varía el valor de z
RIGHTHAND SIDE RANGES

Restricción no limitante
ROW CURRENT ALLOWABLE ALLOWABLE Si la variación del RHS se
RHS INCREASE DECREASE produce dentro de este rango,
sólo se modifica el valor de la
2 22000.0000 10000.0000 16666.666016 holgura
3 28000.0000 INFINITY 17000.000000

Restricción limitante
4 8000.0000 25000.0000 2500.000000 Si la variación del RHS se
produce dentro de este rango,
no cambia la base, pero varían
los valores de las variables
básicas y el valor de z
130 CAPÍTULO 4
INFORME DE SOLUCIÓN CON SOLVER
Celda objetivo (Máx.)
Nombre Valor original Valor final
Objetivo 0 105000
Celdas de variables
Variables Alf. I 0 0
Variables Alf: II 0 500
Variables Alf. III 0 2500
Variables Alf. IV 0 0
Restricciones
Nombre Valor de la celda Estado Holgura
Materia Prima (Kg/unid) 22000 Vinculante 0
Hrs. Sección Teñido 11000 No vinculante 17000
Hrs. Sección Tejidos 8000 Vinculante 0
Análisis de Sensibilidad
Final Costo Coeficiente Aumento Reducción

Nombre Valor Reducido Objetivo Permisible Permisible
Variables Alf. I 0 -0,5 40 0,5 1E+30
Variables Alf: II 500 0 60 30 0,76923
Variables Alf. III 2500 0 30 90 10
Variables Alf. IV 0 -35 10 35 1E+30
Final Precio Restricción Aumento Reducción

Nombre Valor Sombra Lado derecho Permisible Permisible
Materia Prima (Kg/unid) 22000 1,5 22000 10000 16666,667
Hrs. Sección Teñido 11000 0 28000 1E+30 17000
Hrs. Sección Tejidos 8000 9 8000 25000 2500

Respuestas a las preguntas del problema de la fábrica de alfombras:

a) La solución óptima será:
Producir 500 alfombras tipo II y 2.500 alfombras tipo III. Con este plan
de producción, se usará toda la materia prima y todas las horas de la
sección tejidos, quedando 17.000 horas disponibles en la sección teñido.
La contribución total máxima será de $105.000.
b) Quedan 17.000 horas sin utilizar en la sección teñido.
c) En primer lugar, nos fijamos si el incremento en el coeficiente está
dentro del intervalo de sensibilidad y luego si corresponde a una variable
básica o no básica. De acuerdo con ello, podremos decir cuáles serán sus
efectos. El incremento máximo admitido para el coeficiente de x 3 es de
90 y, como x3 es una variable básica, podemos decir que la solución
óptima no sufrirá cambios, solo se modificará el valor de z
incrementándose en 20(2500) = $50000.
d) Como el incremento en el coeficiente de la variable x 4 está dentro del
intervalo de sensibilidad y además se trata de una variable no básica,
podemos decir que no se modificará la solución actual ni el valor de la
función objetivo.
e) También, en este caso, primero nos fijamos si el incremento o
disminución está dentro del intervalo de sensibilidad y luego si se trata
de una restricción limitante o no. Si es una restricción no limitante, no
nos interesará adquirir ninguna cantidad adicional del recurso; y si es una
restricción limitante, debemos comparar el valor marginal del recurso
(precio sombra) con el precio adicional que nos piden. Hay que tener en
cuenta que el precio sombra es válido en el intervalo de sensibilidad. En
nuestro caso, si bien se trata de un recurso limitante, el precio adicional
solicitado es superior al valor marginal del recurso, por lo tanto,
concluimos que no nos conviene adquirir más materia prima.
f) El valor de una hora adicional es cero, ya que podemos observar que
se trata de un recurso no limitante (hay sobrante). También puede
justificarse este valor a través del teorema débil de holgura
complementaria que dice: si una restricción es con holgura la variable
dual correspondiente será igual a cero (precio sombra). Recordemos que,
en caso de maximización, el precio sombra y el precio dual son iguales.
g) Nuevamente nos fijamos si esta disminución está dentro del intervalo
de sensibilidad y luego si la restricción es limitante o no. Como las horas
en la sección tejidos son limitantes y la disminución está dentro del
intervalo de sensibilidad (máximo admitido es 2.500), concluimos que no
cambiará la base. Es decir que seguiremos produciendo de los mismos
tipos de alfombras, pero en diferentes cantidades y el valor de la
contribución total disminuirá en:
1000(9) = 9000.
132 CAPÍTULO 4
Calculamos los nuevos valores de las variables usando las tasas de

sustitución de la variable de holgura correspondiente a la restricción de
horas de sección tejidos (S3) de la tabla óptima:
xi = i + bi ij (i = 1... m)
donde bi representa el incremento del valor del lado derecho que, en
este caso, es negativo.
cj 40 60 30 10 0 0 0
cj Base VLD x1 x2 x3 x4 S1 S2 S3
30 x3 2500 0,05 0 1 0,5 0,15 0 -0,10
0 S2 17000 6,5 0 0 -1 -0,5 1 0
60 x2 500 0,65 1 0 0,5 -0,05 0 0,20
zj 105000 40,5 60 30 45 1,5 0 9
cj - zj -0,5 0 0 -35 -1,5 0 -9
Tabla 2
La nueva solución será:

x3= 2500 – 1000 (-0,10) = 2600
S2= 17000 – 1000 (0) = 17000
x2= 500 – 1000(0,20) = 300
Z = 105000 + (-1000)9 = $96000
h) Como se trata de un cliente importante y queremos cumplir, vamos a

tener que resignar beneficios, es decir que la contribución total disminuirá
en:
35(10) = 350
esto es, coste reducido por la cantidad de alfombras que vamos a
producir. Obviamente la contribución va a disminuir porque, para poder
producir de la alfombra IV, deberemos dejar de producir de las otras,
permitiéndonos liberar los recursos necesarios (ver tasa de sustitución).
Para el cálculo de la nueva solución, utilizamos las fórmulas vistas en la
interpretación económica:
xi = i - ij (i = 1...m)
xj = 
xk = 0 (k  1, 2, ...m, j )
La nueva solución será:

x3= 2500 – 0,5(10) = 2495
S2= 17000 + 1 (10) = 17010
x2= 500 – 0,5(10) = 495
x1= 0
x4= 10
S1= 0
S3= 0
Z = 105000 - (35)10 = $104650
Se trata de una solución factible no básica.
Para calcular los intervalos de sensibilidad, tanto de los coeficientes de la
función objetivo como de los valores del lado derecho, necesitamos la
tabla óptima de simplex:
cj 40 60 30 10 0 0 0
cj Base VLD x1 x2 x3 x4 S1 S2 S3
30 x3 2500 0,05 0 1 0,5 0,15 0 -0,10
0 S2 17000 6,5 0 0 -1 -0,5 1 0
60 x2 500 0,65 1 0 0,5 -0,05 0 0,20
zj 105000 40,5 60 30 45 1,5 0 9
cj - zj -0,5 0 0 -35 -1,5 0 -9
Tabla 3
i) Intervalo de sensibilidad para los coeficientes de las variables:
Como la variable x1 es no básica, el intervalo de sensibilidad de su
coeficiente se determina como:
− , c - z  − , 0, 5 
 j j  o sea
Como la variable x2 es básica, el intervalo de sensibilidad para su
coeficiente se calcula a partir de:
(c j ) ( )
- z j = c j - z j - λkjΔck
Debiendo mantenerse todos los cj - zj  0 , o sea:( )

(c j )
- zj - λ2jΔc2  0
Entonces,
-0,5 - 0, 65Δc2  0
−35 − 0,5Δc2  0
−1,5 − (−0, 05)Δc2  0
−9 − 0,20Δc2  0
Despejando en cada una de las restricciones anteriores obtenemos que:
Δc2  −0,7692
Δc2  −70
Δc2  30
Δc2  −45
134 CAPÍTULO 4
De donde el coeficiente c2 puede disminuir hasta en 0,769 e

incrementarse hasta en 30.
j) Intervalo de sensibilidad para el valor del lado derecho de la primera
restricción:
 1   1j  0
     
 2   2j  0
 3  + bi  3j   0
     
     
    0
 m  mj   
Reemplazando por la información de la tabla, tendremos el siguiente

sistema de inecuaciones:
 2500   0,15 
   
 17000  + Δb -0,5   0
1
 500  -0, 05
2500 + b1 0,15  0

17000 − b1 0,5  0
500 − b1 0, 05  0
Despejando en las restricciones se obtiene que b1 puede disminuir hasta

en 16666,67 e incrementarse hasta en 10000, sin que cambie la base
actual.
El intervalo de sensibilidad para el lado derecho de la segunda restricción
se determina considerando la holgura de la segunda restricción. Así, el b2
puede disminuir hasta en 17000 e incrementarse infinitamente, sin que
la base actual cambie.
k) Como el empresario quiere producir un nuevo modelo de alfombra,
pero cuenta con los mismos recursos, debemos analizar los precios
sombra. Ellos nos indican el valor marginal del recurso, es decir, el valor
que para la empresa tiene cada unidad de recurso dado que, para poder
liberar una unidad, deberá dejar de fabricar de las otras alfombras.
Alfombra Costo de
V oportunidad
Materia prima
4 4 x 1,5 = 6
(kg/unid)
H sección
5 0
teñido
H sección tejidos 5 5 x 9 = 45 Diferencia
Contribución
100 $51 $49
($/unid)
Tabla 4
Observemos que el costo de oportunidad de producir una alfombra

modelo V es menor que la contribución a las utilidades que le dejaría este
nuevo modelo. Podríamos decirle al empresario que, si le interesa
producirla, debería realizar las modificaciones necesarias en la fabricación
del resto de los productos y que, introduciendo este nuevo modelo, la
contribución total se incrementará en $49 por cada unidad de alfombra
modelo V que produzca.
EJEMPLO DE CÁLCULO DE INTERVALOS DE SENSIBILIDAD DE LOS VLD PARA

RESTRICCIONES DE IGUALDAD Y DE MAYOR O IGUAL
Supongamos el siguiente problema de PL:
Max (z) = 50 x1 + 10 x2
Sa
20 x1 + 10 x2 = 40
10 x1 + 10 x2 ≤ 60
20 x1 + 10 x2 ≥ 50
x1, x2 ≥ 0
La tabla óptima de simplex es:
Cj 50 10 0 -M -M 0
CB Base VLD x1 x2 S2 A1 A3 S3
50 x1 1 1 0 0 2/30 -1/30 1/30
0 S2 30 0 0 1 -1/3 -1/3 1/3
10 x2 2 0 1 0 -1/30 2/30 -2/30
zj 70 50 10 0 3 -1 1
cj - zj 0 0 0 -M -M -1
Tabla 5
a. Intervalo de sensibilidad para b 1
En este caso, por tratarse de una “restricción de =”, se deben usar las
tasas de sustitución de la variable artificial A1. Planteamos el sistema de
restricciones:
1  2 / 30  0 
30  + Δb  -1 / 3   0 
  1    
 2  -1 / 30  0 
Planteamos cada ecuación y despejamos b1:

136 CAPÍTULO 4
2
1 + Δb1 0
30
 -1 
30 + Δb1    0
3
 -1 
2 + Δb1    0
 30 
Despejando nos queda que b1 ≥ -15 y b1 ≤ 60, es decir que b1 puede
disminuir hasta en 15 e incrementarse hasta en 60 o, lo que es lo mismo,
el valor de b1 puede estar entre [25, 100].
b. Intervalo de sensibilidad para b 3
En este caso, por tratarse de una “restricción de ≥”, tenemos dos

opciones:
1. Usar las tasas de sustitución de la variable artificial A 3 y hacerlo
de la misma manera que en el caso anterior:
1 -1 / 30  0 
30  + Δb  -1 / 3   0 
  3    
 2   2 / 30  0 

 -1 
1 + Δb3    0
 30 
 -1 
30 + Δb3    0
3
2
2 + Δb3 0
30
2. Usar las tasas de sustitución de S 3 y plantear las restricciones con
(-b3). Utilizando las tasas de sustitución de S3, nos queda:
1  1 / 30  0 
30  - Δb  1 / 3   0 
  3   
 2  -2 / 30  0 

1
1 - Δb3 0
30
1
30 - Δb3  0
3
2
2 + Δb3 0
30
En ambos casos, despejando nos queda que b3 ≥ -30 y b3 ≤ 30, es
decir que b3 puede disminuir hasta en 30 e incrementarse hasta en 30
o, lo que es lo mismo, el valor de b3 puede estar entre [20, 80].
c. Ejemplo de utilización de los intervalos calculados
• Primera restricción (=)
En este caso se utilizan las tasas de sustitución de la variable artificial A 1

y el cálculo se realiza de la misma manera que para restricciones de ≤,
es decir sumando b1 cuando se trata de un incremento y restando  b1
cuando se trata de una disminución.
1. Incremento de 10 en el VLD (b1=10)

1  2 / 30   5 / 3 
30  + 10  -1 / 3  = 80 / 3
     
 2  -1 / 30   5 / 3 
2. Disminución de 10 en el VLD (b1=-10)

1  2 / 30   1 / 3 
30  -10  -1 / 3  = 100 / 3
     
 2  -1 / 30   7 / 3 
• Tercera restricción (≥)
1. Incremento de 10, es decir, b3 = 10. En este caso, tenemos dos

alternativas:
a. Usar las tasas de sustitución de la variable artificial A3
1 -1 / 30  1 + 10(-1 / 30)   2 / 3 

30  + 10  -1 / 3  = 30 + 10(-1 / 3) = 80 / 3
       
 2   2 / 30   2 + 10(2 / 30)   8 / 3 
138 CAPÍTULO 4
b. Usar las tasas de sustitución de la variable de excedente S 3; en

este caso, cuando se trata de un incremento, se lo debe restar,
por lo que quedaría
1  1 / 30   1 -10(1 / 30)   2 / 3 

30  -10  1 / 3  =  30 -10(1 / 3)  = 80 / 3
       
 2  -2 / 30  2 -10(-2 / 30)  8 / 3 
2. Disminución de 10, es decir, b3 = -10, también tenemos dos formas

de hacerlo:
a. Usar las tasas de sustitución de la variable artificial A 3
considerando una disminución como -b3
1 -1 / 30  1 -10(-1 / 30)   4 / 3 

30  − 10  -1 / 3  = 30 -10(-1 / 3) = 100 / 3
       
 2   2 / 30   2 -10(2 / 30)   4 / 3 
b. Usar las tasas de sustitución de la variable de excedente S 3; en

este caso, como se trata de una disminución, se lo debe sumar,
ya que –(-b3)= b3
1  1 / 30   1 + 10(1 / 30)   4 / 3 

30  +10  1 / 3  =  30 + 10(1 / 3)  = 100 / 3
       
 2  -2 / 30  2 + 10(-2 / 30)  4 / 3 
ACTIVIDAD 1
RESPONDA LAS SIGUIENTES PREGUNTAS
1. Sea c1 x1 + c2 x2 + ..... + ck xk la función objetivo de un modelo de PL

(maximización o minimización) y b1 y1 + b2 y2 + ..... + bL yL la función
objetivo del problema dual:
a) ¿Cuántas restricciones hay en el problema primal?
b) ¿Cuántas restricciones hay en el problema dual?
c) Si (u1, u2, ..., uk) es una solución factible del primal y (v 1, v2,
..., vL) es una solución factible del dual, ¿qué puede decir en relación
a los dos valores objetivos?
2. Si el coeficiente ci precede a una variable básica, ¿en cuánto se modifica
el valor del funcional si se modifica el valor de ci de dentro de los límites
del intervalo de optimidad?
3. En caso de un problema de mínimo, ¿cómo deberá modificarse el
coeficiente cj de una variable no básica para que la solución deje de ser
óptima?
4. ¿Cómo se calcula el intervalo de variación de bi correspondiente a una
restricción no limitante del tipo≥? ¿Qué sucede en este caso con el valor
de la función objetivo y con los valores de las variables?
5. ¿Qué ocurre con la solución óptima y con el valor de Z cuando cambia
el bi de una restricción limitante dentro de los límites dados por el
intervalo de sensibilidad?
ACTIVIDAD 2
EXPLIQUE SI LAS SIGUIENTES AFIRMACIONES SON VERDADERAS O FALSAS:
A. “Al realizar el análisis de sensibilidad, una restricción del tipo  con

holgura positiva tendrá siempre un aumento admisible infinito en el
lado derecho”.
B. “Cuando en el óptimo de un programa lineal, un insumo es escaso,

la variable dual que se relaciona con la restricción correspondiente
a dicho insumo es positiva”.
ACTIVIDAD 3
Explique:
a) ¿Qué representa el costo reducido (reduced cost) que aparece en los
informes de computadora sobre la solución de un PL?
b) ¿Cuál es la utilidad de esta información?
c) ¿En qué parte de la tabla simplex se encuentra?
140 CAPÍTULO 4
ACTIVIDAD 4
En base al problema de la SuperMovil SA y su tabla óptima de simplex:
A) Encuentre los intervalos de sensibilidad para cada uno de los

coeficientes de la función objetivo y para cada uno de los valores del lado
derecho.
B) Resuelva el problema con algún software específico y responda:

a) ¿Para qué valores de contribución de un teléfono FX120 la base actual
es óptima?
b) Si el trabajador 2 estuviera dispuesto a trabajar solamente 30 horas
a la semana, ¿qué efectos tendrá sobre la solución óptima y sobre el
valor de z? Encuentre la nueva solución óptima.
c) Si el trabajador 1 estuviera dispuesto a trabajar horas extras por un
precio adicional de $2, ¿conviene contratarlo? De ser conveniente,
¿hasta cuántas horas se podrían contratar a ese precio?
d) A RM le ofrecen una partida de 20 chips adicionales con un descuento
del 50 %. Le conviene comprarla, ¿por qué?
e) Plantear el problema dual
f) Dar la solución del problema dual.
ACTIVIDAD 5
En la empresa Amarras SA, Juan es gerente de producción y está tratando
de decidir cuántos ganchos para tráiler debe hacer para usar un metal de
desperdicio. Tiene tres tipos de metal y puede hacer cualquiera de tres
tipos de ganchos. En la tabla siguiente se proporcionan los datos
necesarios:
Metal Gancho 1 Gancho 2 Gancho 3 Disponible

Hierro acanalado 4 5 6 950
Hierro plano 6 3 5 800
Hierro redondo 4 8 6 1150
La contribución a las utilidades es de $13 por cada gancho tipo 1, $16 por
gancho 2 y $14 por gancho tipo 3. Ya hay un pedido comprometido de 40
ganchos tipo 3.
El modelo lineal para este problema es:
max 13 G1 + 16 G2 + 14 G3
sa
4 G1 + 5 G2 + 6 G3 <= 950 Hierro acanalado
6 G1 + 3 G2 + 5 G3 <= 800 Hierro plano
4 G1 + 8 G2 + 6 G3 <= 1150 Hierro redondo
G3 >= 40 Producción mínima
Usando la salida del software LINDO o SOLVER, responda:

a) Especifique cuál es la solución óptima y cuál el beneficio máximo.

b) Juan recibió una oferta de hierro redondo a $1 adicional por unidad.
¿Deberá comprarlo?
c) ¿Hasta qué cantidad puede comprar a ese precio?
d) ¿En cuánto podría incrementarse la utilidad total por unidad adicional
de hierro plano?
e) Si la utilidad del gancho 2 se incrementa en $5 por unidad, ¿cuál será
la nueva solución y cuál el valor de la utilidad total (si es que existe
alguna variación)?
f) ¿Qué significa (con respecto al problema) el valor de la variable dual
correspondiente a la última restricción?
Celda objetivo (Máx)

Objetivo 0 2667,5
Celdas de variables
Variables G1 0 57,5
Variables G2 0 85
Variables G3 0 40
Restricciones
Nombre Valor de la celda Estado Holgura
H.Acanaldo 895 No vinculante 55
H. Plano 800 Vinculante 0
H. Redondo 1150 Vinculante 0
Prod. Mínima 40 Vinculante 0
Celdas de variables
Final Reducido Objetivo Permisible Permisible
Nombre Valor Coste Coeficiente Aumentar Reducir
Variables G1 57,5 0 13 19 1,7273
Variables G2 85 0 16 10 2,375
Variables G3 40 0 14 1,0556 1E+30
Restricciones
Final Sombra Restricción Permisible Permisible
Nombre Valor Precio Lado derecho Aumentar Reducir
H.Acanaldo 895 0 950 1E+30 55
H. Plano 800 1,1111 800 165 258,75
H. Redondo 1150 1,5833 1150 110 510
Prod. Mínima 40 -1,0556 40 41,25 40
142 CAPÍTULO 4
ACTIVIDAD 6
La siguiente tabla corresponde a un PL de maximización canónico:
Cj 40 60 50 0 0 0
600 1/2 0 1 0 0 1/2
200 9/4 1 0 1/2 0 -1/4
200 -5/4 0 0 -1/2 1 1/4
Zj
C j - Zj

b) Si es la solución óptima, entonces dé la solución del problema dual.
c) Si se incrementa la disponibilidad del recurso 3 en 100 unidades,
¿cómo cambia la solución óptima?, ¿cuál es el nuevo valor de z?
¿Cuáles son los nuevos valores de las variables?
d) ¿Qué tipo de solución es la encontrada en c)? (clasifíquela).
e) ¿Cuál es el intervalo de sensibilidad del coeficiente de x3?
f) Calcule los intervalos de sensibilidad para los lados derechos.
ACTIVIDAD 7
Caso: Fábrica de bolsos y carteras “Sureñas”
Rodrigo es un pequeño empresario que se dedica a la fabricación de
carteras y bolsos femeninos.
En este momento, está analizando el lanzamiento de dos nuevos modelos
de bolsos. En su confección utiliza cuero ecológico, herrajes, cierres, hilo
de seda reforzado y una tela especial con diseños originales.
El Modelo 1 requiere 3 herrajes, 50 cm de tela,

2 cierres, 15 m de hilo de seda reforzado, 20
cm de cuero ecológico y 5 horas de trabajo y
se vende a $1.500.
El Modelo 2 requiere 5 herrajes, 60 cm de

tela, 1 cierre, 10 m de hilo de seda reforzado,
25 cm de cuero ecológico y 8 horas de trabajo
y se vende a $2.500.
A los cierres y al hilo de seda los puede conseguir en la cantidad que

necesite sin ningún tipo de limitaciones. Asimismo, el proveedor de cueros
le ha informado que no tiene inconvenientes en proveerle la cantidad que
requiera.
Pero no ocurre lo mismo con respecto a la tela estampada, los herrajes y
las horas de mano de obra. Para iniciar la producción cuenta con 1.300
herrajes, 1.400 horas de mano de obra y 85 m de tela y puede comprar
más tela a un precio de $120 el metro.
Ha analizado el mercado y estima que puede vender sin ningún problema
todos los bolsos de ambos modelos que fabrique. Actualmente tiene
comprometidos 24 bolsos del modelo 1.
1. Formule un modelo para este problema.

a. Plantee el objetivo del problema.
b. Describa las variables de decisión.
c. Plantee un programa lineal que optimice el objetivo.
d. Agregue variables de holgura y descríbalas.
2. Complete la tabla simplex.

a. Indique si es la solución óptima.
b. Identifique cuáles son las variables básicas.
c. Identifique cuáles son las variables no básicas.
d. Identifique cuáles son las restricciones limitantes.
e. Identifique cuáles son las restricciones no limitantes.
Cj 0 0 0 0
Cj Básicas VLD X1 X2 X3 S1 S2 S3 S4
24 1 0 0 0 0 0 -1
428 0 0 0 0 1 -0.625 -0.125
23 0 0 1 -1 0 0.075 -0.125
160 0 1 0 0 0 0.125 0.625
Zj
Cj - Zj
3. Resuelva el problema usando un software. Con el informe de solución

y la tabla simplex, responda a Rodrigo:
a) ¿Cuál es el plan de producción óptimo?
b) ¿Cuántos metros de tela se utilizan en la producción? ¿A cuánto
asciende el gasto adicional en telas?
144 CAPÍTULO 4
c) El proveedor de las telas le informa que, desde el próximo mes, no

podrá entregarle la misma tela, pero que puede reemplazarse por
una importada, aunque de mayor calidad, por lo que el precio se
verá incrementado en un 90 %. A Rodrigo le gustaría saber si sigue
con el mismo plan de producción y, en su caso, en cuánto se vería
afectada su contribución total.
d) Rodrigo quiere saber si le convendría incrementar las horas de
mano de obra, para lo que podría analizar las siguientes
alternativas:
A. Contratar personal eventual pagándole a cada trabajador

$32.000 por 160 horas de trabajo mensuales.
B. Pagar horas extras al personal efectivo a razón de $250 la
hora extra.
C. Combinar las alternativas 1 y 2 de la forma que más
convenga.
En caso de convenirle incrementar las horas de mano de obra,
¿qué alternativa le aconsejaría al empresario?
4. Formule el problema dual.
5. Explique el significado del precio dual de la cuarta restricción.
6. El empresario quiere saber si le convendría fabricar un nuevo modelo

que tiene:
2 herrajes, 1 cierre, 10 m de hilo de seda

reforzado, 55 cm de tela, 15 cm de cuero
ecológico 6 horas de trabajo y se vendería
a $1.700. Si lo cree conveniente, sugiera
un precio de venta.
7. El proveedor de herrajes le ofreció a Rodrigo una partida de 500

herrajes con un descuento del 50 %, ¿le conviene comprarla?
8. Finalmente, Rodrigo decidió contratar 3 trabajadores eventuales (por

160 h de trabajo mensuales cada uno) y nos consulta sobre el nuevo
plan de producción y a cuánto ascenderá el incremento de la
contribución a las utilidades.
CAPÍTULO 5
TRANSPORTE, ASIGNACIÓN Y
TRANSBORDO
1. INTRODUCCIÓN
Un tipo particular de problemas de PL son los conocidos como de
transporte, de asignación y de transbordo. Ellos presentan ciertas
características que los hacen especiales, por lo que, en gran parte de la
literatura, se los estudia en forma separada bajo el nombre general de
problemas de flujo en redes. Además, su estructura matemática particular
ha permitido desarrollar procedimientos especializados de solución que
son más eficientes, en términos de tiempo computacional, que los otros
métodos de resolución de programas lineales.
2. EL PROBLEMA DE TRANSPORTE
El problema de transporte se presenta con frecuencia cuando se planea
la distribución de bienes o servicios desde varios lugares de suministro y
hasta varias ubicaciones de demanda.
Por lo general, es limitada la cantidad de bienes que están disponibles en
cada ubicación de oferta –orígenes– y los bienes se requieren en diversas
ubicaciones de demanda –destinos–.
El objetivo del problema de transporte es minimizar el costo total de
transportar los artículos desde los orígenes hacia los destinos.
Consideremos el problema de una fábrica de cerveza que distribuye, a
nivel nacional, a partir de dos plantas elaboradoras ubicadas en Córdoba
y Santa Fe. La cerveza se envía a tres mayoristas que se encuentran en
Buenos Aires, Salta y Neuquén y que se encargan de la distribución
posterior.
Los costos de distribución se presentan en la tabla, junto con la oferta
mensual de cada fábrica y la demanda mensual de cada mayorista.
146 CAPÍTULO 5
Mayorista Buenos
Salta Neuquén Oferta
Fábrica Aires
Córdoba 2 4 5 300
Santa Fe 1 3 7 400
Demanda 350 250 100
Tabla 1
Podríamos presentarlo de la siguiente manera:
CÓRDOBA SANTA FE ai
300 400
2 1 4 5 7 cij
3
Buenos Aires Salta Neuquén
350 250 100 bj
Gráfico 1
Con estos datos, podemos plantear un programa lineal cuyo objetivo es

minimizar el costo total de transporte y a cuyas variables de decisión (xij)
las definimos como las cantidades a enviar desde cada fábrica hacia cada
distribuidor.
xij = cantidad de mercadería a enviar desde la fábrica i al distribuidor j.
Minimizar Z = 2 x11 + 4 x12 + 5 x13 + x21 + 3 x22 + 7 x23

TRANSPORTE, ASIGNACIÓN Y TRANSBORDO 147
s.a.
x11 + x12 + x13 = 300

x21 + x22 + x23 = 400
x11 + x21 = 350
x12 + x22 = 250
x13 + x23 = 100
xij  0 para toda i y toda j.
Es necesario señalar varios detalles acerca de este planteamiento. En

primer lugar, las primeras dos restricciones imponen que la cantidad que
se envía sea igual a la cantidad disponible. Se utilizan aquí restricciones
de igualdad debido a que la oferta total es igual a la demanda total, por
lo que debe transportarse la totalidad de la oferta. A un problema de este
tipo se lo denomina problema equilibrado de transporte.
En segundo lugar, las siguientes tres restricciones imponen que cada
distribuidor reciba exactamente lo que demanda. Se utilizan también
restricciones de igualdad por ser el problema equilibrado.
Debe observarse que, para un problema equilibrado de transporte, una
de las restricciones no es necesaria. Si la oferta total que se transporta
es de 700 cajas y los dos primeros distribuidores reciben 600 cajas, el
tercer distribuidor debe recibir 100 cajas. Esto hace que una restricción
sea redundante y, por lo tanto, pueda eliminarse. Si hacemos esto, para
este problema que tiene dos orígenes y tres destinos, habrá 2 + 3 – 1 =
4 restricciones linealmente independientes.
En general, un problema que tiene h orígenes y k destinos, tendrá
exactamente h+k–1 restricciones linealmente independientes. Este es un
resultado importante, ya que en una solución factible násica (SFB) no
degenerada, siempre habrá el mismo número de variables básicas que de
restricciones.
Además, el número total de variables del problema será igual al número
de orígenes por el número de destinos, es decir que tendrá h.k variables.
MODELO GENERAL DE TRANSPORTE

Generalizamos el modelo usando la siguiente simbología:
cij = costo unitario de envío desde el origen i al destino j.
Cada origen tiene una disponibilidad u oferta, a la que vamos a
denominar ai.
Cada destino demanda una cierta cantidad, a la que llamaremos bj.
Lo que pretendemos es determinar qué cantidad de mercadería
deberíamos enviar desde cada origen hacia cada destino, de manera tal
que el costo total del envío sea mínimo.
148 CAPÍTULO 5
h k
Minimizar Z =   cijxij
i=1 j=1
s.a.
k
 xij = ai (i = 1, 2, ...., h)
j=1
(1)
h
 xij = bj (j = 1, 2, ...., k)
i=i
xij  0 i , j
CARACTERÍSTICAS DEL MODELO (hipótesis o supuestos)

1- h orígenes conocidos, con una oferta también conocida.
2- k destinos conocidos, con una demanda también conocida.
h k
3- El total de la oferta es igual al total de la demanda:  ai =  b j
i=1 j=1
4- El costo unitario de transporte cij es constante por unidad

transportada.
5- El flujo de mercaderías va en un solo sentido, es decir, desde los
orígenes hacia los destinos.
VARIANTES DEL PROBLEMA

Las variantes adicionales del problema básico de transporte pueden
contemplar una o más de las siguientes situaciones:
✓ Oferta total distinta de la demanda total.

✓ Función objetivo de maximización.
✓ Rutas inaceptables.
Oferta total distinta de la demanda total

Se pueden dar dos situaciones:
▪ Oferta > Demanda

Para equilibrar este problema, creamos un destino ficticio que recibe la
diferencia entre
h k
 ai -  bj (2)
i=1 j=1
El costo de envío desde cada origen hacia ese destino ficticio es nulo.
La o las variables positivas que en la solución final aparezcan relacionadas
con dicho destino indicarán dónde quedó el excedente de oferta.
▪ Demanda > Oferta

Para equilibrar este problema, creamos un origen ficticio con una oferta
igual a la diferencia entre
(3)
k h
 bj -  ai
j=1 i=1
El costo de envío desde este origen hacia cada uno de los destinos nulo.
La o las variables positivas que en la solución óptima aparezcan
relacionadas con dicho origen indicarán los destinos que quedaron con
demanda insatisfecha.
Función objetivo de maximización

En este caso, los coeficientes de la función objetivo representarán
beneficios unitarios o contribución unitaria a los beneficios; en cuanto a
las restricciones, no sufren modificaciones.
Rutas inaceptables
Se eliminan del planteamiento de programación lineal a las
correspondientes variables de decisión.
MÉTODO DE RESOLUCIÓN DE PROBLEMAS DE TRANSPORTE

Resolver problemas de transporte utilizando paquetes de programación
lineal de uso general es adecuado para problemas pequeños o medianos.
Sin embargo, es frecuente que los problemas de transporte sean muy
grandes. Por ejemplo, con 100 orígenes y 1.000 destinos, tendría 100.000
variables. Por esta razón, se han desarrollado procedimientos de
resolución más eficientes.
El método de transporte, al igual que el método simplex de programación
lineal, es un procedimiento de dos fases. En primer lugar, se requiere
encontrar una solución factible básica inicial y, después, se procede en
forma iterativa a realizar mejoramientos en la solución hasta que se llega
a la solución óptima. Con el objeto de resumir en forma conveniente los
datos, por lo general, se utiliza una tabla de transporte.
Fase I: Determinación de la solución factible inicial

Para determinar la SFB inicial, que debe ser no degenerada, se pueden
usar varios métodos:
✓ Esquina noroeste
✓ Mínimo costo
✓ Vogel
✓ Otros
Fase II: Mejoramiento de la solución

Para cada variable básica, se plantea una ecuación:
cij = ui + vj
150 CAPÍTULO 5
ui y vj son variables auxiliares y tendremos una ui para cada origen y una

vj para cada destino.
Cuando hacemos esto, nos quedará un sistema de ecuaciones
indeterminado que debemos resolver por cualquier método. Nuestro
objetivo es encontrar un conjunto de valores para las u i y las vj que nos
permitan luego determinar, para cada variable no básica, un índice de
mejoramiento al que llamamos ij y que se calcula como:
ij = cij – ui – vj
Este ij nos indica el incremento que se produce en el costo total, es decir,
z, ante un incremento unitario de variable xij. Es decir, cuánto crece el
costo total si enviamos una unidad desde el origen i hacia el destino j.
Como lo que queremos es minimizar el costo total, entonces, si todos los
ij  0, la solución analizada es la óptima. Pero si algún índice ij nos da
un valor < 0, entonces la solución no es la óptima y debemos determinar,
al igual que en simplex, cuál es la variable que entra y cuál es la que sale
de la base.
Consideremos la siguiente tabla de transporte de un problema de
mínimo:
D1 D2 Oferta (ai)
O1 10 8 45
O2 9 5 50
O3 3 6 45
Demanda 90 30
(bj)
Tabla 2
Determinemos cuál es la solución óptima, es decir, las cantidades a enviar

desde cada origen hacia cada destino que minimice el costo total de
transporte.
Resolución: Para poder utilizar el método de transporte, primero se

debe equilibrar el problema, es decir, verificar que:
h k
 ai =  bj
i=1 j=1
Como en este caso ai =140 > bj =120, debe crearse un destino ficticio
(D3) con todos sus costos de envío (cij) iguales a cero, y con un
requerimiento de demanda igual a la diferencia entre el total ofrecido y el
total demandado.
Modificando la tabla de transporte, queda:
D1 D2 D3 Oferta (ai)
O1 10 8 0 45
O2 9 5 0 50
O3 3 6 0 45
Demanda (bj) 90 30 20
Tabla 3
A semejanza del método simplex, en transporte se construye una tabla

para cada solución posible básica del problema. Para ello, trabajamos con
un cuadro donde cada celda representará a una xij (cantidades a enviar
desde el origen i al destino j), y en el ángulo superior derecho se colocará
el costo unitario de envío desde cada origen a cada destino (cij).
La primera fase del método consiste en encontrar una primer SFB no
degenerada, para lo cual utilizamos el método de la esquina noroeste.
Comenzamos asignándole el mayor valor posible a la variable x 11, El valor de la variable
teniendo en cuenta las restricciones de demanda y de disponibilidad, es x11 se determina
como:
decir, la cantidad que el destino D1 requiere y la que el origen O1 tiene x11 = mín (a1, b1)
disponible para enviar. Este valor es 45; quedando el origen O1 sin
disponibilidad y el destino D1 con una necesidad de 45 unidades más, que
se le enviarán desde el origen O2. Una vez satisfecha la demanda del
primer destino, pasamos al segundo destino, cuya demanda es de 30
unidades. Como el origen O2 todavía dispone de 5 unidades, se las
enviaremos al D2, quedando aún una demanda insatisfecha de 25
unidades, las que recibirá desde el origen O3. Las unidades restantes de
este origen se envían al destino D 3. De esta manera, cada origen ha
enviado todo lo que dispone y cada destino ha recibido todo lo solicitado.
Corresponde ahora controlar que la solución encontrada sea una SFB no
degenerada, para lo cual contamos el número de variables positivas, las
que, para este problema, deben ser: 3+3-1=5.
D1 D2 D3 Oferta
10 8 0 45
O1 45 0
9 5 0 50 5
O2 45 5 0
3 6 0 45 20
O3 25 20 0
Demanda 90 30 20
45 25
0 0
Tabla 4
La solución factible básica inicial es:
x11=45 x23=0
x12=0 x31=0
x13=0 x32=25
x21=45 x33=20
x22=5
El valor de Z= 1030
152 CAPÍTULO 5
Cada una de las variables positivas muestra la cantidad de mercadería a

enviar desde el origen Oi al destino Dj, a excepción de x33, que indica la
mercadería que quedó sin enviar en el O3.
En la fase II del método, debe verificarse si la solución encontrada es
óptima; si no lo es, deberá determinarse una variable que entra a la base
y una variable que sale de la base.
Para verificar la optimidad de la solución, se plantea para cada variable
básica la siguiente ecuación:
cij = ui + v j
Luego, para cada variable no básica se calcula el índice:

ij = cij − ui − v j
Si estos índices de mejoramiento son todos mayores o iguales a cero,

entonces la solución es óptima; de lo contrario, deberá seleccionarse
como variable de entrada a la que tenga el  ij negativo más pequeño.
Variables básicas
Para resolver este sistema de ecuaciones
c11= u1+v1= 10; si u1= 0 
indeterminado, asignemos un valor
v1=10 arbitrario a cualquier variable y luego
c21= u2+v1= 9; si v1=10  u2= - despejemos las restantes.
1
c22 = u2+v2= 5; si u2= -1  v2= 6 13 = 0 => indica que hay múltiples
c32 = u3+v2= 6; si v2= 6  u3= 0 soluciones que le dan a Z el valor de
c33 = u3+v3= 0; si u3= 0  v3= 0 $1.030.
31 = -7 => indica que z disminuye en $7
Variables no básicas
por cada unidad de mercadería que se envíe
12= c12-u1-v2= 8-0-6= 2
desde el origen 3 al destino 1.
13= c13-u1-v3= 0-0-0= 0
Esta es la variable que ingresa a la base.
23= c23-u2-v3= 0-(-1)-0= 1
31= c31-u3-v1= 3-0-10= -7
Para seleccionar la variable que sale de la base, se procede con el

siguiente razonamiento: Vamos a determinar qué modificaciones deben
hacerse en la solución actual si pretendemos enviar una unidad desde el
O3 al D1, respetando el conjunto restricciones de oferta y demanda. Con
esta finalidad, colocamos un signo más en la celda de la variable que entra
y luego vamos compensando con sucesivos signos más y menos hasta
cerrar el circuito y solo afectando a variables básicas, como se muestra a
continuación:
D1 D2 D3 Oferta
10 8 0
O1 45 45
(-) 9 (+) 5 0
O2 45 5 50
(+) 3 (-) 6 0
O3 25 20 45
Demanda 90 30 20
Tabla 5
El valor máximo que puede asumir la variable que entra (x31) estará dado
por el mínimo entre x21 y x32, esto es, donde se colocaron signos menos.
Es decir:
x31 =  = minx21, x32 , x31 = 25
Para encontrar la nueva solución, se procede a actualizar la tabla,
sumando y restando el valor de x31 en todas las celdas donde haya algún
signo más o menos.
D1 D2 D3 Oferta
(-) 10 8 (+) 0
O1 45 45
9 5 0
O2 20 30 50
(+) 3 6 (-) 0
O3 25 20 45
Demanda 90 30 20
Tabla 6
La variable que salió de la base fue x32.

El valor de z puede calcularse como:
znuevo = z0 +  31 = 1030 + 25(−7) = $855
Esta nueva solución es:
x11=45 x23=0
x12=0 x31=25 Z= $855
x13=0 x32=0
x21=20 x33=20
x22=30
Nuevamente hay que evaluar si esta solución puede mejorarse y el

proceso se repite hasta que todos los ij  0, momento en el que se habrá
encontrado la solución óptima.
Variables básicas Variables no básicas

c11= u1+v1= 10; si u1= 0  v1=10 12= c12-u1-v2= 8 – 0 – 6 = 2
c21= u2+v1= 9; si v1=10  u2= - 13= c13-u1-v3= 0 – 0 – 7 = -7
1 23= c23-u2-v3= 0 – (-1) – 7 = -6
c22 = u2+v2= 5; si u2= -1  v2= 6 32= c32-u3-v2= 6 – (-7) – 6 = 7
c31 = u3+v1= 3; si v1=10  u3=-7
c33 = u3+v3= 0; si u3=-7  v3= 7
Determinamos la variable que sale de la base en la tabla 6.
 = x13 = minx11, x33 , x13 = 20

154 CAPÍTULO 5
Actualizamos nuevamente la tabla:
D1 D2 D3 Oferta
10 8 0
O1 25 20 45
9 5 0
O2 20 30 50
3 6 0
O3 45 45
Demanda 90 30 20
Tabla 7
La nueva solución es:
x11=25 x23=0
x12=0 x31=45
x13=20 x32=0
x21=20 x33=0
x22=30 Z= $715
Verificamos si la solución encontrada es la óptima
Variables básicas Variables no básicas

c11= u1+v1= 10; si u1= 0  v1=10 12= c12-u1-v2= 8-0-6= 2
c13= u1+v3= 0; si v3= 0  u1= 0 23= c23-u2-v3= 0-(-1)-0= 1
c21 = u2+v1= 9; si u2= -1  v1=10 32= c32-u3-v2= 6-(-7)-6= 7
c22 = u2+v2= 5; si v2= 6  u2=-1 33= c33-u3-v3= 0-(-7)-0= 7
c31 = u3+v1= 3; si u3=-7
Como todos los ij  0, entonces concluimos que la solución encontrada es

la óptima.
PROBLEMA DE TRANSPORTE CON SOLUCIONES DEGENERADAS

Supongamos la siguiente tabla de transporte para un caso de mínimo, en
la cual ya se realizó la primera asignación con el método de la esquina
noroeste:
D1 D2 D3 Oferta
3 6 7
O1 35 25 60
8 5 7
O2 30 30
4 9 11
O3 30 30
Demanda 35 55 30
Tabla 8
Sabemos que para que una solución sea posible básica no degenerada,
deberá tener tantas variables positivas como: nº de orígenes + nº de
destinos – 1, en este caso 5. Si nos fijamos en la tabla, vemos que
solamente hay 4 variables positivas.
Para poder empezar a trabajar con el método de transporte deberemos

dejar como variable básica a alguna que tenga el valor 0. La elección de
cuál xij = 0 dejar como básica se hace de manera tal que se puedan
calcular todas las ui y las vj. En este caso, la variable que dejamos como
básica aparece con un 0.
D1 D2 D3 Oferta
- 3 + 6 7
O1 35 25 60
8 - 5 + 7
O2 30 0 30
+ 4 9 - 11
O3 30 30
Demanda 35 55 30
Tabla 9
A continuación, se trabaja de la misma manera que con una SPB No

Degenerada, es decir, debemos calcular los índices de mejoramiento.
Para las variables que están en la base: Para las variables que no están en la
base:
c11 = u1 + v1 = 3 u1 = 0 v1 = 3
c12 = u1 + v2 = 6 u2 = -1 v2 = 6 ij = cij – ui - vj
c22 = u2 + v2 = 5 u3 = 3 v3 = 8 13 = 7 – 0 – 8 = -1
c23 = u2 + v3 = 7 21 = 8 + 1 – 3 = 6
c33 = u3 + v3 = 11 31 = 4 – 3 – 3 = -2
32 = 9 – 3 – 6 = 0
Obsérvese que a la variable x23 se la
consideró como básica.
La variable que entra a la base es x31, realizamos la compensación en la

tabla 9. Podemos observar que la solución será también degenerada, ya
que hay 2 valores mínimos en los casilleros que aparecen signos (-).
Podemos elegir para que quede en la base a cualquiera de las dos;
optamos por dejar como básica a x22.
D1 D2 D3 Oferta
3 - 6 + 7
O1 5 55 60
8 + 5 - 7
O2 0 30 30
4 9 11
O3 30 30
Demanda 35 55 30
Tabla 10
Probamos nuevamente la optimidad:
c11 = u1 + v1 = 3 u1 = 0 v1 = 3 13 = 7 – 0 – 8 = -1
c12 = u1 + v2 = 6 u2 = -1 v2 = 6 21 = 8 + 1 – 3 = 6
c22 = u2 + v2 = 5 u3 = 1 v3 = 8 32 = 9 – 3 – 6 = 2
c23 = u2 + v3 = 7 33 = 11 – 1 – 8 = 2
c31 = u3 + v1 = 4
Reasignamos nuevamente, quedando la tabla 11 sobre la que deberá

volver a probarse la optimidad.
156 CAPÍTULO 5
D1 D2 D3 Oferta
3 6 7
O1 5 25 30 60
8 5 7
O2 30 30
4 9 11
O3 30 30
Demanda 35 55 30
Tabla 11
La tabla 11 contiene la asignación óptima que, como puede observarse,

se trata de una SPB No Degenerada. El costo total correspondiente a la
solución óptima es de $645.
EJERCICIO ADICIONAL
En la tabla siguiente se dan los datos de un problema de transporte de
mínimo. Encuentre la solución óptima.
D1 D2 D3 Oferta
5 8 6
O1 60
4 10 6
O2 30
5 6 8
O3 30
Demanda 40 50 30
Tabla 12
3. EL PROBLEMA DE ASIGNACIÓN
Existen situaciones en las cuales es necesario asignar individuos
(personas, máquinas, etc.) a tareas (puestos de trabajo, zonas, etc.). A
este tipo particular de problema se lo conoce como asignación. Podemos
decir, entonces, que el problema de asignación considera m individuos
que deben distribuirse entre m tareas para minimizar el costo total de la
distribución.
Si definimos a las variables como xij = 1 ó 0 dependiendo si el individuo i
es asignado o no a la tarea j, y si cij es el costo de asignar el individuo i a
la tarea j, el modelo matemático general tiene la forma:
m m
mín   cijxij
i=1 j=1
sa
m (4)
 xij =1 i=1,2,...,m
j=1
m
 xij =1 j=1,2,...,m
i=1
xij  0 i, j
Como vemos, se trata de un problema de PL y, como tal, puede ser

resuelto usando el método simplex. También podría resolverse usando el
método de transporte, ya que puede observarse que tiene características
comunes a este tipo de problemas. Sin embargo, debido a que las ofertas
y las demandas son todas iguales a uno, usar el método de transporte
nos conducirá a soluciones altamente degeneradas, es decir, con muchas
variables básicas iguales a cero. Una SFB no degenerada debería tener,
para este problema, exactamente m+m-1 variables positivas. Sin
embargo, debido a sus características particulares, las soluciones tendrán
solo m variables positivas, ya que debe asignarse solo un individuo a cada
tarea. Justamente por esta razón es que se ha desarrollado un algoritmo
de resolución especial llamado método húngaro.
VARIANTES DEL PROBLEMA

1. Objetivo de maximización
Al igual que en el problema de transporte, en este caso, los coeficientes
de la función objetivo representarán algún tipo de beneficio, monetario o
no.
2. Número total de individuos diferente al número total de tareas
Si el número de individuos es menor al número de tareas, deberán crearse
tantos orígenes ficticios como individuos falten, con un costo de
asignación igual a cero. Por el contrario, si el número de tareas es inferior
al número de individuos, deberán crearse tantos destinos ficticios como
tareas falten, con costo de asignación igual a cero.
3. Asignaciones no aceptables
En estos casos, se deben eliminar del programa lineal las
correspondientes variables de decisión.
4. Asignaciones múltiples
Se modifica la formulación del problema de la siguiente manera, si
representamos como ai al número de tareas que pueden se asignadas al
individuo i, la restricción correspondiente será:
n
 xij = ai i = 1, 2,...,m
j=1
EL MÉTODO HÚNGARO
Este método trabaja a partir de la tabla de costos originales y mediante
sucesivos cuadros, va reduciendo los mismos hasta encontrar la
asignación de costo mínimo. Podemos resumir el método mediante los
siguientes pasos:
I. Reducción por filas: Elegir el menor elemento de cada fila y restárselo

a todos los valores de la fila.
II. Reducción por columnas: Elegir el menor elemento de cada columna y

restárselo a todos los valores de la columna.
158 CAPÍTULO 5
Observemos que la matriz encontrada mediante estos dos pasos es una

matriz de costos reducidos.
III. Cubrir los ceros de la matriz: Cubrir todos los ceros de la matriz con
el menor número de líneas (horizontales y verticales) posibles.
IV. Prueba de optimidad: Si el número de líneas trazadas es igual al

número de filas (columnas), se encuentra entonces una solución óptima
entre los ceros de la matriz.
Si el número de líneas trazadas es menor a m, volver a reducir la matriz,
de acuerdo a lo explicado en el punto V.
V. Seleccionar el menor número no cubierto por una línea y restárselo a

los restantes elementos no cubiertos y sumárselo a los elementos que se
encuentran en las intersecciones de las líneas.
VI. Volver al paso III.
EJERCICIOS DE APLICACIÓN
Ejercicio Nº 1:
Supongamos una empresa que tiene 4 operarios para asignar a cuatro
máquinas. Los costos de la asignación se encuentran en la tabla siguiente.
1 2 3 4
1 24 10 21 11
2 14 22 10 15
3 15 17 20 19
4 11 19 14 13
Tabla 13
Antes de comenzar a trabajar, debemos verificar que el problema esté

equilibrado, es decir que la cantidad de operarios debe ser igual a la de
máquinas. De no ser así, se deberán agregar tantos operarios (o
máquinas) como hagan falta. En este caso, el problema está equilibrado,
entonces podemos empezar a trabajar.
I. Reducción por filas: Elegir el menor elemento de cada fila y restárselo

a todos los valores de la fila.
En la tabla 1 aparecen sombreados los mínimos elementos de cada fila, a
continuación, se los restamos a cada uno de los valores de la fila
correspondiente y obtenemos la tabla 14.
1 2 3 4
1 14 0 11 1
2 4 12 0 5
3 0 2 5 4
4 0 8 3 2
Tabla 14
Al hacer esto, el costo óptimo será menor, pero la solución obtenida será
la misma.
II. Reducción por columnas: Elegir el menor elemento de cada

columna y restárselo a todos los valores de la columna.
Hacemos ahora lo mismo, pero por columnas; en la tabla 2 aparecen
sombreados los mínimos valores. De esta manera, se obtiene la tabla 15.
1 2 3 4
1 14 0 11 0
2 4 12 0 4
3 0 2 5 3
4 0 8 3 1
Tabla 15
III. Prueba de optimidad: Cubrir todos los ceros de la matriz con el

menor número de líneas (horizontales y verticales) posibles. A esta
prueba la vemos en la tabla 16.
1 2 3 4
1 14 0 11 0
2 4 12 0 4
3 0 2 5 3
4 0 8 3 1
Tabla 16
IV. Verificar el número de líneas: Si el número de líneas trazadas es

igual al número de filas (columnas), identificar la solución óptima.
Si es menor, volver a reducir la matriz, de acuerdo a lo explicado en el
punto V.
En este caso, vemos que el número de líneas trazadas es 3, como es
menor a m (orden de la matriz), se debe volver a reducir.
V. Nueva reducción: Seleccionar el menor número no cubierto por una

línea y restárselo a los restantes elementos no cubiertos y sumárselo a
los elementos que se encuentran en las intersecciones de las líneas.
El menor número no cubierto aparece en la tabla 16 sombreado.
Después de la nueva reducción, nos queda la tabla 17.
1 2 3 4
1 15 0 12 0
2 4 11 0 3
3 0 1 5 2
4 0 7 3 0
Tabla 17
160 CAPÍTULO 5
Probamos nuevamente la optimidad. Como el número de líneas es igual

a m, entonces la tabla de costos encontrada corresponde a la solución
óptima.
A continuación, se debe hacer la asignación de acuerdo a los ceros que
aparecen en la matriz.
1 2 3 4
1 15 0 12 0
2 4 11 0 3
3 0 1 5 2
4 0 7 3 0
Tabla 18
La asignación queda:
Operario Máquina Costo

1 2 10
2 3 10
3 1 15
4 4 13
Costo Total $48
Tabla 19
Ejercicio Nº 2:
En este caso, se nos presenta un problema de asignar 4 vendedores a 3
zonas con diferentes beneficios de acuerdo a la zona asignada.
1 2 3
A 40 30 20
B 18 28 22
C 12 16 20
D 25 24 27
Tabla 20
El primer paso, antes de empezar a trabajar, es equilibrar el problema

agregando una zona ficticia que tendrá un beneficio de asignación de 0
(ya que en realidad no existe).
1 2 3 4
A 40 30 20 0
B 18 28 22 0
C 12 16 20 0
D 25 24 27 0
Tabla 21
Ahora transformamos esta matriz de beneficios a una matriz de costos de

oportunidad. Para hacer esto, tomamos el mayor elemento de cada
columna y hacemos la diferencia entre este valor y cada uno de los
restantes de la columna. De esta manera, cada valor de una columna en
particular representará el “costo” de no haber realizado la mejor

asignación. La tabla resultante es:
1 2 3 4
A 0 0 7 0
B 22 2 5 0
C 28 14 7 0
D 15 6 0 0
Tabla 22
A continuación, y con la tabla de costos de oportunidad, se procede con
el método húngaro de la misma forma que en el ejercicio 1.
La solución óptima será:
Vendedor Zona Beneficio

A 1 40
B 2 28
C 4 0
D 3 27
Beneficio Total $ 95
Tabla 23
UNA JUSTIFICACIÓN ECONÓMICA DEL MÉTODO HÚNGARO

Básicamente, el método trabaja a través de reducciones (por fila y
columna) de la matriz de costos del problema.
Supongamos que tenemos el problema de asignar individuos a tres
tareas. Si le sumamos (restamos) una constante a una fila de la matriz
de costos, la solución óptima permanece sin cambios, solamente se
modificará el valor de la función objetivo incrementándose en una
cantidad igual a la que se le sumó a cada elemento de la fila. Así, si le
agregamos una cantidad igual a k a cada costo de la primera fila de la
matriz del problema, la nueva función objetivo será:
z’ = z + k(x11 + x12 + x13)
Como cualquier SFB, tendrá exactamente una variable igual a 1 en el
primer renglón, entonces la nueva función objetivo será:
z’ = z + k
De esta manera, en los pasos I y II del método, se transforman los costos
de asignación en costos de oportunidad mediante el procedimiento
explicado anteriormente.
La prueba de optimidad se basa en que cualquier solución factible en la
que las xij =1 tengan costo cero debe ser óptima.
Analicemos la siguiente matriz reducida:
1 2 3
1 0 3 6
2 4 0 0
3 0 4 3
162 CAPÍTULO 5
Recordemos que debe asignarse solo un individuo a cada tarea,

cumpliendo con las restricciones de filas y columnas. En consecuencia, el
número máximo de asignaciones con costo cero que pueden hacerse es
igual a dos. Es decir que, en este caso, el número máximo de celdas con
cij igual a cero, tales que dos de ellas no estén en la misma fila o columna,
es dos. Las celdas correspondientes se llaman independientes.
Hay un teorema que dice: “El número máximo de celdas cero
independientes en una matriz de asignación reducida es igual al número
mínimo de líneas que cubren todos los ceros de la matriz”.
En base a este teorema es que se plantea la prueba de optimidad del
método.
La nueva reducción del paso V, tiene la misma lógica de los pasos I y II.
Ya que este paso es una forma simplificada de la siguiente operación:
seleccionar el mínimo costo y restárselo a cada fila no cubierta y sumarlo
a cada columna cubierta. Este paso tiene el efecto de crear una nueva
matriz de costos con la misma solución óptima pero con, por lo menos,
un cero más.
4. EL PROBLEMA DE TRANSBORDO
Un problema de transbordo es una generalización del problema de
transporte, en el cual aparecen nodos intermedios llamados nodos de
transbordo, los que representan, por ejemplo, almacenes o depósitos.
En este problema, el flujo de mercadería que circula entre los nodos puede
ser, desde los orígenes hacia los destinos, pasando o no, por nodos de
transbordo.
En el ejemplo de las fábricas de cerveza, podemos suponer que existen
dos depósitos a los que se traslada la producción de ambas fábricas y
luego se distribuye.
Gráficamente, puede verse esta situación:
1 2
CÓRDOBA SANTA FE
300 400
3 4
Depósito Depósito
I II
5 6 7
Bs As Salta Neuquén
350 250 100
Gráfico 2
Este tipo de problemas, al igual que los de transporte y asignación, puede

modelarse con un programa lineal, considerando que el flujo de
mercadería entrante a cada nodo menos el flujo de mercadería saliente
debe ser igual a cero. En los nodos correspondientes a los orígenes, el
flujo entrante de mercadería corresponde a la oferta de ese nodo. De
manera similar, en los nodos de destino, el flujo saliente está
representado por la demanda de ese destino.
Suponiendo que los costos unitarios de transporte de las fábricas a los
almacenes son:
Depósito I Depósito II
Córdoba 1 2
Santa Fe 3 2
Tabla 24
y los costos de transporte desde los almacenes a los distribuidores son:
Buenos Aires Salta Neuquén

Depósito I 2 3 4
Depósito II 2 5 5
Tabla 25
Considerando la numeración asignada a cada nodo en el gráfico 2 y

definiendo a las variables xij como la cantidad de unidades a enviar desde
el nodo i al nodo j, el modelo lineal para este problema es:
Min. Z = x13 + 2x14 + 3x23 +2x24 + 2x35 + 3x36 + 4x37 + 2x45 + 5x46 + 5x47
s.a.
x13 + x14 = 300
x23 + x24 = 400
x13 + x23 - x35 - x36 - x37 = 0
x14 + x24 – x45 - x46 - x47 = 0
x35 + x45 = 350
x36 + x46= 250
x37 + x47= 100
xij  0 para toda i y toda j.
Los problemas de transbordo pueden modificarse fácilmente para poder

ser resueltos con el método de transporte. Sin embargo, hay otros
métodos para resolver este tipo de problemas.
EL MODELO MATEMÁTICO GENERAL

Formulación general del modelo:
xij = representa el flujo del nodo i al nodo j
164 CAPÍTULO 5
mín  cij xij

(i , j )
sa
xk
jk −  xkj = L j
k
j = 1,2,..., n (5)
0  xij  uij (i,j) de la red
Donde (5) representa que el flujo total que sale menos flujo total que
entra es igual a la oferta del nodo.
Además, si:
Lj < 0  nodo de demanda
Lj > 0  nodo de oferta
Lj = 0  nodo de transbordo
El modelo supone que oferta total = demanda total y cij  0.

Observación: Si todos los Lij y uij son enteros, el problema tendrá siempre
una solución óptima con valores enteros.
Para la siguiente red de transbordo,
-30 plantear el PL correspondiente.
1 3
100 -40
1
2 6
2
2
4 2 2
1
2 7 -60
50 1 3
-20
En la red anterior podemos observar que hay distintos tipos de nodos,

algunos son solo emisores de flujo, algunos reciben y emiten, y otros son
típicamente de transbordo.
Cuando el número que aparece sobre el nodo es positivo, significa que se
trata de una oferta; y cuando es negativo, de una demanda de ese nodo.
Algunas veces, en lugar de diferenciar la oferta de la demanda por su
signo, se hace a través de flechas que entran o salen del nodo o vértice.
Los números que aparecen sobre los arcos representan a los costos del
transbordo o transporte.
Recordemos que el objetivo del PL para resolver este problema es de
mínimo y que tendremos una variable para cada arco de la red y una
restricción para cada nodo. En el caso de haber capacidades para los
arcos, tendríamos también una restricción por cada arco que tenga
capacidad.
Para plantear cada restricción, la forma más fácil es hacer:
flujo que entra al nodo (incluida la oferta en su caso) – flujo que sale al
nodo (incluida la demanda en su caso) = 0
Considerando todo lo anterior, el PL es:
min. 2x12 + x13 + x24 + x25 + 2x34 + 3x36 + 2x46 +3x57 + 2x67 + 2x76
sa :
100 - x13 - x12 = 0
50 + x12 – x24 – x25 = 0
x13 -30 – x34 – x36 = 0
x24 + x34 – x46 = 0
x36 + x46 + x76 – 40 – x67 = 0
x25 – x57 – 20 = 0
x57 + x67 – 60 – x76 = 0
 xij  0
Recordemos que, para poder resolverlo, se debe dejar en el primer
miembro de cada igualdad todo lo que sea variable; y en el segundo, todo
lo que sea constante.
5. UN COMENTARIO CON RESPECTO A LAS VARIABLES DE ESTOS

PROBLEMAS
Las variables de los problemas de transporte, asignación y transbordo

deben ser enteras, más aún, las variables de un problema de asignación
pueden asumir solo valores 0 o 1. Es importante aclarar en este punto,
que, debido a la estructura particular de las restricciones en este tipo de
problemas, si todas las ofertas y las demandas son enteras, las variables
serán enteras y, en el caso de asignación, serán 0 o 1. Esto es así ya que
todos los coeficientes de las restricciones son iguales a 0 o 1 y, por lo
tanto, en la operatoria de simplex solo habrá sumas y restas.
6. EL PROBLEMA DEL FLUJO MÁXIMO

Algunos problemas tienen como objetivo determinar la circulación
máxima de algún tipo de bien a través de una red que posee un único
nodo de entrada o nodo fuente y un único nodo de salida o nodo destino.
Es el caso, por ejemplo, de un oleoducto para el que se desea determinar
la circulación máxima posible de petróleo por unidad de tiempo. En este
problema, no intervienen costos; sin embargo, la cantidad de flujo por
unidad de tiempo en cada arco está limitada por restricciones de
capacidad, por ejemplo, el diámetro de los oleoductos. En los nodos no
se especifican capacidades de flujo, el único requerimiento en ellos es
166 CAPÍTULO 5
que, para cada nodo, a excepción del nodo fuente y del nodo destino,
debe darse la relación de equilibrio:
Flujo que sale = flujo que entra al nodo
Si llamamos nodo 1 al fuente y nodo n al destino, el problema consiste

en:
Maximizar f
sa
f, si i=1

j xij - j x ji = -f , si i=n
0 en otro caso

0  xij  u ij de la red

ij
xij = flujo por unidad de tiempo a través del arco (i,j) .

f es una variable que representa el flujo total que circula a través de la
red por unidad de tiempo, es igual al flujo por unidad de tiempo que sale
de la fuente y, además, es igual al flujo por unidad de tiempo que entra
al nodo n. El objetivo consiste en maximizar esa cantidad y las uij
simbolizan las capacidades de los arcos por unidad de tiempo.
Consideremos la siguiente red
(5)
2 4
(10)
(8)
(3)
f 1 (7)
5 f
(6)
3 (8)
La red tiene un solo nodo de entrada y un solo nodo de salida. El problema

consiste en encontrar la máxima cantidad de flujo por unidad de tiempo,
que puede circular a través de esta red, desde la fuente hasta el destino.
La cantidad de flujo por unidad de tiempo en cada arco está limitada por
restricciones de capacidad, que están representadas entre paréntesis;
además, en este problema no intervienen costos.
Es decir que el objetivo será maximizar f, esta variable representará el
flujo de circulación y tendremos, además, una variable para cada arco de
la red y una restricción para cada nodo.
Al realizar el planteo del PL, se debe respetar la condición de equilibrio en
cada nodo y de capacidad de cada arco, con lo cual el PL será:
Maximizar f
sa
x12 + x13 = f
x12 - x23 - x24 = 0
x23 + x13 - x34 - x35 = 0
x24 + x34 - x 45 = 0
x35 + x 45 = f
x12  10
x13  6
x23  3
x24  5
x34  7
x35  8
x 45  8
xij 0 i j
168 CAPÍTULO 5
ACTIVIDAD 1
1. ¿Cuántos valores nulos deberá tener una solución de un problema de
transporte para que sea no básica si se sabe que el problema tiene 8
orígenes, 6 destinos y, además, se conoce que el total de oferta es menor
que el total de demanda?
2. ¿Cuántos valores positivos deberá tener una solución de un problema

de transporte para que sea básica degenerada si se sabe que el problema
tiene 5 orígenes, 7 destinos y, además, se conoce que el total de demanda
es menor que el total de oferta?
3. ¿Cómo se interpreta el valor X34 = 20 en un problema de transporte si

el origen 3 es ficticio?
4. En un problema de transporte de mínimo, ¿qué significa un 13= 4?
5. En un problema de transporte de mínimo, ¿qué significa un 24= 0 en

la solución óptima?
6. ¿Cómo se puede demostrar que, en un problema de transporte

equilibrado, el número de restricciones linealmente independientes es
igual a h+k-1, siendo h=nº de orígenes y k=nº de destinos del problema?
ACTIVIDAD 2
RESPONDA VERDADERO O FALSO:
“El valor de la variable xij (i = 1, ...h), (j = 1, ...k) en la función objetivo

del problema del transporte representa el costo de enviar una unidad
desde el origen i hacia el destino j”.
ACTIVIDAD 3
La empresa de plásticos “Azteca” posee 3 plantas de producción de hojas
de acrílico, las cuales son transportadas a 2 diferentes fábricas para
producir diferentes productos. Los costos de transporte por lámina
transportada desde las plantas de producción a las factorías, así como los
datos de demanda y disponibilidad, son como sigue:
1 2 DISPONIBILIDAD
1 25 19 92
2 17 12 74
3 23 18 86
DEMANDA 173 215
a) Elabore el modelo de PL que permita arribar al mínimo costo de

transporte.
b) Encuentre la solución óptima con el método de transporte.
Interprétela.
ACTIVIDAD 4
Una empresa planea abrir 4 depósitos en 4 ciudades –Córdoba, Buenos
Aires, Rosario y Mendoza– para abastecer a 3 regiones. Desde cada
depósito se pueden enviar 100 unidades por semana de un cierto
producto. La región 1 requiere 80 unidades por semana, la 2 demanda 70
unidades y la 3 necesita 50 unidades. Los costos de transporte por enviar
una unidad desde cada planta a cada región se dan en la tabla.
Hasta ($)
Desde
Región 1 Región 2 Región 3
Córdoba 10 20 30
Buenos Aires 28 10 15
Rosario 15 15 10
Mendoza 20 30 20
Formule un PLE que se pueda usar para minimizar los costos semanales
de transporte para cumplir con las demandas.
ACTIVIDAD 5
El dueño de una agencia de publicidad trata de decidir cuál de 4
vendedores debe asignar a cada uno de 4 clientes. En la tabla se
presentan los costos estimados de la asignación de cada vendedor. Use
el método húngaro para encontrar la solución óptima del problema.
Establezca el valor óptimo de la función objetivo.
CLIENTE
VENDEDOR 1 2 3 4
A 15 19 20 18
B 14 15 17 14
C 11 15 15 14
D 21 24 26 24
170 CAPÍTULO 5
ACTIVIDAD 6
Una empresa debe distribuir 5 promotores de su nueva línea de máquinas
para riego automático a 4 regiones. En la tabla se muestran los
incrementos estimados en ventas de acuerdo a la asignación de cada
promotor. Use el método húngaro para encontrar la solución óptima del
problema. Establezca el valor óptimo de la función objetivo.
REGIONES
PROMOTOR 1 2 3 4
A 20 22 22 15
B 25 15 16 20
C 18 20 18 20
D 21 15 20 24
E 17 20 20 18
ACTIVIDAD 7
En la tabla siguiente se encuentran los costos de asignación de 5
empleados a 5 puestos de trabajo. Encuentre la asignación óptima usando
el método húngaro.
Trabajo
1 2 3 4 5
Empleado
1 20 14 6 10 22
2 16 8 22 20 10
3 8 6 24 14 12
4 20 22 2 8 6
5 4 16 22 6 24
ACTIVIDAD 8
En la tabla siguiente se encuentran los costos de asignación de 3 operarios
a 4 tareas. Encuentre la asignación óptima usando el método húngaro.
Los operarios 2 y 3 pueden ser asignados a dos tareas. Asimismo, observe
que las celdas tachadas significan que el operario no puede ser asignado
a dicha tarea.
1 2 3 4
1 50 46 42 40
2 51 48 44
3 47 45 45
ACTIVIDAD 9
Encuentre la solución óptima del siguiente PL usando el método de

transporte:
min z = x1 + 2x2 + 3x3 + 2x 4

sa
x1 + x2 6
x3 + x4  5
x1 + x3 5
x2 + x4  5
x1 , x2 , x3 y x 4  0
ACTIVIDAD 10
Plantear los PL de las siguientes redes de flujo de costo mínimo:
150
200 1 70
1
A. 75 1 125
125 150
120
100 1 1 50
100 1 100
60
0,10
2 4 600
0,20
0,20
B. 2000 (1000)
1
0,15 0,15
(500)
3 5 800
0,25
C. 50
-30
8
1
4
2
2 3 4
2
(15) 3
1 (60)
2
5
40
-60
172 CAPÍTULO 5
Observación: Los números que aparecen entre paréntesis debajo de los

arcos representan la capacidad del mismo.
ACTIVIDAD 11
Dibujar la red correspondiente al siguiente PL:
min 2 x13 + x14 + 3 x25 + 4 x36 + 2 x43 + 5 x46 + 2 x47 + 2 x 54 + 4 x57

sa
100 – x13 – x14 = 0
150 – x25 = 0
x13 + x43 – 60 – x36 = 0
x14 + x54 – x43 – x46 – x47 = 0
x25 – x54 – x57 = 0
x36 + x46 – 90 = 0
x57 + x47 – 100 = 0
x13  50
xij  0 i j
ACTIVIDAD 12
Plantear el PL de la siguiente red de flujo máximo:
2
100 400
100
300 300
f 1 3 5 f
200
200 650
4
CAPÍTULO 6
PROGRAMACIÓN LINEAL ENTERA
1. INTRODUCCIÓN
Este capítulo trata sobre modelos que podrían ser formulados y resueltos
como modelos de PL, con la condición de que algunas o todas sus
variables tienen que asumir valores enteros.
Recordemos que uno de los supuestos de los modelos de programación
lineal es la divisibilidad, es decir que las variables pueden asumir valores
fraccionarios. En el mundo real, frecuentemente nos encontramos con
problemas en los cuales las variables deben ser enteras. En tal caso, se
llegará a un valor objetivo óptimo menor (en caso de maximización) al
del problema que acepta soluciones continuas, salvo algún caso
particular en el cual la solución óptima resulta entera 1.
Otros casos de necesidad de programación entera (PE) se refieren, por
ejemplo, a variables de decisión que deben ser "binarias" (enteras que
asumen únicamente los valores 0 o 1). Estas variables permiten modelar
situaciones de opciones (elegir entre alternativas) o situaciones en las
que se deben respetar ciertas condiciones lógicas y que, sin la presencia
de ellas, no podría modelarse el problema.
Resumiendo, podemos decir que el modelo de programación entera es
un modelo de PL donde las variables deben asumir valores enteros. Si
solo es necesario que algunas variables sean enteras, entonces se trata
de un problema de programación entera mixta. Cuando las variables
pueden asumir solamente valores 0 o 1, se denomina programación
binaria.
2. RELAJACIÓN LINEAL
La relajación lineal (RPL) de un PE se obtiene al omitir la condición que
exige que las variables sean enteras. En consecuencia, el problema se
transforma en un PL continuo, resultando una versión menos restringida
del problema entero. En consecuencia:
1
Como es el caso de los problemas de transporte, asignación y transbordo.
174 CAPÍTULO 6
• Para cualquier PE de maximización, “el valor objetivo óptimo de la

relajación lineal es siempre  que el valor objetivo óptimo del
programa entero”. Esto significa que “el valor objetivo óptimo de la
relajación lineal es una cota superior para valor objetivo óptimo del
PE”.
• En caso de minimización, “el valor objetivo óptimo de la relajación
lineal es una cota inferior para valor objetivo óptimo del PE”.
3. SOLUCIONES ENTERAS VS. SOLUCIONES REDONDEADAS

Como dijimos anteriormente, en el mundo real frecuentemente nos encontramos
con problemas en los cuales las variables deben ser enteras. Por ejemplo,
supongamos una empresa que fabrica bolsas de residuos para la industria y
obtiene una solución que le indica fabricar 5000,345 bolsas. En este caso,
podríamos trabajar con una solución redondeada al entero más próximo. El uso
de este tipo de soluciones es aceptable en situaciones en que el redondeo no
tenga una importancia relativa significativa. En general, cuanto más grandes
sean los valores de las variables de decisión de la solución fraccionaria, tanto
más probable será que el redondeo resulte aceptable.
No obstante, existen situaciones en las cuales el redondeo no funciona. Por
ejemplo, si la solución de un modelo PL arroja construir 3,45 edificios y 5,23
casas, la magnitud de los resultados financieros y de los recursos comprometidos
en la construcción impondrá la necesidad de lograr la solución óptima entera.
Veamos gráficamente un ejemplo donde la solución redondeada no funciona.
Supongamos el siguiente modelo para determinar la cantidad a fabricar de 2
productos (A y B):
Max 10 A + 50 B
s.a.
6 A + 1 B  32 disponibilidad del insumo I
1 A + 8 B  50 disponibilidad del insumo II
A, B  0 y enteras
Si analizamos la solución gráfica de este problema, podemos ver que:

• La solución óptima de la relajación lineal es A = 4,39 y B = 5,7,
siendo el valor objetivo de $328,90.
• Si se redondea en A = 4 y B = 6, la solución queda fuera del
conjunto de soluciones factibles.
• Si se redondea en A = 4 y B = 5, el objetivo asume el valor de
$290.
12
11
PROGRAMACIÓN LINEAL ENTERA 175
10
• La solución óptima entera es A = 2 y B = 6, alcanzando un valor

objetivo óptimo de $320. 9
B B
7
0
A 0 1 2 3 4 5
A6 7 8 9 10 11 12 13
Optimal Decisions(A,B): ( 2.0, 6.0)

: 6.0A + 1.0B <= 32.0
: 1.0A + 8.0B <= 50.0
Como conclusión, podemos afirmar que, en problemas cuyas variables

asumen valores fraccionarios relativamente grandes, podemos pensar en
redondear el valor de estas al entero más próximo. Sin embargo, el
método de redondeo puede conducir a situaciones como:
• Puede suceder que, redondeando al entero más próximo, este
valor de la variable no sea factible.
• Aun cuando uno o más de los puntos enteros cercanos sean
factibles:
✓ No necesariamente serán óptimos para el PE.
✓ No necesariamente estarán cerca de la solución óptima.
Veamos otro ejemplo:

Max Z = 0.5x1 + 5x2
s.a.
6x1 + x2  50
x1 + 12 x2  60
x1, x2  0 y enteras
176 CAPÍTULO 6
La solución al PL asociado sin considerar la restricción de enteros

(relajación de PL) es la siguiente:
1) 25.63380
VARIABLE VALUE REDUCED COST

X1 7.605634 0.000000
X2 4.366197 0.000000
ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 0.014085
3) 0.000000 0.415493
Claramente esta no es la solución al PE. Podríamos pensar en redondear

los valores de las variables. En este caso, si redondeamos para arriba,
no se cumplirían las restricciones, por lo tanto, podríamos intentar
redondear los valores de las variables hacia abajo. Con este criterio, la
solución quedaría:
x1 = 7
x2 = 4
Z = 23,5
Sin embargo, si exploramos el conjunto de soluciones enteras en forma

gráfica o usando un software (en este caso LINDO), encontramos que la
solución óptima entera es:
1) 25.00000
VARIABLE VALUE REDUCED COST

X1 0.000000 -0.500000
X2 5.000000 -5.000000
ROW SLACK OR SURPLUS DUAL PRICES

2) 45.000000 0.000000
3) 0.000000 0.000000
Observemos que el valor de Z es inferior al de la relajación. Sin

embargo, es superior al obtenido mediante redondeo. Esto se debe a que
el óptimo depende de la inclinación de la recta objetivo.
4. MÉTODO DE RAMIFICACIÓN Y ACOTAMIENTO

Si la región factible para la relajación de PL de un PE puro es acotada,
entonces la región factible del PE estará formada por un número finito de
puntos. En teoría, se podría resolver el PE calculando los valores de la
función objetivo para cada punto factibles y elegir el mejor. Sin
embargo, el problema con este método es que la mayoría de los PE
tienen regiones factibles que consisten en billones y billones de puntos
factibles.
No obstante, los ejemplos anteriores nos muestran la necesidad de
encontrar un método que nos permita, a partir de la relajación de PL, ir
explorando las soluciones enteras.
Uno de los más utilizados es el conocido como branch and bound o
método de ramificación y acotación.
La ramificación consiste en ir agregando restricciones excluyentes a la
RPL, para alguna de las variables no enteras, que dividan a la región
factible en dos partes. De manera tal que se eliminen en ambas partes
los valores no enteros de la variable seleccionada en la RPL, hasta
encontrar la solución entera óptima.
La acotación se basa en el hecho de que las regiones factibles de los
problemas que surjan al agregar las nuevas restricciones son, en
realidad, subconjuntos del conjunto de soluciones de la RPL y, por lo
tanto, el valor óptimo de Z en estos dos subconjuntos será siempre
menor (mayor) que el valor de Z de la RPL y, su vez, este valor será una
cota superior (inferior) para las soluciones que obtengamos.
El proceso de acotación consiste –en problemas de maximización– en
tomar como cota inferior aquella solución entera con mayor valor de Z.
Como cualquier otro subproblema con solución no entera, con un valor
de Z* menor al Z* de la solución entera ya encontrada, al ramificarlo nos
dará como resultado valores de Z menores o iguales; podemos descartar
como subproblemas a ramificar a todos aquellos que tengan en la
solución óptima un valor de Z menor a la cota establecida.
En definitiva, tendremos una cota superior dada por el Z* de la RLP y una
cota inferior dada por las sucesivas soluciones enteras.
El método de ramificación y acotación no es un procedimiento de
solución única como el algoritmo simplex. Se trata de un enfoque para
resolver problemas de PE. Se usa la estrategia de “divide y vencerás”.
Los pasos para aplicar este método pueden resumirse en los siguientes:
1. Se resuelve la RPL, si todos los valores son enteros, entonces
esta es también la solución óptima del PE.
2. Si existe alguna variable con valor fraccionario, entonces se
divide el problema en dos nuevos subproblemas agregándole a
cada uno una nueva restricción, de manera tal que se excluya el
valor fraccionario.
178 CAPÍTULO 6
Ejemplo:
Max Z = 3x1 + 5x2
s.a.
6x1 + 8x2  20
x1 y x2  0 y enteros
Se resuelve la relajación de PL y se obtiene:
x1 = 0 , x2 = 2,5 y Z = 12,5
Gráficamente,
Para excluir la solución no entera, ramificamos y planteamos dos nuevos

problemas:
Problema 1 Problema 2
Max 3x1 + 5x2 Max 3x1 + 5x2
Sa Sa
6x1 + 8x2  20 6x1 + 8x2  20
x2  2 x2  3
x1 y x2  0 x1 y x2  0
Resolvemos los nuevos problemas:

x2
7
6
24
x2
7
5
Problema 1 Problema
6 2
4
5
3 4
3
2 20
2
1
1
0 0
0 1 2 3 4 5 6 7 80 x1 x1
1 2 3 4 5 6 7
Óptimo (x1, x2) (0.67,

Optimal Decisions(x1,x2): (0.67, 2.00)2.00) Problema no factible Payoff: 3.00 x1 + 5.00 x2 = 12.00 Payof
: 6x1 + 8x2 <= 20
Z=12
: 6.00x1 + 8.00x2 <= 20.00
: 0.00x1 + 1.00x2 <= 2.00 16 : 0x1 + 1x2 >= 3
Existen cuatro posibles resultados para cada subproblema:

1. Si un problema no es factible, no se lo investiga más.
2. Si la solución de la relajación de PL para el problema es entera, se
registra esta como la posible mejor
12 solución y se la guarda como cota
inferior.
3. Si la solución de la relajación de PL es peor que alguna solución
entera que ya se conoce, entonces no se investiga más el problema.
4. Si la solución de la relajación de PL es fraccionaria, pero mejor que
cualquier solución entera que se conoce hasta ese momento, se
8
divide a la región factible para ese subproblema, de manera que se
excluya una parte de la solución. Se continúa este procedimiento
hasta que no existan subproblemas que deban investigarse.
Problema 3
4
Max 3x1 + 5x2
Sa
6x1 + 8x2  20
x2  2
x1  0
0
x 1 y x2  0 0 5 10 15
Óptimo (x1,x2) (0.00, 2.00)
: Z=10
6.00x1 + 8.00x2 <= 20.00
: 0.00x1 + 1.00x2 <= 2.00
: 1.00x1 + 0.00x2 <= 0.00
180 CAPÍTULO 6
x2
7
Problema 4 6
Max 3x1 + 5x2

5
Sa 4
6x1 + 8x2  20
x2  2 3
x1  1
2
x1 y x2  0 1
0
0 1 2 3 4 5 6 7 8 x1
x2
Óptimo (x1, x2) (1.00; 1.75)
Payoff:
7 Optimal Decisions(x1,x2): (1.00, 1.75)
: 6.00x1 + 8.00x2 <= 20.00
Z=11,75
: 0.00x1 + 1.00x2 <= 2.00
6 : 1.00x1 + 0.00x2 >= 1.00
5
Problema 5
4
Max 3x1 + 5x2

Sa 3
6x1 + 8x2  20
2
x2 2
x1 1 1
x2 2
0
0 1 2 3 4 5 6 7 8 x1
x1 y x2  0
: 6x1 + 8x2 <= 19
: 0x1 + 1x2 <= 2
: 1x1 + 0x2 >= 1
: 0x1 + Problema no factible
1x2 >= 2
x2
7
Problema 6
5
Max 3x1 + 5x2 4
Sa
6x1 + 8x2  20 3
x2  2
2
x1  1
x2  1 1
x1 y x2  0
0
0 1 2 3 4 5 6 7 8 x1
Óptimo (x1,x2) (2.00, 1.00)

Payoff:
: 6.00x1 + 8.00x2 <= 20.00
Z=11
: 0.00x1 + 1.00x2 <= 2.00
: 1.00x1 + 0.00x2 >= 1.00
: 0.00x1 + 1.00x2 <= 1.00
Resumiendo los resultados obtenidos en cada paso:
x1 = 0
x2 = 2,5
Z = 12,5
X2 ≤ 2 X2 ≥ 3
P1 P2
x1 = 0,67 No Factible TERMINAR
x2 = 2,00
Z = 12
X1 ≥ 1 X1 ≤ 0
P4 P3
x1 = 1 x1 = 0 FACTIBLE ENTERA
x2 = 1,75 x2 = 2 TERMINAR
Z = 11,75 Z = 10
X2 ≤ 1 X2 ≥ 2
P6 P5
x1 = 2 No Factible TERMINAR
x2 = 1
Z = 11
FACTIBLE ENTERA
TERMINAR
5. USO DE VARIABLES BINARIAS

Como ya expresamos al comienzo de este capítulo, las variables 0-1 son
muy útiles en la formulación de muchos problemas lineales. Representan
todo o nada, hacer o no hacer. Se usan también para representar
condiciones lógicas, de tamaño del lote de producción y para incluir en la
función objetivo costos fijos de producción.
A continuación, se ejemplificarán diferentes situaciones en las cuales se
hace imprescindible su utilización a los fines de una correcta
modelización del problema:
182 CAPÍTULO 6
Restricciones de elección múltiple

Se utilizan para representar elecciones mutuamente excluyentes, por
ejemplo, elegir un proyecto u otro:
xi + xj = 1
No más de k de entre n alternativas de un conjunto

Comprenden los casos en los cuales, por ejemplo, se deben seleccionar
no más de k proyectos de un conjunto n proyectos factibles.
x1 + x2 + ...... + xn  k
Decisiones dependientes (condicionales)

a) No se desea elegir la opción k a menos que se elija primero la
opción m. Sin embargo, la opción m puede ser elegida sin que lo sea la
opción k.
xk  xm ó xk – xm  0
b) Si se elige la opción m, entonces la opción k también. A este tipo
de restricciones se las suele llamar restricciones de correquisito. Es decir
que siempre que se elija la opción m, también debe ser elegida la opción
k y viceversa. Por ejemplo, el caso de una planta industrial que, de
instalarse, se debe también considerar la construcción de una planta de
desechos industriales.
xk – xm = 0
c) Si elige la inversión m, no podrá elegir la k y viceversa. Sin
embargo, puede no seleccionarse ninguna de las dos.
xk + xm  1
Restricciones en el tamaño del lote

a) Supongamos que se tienen las siguientes restricciones:
(1) Si compra la acción j, debe comprar al menos 50.
(2) No puede comprar más de 150 acciones de j.
Si lo expresamos como:
xj  50
xj  150
no funciona, porque estas restricciones expresan que se deben comprar,
por lo menos, 50 acciones y como máximo 150 acciones. Sin embargo,
nosotros queremos que, si se compran acciones, entonces se compre
una cantidad mayor o igual a 50 y menor o igual a 150, es decir que xj =
0 ó 50  xj  150.
Para modelizar esta situación, necesitamos usar una variable 0-1, por
ejemplo, yj para la acción j. Esta variable tiene la siguiente
interpretación:
Si yj = 1  se compra la acción j
Si yj = 0  no se compra la acción j
Consideremos ahora agregar la restricción:
xj  150 yj
xj  50 yj
De esta forma, si yj = 1 se verificará que:
50  xj  150
b) Supongamos que si compra la acción j, debe comprar al menos

50 acciones.
Si yj = 1  se compra la acción j
Si yj = 0  no se compra la acción j
Podríamos proponer modelar de la forma:
(1) xj  50 yj
(2) xj  U yj , siendo U = nº muy grande
De manera tal que si yj = 0, (1) y (2) quedan:

xj  50 (0) = 0 ; xj  0
xj  U (0) = 0 ; xj  0
y, en consecuencia, xj es igual a 0.
Sin la restricción (2), cuando yj = 0, la restricción (1) queda xj  0, de

esta forma podría xj tomar cualquier valor mayor que 0, con lo cual no
se respeta el número mínimo de 50 acciones.
Para asignarle un valor a U, debe calcularse cuántas acciones como
máximo se pueden comprar si solamente compramos de la acción j.
Restricciones de costo fijo

En muchas situaciones, nos encontramos con un costo de producción con
dos componentes: uno fijo y uno variable. El uso de variables 0-1 nos
permite incluir el componente fijo del costo en caso de que se produzca
del producto considerado.
Supongamos una empresa que fabrica dos tipos de productos: A y B.
Para fabricarlos, tiene que disponer de una maquinaria especial, la que
debe alquilar con las siguientes tarifas:
o Maquinaria para el producto A a $500 por semana.
o Maquinaria para el producto B a $550 por semana.
El resto de la información respecto a insumos necesarios por unidad y
contribución unitaria se proporcionan en la siguiente tabla:
184 CAPÍTULO 6
H mano de obra Insumos Contribución a las

utilidades
Producto A 5 7 10
Producto B 3 2 8
Disponibilidad 250 300

semanal
De acuerdo a los datos del problema, el objetivo es maximizar el

beneficio total.
Variables:
xA = unidades del producto A a producir semanalmente.
xB = unidades del producto B a producir semanalmente.
yA = 1 o 0, si es que el producto A se produce o no se produce.
yB = 1 o 0, si es que el producto B se produce o no se produce.
Restricciones:
Las dos primeras están referidas a la disponibilidad máxima de los
recursos mano de obra e insumos.
Las dos últimas son necesarias para que el costo del alquiler de la
maquinaria sea restado de la contribución total, en el caso de producirse
el producto considerado.
El modelo para este caso es el siguiente:
max 10 xA + 8 xB – 500 yA – 550 yB

sa
5 xA + 3 xB  250 H MO
7 xA + 2 xB  300 Insumos
xA  M yA
xB  N yB
xA y xB  0 y enteras
yA y yB binarias
Para determinar el valor de M y N, calculamos la producción máxima

posible de cada producto. Así, para el producto A será:
250 300
Producción máxima de A está dada por el mínimo entre: y , en
5 7
este caso M = 42 unidades.
De la misma manera se procede para encontrar el máximo que se puede
producir de B, es decir, N= 83 unidades.
M y N no pueden ser inferiores a la máxima producción posible de cada
producto; de lo contrario, estaríamos introduciendo restricciones
innecesarias.
6. EJEMPLO DE PLANIFICACIÓN DE PERSONAL

Una aplicación muy difundida en la utilización de la programación entera
en las empresas es la planificación de personal. Para mostrar este tema,
presentaremos el siguiente caso:
La sucursal del Banco Argentino necesita de 8 a 15 cajeros de servicio,
dependiendo de la hora del día, como se indica en la tabla. Las personas
al frente de las cajas de tiempo completo trabajan 8 h consecutivas a
$25 la h, comenzando a las 8 am. Aquellas de tiempo parcial trabajan 4
h consecutivas a $15 por h, comenzando a las 8 am, 10 am o 12 h.
La legislación laboral y las regulaciones sindicales requieren que, en
cualquier hora, al menos el 60 % de este tipo de personal sea de tiempo
completo.
Tabla de horarios
8 a 10 10
10 a 12 12
12 a 14 17
14 a 16 14
El objetivo es minimizar el costo total de lo que se paga a las personas

encargadas de las cajas del Banco.
Si definimos a las variables como:
F = número de cajeros que trabajan tiempo completo.
Pi = número de cajeros que trabajan a tiempo parcial en el período i.
Claramente vemos que las variables deben ser enteras, ya que
representan personas.
Restricciones:
El primer conjunto de restricciones representa el número mínimo de
personas que se necesitan por período.
El segundo conjunto de restricciones representa la condición de que, en
cada turno, por lo menos el 60 % del personal ser a tiempo completo.
A continuación, se muestra el modelo lineal para este problema:

186 CAPÍTULO 6
Min 200F + 60 P8 + 60 P10 + 60 P12

Sa
F + P8  10
F + P8 + P10  12
F + P10 + P12  17
F + P12  14
F  0,6 (F + P8)
F  0,6 (F + P8 + P10)
F  0,6 (F + P10 + P12)
F  0,6 (F + P12)
F , P8 , P10 , P12  0 y enteras
7. ANÁLISIS DE SENSIBILIDAD EN PROGRAMAS LINEALES ENTEROS

Es muy importante aclarar que, en el caso de programas lineales
enteros, no es posible utilizar la información proporcionada por los
precios sombra ni por el análisis de sensibilidad, ya que fueron diseñados
para programas lineales continuos.
Sin embargo, sabemos que esta información es muy importante y la
manera de salvar esta situación es realizando múltiples corridas del
software que se esté utilizando para obtener dicha información.
En problemas mixtos (sin la presencia de variables binarias), para
aprovechar las ventajas del análisis de sensibilidad, se suele utilizar el
siguiente procedimiento:
1) Se resuelve el problema de PE.
2) Se añaden, como restricciones al problema, las variables
enteras con el valor obtenido en el paso anterior; de esta
forma, el PE se transforma en un PL.
3) Se resuelve el PL obteniendo, de esta manera, el análisis de
sensibilidad.
ACTIVIDAD 1
Una compañía dedicada a la fabricación de perfumes desarrolló 5 nuevas
fragancias para lanzar al mercado la próxima temporada de verano. La
administración deberá decidir sobre cuáles de estos productos se van a
producir y a qué niveles.
El costo fijo de puesta en marcha de la línea de producción para los 5
productos es de $26.000, $30.000, $28.000, $35.000 y $40.000 para las
fragancias Floral, Gardenia, Fresca, Madera y Tabaco, respectivamente.
La información referente a las contribuciones marginales, utilización de
insumos base y horas de mano de obra que se necesitan para producir
una onza de cada fragancia se presentan en la tabla siguiente:
FRAGANCIAS
Floral Gardenia Fresca Madera Tabaco
Cont. Marg. ($/onza) 35 39 40 51 58
Insumo I 8 7 2 10 15
Insumo II 8 9 16 15 12
Horas mano de obra 4 6 5 8 7
El departamento de producción determinó que se podrá disponer de

hasta 6.000 horas de trabajo, 8.000 unidades de insumo I y 8.500
unidades de insumo II para la producción de las nuevas fragancias.
Un estudio de la demanda informó sobre características de la misma en
la temporada de verano, por lo cual se establece la siguiente política de
producción:
a) Fabricar como máximo 4 de las 5 fragancias desarrolladas.
b) No se lanzarán al mercado 2 fragancias de origen floral
simultáneamente, lo cual implica que, si se decide producir
Floral, no se producirá Gardenia y viceversa.
c) Dado que en la temporada de verano la demanda de la
fragancia Madera es baja, se decidió que, en caso de
producirla, deberá serlo en una cantidad no superior al 10 %
del total de la producción.
Elabore un modelo lineal entero que le permita a la empresa maximizar
la contribución total.
188 CAPÍTULO 6
ACTIVIDAD 2
Una empresa planea abrir 4 depósitos en 4 ciudades: Córdoba, Buenos
Aires, Rosario y Mendoza, para abastecer a 3 regiones. Desde cada
depósito se pueden enviar 100 unidades por semana de un cierto
producto. El costo fijo semanal de mantener en operación cada depósito
es de $1.200 para Córdoba, $1.000 para Buenos Aires, $1.100 para
Rosario y $1.400 para Mendoza. La región 1 requiere 80 unidades por
semana, la 2 demanda 70 unidades y la 3 necesita 50 unidades. Los
costos, de producción y transporte, por enviar una unidad desde cada
planta a cada región se dan en la tabla.
Se desea cumplir con las demandas semanales a un costo mínimo
cumpliendo, además, con las siguientes condiciones:
• Si se abre el depósito de Córdoba, entonces se debe abrir el de
Buenos Aires.
• Se deben abrir no más de 2 depósitos.
• Se tiene que abrir el depósito de Rosario o el de Mendoza.
Hasta ($)
Desde
Región 1 Región 2 Región 3
Córdoba 20 40 50
Buenos Aires 48 15 26
Rosario 26 35 18
Mendoza 24 50 35
Formule un PLE que se pueda usar para minimizar los costos semanales
de cumplir con las demandas.
ACTIVIDAD 3
Metalcor, un autopartista de nuestra ciudad, está considerando en este
momento la planificación de la producción de 3 tipos de radiadores: A, B
y C. En la tabla se presentan los recursos requeridos, los costos fijos de
preparación de la producción y las contribuciones a las utilidades
proporcionadas por cada uno. En la actualidad, cuenta con 20 toneladas
de chapa, 100 toneladas de cobre y 4.500 horas de mano de obra. Para
que la producción del radiador A resulte redituable, deberán fabricarse
(si se fabrican) por lo menos 80 unidades. En el caso de los otros dos, en
caso de fabricarse, deberán producirse en lotes de entre 50 y 100
unidades.
A B C
Chapa (T/unid.) 0,015 0,020 0,020
Cobre (T/unid.) 0,025 0,035 0,030
Horas de mano de obra 10 12 15
Costo de prep. producc. 1000 2000 1500
Contrib. a las utilidades por unid. 20 35 30
Elabore un modelo lineal entero que le permita a Metalcor maximizar la

contribución total.
ACTIVIDAD 4
Suponga que un producto, si se fabrica, debe hacerse en lotes de
tamaño  Q. Si se simboliza por x a la cantidad de producto fabricado,
las dos restricciones adecuadas son las siguientes:
a) x + Uy  0 ; x – Qy  0
b) x - Uy  0 ; x – Qy  0
c) x - Uy  0 ; x – Qy  0
d) x - Uy  0 ; x – Qy  0
ACTIVIDAD 5
Suponga que P1, P2 y P3 son variables cuyos valores son 1 si se va a abrir
una planta en particular y 0 en cualquier otro caso. Escriba una restricción
lineal separada para cada una de las siguientes restricciones:
1. Si se abre la Planta 1, entonces la Planta 2 debería abrirse.
2. Debe abrirse la Planta 1 o la Planta 2, pero no ambas.
3. No se desea abrir la Planta 1 a menos que se abra la Planta 3.
4. Si se abre la Planta 1, entonces no podrá abrirse la Planta 2.
ACTIVIDAD 6
Responda Verdadero o Falso y justifique su respuesta:
“Supóngase que tanto x1 como x2 son variables binarias donde xi = 1

tiene la interpretación de construir una planta en la localidad i. La
condición ‘se puede construir una planta en la localidad 2 solo si también
se construye una planta en la localidad 1’ se representa mediante la
restricción x1  x2”.
ACTIVIDAD 7
Dados los siguientes PL enteros, resuélvalos utilizando el método de
ramificación y acotación.
Max 25 x1 + 20 x 2
sa
a) 35 x1 + 30 x 2  150
10 x1 + 15 x 2  50
x1 , x 2  0 y enteros
190 CAPÍTULO 6
Min 1x1 + 3x 2
sa
b) 1x1 + 5x 2  10
1 x1 + 2 x 2  5
x1 , x 2  0 y enteros
ACTIVIDAD 8
Considere el siguiente programa lineal entero mixto:
Max 4 x1 + 6 x 2
sa
8 x1 + 18x 2  72
14 x1 + 10 x 2  70
x1 , x 2  0 y x1 entera
a) En una gráfica de las restricciones, indique todas las soluciones

enteras mixtas.
b) Encuentre la solución óptima de la relajación de PL y redondee el
valor de x1 hacia abajo. ¿Esta solución es óptima?
c) Encuentre la solución óptima.
CAPÍTULO 7
PROGRAMACIÓN DINÁMICA
1. INTRODUCCIÓN
En muchas oportunidades, nos enfrentamos a situaciones en las cuales
debemos tomar una sucesión de decisiones interrelacionadas; esto es,
que la decisión que se adopte en un momento afectará a la que se toma
a continuación.
Se trata, generalmente, de problemas complejos que pueden dividirse
en subproblemas de menor tamaño. Veamos los siguientes ejemplos:
1. Se desea implementar una política de inversiones a lo largo de seis
meses, para ello es necesario determinar cuánto debe invertirse cada
mes. En este caso, los meses pueden entenderse como etapas en las
cuales debe decidirse la inversión a realizar.
2. El Banco Nación cuenta con un importante monto para entregar
créditos destinados a fomentar la incorporación de la computadora en
las escuelas primarias provinciales. ¿Cuánto conviene entregar a cada
una? En este caso, cada provincia constituye una etapa del problema
general, en la cual es necesario tomar una decisión.
En situaciones de este tipo podemos utilizar un modelo de optimización
llamado programación dinámica (PD).
En realidad, la PD es un enfoque que nos permite encontrar la solución
de problemas complejos, descomponiéndolos en una secuencia de
problemas más pequeños y, de esta manera, encontrar la combinación
de decisiones que optimice la efectividad global.
En este capítulo, trataremos problemas de PD en los cuales las
condiciones iniciales en cada subproblema pueden representarse por un
conjunto discreto y los resultados de cada decisión están completamente
determinados por la condición inicial y la decisión adoptada.
Los problemas con estas características corresponden a la programación
dinámica discreta determinista.
192 CAPÍTULO 7
2. METODOLOGÍA
Suponga que usted dispone de $4.000 que puede destinar a 3 opciones
de inversión diferentes. Las utilidades que se obtienen en cada opción
dependen de la cantidad invertida (tabla 1).
Si se supone que la cantidad invertida en cada opción debe ser múltiplo
exacto de $1.000, ¿cuál será la política de inversión que eleve al
máximo las utilidades ganadas?
Utilidades en miles de $
$ invertidos Inversión Inversión Inversión
(miles) 1 2 3
0 0 0 0
1 7 6 7
2 8 10 8
3 9 12 13
4 11 14 15
Tabla 1
Nuestro objetivo consiste en encontrar una combinación de inversiones

que nos proporcione las máximas ganancias, sabiendo que la cantidad
invertida en cada proyecto determinará el rendimiento global. Esto es,
determinar la cantidad a invertir en cada opción, si es que se invierte,
para obtener el máximo rendimiento posible.
Un enfoque posible para resolver el problema sería por enumeración
exhaustiva, sin embargo, el número de combinaciones posibles es
grande y tener que calcular el rendimiento total para cada una de ellas
no constituye una tarea muy atrayente.
La PD nos permite encontrar la solución con un poco menos de esfuerzo,
para lo cual descompone el problema fraccionándolo en subproblemas o
etapas. Entonces, parte de una pequeña porción del problema,
encuentra la solución para esta etapa y luego, gradualmente, agranda el
problema encontrando la solución óptima actual, pero enlazada con la
anterior y así hasta encontrar la solución óptima del problema original.
Nuestro problema requiere tomar tres decisiones interrelacionadas sobre
cuánto invertir en cada alternativa. De esta manera, cada proyecto
puede ser considerado como un subproblema y cada uno de ellos define
una etapa del problema.
Si bien no existe una secuencia fija entre ellas, vamos a considerar,
para una mejor comprensión, un orden cronológico. De esta manera:
Etapa 1 Etapa 2 Etapa 3

Inversión 1 Inversión 2 Inversión 3
PROGRAMACIÓN DINÁMICA DETERMINISTA 193
En este problema, resulta indistinto comenzar a resolver el problema

desde la primera etapa hasta la última o hacerlo desde la última hacia la
primera. Sin embargo, vamos a comenzar en reversa para adoptar una
metodología aplicable también a aquellos casos en los cuales existe un
orden.
Describamos el objetivo para comenzar con la resolución de nuestro
problema de programación dinámica determinista:
Objetivo: Maximizar la rentabilidad
xi: cantidad de dinero que disponemos en miles de pesos para esta
opción de inversión (etapa) y las que siguen en etapas posteriores.
Corresponde a los estados al inicio de la etapa i.
dj: cantidad de dinero en miles de pesos que invertiremos en esta
opción o etapa. Corresponde a las decisiones posibles de la etapa i.
fi: rendimiento a obtener si disponemos de xi pesos para esta opción de
inversión (etapa) y las que siguen en etapas posteriores, sabiendo que
se decide invertir dj pesos en esta opción.
Le añadiremos un asterisco (*) a las decisiones y las rentabilidades que
representen los mejores valores para esta etapa y las que le siguen.
Comenzando entonces con la etapa tres, tendremos:
Etapa 3:
x3 d3* f3*(x3)
$ disponibles para Decisión óptima Rendimiento
invertir
0 0 0
1 1 7
2 2 8
3 3 13
4 4 15
Tabla 2
Nótese que en la columna correspondiente a x3 hemos colocado todas
las alternativas posibles de dinero disponible para invertir; es decir, los
diferentes estados en los que podríamos encontrarnos al inicio de la
etapa.
En la columna correspondiente a d 3* identificamos la mejor decisión
frente a cada estado. En este caso, por ser la última etapa o último
proyecto, se decidirá invertir la totalidad del dinero disponible y, para
cada una de ellas, identificamos su resultado como f 3 (x3), esto es el
rendimiento obtenido.
Etapa 2:
194 CAPÍTULO 7
Recordemos que los valores de x2 o estados representan el dinero

disponible para invertir en la Inversión 2 o etapa 2 y las que le siguen y
los valores para d2 o decisión expresan los diferentes montos que
podemos destinar a inversión en la alternativa 2. Es lógico pensar que
de lo disponible menos lo invertido surgirá lo disponible para las etapas
que le siguen (léase etapa 3 en este caso).
d2
x2 0 1 2 3 4 f2*(x2) d2*
0 0 0 0
1 0+7=7 6+0=6 7 0
2 0+8=8 6+7=13 10 13 1
3 13 14 17 12 17 2
4 15 19 18 19 14 19 1-3
Tabla 3
Analicemos los valores que figuran en la fila que corresponde a una

cantidad de dinero disponible de $ 1 mil.
Si tenemos $1.000 disponibles, existen dos alternativas de decisión
posibles a saber:
1. No invertimos nada en esta opción (d 2 = 0). Si no invertimos nada en
esta etapa, entonces dejamos los $1.000 para invertir en la etapa 3.
Para este caso, el rendimiento será de $7, formados por $0 de
rendimiento en la Inversión 2, ya que no invertimos nada (ver tabla
Tabla 1), más $7 que representa el rendimiento de invertir $1 en la
alternativa de Inversión 1 (ver tabla Tabla 2).
2. Si decidimos invertir $1.000, nuestro rendimiento está formado por
$6 por haber invertido $1 en la Inversión 2, más $0 porque no dejamos
nada para la Inversión 1.
Para este estado, es decir, esta cantidad de dinero disponible, la mejor
alternativa de decisión es d2 = 0 con un rendimiento total de $7.000.
Si entramos a la etapa 2 con $2.000 vamos a tener 3 decisiones
posibles con sus correspondientes rendimientos:
1. No invertir nada en esta etapa (d 2= 0); si es así, vamos a entrar a la
etapa 3 con $2 de dinero disponible (x2 – d2 = 2 - 0 = 2).
2. Invertir $1 (d2 = 1); entonces, el dinero disponible para la alternativa
o etapa 3 será $1.000 (x2 – d2 = 2 - 1 = 1).
3. Invertir $2 (d2 = 2), con lo cual el dinero disponible para la etapa 3
será $0 (x2 -d2 = 2-2 =0).
Compruebe usted que los rendimientos obtenidos en cada caso
coincidan con los que se incluyen en la tabla.
En el caso de entrar a la segunda etapa con $2.000 de dinero disponible

para inversión, la mejor decisión será destinar para esta alternativa
$1.000, lo que nos dará un rendimiento de $13.000.
Siguiendo el mismo razonamiento anterior, compruebe los cálculos de
las filas que corresponden a los estados x2=3 y x2=4.
Etapa 1:
Al considerar la etapa 1, tengamos en cuenta que, como estamos al
inicio del proceso de decisión, el único estado posible es 4, es decir que
en este momento tenemos $4.000 disponibles para inversión.
d1
x1 0 1 2 3 4 f1*(x1) d1*
4 19 7+17=24 21 16 11 24 1
Tabla 4
Rendimiento máximo
Analicemos el rendimiento correspondiente al estado 4 y la decisión 1.

Si tenemos $4.000 disponibles y decidimos invertir en esta etapa
$1.000, el rendimiento que vamos a obtener va a estar compuesto por
$7.000 por haber invertido $1.000 en la alternativa 1, más $17.000 que
se obtienen de destinar los $3.000 restantes a las otras dos. Este valor
se obtiene entrando en la tabla de la etapa 2 en el estado x 2=3.
Debemos determinar ahora la política óptima, es decir, la sucesión de
decisiones que nos llevarán a obtener el máximo rendimiento posible.
En la tabla de la etapa 1 vemos que la decisión óptima es invertir
$1.000. Como teníamos $4.000, nos quedan disponibles $3.000.
Entramos en la tabla de la etapa 2 en el estado x 2=3 y vemos que la
decisión óptima es invertir $2.000 en esta opción; después de esto, nos
quedan $1.000 que los destinamos a la alternativa 1.
Una secuencia de decisiones determinada de antemano y que satisface
las condiciones del problema se llama una política.
Resumiendo:
Alternativa de Inversión ($) Rendimiento

inversión
1 1 7
2 2 10
3 1 7
Total $4 $ 24
Tabla 5
196 CAPÍTULO 7
Sintetizando, la metodología seguida consistió en:

Identificar el objetivo y variables que intervienen en el problema, en
este caso:
Objetivo: maximizar el rendimiento total.
Etapas: las distintas inversiones.
Estados: dinero disponible para inversión al inicio de cada
etapa.
Decisiones: dinero invertido en cada etapa.
Identificar, al inicio de cada etapa, cuáles son los estados posibles,
en este caso, el dinero disponible para realizar la inversión.
Calcular para cada combinación de un estado y una decisión el
rendimiento obtenido, que es igual al rendimiento de invertir $d n en
esta etapa más el rendimiento óptimo de invertir $(x n- dn) en las
etapas siguientes. La función aquí utilizada se denomina función
recursiva. Observemos que existen combinaciones de un estado y
una decisión que no serán posibles o compatibles por sus
características.
Para cada estado, identificar cuál es la decisión óptima (d *) según el
objetivo del problema, en este caso, maximizar el rendimiento total.
Podemos observar que, en cada etapa, tenemos como entradas el
dinero disponible y las alternativas de cuánto invertir; y como salida, el
dinero disponible para la próxima etapa. Es decir que en cada etapa los
estados al inicio se determinaron como:
x3 = x2-d2
x2 = x1-d1
x1 = 4
A manera de esquema, la metodología fue:
d3 d2 d1
x3= x2-d2 x2 = x1-d1 x1

Etapa 3 Etapa 2 Etapa 1
f3(x3) = r3(d3) f2(x2) = r2(d2)+f3*(x2-d2) f1(x1) =r1(d1)+f2*(x1-d1)
Donde:
fn (xn) = rendimiento en la etapa n para el estado xn
rn (dn) = rendimiento de la alternativa de inversión n, si decide invertir
dn
f*n+1(xn) = f*n+1 (xn – dn) = rendimiento óptimo para la etapa n, dado el
estado xn
Analicemos, por ejemplo, el rendimiento en la etapa 1 para el estado

x1= 4 y la decisión d1= 3
f1 (x1) = r1 (d1) + f2* (x1 - d1)
f1 (4) = r1 (3) + f2* (4 -3) = 9 + 7 = 16

En general:
fn (xn ) = rn (dn ) + f*n+1 (xn - dn )
Y el rendimiento óptimo para la etapa n dado el estado xn será:
fn* (xn ) = máx. { rn (dn) + fn+1* (xn - dn ) }
Rendimiento óptimo
para la etapa n dado Rendimiento Rendimiento
el estado xn = máx para la + óptimo de la
decisión dn etapa n+1
en adelante
Procesos como el que hemos analizado se encuentran en numerosos

problemas deterministas de decisión.
Con este ejemplo se ilustró cómo, si se avanza en retroceso, se puede
transformar un problema aparentemente difícil en uno fácil de resolver.
La programación dinámica es una técnica que se puede aplicar para
resolver muchos problemas de optimización de este tipo.
La mayor parte de las veces, la programación dinámica obtiene
soluciones con un avance en reversa, desde el final de un problema
hacia el principio, con lo que un problema grande y complejo se con-
vierte en una serie de problemas más pequeños y fáciles de resolver.
3. CARACTERÍSTICAS COMUNES
Existe una serie de características que son comunes a la mayor parte de
las aplicaciones de programación dinámica, las que enumeramos y
analizamos en base al ejemplo presentado anteriormente.
 El problema se puede dividir en etapas que requieren una política
de decisión en cada una de ellas. En el ejemplo, las etapas
estaban dadas por las diferentes alternativas de inversión. La
política de decisión fue elegir, en cada una, aquella que ofreciera
mayor rendimiento.
 Cada etapa tiene un cierto número de estados asociados a ella.
En nuestro ejemplo, los estados asociados a cada etapa era el
dinero disponible para invertir.
198 CAPÍTULO 7
 El efecto de la política de decisión en cada etapa es transformar

el estado actual en un estado asociado con la siguiente etapa. La
decisión de cuánto invertir en la opción actual determina el
dinero disponible para inversión en la siguiente alternativa
analizada.
 El procedimiento de solución está diseñado para encontrar una
política óptima para el problema completo. En el problema de
inversión, en el procedimiento de solución, se construyó una
tabla para cada etapa (n) que prescribe la decisión óptima (dn*)
para cada estado posible (xn). Además de identificar la política
óptima, el procedimiento indica qué decisiones tomar si en algún
momento nos apartamos de ella. Es decir que nos muestra qué
hacer en cada una de las circunstancias posibles.
 Dado el estado actual, una política óptima para las etapas
restantes es independiente de la política adoptada en estados
anteriores. Este es el principio de optimidad: dado el dinero
disponible en esta etapa, la política de inversión óptima desde
aquí en adelante es independiente de cómo se llegó a este
estado. Este principio es el marco teórico que fundamenta la
metodología de la PD.
 El procedimiento de solución se inicia al encontrar la política
óptima para la última etapa.
 Se dispone de una relación recursiva que identifica la política
óptima para la etapa n, dada la política óptima para la etapa n+1
Para el ejemplo fue: fn(xn) = rn dn + f*n+1 (xn - dn )
Y el rendimiento óptimo para la etapa n dado el estado xn
fn*(xn) = máx { rn dn + f*n+1 (xn - dn )}
 Cuando se usa esta relación recursiva, el procedimiento de
solución se mueve hacia atrás etapa por etapa –encontrando
cada vez la política óptima para esa etapa– hasta que encuentra
la política óptima desde la etapa inicial.
4. CONCEPTOS IMPORTANTES
En los modelos de PD, existen tres tipos de variables, a saber:
Variable de etapa: se trata de una variable ordenadora que representa
cada uno de los subproblemas en los cuales se divide un problema de
PD.
Variables de decisión (dn): representan a las acciones posibles a
tomar en la etapa n.
Variables de estado (xn): sirven de enlace entre las etapas,
describiendo la condición en que se encuentra el proceso al inicio de
cada una de ellas. Estas variables son las más difíciles de identificar.
Para facilitar este proceso, se deben realizar preguntas tales como ¿qué
es lo que cambia de una etapa a otra?, ¿qué información se necesita

para identificar la política óptima de aquí en adelante?, ¿cómo se puede
describir la situación actual?
Función de transformación por etapas
Las variables de estado de las sucesivas etapas se encuentran
relacionadas a través de una relación recursiva. El tipo de relación
recursiva que existe entre dichas variables es la responsable de que no
exista un algoritmo de optimización único, como el simplex por ejemplo,
sino que en realidad se trate de un enfoque para resolver problemas de
este tipo.
En esta relación recursiva, es de fundamental importancia la función de
transformación por etapas, que enlaza a las variables de estado de
etapas sucesivas (xn, xn-1), permitiendo identificar a la variable de
estado xn-1 utilizando el valor de xn y la decisión dn.
Principio de optimidad de Bellman
La principal consideración de la PD es que un problema grande y
complejo puede ser descompuesto en problemas más pequeños que
están relacionados entre sí y que son de más fácil resolución. En la
descomposición del problema en subproblemas se encuentra implícito el
principio de optimidad de Bellman, que puede enunciarse como sigue:
una política óptima tiene la propiedad de que, independientemente de
las decisiones tomadas para llegar a un estado particular en una etapa
particular, las decisiones restantes que dependen de esta deben también
ser óptimas.
5. OTRAS APLICACIONES
5.1. Distribución de recursos
El Ministerio de Salud Pública está planeando una campaña de
vacunación contra la varicela para los meses de mayo, junio y julio.
Antes del periodo de vacunación, debe planificar su campaña de
publicidad televisiva. Cuenta con un presupuesto de $9 millones para
todo el período publicitario, que abarca el primer cuatrimestre del año.
El objetivo de la campaña es lograr un incremento significativo en la
cantidad de personas que conocen la enfermedad y la importancia de la
vacunación. Con datos de campañas anteriores, se elaboró una tabla
que refleja el número de personas dispuestas a vacunarse, de acuerdo
con lo invertido en publicidad relativa a difundir información sobre la
enfermedad.
Se ha impuesto la condición de que se invierta en publicidad por lo
menos $1 millón en cada mes.
200 CAPÍTULO 7
Gasto en
Enero Febrero Marzo Abril
publicidad
1 40 60 50 50
2 100 120 80 110
3 150 130 150 140
4 180 150 170 200
5 220 190 200 230
6 250 230 270 260
Tabla 6
¿Cómo deberá invertirse el presupuesto para maximizar el número de
personas dispuestas a vacunarse?
Resolución del problema
La característica particular de este problema es que deben asignarse
como mínimo $1 millón para publicidad en cada mes del periodo. Esto
hace que el monto máximo que puede destinarse a un mes en particular
es de $6 millones.
Las características fundamentales son:
1. El problema se puede dividir en subproblemas, en cada uno de ellos
debe tomarse una decisión. Cada subproblema corresponde a una
etapa en el proceso de resolución, en nuestro caso, un mes.
2. El número de personas dispuestas a vacunarse no es proporcional a
la cantidad de dinero invertido en publicidad.
3. Al principio de cada mes, el dinero disponible para invertir en
publicidad dependerá de lo invertido en los meses anteriores.
4. En cada mes, se debe invertir por lo menos $1 millón. Como
consecuencia, el dinero disponible al inicio de cada mes debe ser
suficiente para invertir $1 millón en ese mes y $1 millón en cada uno
de los meses subsiguientes.
5. En cada mes, como máximo, se puede invertir en publicidad hasta
$6 millones.
Corresponde ahora definir el objetivo y variables del problema.
Objetivo: maximizar el número de personas dispuestas a vacunarse.
Variables de etapa: cada uno de los próximos cuatro meses del primer
cuatrimestre del año.
Variables de decisión: las alternativas de decisión en la etapa i (di)
estarán representadas por el dinero destinado a publicidad en cada mes.
Variables de estado: para definir estas variables, nos preguntamos
¿qué información necesitamos para tomar decisiones factibles en la
etapa actual, sin reexaminar las decisiones que se tomaron en las
etapas anteriores? En otras palabras, ¿qué información necesito al inicio
de cada mes para decidir cuánto invertir en publicidad en ese mes?
Respondiendo esta pregunta, podemos decir que los estados en la etapa
i (xi) estarán representados por el dinero disponible al inicio del mes.
Es conveniente, antes de construir los cuadros para cada etapa, analizar

cuáles pueden ser los estados posibles al inicio de cada una de ellas,
considerando las restricciones identificadas con respecto al mínimo y
máximo a invertir en cada mes. Debemos tener cuenta también que los
estados al inicio de una etapa son iguales a los estados al final de la
etapa anterior.
Enero (etapa 1)
Dinero disponible $9 millones
Febrero (etapa 2)
Como mínimo, debe haber $3 millones, es decir, uno para cada uno de
los meses: febrero, marzo y abril.
Como máximo, pueden haber quedado $8 millones, dado que, por lo
menos, se invirtió $1 millón en enero.
Los estados se determinan como: x2 = x1-d1
Marzo (etapa 3)
Como mínimo, $2 millones, es decir, $1 millón para marzo y otro para
abril.
Como máximo, pueden haber $7 millones disponibles, que surgen de $9
millones iniciales menos $1 millón de enero y $1 millón de febrero.
Estados posibles: x3 = x2-d2
Abril (etapa 4)
Como mínimo, debe haber $1 millón.
Como máximo, pueden haber $6 millones disponibles.
Con la información anterior, podemos comenzar el análisis en reversa,
es decir, comenzando desde abril.
Estados posibles: x4 = x3-d3
Etapa 4 (abril)
En esta última etapa del proceso, las decisiones están completamente
determinadas por el objetivo, con lo cual la solución resulta ser trivial.
Así, como el objetivo es maximizar el número de personas que se
vacunarán, siempre se invertirá en publicidad todo el dinero disponible.
202 CAPÍTULO 7
x4 d4* f*4(x4)
$ disponibles para Decisión óptima Rendimiento
invertir (millones) (pers. vacunadas)
1 1 50
2 2 110
3 3 140
4 4 200
5 5 230
6 6 260
Tabla 7
Etapa 3 (marzo)
Debido a la restricción de invertir al menos $1 millón en cada mes, el
dinero disponible al inicio de marzo deberá ser por lo menos $2 millones
y como máximo $7 millones.
En el caso de tener $2 millones disponibles, la única decisión factible es
invertir $1 millón en marzo, ya que debemos dejar $1 millón para abril.
El rendimiento de marzo para el estado x3= 2 y la decisión d3= 1 estará
formado por el número de personas dispuesta a vacunarse por haber
invertido en marzo $1 millón más el número de personas dispuestas a
vacunarse por invertir en publicidad $1 millón en abril.
En fórmulas:
f (2) = r (1) + f * (2 -1) = 50 + 50 = 100
3 3 4
f3 (x3) = r (d3) + f4 (x3 – d3)
Asimismo, para el estado x3= 4 y la decisión d3= 2 el rendimiento, en

número de personas, será:
f (4) = r (2) + f * (4 -2) = 80 + 110 = 190
3 3 4
d3
1 2 3 4 5 6 d3* f*3(x3)
x3
2 50+50=100 1 100
3 50+110=160 80+50=130 1 160
4 50+140=190 80+110=190 150+50=200 3 200
5 50+200=250 80+140=220 150+110=260 170+50=220 3 260
6 50+230=280 80+200=280 150+140=290 170+110=280 200+50=250 3 290
7 50+260=310 80+230=310 150+200=350 170+140=310 200+110=310 270+50=320 3 350
Tabla 8
Etapa 2 (febrero)
En febrero, el dinero disponible para inversión podrá estar entre $3 a $8
millones.
Para el estado x2=5, las decisiones posibles serán d2=1, 2 o 3, ya que,
al menos, deberán quedar $2 millones para los meses siguientes.
El rendimiento, para x2=5 y d2=1 por ejemplo, se obtiene sumando el
rendimiento de invertir $1 millón en esta etapa más el óptimo si
dejamos 5 – 1= $4 millones para las etapas siguientes. Este último

valor se obtiene de la tabla de la etapa 3, entrando con el estado 4 e
identificando el óptimo.
d2
1 2 3 4 5 6 d2* f*2(x2)
x2
3 60+100=160 1 160
4 60+160=220 120+100=220 1-2 220
5 60+200=260 120+160=280 130+100=230 2 280
6 60+260=320 120+200=320 130+160=290 150+100=250 1-2 320
7 60+290=350 120+260=380 130+200=330 150+160=310 190+100=290 2 380
8 60+350=410 120+290=410 130+260=390 150+200=350 190+160=350 230+100=330 1-2 410
Tabla 9
Etapa 1 (enero)
En enero, como estamos al inicio del periodo, el dinero disponible es el
total de $9 millones.
d1
1 2 3 4 5 6 d1* f*1(x1)
x1
9 40+410=450 100+380=480 150+320=470 180+280=460 220+220=440 250+160=410 2 480
Tabla 10
En esta tabla, podemos observar que el máximo número de personas

dispuestas a vacunarse será de 480 (en miles).
La política óptima de inversión en publicidad es: invertir $2 millones en
enero, $2 millones en febrero, $3 en marzo y finalmente $2 millones en
abril.
En resumen:
Inversión Rendimiento
Mes (millones de $) (personas)
Enero 2 100
Febrero 2 120
Marzo 3 150
Abril 2 110
Total $9 $ 480
Tabla 11
La fórmula recursiva utilizada en este problema fue:

fn (xn ) = rn (dn ) + f*n+1 (xn – dn )
Y el rendimiento óptimo para la etapa n, dado el estado xn, se identificó
como:
fn*(xn ) = máx { rn dn + f*n+1 (xn – dn )}
204 CAPÍTULO 7
5.2. Reemplazo de equipos

Muchas empresas enfrentan el problema de determinar hasta cuándo
usar una máquina antes de comprar una nueva, por lo que necesitan
especificar una política de reemplazo para sus equipos.
Problemas de este tipo, llamados comúnmente problemas de reemplazo
de equipos se resuelven mediante la PD. Veamos el ejemplo siguiente:
Un fabricante de autopartes posee un torno con dos años de uso. En la
tabla se dan las estimaciones de mantenimiento, costo de reemplazo e
ingresos producidos para un torno de iguales características, en función
de la edad de este.
Edad del torno
0 1 2 3 4 5
Ingreso 10000 9000 8500 8000 7500 6500
Mantenimiento 100 500 800 1200 2000 2500
Reemplazo --- 3000 4200 5000 5500 5900
Tabla 12
El fabricante no desea conservar ningún torno después de que cumple

seis años y solamente se reemplazan por máquinas nuevas.
Se quiere determinar una política de reemplazo que maximice el
beneficio total que proporciona el torno durante los próximos cuatro
años.

Objetivo: determinar una política de reemplazo para esta máquina de
dos años, considerando los gastos de mantenimiento y los costos en los
que se incurre al comprar una nueva.
La máquina tiene actualmente dos años y no puede conservarse una vez
que haya cumplido seis años.
El horizonte en el tiempo para el análisis del problema:
Analizando el gráfico anterior, podemos decir que:

1. Las etapas del problema son cada uno de los próximos cuatro años.
2. Los estados en cada etapa son las posibles edades de la máquina al
inicio de cada año.
3. Las variables de decisión en cada etapa pueden definirse como las

alternativas de conservar o reemplazar el torno.
Comenzamos el análisis en la etapa 4; en esta, las posibles edades son:
0 2 3 4 5 6
1 año
Hoy 2 años
3 años
5 años
Etapa 4: inicio del
cuarto año
Estudiando la gráfica, podemos advertir que al inicio de la etapa 4 la

máquina puede tener 1, 2, 3 ó 5 años. Cuatro años no puede tener, ya
que si no la reemplazamos cuando tenía 2 años, entonces se trata de la
máquina con la cual iniciamos el análisis.
La tabla correspondiente a esta etapa se muestra a continuación:
x4 CONSERVAR REEMPLAZAR d*4 f*(x4)

10000-100-3000=
1 9000-500= 8500 CONSERVAR 8500
6900
10000-100-
2 8500 – 800= 7700 CONSERVAR 7700
4200=5700
10000-100-5000=
3 8000-1200=6800 CONSERVAR 6800
4900
10000-100-5900= CONSERVAR O
5 6500-2500=4000 4000
4000 REEMPLAZAR
Tabla 13
Analicemos los resultados correspondientes al estado x4 = 1.

Si la máquina tiene 1 año y decidimos conservarla, tendremos un
ingreso de $9.000 y, como gastos de mantenimiento, tendremos $500,
lo que arroja un beneficio de $8.500.
Si nuestra decisión es reemplazarla por una nueva, entonces vamos a
comenzar el año con una máquina de 0 años, la que nos dará un ingreso
de $10.000 con un gasto de mantenimiento de $100; pero además
debemos contar con el costo del reemplazo, que es de $3.000. Esto
206 CAPÍTULO 7
resulta en un beneficio neto de $6.900, siendo en este caso la decisión

óptima conservar la máquina.
Con una lógica similar, se determinan los restantes resultados de la
tabla.
Etapa 3: con el mismo razonamiento que en la etapa anterior, las

edades posibles de la máquina son 1, 2 ó 4 años.
Veamos cómo se calculan los resultados de conservar o reemplazar para
el caso de que la máquina tenga 1 año al inicio de la etapa 3.
Si la máquina tiene 1 año al inicio de la etapa y decidimos conservarla,
tendremos un ingreso de $9.000 con un gasto de mantenimiento de
$500; a esto debemos sumarle el beneficio óptimo de entrar al año
siguiente (etapa 4) con una máquina de 2 años de antigüedad –que es
$8.300–. El beneficio que tendremos si tomamos esta decisión será de
$16.800.
Si nuestra decisión es cambiarla, tendremos un ingreso de $10.000 con
un gasto de mantenimiento de $100 y con un costo por el reemplazo de
$3.000; como vamos a comenzar el año siguiente con una máquina de 1
año, le sumamos el beneficio óptimo correspondiente a este estado para
la etapa 4, es decir, $8.500. Obtenemos, en este caso, un beneficio de
$15.400.
Los restantes resultados se presentan en la tabla siguiente:

9000-500 + 7700= 10000 -100 – 3000
1 CONSERVAR 16200
16200 +8500 = 15400
8500-800 + 6800= 10000 – 100 – 4200
2 CONSERVAR 14500
14500 + 8500= 14200
7500 – 2000 + 10000 – 100 – 5500
4 REEMPLAZAR 12900
4000 = 9500 + 8500 =12900
Tabla 14
Observemos que siempre que conserva la máquina, entra en la otra

etapa con una máquina que tiene 1 año más. Igualmente, siempre que
la decisión es reemplazar, entra a la siguiente etapa con una máquina
de 1 año de edad.
Etapa 2:

9000 – 500 + 10000 – 100 – 3000
1 REEMPLAZAR 23100
14500 = 23000 + 16200 = 23100
8000 – 1200 + 10000 – 100 - 5000
3 REEMPLAZAR 21100
12900 = 19700 + 16200 = 21100 Compruebe los
resultados que
Tabla 15 corresponden a las
etapas 2 y 1.
Etapa 1:

8500- 800 + 21100 10000-100 – 4200 + CONSERVAR O
2 28800
= 28800 23100 = 28800 REEMPLAZAR
Tabla 16
Beneficio total máximo
De acuerdo con los resultados que muestran las tablas, para lograr el
beneficio de $28.800 en los próximos 4 años, comenzando con una
máquina de 2 años, la empresa tiene dos opciones. La primera opción es
conservar durante el primer año, reemplazar en el segundo año y
conservar hasta el final del quinto año; en tanto que la segunda opción
plantea reemplazarla el primer año, reemplazarla en el segundo año y
conservar hasta el final del quinto año.
Adoptando la siguiente simbología:
Ingreso = I(t)
Mantenimiento = M(t)
Costo de reemplazo = C(t)
Donde t representa a la edad del torno, la decisión óptima en la etapa n
se encuentra recursivamente como:
f*n (t n)=máx {I(tn) - M(tn)+ f*n+1 (t + 1) ; I(0) - M(0) - R(tn)+ f*n+1(1)}
5.3. Planificación de producción e inventario

Córdoba Autopartes SA quiere determinar la mejor política de
producción y almacenamiento de uno de sus productos para los
próximos tres meses. Los datos disponibles para el trimestre se
muestran en la siguiente tabla:
Costo de Costo de
Demanda Capacidad de
Mes producción almacenamiento
mensual producción
unitario por unidad
1 50 50 $2,00 $0,30
2 30 40 $1,50 $0,30
3 40 50 $2,00 $0,20
Tabla 17
208 CAPÍTULO 7
Los productos que se fabrican durante un mes pueden servir para

abastecer la demanda de ese mes o de alguno futuro.
El costo de almacenamiento se calcula sobre la mercadería en inventario
al inicio de cada mes, actualmente existe un inventario de 10 unidades y
la empresa desea que no exista inventario al final del trimestre. La
capacidad de almacenamiento es de 30 unidades.
Las corridas de producción se llevan a cabo en múltiplos de 10 unidades
(es decir 10, 20 o 30 unidades).

En este problema se revisa el inventario al inicio de cada periodo de
producción –mes– y, a continuación, se decide cuánto producir ese mes.
Las características fundamentales son:
1. El problema se puede dividir en subproblemas, en cada uno de ellos
debe tomarse una decisión. Cada subproblema corresponde a una
etapa en el proceso de resolución, en nuestro caso, un mes.
2. Al principio de cada mes, la empresa conoce la demanda durante ese
periodo y debe determinar cuántas unidades producir.
3. La capacidad de producción en cada mes es limitada.
4. Se debe cumplir con la demanda de cada mes, y esto puede hacerse
con las unidades que se produzcan durante el periodo y/o con las
que están en inventario.
5. Existe una capacidad limitada de almacenamiento.
6. Las unidades que quedan en almacén al final de un periodo generan
un costo que se carga por las existencias de mercadería en
inventario al inicio de cada mes. No se considerarán almacenadas en
cada etapa las unidades que se produjeran en esa etapa.
7. Los costos de producción y almacenamiento son diferentes en cada
periodo.
Luego de este análisis, definimos el objetivo y las variables del
problema.
Objetivo: minimizar los costos totales –producción más

almacenamiento– de satisfacer a tiempo la demanda.
Variables de etapa: cada uno de los próximos tres meses.
Variables de decisión: las alternativas de decisión en la etapa i (di)
estarán representadas por el número de unidades a producir en cada
mes.
Variables de estado: para definir estas variables, nos preguntamos:
¿qué información necesitamos para tomar decisiones factibles en la
etapa actual sin reexaminar las decisiones que se tomaron en las etapas
anteriores?
Respondiendo esta pregunta, podemos decir que los estados en la etapa

i (xi) estarán representados por el número de unidades en inventario.
Antes de construir los cuadros para cada etapa, analizamos cuáles
pueden ser los estados posibles al inicio de cada una de ellas,
recordando que los estados al inicio de una etapa representan a los
estados al final de la etapa anterior. En nuestro caso, el inventario al
inicio de un mes en particular será igual al inventario al final del mes
anterior. Al inicio de cada mes, establecemos cuál es la cantidad mínima
y máxima que puede haber en almacén teniendo en cuenta la capacidad
de inventario, la capacidad de producción y la demanda del mes
anterior. Así:
Mes 1 (etapa 1)
• Inventario al inicio = 10 unidades
• Capacidad máxima de producción = 50 unidades
• Demanda = 50 unidades
Teniendo en cuenta estas tres restricciones, podemos decir que,
partiendo de un inventario inicial de 10 unidades, produciendo a la
capacidad máxima y con una demanda de 50 unidades, el número
máximo de unidades que pueden quedar al final del mes es 10.
Mes 2 (etapa 2)
• Inventario máximo al inicio = 10 unidades
• Capacidad máxima de producción = 40 unidades
• Demanda = 30 unidades
Analizando las condiciones de la etapa notamos que, si comenzamos el
mes con el máximo posible de unidades en inventario (10) y producimos
a máxima capacidad (40), dado que la demanda es de 30 unidades,
como máximo nos pueden quedar 20 unidades al final del mes.
Mes 3 (etapa 3)
En este mes, iniciamos con 20 unidades en inventario como máximo y
debemos tener presente que la empresa no quiere inventarios al final
del trimestre, es decir que Inventario Final = 0.
El análisis anterior puede observarse gráficamente en la figura
siguiente:
d1 d2 d3
x1 x2= x1 + d1 - D1
Etapa 1 Etapa 2 x3= x2 + d2 – D2 Etapa 3
D1 D2 D3
210 CAPÍTULO 7
A continuación, elaboramos las tablas para cada etapa comenzando

desde la última, es decir, el mes 3.
Etapa 3
En esta etapa, debemos considerar:
• Demanda (D3) = 40 unidades
• Capacidad de Producción = 50 unid.
• Máximo inventario al inicio = 20 unid.
• Inventario Final = 0 unid.
• x3 = x2 + d2 – D2
• f*3(x3) = 0,20 (x3) + 2 (d3)
x3 d3* f*3(x3)
0 40 80
10 30 62
20 20 44
Etapa 2
Consideraciones:
• Demanda (D2) = 30 unid.
• Máximo inventario al inicio = 10 unid.
• x2 = x1 + d1 – D1
• f2(x2, d2) = 0,30 (x2) + 1,5 (d2)+f*3(x2 + d2 – D2 )
• f*2(x2) = min f2(x2, d2)
d2
20 30 40 d*2 f*2(x2)
x2
45+80 60+62
0 NO FACTIBLE 40 122
=125 =122
3+30+80 3+45+62 3+60+44
10 40 107
=113 =110 =107
Tabla 18
Etapa 1
Consideraciones:
• Demanda (D1) = 50 unid.
• Inventario Inicial (x1) = 10 unid.
• f1(x1, d1) = 0,30 (10) + 2 (d1)+f*2(10 + d1 – D1 )
• f*1(x1) = min f1(x1, d1)
d1
40 50 d*1 f*1(x1)
x1
Recuerde que:
Inventario Inicial 3+80+122 3+100+107
xn = xn-1+dn-1-Dn-1 10 40 205
= 205 = 210
Tabla 19
Observamos que el costo total mínimo es de $205. Esto se consigue de

la siguiente manera:
Mes Inventario Inicial Producción Demanda Inventario Final

1 10 40 50 0
2 0 40 30 10
3 10 30 40 0
Tabla 20
5.4. Un problema con recursiones no aditivas

María está estudiando para tres exámenes que debe presentar el mismo
día. Debido a problemas laborales, le quedan 4 días adicionales para
preparar estos exámenes y prefiere no estudiar más de una asignatura
por día. Para cada una de ellas ha estimado cuál es la probabilidad de
reprobarla si le asigna 0, 1, 2, 3, o 4 días adicionales, la que se muestra
en la siguiente tabla:
Probabilidad de reprobar
Días
Álgebra Economía Sociología
0 0,60 0,45 0,30
1 0,50 0,40 0,25
2 0,40 0,35 0,15
3 0,35 0,20 0,10
4 0,15 0,15 0,05
Tabla 21
¿Cómo deberá María distribuir estos días adicionales si quiere minimizar

la probabilidad de reprobar los tres exámenes?

Objetivo: minimizar la probabilidad de reprobar los tres exámenes.
Variables de etapa: cada uno de los exámenes.
Variables de decisión: cuántos días adicionales asignar a cada
examen.
Variables de estado: días disponibles para asignar.
Observemos que, en esta oportunidad, la diferencia con los casos
anteriores radica en la función recursiva. La probabilidad de que María
falle en los tres exámenes es conjunta y se calcula como el producto de
las probabilidades individuales. Así, la probabilidad actual de reprobar
las tres asignaturas es de (0,60) x (0,45) x (0,30) = 0,081.
Sin embargo, la función de transformación de etapas no ha variado. Los
estados al inicio de una etapa en particular, que son los estados al final
212 CAPÍTULO 7
de la etapa anterior, se determinan como el estado al inicio de la etapa

anterior menos los días asignados a esa etapa. En símbolos:
xn+1= xn – dn
También en este problema, al igual que en el de inversiones, se admite
la posibilidad de no asignar días adicionales a alguno de los exámenes
que está preparando.
A continuación, se presentan las tablas correspondientes a las tres
etapas:
Etapa 3 (Sociología)
x3 d3* f3*(x3)
0 0 0,30
Verifique los cálculos
para las tres etapas. 1 1 0,25
2 2 0,15
3 3 0,10
4 4 0,05
Tabla 22
Etapa 2 (Economía)
d2
0 1 2 3 4 d2* f2*(x2)
x2
0,45(0.3)=
0 0 0,135
0,135
0,45(0,25)= 0,4(0,3)=
1 0 0,12
0,1125 0,12
0,45(0,15)= 0,4(0,25)= 0,35(0,3)=
2 0 0,0675
0,0675 0,10 0,105
0,45(0,1)= 0,4(0,15)= 0,35(0,25)= 0,2(0,3)=
3 0 0,045
0,045 0,06 0,0875 0,06
0,45(0,05)= 0,4(0,1)= 0,35(0,15)= 0,20(0,25)= 0,15(0,3)=
4 0 0,0224
0,0225 0,04 0,0525 0,05 0,045
Tabla 23
Etapa 1 (Álgebra)
d1
0 1 2 3 4 d1* f1*(x1)
x1
0,6(0,0225)= 0,5(0,045)= 0,4(0,0675)= 0,35(0,1125)= 0,15(0,135)=
4 0 0,0135
0,0135 0,0225 0,027 0,0394 0,02025
Tabla 24
Mínima probabilidad
de falla en los tres
exámenes
De acuerdo a lo anterior, podemos decir que María deberá dedicarlo los

4 días adicionales a Sociología. De esta manera, la probabilidad de ser
reprobada en los tres exámenes es de 0,0135 y es la mínima posible.
En todos los ejemplos analizados, las variables de estados fueron

discretas. Además, el estado en la etapa n estaba completamente
determinado por el estado y la decisión en la etapa n-1. Este tipo de
problemas corresponde a la programación dinámica discreta
determinista.
En general, podemos decir para este tipo de problemas que, en la etapa
n, el proceso se encontrará en algún estado xn, se selecciona decisión d n
para esa etapa y, como consecuencia, se llega a algún estado, xn+1, al
final de la misma. El valor de la función objetivo para la política óptima
desde le etapa n+1 en adelante se calculó como f*n+1 (xn+1). La etapa n
hará una contribución al objetivo rn. Luego, de la combinación apropiada
de estos dos valores se obtiene un valor para la función objetivo
fn(xn,dn) en la etapa n. La optimización respecto a xn, nos permite
identificar a f*n (xn). De esta manera, el procedimiento se mueve hacia
atrás etapa por etapa hasta llegar a la primera, momento en el cual se
tendrá la solución óptima del problema completo.
RECOMENDACIONES ÚTILES:
 Defina primero las variables de decisión, teniendo presente el logro
del objetivo.
 Defina ahora las etapas, considerando que debe tomar una decisión
para cada etapa. Esto le permitirá identificar a cada uno de los
subproblemas.
 Para identificar a las variables de estado, hágase preguntas tales
como ¿qué es lo cambia de una etapa a otra?, ¿qué información se
necesita para identificar la política óptima de aquí en adelante?,
¿cómo se puede describir la situación actual?
 Quizás esta sea la recomendación más importante: dividir el
problema en subproblemas es solo una estrategia de solución; si
usted no los enlaza, no logrará la optimización global.
214 CAPÍTULO 7
ACTIVIDAD 1
Emergencias Córdoba ha adquirido 6 nuevas ambulancias con el objetivo
de reducir sus tiempos de llegadas al momento de producirse una
urgencia médica. Debe distribuirlas entre 3 de sus bases, entregándole
por lo menos una a cada una.
Con el fin de tomar la mejor decisión posible, se ha hecho una
estimación de los tiempos promedio de llegada para cada asignación
posible de las nuevas unidades, la que se presenta en la siguiente tabla.
Número de ambulancias nuevas
1 2 3 4
Base 1 5 4 2 1
Base 2 4 3 2 1
Base 3 5 4 3 1
¿Cómo deberán distribuirse las nuevas ambulancias y cuál será el

tiempo promedio de llegada ante una emergencia? Identifique la fórmula
recursiva utilizada.
ACTIVIDAD 2
Para mejorar sus ingresos, Tomás ha decido destinar parte del terreno
de su granja para sembrar vegetales. Planea plantar tres tipos de ajíes:
verdes, rojos y amarillos. El huerto, que mide 10 x 20, está dividido en
hileras de 20 metros de largo cada una. Las hileras de ajíes verdes y
rojos tienen dos metros de ancho cada una, y las de pimientos amarillos
deben ser de tres metros de ancho. Debido a la diferente productividad
de las plantas, Tomás ha estimado que cada hilera de ajíes verdes le
producirá un ingreso de $100 y el ingreso de cada hilera de ajíes rojos y
amarillos será de $70 y $50 respectivamente. Ha decidido, además, que
deberá plantar por lo menos una hilera de ajíes verdes y no más de tres
de los amarillos.
a) Utilice la programación dinámica para determinar cuántas hileras de
cada tipo de ají debe plantar Tomás para maximizar sus ingresos.
b) Identifique la fórmula recursiva utilizada.
ACTIVIDAD 3
Una estudiante universitaria tiene 7 días para preparar los exámenes
parciales de 4 cursos y quiere asignar el tiempo que tiene para estudiar
de la manera más eficiente posible. Necesita por lo menos un día para
cada curso y quiere concentrarse solo en un curso cada día. Como hace
poco tomó un curso de IO, ha decidido aplicar programación dinámica

para hacer estas asignaciones que maximicen el total de puntos
obtenidos en los 4 cursos. Estima que las distintas opciones en días de
estudio le redituarán puntos de calificación según la siguiente tabla:
Puntos de calificación estimados
Número
Curso
de días
1 2 3 4
1 3 5 2 6
2 5 5 4 7
3 6 6 7 9
4 7 9 8 9
a) Resuelva este problema con programación dinámica, definiendo

objetivo, etapas, variables de estado y de decisión.
b) Identifique la fórmula recursiva utilizada.
ACTIVIDAD 4
Una empresa de aparatos electrónicos tiene un contrato para entregar el
siguiente número de placas de video durante los tres meses siguientes:
MES 1 2 3
N° de unidades 400 300 200
Por cada placa que se produce en los meses 1 y 2, se incurre en un

costo variable de $30; por cada placa que se produce en el mes 3, se
incurre en un costo variable de $35. El costo de almacenamiento
mensual es de $2 por cada placa de video. Las placas que se fabrican
durante un mes pueden servir para abastecer la demanda de ese mes o
de alguno futuro. Suponga que la producción durante un mes debe
hacerse en múltiplos de 100 y con un máximo de 500 unidades, con una
capacidad de almacenamiento de 200 unidades. El nivel actual de
inventarios es de 100 unidades y no se quieren unidades en inventario
al final del trimestre.
a. Utilice programación dinámica para determinar una política
óptima de producción e inventario.
b. Identifique la función recursiva utilizada.
ACTIVIDAD 5
La empresa CompuTar SA, fabricante de procesadores para
computadoras, quiere determinar el programa anual de producción e
inventario que maximice su contribución total. La información relevante
del problema se da en la siguiente tabla:
216 CAPÍTULO 7
TRIMESTRE CAPACIDAD DE DEMANDA COSTO DE PRECIO DE COSTO DE

PRODUCCIÓN (UNIDADES) PRODUCCIÓN VENTA INVENTARIO
(UNIDADES) (UNITARIO) (UNITARIO) (UNITARIO)
1 600 400 20 50 10
2 400 500 25 50 10
3 700 400 30 60 10
4 500 500 30 60 10
El inventario al inicio del trimestre 1 es de 100 unidades y la empresa

quiere tener por lo menos 150 unidades en inventario al final del año,
con el objetivo de hacer frente a las necesidades de inicio del año
siguiente.
ACTIVIDAD 6
Julián debe armar un dispositivo electrónico de control. El dispositivo
está formado por 3 componentes en serie, de manera que la falla en
uno alguno de los componentes origina la falla en el dispositivo. Se
puede mejorar la confiabilidad del dispositivo de control instalando, en
paralelo, una o dos unidades de reserva para cada uno de los
componentes. De esta manera, ante la falla de uno de los componentes,
entra en funcionamiento la unidad de reserva. En la figura se muestra
esta situación:
Comp. 1 Comp. 2 Comp. 3
UR 1 UR 1 UR 1
UR 2 UR 2 UR 2
Dispone de $7.000 para armar el dispositivo y cada unidad de los

componentes 1 y 3 le cuestan $1.000 y el costo de cada unidad del
componente 2 es de $1.500.
En la tabla se proporciona la confiabilidad de cada componente, es decir,
la probabilidad de que no fallen.
Nº unidades Componente 1 Componente 2 Componente 3

en paralelo
1 0,7 0,8 0,6
2 0,8 0,85 0,7
3 0,9 0,95 0,9
a) Utilice la programación dinámica para indicarle a Julián cómo

construir el dispositivo para lograr la mínima probabilidad de falla
y cuál es esta probabilidad.
b) Defina el objetivo y las variables del problema.
c) Identifique la función recursiva utilizada.
CAPÍTULO 8
PROGRAMACIÓN NO LINEAL
1. INTRODUCCIÓN
En numerosos problemas, las funciones o relaciones matemáticas que
intervienen no son necesariamente lineales. De hecho, tal vez se puede
decir que los problemas del mundo económico y empresario que se
ajustan totalmente a la linealidad son la excepción y no la regla.
Entre los supuestos del modelo de PL que comúnmente no se cumplen y
originan programas no lineales (PNL), se pueden mencionar:
• Aditividad. Es decir que las contribuciones de dos o más variables
al objetivo o a las restricciones funcionales no son independientes
entre sí. En forma general, podríamos decir que el total no es igual
a la suma de las partes, y esto se da cuando existe una interacción
entre las variables, por ejemplo, cuando se mezclan sustancias
químicas en la elaboración de un producto.
• Proporcionalidad. Este supuesto no se cumple en problemas en
los cuales, por ejemplo, el ingreso obtenido por la venta de un
producto no es proporcional a las unidades vendidas, ya que esta
cantidad está en función del precio, el que será, en estos casos,
una variable de decisión. Otro ejemplo del no cumplimiento de esta
hipótesis se da cuando demasiados operarios son asignados para
realizar una tarea, el rendimiento de cada trabajador puede
disminuir en lugar de mantenerse constante, es decir que existen
deseconomías o economías de escala.
En resumen, la existencia de diferentes tipos de relaciones, sean de
carácter económico, lógico, físico, estructural, etc., puede dar lugar a la
aparición de características de no linealidad en un modelo matemático.
Es importante destacar que, aunque los fenómenos no lineales son
comunes, la posibilidad de lograr la optimización de estos modelos es
mucho más difícil que en los modelos lineales y que los algoritmos
desarrollados para su resolución son menos eficientes. Así, a diferencia
de la PL, no se puede asegurar que un algoritmo de resolución de PNL
logrará siempre encontrar la solución óptima para cualquier problema.
Además, en muchos casos, mediante PL se pueden obtener buenas
aproximaciones a los modelos no lineales. Esto, conjuntamente con la
218 CAPÍTULO 8
facilidad de resolución de los problemas lineales, justifica la importancia

y la reputación adquirida por la programación lineal.
De manera general, un problema de PNL consiste en encontrar los valores
de n variables X = (x1, x2, …, xn,), tal que:
Max f(x)
sa
gi(x) ≤ bi i = 1, 2, …m
X≥0
Donde f(x) y gi(x) son funciones de n variables de decisión y además f(x)
y/o gi(x) son no lineales.
2. CARACTERÍSTICAS GENERALES
De la misma manera que en PL, un problema de PNL, cuando tiene solo
dos variables de decisión, puede representarse gráficamente. Esto nos
será particularmente útil para mostrar algunas características de las
soluciones óptimas, a saber:
 La región factible no necesariamente es un poliedro, como en el caso
de la PL, y la solución óptima puede no encontrarse en un vértice.
Recordemos que, en el caso de programación lineal, el análisis gráfico
permite identificar las restricciones limitantes en el vértice óptimo y la
solución óptima se obtiene resolviendo el sistema de dos ecuaciones
con dos incógnitas formado por estas restricciones. En general, este
método no funciona para el caso no lineal. A título ilustrativo,
observemos el siguiente gráfico:
x2
Región factible
Función objetivo
El óptimo no está
en un vértice
x1
Gráfico 1
La restricción no lineal forma una parte de la frontera del conjunto de

soluciones posibles y solo existe una restricción limitante; la región
factible es un conjunto convexo, pero no un poliedro.
 En el gráfico 2, en cambio, todas las restricciones son lineales y, por lo
tanto, el conjunto de soluciones factibles es un poliedro convexo. Sin
PROGRAMACIÓN NO LINEAL 219
embargo, la función objetivo es no lineal y, nuevamente, vemos que el

óptimo no se presenta en un vértice.
x2
Función objetivo
El óptimo no está en un vértice
Región factible
x1
Gráfico 2
Efectivamente, algunas soluciones óptimas para algunas funciones

objetivo no lineales pueden ni siquiera estar en la frontera de la región
factible, pudiendo ser, por ejemplo, un punto interior de dicha región.
Ciertamente, también podría darse el caso de una solución óptima en
un vértice; lo importante es que esto no representa una propiedad
general, como en el caso lineal. Este hecho tiene consecuencias
algorítmicas importantes, ya que es necesario que, para resolver este
tipo de problemas, se tengan en cuenta todas las soluciones de la
región factible, y no solo aquellas que están en los vértices. No se
dispone de un algoritmo que resuelva todos los problemas específicos
que se ajustan a este formato, sin embargo, se han realizado grandes
logros en algunos casos especiales bajo algunas suposiciones de las
funciones.
 Otro inconveniente que surge en los PNL es la aparición de óptimos
locales y óptimos globales. En PL, siempre un óptimo local es también
óptimo global; de hecho, existe un teorema que lo prueba. Sin
embargo, esto no siempre ocurre en PNL. En el gráfico 3 podemos
observar que existe un óptimo local y un óptimo global.
Gráfico 3
220 CAPÍTULO 8
En el punto óptimo global, el valor de la función objetivo es mejor que en

todos los demás puntos factibles. Para garantizar que un óptimo local
también sea global, deben satisfacerse ciertas condiciones de concavidad
y convexidad. Si no se presentan estas propiedades, generalmente no es
posible saber si una solución es un óptimo local o global. En general, los
algoritmos de PNL no son capaces de distinguir entre un óptimo local y
uno global, por lo que es sumamente importante conocer las condiciones
bajo las cuales se garantiza que un óptimo local es también un óptimo
global en la región de soluciones factibles. Observemos que, en el gráfico
3, a diferencia de los ejemplificados en los gráficos 1 y 2, el conjunto de
soluciones factibles no es un conjunto convexo.
3. TIPOS DE PROGRAMAS NO LINEALES

Debido a que los PNL pueden presentarse de muy diversas formas, no
existe, como en PL, un algoritmo que resuelva todos estos tipos especiales
de problemas. Por el contrario, se han desarrollado algunos algoritmos
para los tipos más comunes de problemas no lineales, por lo que es
importante conocer sus características y, así, diferenciar los problemas
que podremos optimizar de los que podemos intentar encontrar el óptimo.
3.1. OPTIMIZACIÓN NO RESTRINGIDA

Si un problema de PNL no tiene restricciones, el hecho de que la función
objetivo sea cóncava nos garantiza que un máximo local es un máximo
global; análogamente, una función objetivo convexa garantiza que un
mínimo local también es un mínimo global.
En general, una función cóncava tiene la propiedad de que el segmento
de recta que conecta dos puntos cualesquiera de la gráfica de la función
nunca pertenecen al espacio ubicado por arriba de la gráfica.
f(x) Cóncava
Gráfico 4: función cóncava
En general, una función convexa tiene la propiedad de que el segmento

nunca pertenecen al espacio ubicado por debajo de la gráfica.
f(x)
Convexa
Gráfico 5: función convexa
f(x) Cóncava Convexa

2
-1 x
Gráfico 6: ni cóncava ni convexa
La función del gráfico 6 no es cóncava ni convexa, los puntos donde la

concavidad cambia son puntos de inflexión.
Definición:
Sea f: Rn→ R
f es convexa si el dominio de f es un conjunto convexo y si para todo x 1,x2
que pertenece al dominio de f y para todo número real t entre 0 y 1, se
satisface que:
f t x1 + (1- t)x2   t f(x1 ) + (1- t) f(x2 )
Una función f es cóncava si –f es convexa. Desde el punto de vista
geométrico, esto significa que el segmento que une (x1,f(x1)) y (x2,f(x2))
se encuentra sobre la gráfica de f.
f(x) Convexa
x1, f(x1)
x2, f(x2)
x1 x2 x
Gráfico 7
222 CAPÍTULO 8
Recordemos que para una función f(x) diferenciable:

Si f”(x) < 0 en un intervalo (a, b), entonces la función f(x) es cóncava en
el intervalo (a, b).
Si f”(x) > 0 en un intervalo (a, b), entonces la función f(x) es convexa en
3.2. OPTIMIZACIÓN RESTRINGIDA

Si existen restricciones para garantizar que un óptimo local sea también
global, se necesita, como condición adicional, que el conjunto de
restricciones sea convexo.
En general, la región de soluciones factibles de un PNL es convexa si la
función de restricción g(x) asociada con cada restricción del tipo ≤ es
convexa y la función de restricción g(x) asociada con cada restricción del
tipo ≥ es cóncava.
3.2.1. Programación convexa
Comprende a los problemas de PNL que tienen función objetivo cóncava
en problema de maximización, o convexa para problemas de minimización
y una región factible que es un conjunto convexo. Como ya lo dijimos,
estas condiciones son suficientes para asegurar que un óptimo local es un
óptimo global.
Dentro de la programación convexa, encontramos a los programas
linealmente restringidos. Una característica muy importante de estos es
que cualquier punto óptimo local es también un óptimo global. Por lo cual,
y tal como lo señalamos anteriormente, resultan ser los problemas no
lineales más sencillos de resolver. Por definición, estos modelos tienen
restricciones lineales (de igualdad o desigualdad) y función objetivo
cóncava en caso de maximización o convexa en caso de minimización.
Para este tipo de problemas, puede utilizarse en su resolución una
variante del método simplex. Como casos especiales encontramos a la
programación cuadrática y a la programación separable.
Programación cuadrática
La única diferencia entre los problemas de programación cuadrática (PC)
y los de PL es que la FO incluye el cuadrado de una variable o el producto
de dos variables.
Son dos las razones de la importancia de la PC. Por un lado, este tipo de
formulaciones surgen de manera natural en una gran cantidad de
aplicaciones como, por ejemplo, la de selección de carteras de
inversiones, pero además se utiliza para resolver problemas generales de
optimización linealmente restringidos a través de aproximaciones
cuadráticas.
Es de destacar que en la PC, al igual que en los restantes modelos de PNL
en general, no forzosamente tiene que existir una solución óptima en un
vértice. Como consecuencia directa de esto, es posible que el número de
variables positivas en el óptimo sea mayor que el número de restricciones.
Programación separable
Se agrega el supuesto adicional de que todas las funciones f(x) y g i(x)
son separables.
Una función es separable cuando cada término solo incluye una variable,
por lo que puede expresarse como una suma de funciones de distintas
variables. Este tipo de problemas satisface el supuesto de aditividad, pero
no el de proporcionalidad.
Por ejemplo, la función
f(x1, x2) = -10x12 + 20x22 + 50 x1 - 25x2
puede expresarse como
f(x1, x2) = f(x1) + f(x2)
Donde
f(x1) = -10x12 + 50 x1
f(x2) = 20x22 - 25x2
3.2.2. Programación no convexa

En esta clasificación se incluye a los problemas generales no lineales, en
los cuales no se cumplen los supuestos de programación convexa. En
estos casos, aun cuando se tenga éxito en encontrar un óptimo local, no
hay garantía de que sea también un óptimo global.
Los algoritmos para resolver estos programas no lineales generales
utilizan, en su fundamentación, el cálculo avanzado. Se han desarrollado
para su resolución paquetes de software especializados para optimización,
que permiten encontrar óptimos locales de funciones no lineales de n
variables (n  1). Con frecuencia, esos paquetes se basan en el análisis
de la tasa de cambio de la función objetivo. Es decir que, para un
problema de maximización, se elige un punto inicial, esto es, un conjunto
de valores para las n variables de decisión, y luego se determina una
dirección ascendente mediante la aproximación numérica del vector
gradiente (formado por todas las derivadas parciales primeras de la
función) evaluada en ese punto inicial. Intuitivamente, para la
optimización no restringida, el método avanza desde el punto inicial
siguiendo una línea en dirección ascendente (en el caso de buscar un
máximo) hasta el punto más alto, al cual se puede llegar siguiendo esa
dirección. Entonces se define una nueva dirección ascendente y continúa
el procedimiento. El método termina cuando las derivadas primeras
parciales aproximadas se acercan lo suficiente a cero. El punto así
obtenido siempre será un óptimo local. La búsqueda de otros óptimos
locales se realiza iniciando de nuevo el programa de optimización para
que comience en un punto inicial diferente.
224 CAPÍTULO 8
4. MULTIPLICADOR DE LAGRANGE
Una semejanza entre la PL y la PNL es la posibilidad de utilizar, al menos
parcialmente, el análisis de sensibilidad. Sabemos que, en PL, un
incremento en el valor del lado derecho (bi) de la i-esima restricción
produce un incremento en el valor óptimo de la función objetivo igual a
(yi.bi) (siendo yi la variable dual correspondiente), siempre que el
incremento del lado derecho se mantenga dentro de un cierto intervalo,
en el cual la variable dual permanece constante. En PNL, este concepto
se conoce como multiplicador de Lagrange1; al igual que las variables
duales, existe un multiplicador de Lagrange por cada restricción y
usualmente se lo simboliza como i. Sin embargo, los multiplicadores de
Lagrange, por lo general, se van modificando al variar el incremento del
valor del lado derecho de la restricción a la cual corresponden. Por esta
razón, su interpretación económica indica que, en el punto óptimo, el i-
ésimo multiplicador de Lagrange representa cuánto crecería el valor
óptimo de la función objetivo por cada unidad de crecimiento del lado
derecho de la i-esima restricción, bajo la hipótesis de que la misma siga
creciendo con la misma fuerza o intensidad con que está creciendo en ese
punto. En general, esta hipótesis no se cumple, dado el carácter no lineal
de la función objetivo y/o de las restricciones. Esta interpretación
proviene del hecho que, matemáticamente, los multiplicadores de
Lagrange, al igual que las variables duales, son las derivadas parciales de
la función objetivo con respecto a un bi.
5. ALGUNOS EJEMPLOS DE PNL CONVEXOS
Ejemplo 1
Una fábrica elaborará un producto cuyo proceso productivo pasa
fundamentalmente por dos máquinas. Definimos como x1 a la cantidad de
producto fabricada en la máquina 1 y x2 a la cantidad de producto
fabricada en la máquina 2.
Los costos de producción del producto, según sea la máquina en la cual
se procese, están dados por las siguientes funciones:
a1 x1 + b1 x12 = costo de producción en la máquina 1
a2 x2 + b2 x22 = costo de producción en la máquina 2
Podemos formular un modelo que permita encontrar las cantidades a
producir en cada máquina para minimizar el costo total de producción
1
Este nombre proviene del conocido método de los multiplicadores de Lagrange para el
cálculo de máximos o mínimos locales de funciones de n variables sujetas a m restricciones
dadas bajo la forma de ecuaciones. Más recientemente (a mediados del siglo XX), Kuhn y
Tucker generalizaron estos conceptos para el caso que existan restricciones bajo la forma
de inecuaciones.
respetando el requisito de que la producción total alcance cierto valor

específico, por ejemplo, Q.
La formulación de este problema es:
Min Z = a1 x1 + b1 x12 + a2 x2 + b2 x22
s.a.
x1 + x2 = Q
x1, x2  0
Ejemplo 2
El presupuesto disponible para producir tres bienes es de R pesos.
Supongamos que p1, p2 y p3 son los precios de cada bien y que la utilidad
derivada de producir x1 unidades del bien 1, x2 unidades del bien 2 y x3
unidades del bien 3 la representamos como x1K1 + x2K2 + x3K3, siendo K1,
K2 y K3 constantes previamente determinadas.
Podemos encontrar la mezcla de producción que maximice la utilidad,
respetando la restricción presupuestaria, formulando el modelo no lineal:
Max Z = x1K1 + x2K2 + x3K3
s.a.
p1 x1 + p2 x2 + p3 x3 ≤ R
x1, x2, x3  0
Ejemplo 3
Una empresa desea optimizar la asignación presupuestaria en publicidad.
Dispone, en promedio, de $1.000 por día y se asigna su totalidad a
comerciales en TV y/o anuncios en periódicos. El costo total anual que
paga en publicidad se ha estimado en:
C (x1, x2) = 2 x12 + 1,2 x22 + x1 x2
Siendo:
x1: pesos promedio diarios gastados en anuncios en televisión.
x2: pesos promedio diarios gastados en anuncios en periódicos.
El modelo a resolver tiene la siguiente estructura:
Min Z = 2 x12 + 1,2 x22 + x1 x2
s.a.
x1 + x2 = 1000
x1  0, x2  0
La salida del software Solver de este problema se muestra en la tabla 1.
Podemos observar que el multiplicador de Lagrange indica que el
incremento total anual del costo en el departamento de publicidad sería
de $1.954,54 aproximadamente por cada peso adicional de presupuesto
gastado en anuncios. Sin embargo, como dijimos anteriormente, no es
226 CAPÍTULO 8
posible decir sobre qué rango de aumento o disminución del VLD es válido
dicho multiplicador. Incluso podríamos afirmar que posiblemente dicho
incremento sea variable a medida que se modifica el presupuesto para
anuncios. Por su parte, los valores del gradiente reducido incluidos en el
informe de sensibilidad de PNL tienen una interpretación análoga a la de
los valores de costo reducido en PL.
Nombre Valor final Gradiente reducido

Anuncios en TV 318,182 0,00
Anuncios en periódicos 681,82 0,00
Gasto total anual 977272,73
Restricciones
Nombre Valor final Multiplicador de Lagrange
Gasto total diario 100,00 1954,54
Tabla 1
6. MÉTODOS DE RESOLUCIÓN EN PNL

En PL, si un problema tiene óptimo, siempre podemos asegurar que la
solución óptima se encontrará en, al menos, un vértice de la región
factible; de hecho, hay un teorema que así lo demuestra. Esta es una
importante característica de los modelos lineales, ya que los vértices de
la región factible pueden definirse mediante ecuaciones lineales. De esta
manera, y a través de operaciones algebraicas, se puede pasar de un
vértice a otro adyacente cualquiera, en el cual la función objetivo mejora
o conserva el mismo valor. Con esta técnica, el método simplex explora
sistemáticamente los vértices de la región factible y establece una
metodología para tratar problemas lineales. Sin embargo, esto no es
aplicable al problema general de la programación no lineal debido a que,
aun tratándose de programas convexos, la solución óptima no
necesariamente se encuentra en un vértice de la región factible, más aun
puede encontrarse un punto interior a la misma.
Desafortunadamente, no existe un algoritmo que se pueda utilizar para
resolver cualquier problema de programación convexa. Por el contrario,
se han propuesto muchos métodos diferentes, cada uno con ventajas y
desventajas
Sin embargo, y de manera general, podemos decir que en los algoritmos
de optimización no lineal la solución encontrada, para una solución inicial
dada, se “cree” que es óptima, pero en realidad, salvo para el caso de
programas convexos, no hay ninguna garantía de que esta solución sea
el punto óptimo global; en el mejor de los casos, podremos afirmar que
corresponde a un óptimo local. Es por esta razón que generalmente, si no
se trata de un PNL convexo, se aconseja optimizar varias veces el modelo
utilizando cada vez un conjunto diferente de valores para las variables de
decisión como soluciones iniciales, con la finalidad de encontrar la mayor
cantidad de máximos locales posibles y luego seleccionar el mejor de

ellos.
7. MODELO DE SELECCIÓN DE CARTERA DE INVERSIONES

La selección de cartera es un modelo de PC muy estudiado en el área de
las finanzas. En realidad, el análisis de carteras es muy amplio y la
exposición será solamente una breve descripción de la aplicación práctica.
7. 1. MODELO DE CARTERA PARA DOS ACTIVOS

El modelo de cartera puede expresarse de la siguiente forma: un
inversionista tiene P pesos para invertir en un conjunto de n acciones y
desea saber cuánto le conviene invertir en cada acción. El conjunto de
valores que seleccione se conoce como cartera del inversionista. El
inversionista tiene objetivos contrapuestos: desea una cartera que le
brinde alto rendimiento y, al mismo tiempo, con bajo riesgo. De hecho,
estas metas son antagónicas porque, en la realidad, lo más frecuente es
que carteras con alto rendimiento conllevan también un alto riesgo.
Explicaremos los conceptos de rendimiento y riesgo mediante un ejemplo.
Supongamos una inversión de Pi pesos colocados en el activo i, de forma
tal que, al cabo de cierto período de tiempo, esos Pi pesos aumentan a
1,15Pi. En este caso, diríamos que el rendimiento del período es de 0,15
pesos, calculados como (1,15 Pi - Pi )/ Pi.
El concepto de riesgo es difícil de explicar y surge de considerar que el
rendimiento no es exactamente conocido, sino que el mismo puede
considerarse como una variable aleatoria. El riesgo se mide por medio de
la variación de la variable aleatoria rendimiento de la cartera.
Como la aspiración del decisor es obtener el máximo rendimiento, pero
minimizando el riesgo, una manera de formular este modelo consiste en
minimizar la varianza del rendimiento, es decir, minimizar el riesgo dentro
de un determinado límite o acotamiento inferior para el rendimiento
esperado. También pueden aparecer restricciones de políticas sobre la
proporción de la cartera que podrá destinarse a ciertas acciones en
particular.
Así definido, el modelo de cartera resulta un modelo no lineal cuadrático,
donde x1 representa la proporción de la cartera que se invertirá en la
acción i. Por ejemplo, si se dispone de P pesos a invertir en dos acciones
y si la solución óptima fuera x1 = 0,75 y x2 = 0,25, esto significaría que
se debe invertir en total 0,75 pesos en la acción 1 y los 0,2 pesos
restantes en la acción 2.
A continuación, se presenta el modelo matemático general para un
modelo con dos activos.
Sean:
i2 = varianza de los rendimientos anuales de la acción i, i = 1, 2
12 = covarianza de los rendimientos anuales de las acciones 1y 2
Ri = rendimiento anual esperado de la acción i, para i = 1, 2
b = límite inferior del rendimiento esperado anual de la cartera
228 CAPÍTULO 8
Si = límite superior de la inversión en la acción i, para i = 1, 2

Definimos, además:
1. La varianza de los rendimientos anuales de la acción i es un número
que describe la variabilidad de esos rendimientos de un año al
siguiente.
2. La covarianza de los rendimientos anuales de las acciones 1 y 2 es
un número que describe la magnitud en la cual suben o bajan
conjuntamente los rendimientos de las dos acciones.
3. El rendimiento esperado de la cartera se define como el número:
x1R1 + x2R2
4. La varianza del rendimiento de la cartera se define como el
número:
12 x12 + 212 x1 x2 + 22 x22
5. La desviación estándar del rendimiento de la cartera se define
como la raíz cuadrada de la varianza.
De esta forma, podemos presentar el modelo de cartera para dos activos
de la siguiente manera:
Min 12 x12 + 212 x1 x2 + 22 x22 (varianza del rendimiento)

S.a.
x1 + x2 = 1 (todos los fondos deben ser invertidos)
r1 x1 + r2 x2  b (límite inferior del rendimiento esperado de la cartera)
x1  B1 (límite superior de la inversión en la acción 1)
x2  B2 (límite superior de la inversión en la acción 2)
x1, x2  0
Analicemos, a continuación, un ejemplo numérico específico:

Se conocen los siguientes datos de un problema de cartera con dos
activos:
12 = 0,09 r1 = 0,05 B1 = 0,65 b = 0,04
22 = 0,06 r2 = 0,03 B2 = 0,70 12 = 0,02
La solución obtenida por medio del programa Solver es la siguiente:
Modelo de cartera Acción 1 Acción 2 Total

Decisión % en acciones 36,36 % 63,64 % 100,00 % 100,00 %
% máx. de c/acción 65,00 % 70,00 %
Rendimiento esperado 3,00 % 5,00 % 4,27 % 4,00 %
Medidas de riesgo Acción 1 Acción 2 Covarianza

Varianza de la acción 0,09 0,06 0,02
Varianza de la cartera 0,0119008 0,0242976 0,0092562 0,0454546

Tabla 2
Observemos que el rendimiento esperado de esta cartera es de 4,27 %.

La única restricción limitante es la que indica que la suma de lo invertido
en cada tipo de acción debe ser igual a 1. Al comparar los valores óptimos
de x1* y x2*, vemos que la cartera óptima contiene una mayor proporción
del valor cuyo rendimiento esperado anual es más alto (la acción 2). El
resultado del modelo asegura una mezcla óptima que permite minimizar
la varianza de la cartera, garantizando que el rendimiento esperado de
esta sea, por lo menos, el 4 %.
También se podría haber planteado el modelo de forma de maximizar el
rendimiento de la cartera, bajo la restricción de que la varianza de esta
no debe exceder un límite superior determinado. No obstante, esta
formulación impone que la relación cuadrática del modelo aparezca en
una restricción, y no en la función objetivo, en cuyo caso el modelo
resultante no es cuadrático. Sin embargo, esta última formulación no
implica dificultad alguna con el uso del procedimiento de gradiente
reducido generalizado (utilizado por Solver) u otro de los algoritmos
generales para la PNL, y muchos constructores de modelos prefieren esta
última formulación para la optimización de sus carteras de inversión.
7.2. MODELO DE CARTERA PARA TRES ACTIVOS

En esta sección, presentamos el modelo para tres activos y, a
continuación, lo aplicamos a un ejemplo.
Formulación del modelo:
Sean,
X = fracción del activo x en la cartera
Y = fracción del activo y en la cartera
Z = fracción del activo z en la cartera
Se usará activo i para referirse al activo X, Y o Z.
Los valores de los rendimientos esperados, varianzas y covarianzas tienen
que ser estimados a partir de datos históricos. En general, si se dispone
de datos sobre n períodos para cada activo i, habrá un rendimiento
histórico real Rit asociado a cada período t, donde t fluctuará entre 1 y n.
Es decir que cada activo i tendrá n rendimientos históricos. El rendimiento
periódico esperado del activo i, que mide el promedio de los rendimientos
históricos de ese activo, se calcula como:
1 n t
Ri =  Ri
n t =1
Los rendimientos históricos periódicos Rit se utilizan también para estimar
las varianzas y covarianzas.
1 n
 ( )
2
Rit − R i es la varianza del rendimiento para el activo i
n t =1
es la covarianza de los rendimientos para los

1 n
n t =1
(
 Rit − Ri )( R t
j −Rj ) activos i y j
230 CAPÍTULO 8
También se define:
b = límite inferior del rendimiento esperado de la cartera
Si = límite superior de la fracción del activo i que puede estar en la
cartera
En función de los parámetros, la formulación de esta programación
cuadrática para el modelo de tres activos es
Min. x2 X2 + y2 Y2 + z2 Z2 + 2 xy XY + 2 xz XZ + 2 yz YZ
S.a.
RxX + RyY + RzZ  b
X+Y+Z=1
X  Sx
Y  Sy
Z  Sz
X, Y, Z  0
Supongamos tres acciones y sus rendimientos históricos para 12 años.
Llamaremos A, B y C a los tres tipos de acciones elegidas. Los
rendimientos históricos se muestran en la tabla siguiente.
Rendimientos históricos de acciones

AÑO A B C
1 25 % 28,00 % 15,80 %
2 11,30 % 26 % 29,00 %
3 22,60 % 22,00 % 40,90 %
4 -4,60 % -25,50 % -7,80 %
5 -7,10 % 14,40 % 15,90 %
6 5,60 % 11,00 % -3,50 %
7 4,00 % 32,10 % 13,30 %
8 9,10 % 30,50 % 73,20 %
9 8,90 % 19,50 % 5,00 %
10 8,30 % 39,00 % 13,10 %
11 3,50 % 7,00 % 1,00 %
12 17,50 % 63,50 % 55,00 %
Rend. promedio 8,68 % 22,29 % 20,91 %
Tabla 3
A continuación, tenemos que calcular los parámetros a partir de estos

datos históricos.
El rendimiento en el año n está definido por:
(precio de cierre, n) - (precio de cierre, n - 1) + (dividendos, n)

(precio de cierre, n - 1)
Supongamos que deseamos minimizar la varianza del rendimiento de la

cartera bajo un rendimiento esperado de 15 % y la restricción de que no
se podrá colocar más de 75 % de la cartera en ninguna acción individual.
En la tabla 4 se muestran los cálculos de los rendimientos promedios,
matriz de covarianzas y los resultados del optimizador Solver. En la tabla
5 se muestra el análisis de sensibilidad del modelo.
A B C
PROMEDIO 8,68 % 22,29 % 20,91 %
VARIANZAS 0,00935202 0,04457045 0,06001081
COVARIANZAS
A B C
A
B 0,01071706
C 0,01010352 0,03050009
Tabla 4
Solución de Solver
Celda objetivo (Mín.)

Nombre Valor final
Varianza de la cartera 0,016975276
Celdas de variables
Nombre Valor final
% en acciones A 52,27 %
% en acciones B 35,12 %
% en acciones C 12,61 %
Restricciones
Valor de la
Nombre celda
% en acciones Ttotal 100,00 %
Rendimiento esperado total 15,00 %
Máximo % en acciones A 52,27 %
Máximo % en acciones B 35,12 %
Máximo % en acciones C 12,61 %
Tabla 5
232 CAPÍTULO 8
Análisis de sensibilidad de Solver
Celdas de variables
Final Gradiente
Nombre valor reducido
% en acciones A 0,522686472 0
% en acciones B 0,351227381 0
% en acciones C 0,126086147 0
Restricciones
Final Multiplicador
Nombre valor Lagrange
% Total en acciones 1 0,000516256
Rendimiento esperado total 15 % 0,222895544
Tabla 6
La solución para el modelo especifica una cartera de aproximadamente

52,27 % en A, 35,12 % en B y 12,61 % en C. El rendimiento anual
esperado es exactamente 15 %. El valor del objetivo óptimo indica que la
varianza del rendimiento anual es 0,016975276.
Observamos, además, que el multiplicador de Lagrange indica que un
incremento del 1 % en el rendimiento esperado conducirá a un
incremento aproximado de 0,22289 en la varianza de la cartera.
Estas cifras son aproximaciones, ya que, con una programación
cuadrática, las pendientes de los valores óptimos de la función objetivo
como funciones de los términos independientes de las restricciones (al
que simbolizaremos por z0 = VO(b)) son instantáneas (a diferencia de la
PL, que son constantes en ciertos intervalos). En el caso del modelo de
cartera, esto se refleja en la forma general del VO(b) según podemos
apreciar en la siguiente figura.
VO(b)
•
•
Rendimiento
esperado
Esta gráfica muestra que, cuando la restricción sobre el rendimiento

esperado se vuelve más estricta (es decir, cuando b aumenta), el VO
resulta cada vez más y más perjudicado. Esta gráfica se conoce como la
frontera eficiente y sus propiedades se estudian en los cursos de finanzas.
Para nuestros propósitos, nos limitaremos a comentar que se trata de una
función cuadrática convexa fragmentaria. Para encontrar cualquier punto
de la gráfica de esta función, basta seleccionar un valor del LD de la
restricción que establezca un límite inferior para el rendimiento esperado

(b) y volver a optimizar el modelo.
7.3. MODELO DE CARTERA PARA N ACTIVOS

Para el caso general de N activos, el rendimiento esperado se define como
n
XR
i=1
i i
y la varianza del rendimiento de la cartera se define de acuerdo con la

siguiente fórmula:
n N-1 N
X σ
i=1
2
i
2
i +2  XX σ
i=1 j=i+1
i j ij
El modelo general para N activos será:

n N-1 N
Min Z =  Xi2σ i2 +2  XX σ i j ij
i=1 i=1 j=i+1
S.a:
n
XR
i=1
i i  bi
Xi  0
234 CAPÍTULO 8
ACTIVIDAD 1
1. ¿Existe alguna similitud conceptual entre las variables duales de la
programación lineal y los multiplicadores de Lagrange de la
programación no lineal? En caso de una respuesta afirmativa, explique:
a) cuáles son las semejanzas; b) cuáles son las diferencias.
2. Dado un programa matemático, con variables continuas, cuya función
objetivo es no lineal, sujeta a restricciones dadas por ecuaciones y/o
inecuaciones lineales, responda a las siguientes preguntas justificando
su respuesta:
a) ¿El conjunto de soluciones posibles es siempre un conjunto
convexo?
b) ¿El conjunto de soluciones óptimas (si existe más de una) es
siempre un conjunto convexo?
c) ¿Siempre existirá una solución óptima en un punto extremo
(vértice) del conjunto de soluciones posibles?
d) ¿Siempre toda solución óptima será un punto de la frontera del
conjunto de soluciones posibles?
e) ¿Nunca un punto interior del conjunto de soluciones posibles puede
corresponder a un óptimo?
f) Si la función objetivo es cóncava: i) ¿Todo máximo relativo o local
es también un máximo absoluto o global?; ii) ¿todo mínimo
relativo o local es siempre un mínimo absoluto o global?
g) Si la función objetivo es convexa: i) ¿Todo máximo relativo o local
será también un máximo absoluto o global?; ii) ¿todo mínimo
relativo o local es también un mínimo absoluto o global?
ACTIVIDAD 2
Una fábrica de amortiguadores produce dos modelos a los que
denominaremos Modelo A y Modelo C. Hay dos líneas de producción, una
para cada modelo, e intervienen dos departamentos en la producción de
cada modelo. La capacidad de la línea de producción del Modelo A es de
450 amortiguadores por día. La capacidad de producción del Modelo C es
de 520 amortiguadores diarios. En el departamento 1, se fabrican los
componentes. En este departamento, se requiere de tres horas de trabajo
para cada amortiguador Modelo A y dos horas por cada unidad del Modelo
C. En la actualidad se dispone de 20 trabajadores con una jornada laboral
de 8 horas. En el departamento 2, se ensamblan los componentes y se
hacen las pruebas de calidad del producto. Aquí se requiere de una hora
de trabajo para cada Modelo, en este departamento hay 10 operarios.
Un estudio informó que las curvas de demanda de los productos de la

compañía tienen una pendiente descendiente, estando las ventas y, por
consiguiente, la producción relacionada con el precio de venta de la
siguiente forma:
PA = -1,4 C + 120
PC = 0,12 A2 – 1,50 A + 250
Donde
A = producción diaria del Modelo A
C = producción diaria del Modelo C
PA = precio de venta del Modelo A
PC = precio de venta del Modelo C
El costo unitario variable de cada amortiguador A es de $255 y el del
Modelo C de $215.
Formule el modelo matemático que le permita a la fábrica maximizar la
contribución total a las utilidades.
ACTIVIDAD 3
Una cooperativa que produce electricidad enfrenta demandas de energía
en periodos que pueden denominarse de horas pico y periodos de
consumo reducido. Si el precio durante las horas pico es de $p 1 por kwh,
los clientes demandarán (185 – 1,25 p1) kwh de potencia. Si durante las
horas de consumo reducida se cobra un precio de $p 2, entonces los
clientes demandan (150 – p2) kwh. La cooperativa eléctrica debe tener la
capacidad suficiente para satisfacer la demanda durante las horas de
consumo máximo y de consumo reducido. Cuesta $150 por día mantener
cada kwh de capacidad. Determine cómo la cooperativa eléctrica puede
maximizar los ingresos diarios menos los costos de operación.
ACTIVIDAD 4
Una empresa utiliza una cierta materia prima para elaborar dos tipos de
productos. Se necesitan 0,5 unidades de MP y 2 horas de mano de obra
(HMO) para elaborar un producto 1, por cada unidad de producto 2 se
necesitan 1 unidad de MP y 3 HMO; mensualmente se dispone de 500
HMO. Actualmente tiene 100 unidades de materia prima, pero puede
comprar más a un costo de $150 por unidad.
Si se fabrican X1 unidades de producto 1, entonces cada unidad se puede
vender a $(80–2X1); si se producen X2 unidades de producto 2, entonces
cada unidad se puede vender en $(60 – 1X2).
¿Cuál debe ser el plan de producción?
¿Cuánto es el precio máximo que la fábrica estaría dispuesta a pagar por
una unidad extra de materia prima?
236 CAPÍTULO 8
ACTIVIDAD 5
La empresa K&C está planificando la campaña publicitaria de su nuevo
producto, el perfume Armony. Con esta finalidad, quiere contratar
anuncios en la radio y/o comerciales en televisión de 2 minutos de
duración. Cada anuncio en la radio cuesta $300, el costo del minuto
televisivo es de $350. Si se compran x1 anuncios en radio, serán
escuchados por 4x1 miles de potenciales clientes hombres y 1x12 miles de
potenciales clientes mujeres. Si se compran x2 comerciales de TV, serán
vistos por 2(3 x2 ) miles de hombres y 4( x2 ) miles de mujeres. La
empresa quiere que, por lo menos, 200.000 hombres y 300.000 mujeres
vean sus anuncios a un mínimo costo.
ACTIVIDAD 6
Una fábrica utiliza el compuesto AZ10 para elaborar dos tipos de
fertilizantes: Jardín Verde y Bello Parque. Puede comprar hasta 700 kg
del compuesto a $50 por kg. Con un kg de AZ10 puede obtenerse un kg
de Jardín Verde a un costo de $75 o un kg de Bello Parque a un costo de
$90. Si se producen X1 kg de Jardín Verde, este se vende a un precio de
$(270 – 2X1) por kg. Si se producen X2 kg de Bello Parque, este se vende
a un precio de $(150 – X2) por kg. ¿Cuánto debería producirse de cada
fertilizante para maximizar la ganancia?
ACTIVIDAD 7
Una empresa utiliza una cierta materia prima para elaborar dos tipos de
productos. Cada kg de materia prima rinde 500 g de producto A y 200 g
de producto B. Actualmente tiene disponibles 150 kg de materia prima.
En la producción se utiliza una máquina que tiene disponible 200 horas,
se necesitan 2 horas para procesar cada kg de producto A y 3 horas por
cada kg de producto B.
Si se fabrican x1 kg de producto A, entonces cada kg se puede vender a
$(500 – 3 x1 ); el precio de venta del producto B es de $95 por kg.
¿Cuál debe ser el plan de producción?
ACTIVIDAD 8
La siguiente tabla muestra los precios históricos al 31/12 de las acciones
de Acindar, Molinos y Ledesma entre los años 1992 y 2004.
Período Acindar Molinos Ledesma

1992 1,55 7,6 0,58
1993 1,15 12,8 1,37
1994 0,9 5,56 1,54

1995 0,71 8,2 1,28
1996 1,4 3,56 1,25
1997 2,38 2,4 1,04
1998 1,2 2,35 0,63
1999 1,6 2,46 0,62
2000 0,85 1,68 0,54
2001 0,13 1,9 0,67
2002 0,84 4,79 3,34
2003 3,45 5,25 2,07
2004 5,53 5,25 1,9
Fuente: www.bolsar.com
Suponga que el inversionista desea:

- No colocar más del 50 % en una acción individual.
- Que la participación en Molinos supere el 25 %.
- Un rendimiento mínimo esperado de 18 % anual.
Trabajando con una planilla de cálculo:
1) Calcule la rentabilidad promedio anual de cada acción.
2) Calcule la varianza y matriz de covarianza de la rentabilidad
promedio anual.
3) Obtenga la cartera de inversión óptima para estas tres
acciones.
ACTIVIDAD 9
La siguiente tabla muestra los precios históricos al 31/12 de las acciones
de Banco Francés, Minetti y Renault, entre los años 1992 y 2004.
238 CAPÍTULO 8
Período Banco Francés Juan Minetti Renault

1992 8,8 8,5 29,2
1993 12,7 4,9 53
1994 6,6 4,95 8,75
1995 8,85 3,3 5,2
1996 9,35 4,16 4,75
1997 9,28 3,12 1,4
1998 7,1 2,75 1,26
1999 7,9 2,51 1,1
2000 6,85 1,45 0,49
2001 2,95 0,64 0,18
2002 3,9 0,83 0,97
2003 8,5 3,3 1,51
2004 7,03 3,69 0
Fuente: www.bolsar.com
Suponga que el inversionista desea:

- La participación de Minetti no supere el 60 % de la cartera.
- Si invierte en automotrices, no invertirá en financieras.
- Un rendimiento esperado de, por lo menos, 11 % anual.
Trabajando con una planilla de cálculo:
1) Calcule la rentabilidad promedio anual de cada acción.
2) Calcule la varianza y matriz de covarianza de la rentabilidad
promedio anual.
3) Obtenga la cartera de inversión óptima para estas tres
acciones.
CAPÍTULO 9
OPTIMIZACIÓN Y PLANIFICACIÓN
CON GRAFOS
1. INTRODUCCIÓN
Frecuentemente, los tomadores de decisiones tienen bajo su

responsabilidad la realización de proyectos compuestos por una gran
cantidad de tareas o actividades, en las cuales se involucra a diferentes
personas o departamentos de la organización. Cuando estos proyectos
son de envergadura, se hace necesario realizar una adecuada
planificación, programación y control de los mismos.
Un ejemplo de este tipo de problemas es el que enunciamos a
continuación.
SYLKEN SA fabrica una línea completa de productos para afeitar.
Recientemente, un competidor presentó una nueva afeitadora con hoja
triple y banda lubricante, que durante los últimos meses ha capturado
una parte significativa del mercado de la empresa. Los administradores
han decidido que deben introducir un producto que compita con esta
nueva afeitadora y les permita recuperar la parte del mercado perdida.
Gustavo, gerente de planificación y desarrollo, ha identificado las
actividades que se necesitan para diseñar, desarrollar y comercializar un
nuevo producto y el tiempo esperado de cada una de estas actividades.
Gustavo le pidió a Pablo, su asesor, revisar las tareas y entregarle un
informe resumido que indique:
✓ El tiempo total que se requiere desde el principio del proyecto
hasta que el producto nuevo se encuentre en manos del
distribuidor.
✓ Las fechas específicas de inicio y finalización de cada actividad.
✓ Las tareas que deban ser cuidadosamente controladas para que el
proyecto se concluya en una fecha específica.
✓ La posibilidad de acelerar ciertas actividades para terminar el
proyecto más pronto asignándole mayores recursos y si es así
cuáles serían estas tareas y a cuánto ascendería el costo adicional.
La Teoría de Redes o Grafos nos proporciona herramientas útiles y
ampliamente difundidas para este propósito, de las cuales estudiaremos
240 CAPÍTULO 9
las conocidas con el nombre de PERT (Program Evaluation and Review

Technique) y CPM (Critical Path Method), desarrolladas simultáneamente
a finales de la década de 1950 en Estados Unidos. Dada la similitud en el
proceso de cálculo de ambos algoritmos, en todo lo que sigue, los
denominaremos en forma genérica técnicas PERT/CPM.
Estas técnicas se utilizan en la planificación, administración y control de
una diversidad de proyectos, tales como:
✓ Obras de ingeniería como construcción de puentes, autopistas,
edificios, etc.
✓ Investigación y desarrollo de nuevos productos.
✓ Programación de una auditoría contable.
✓ Elaboración de un balance general.
✓ Planificación de campañas publicitarias, políticas, etc.
✓ Diseño e implementación de sistemas informáticos.
Su aplicación, aporta al decisor información de gran utilidad, que le
permite conocer, según la situación en que se encuentra:
• El tiempo mínimo de finalización del proyecto.
• Las actividades que pueden convertirse en cuellos de botella,
señalando aquellas sobre las que debe hacerse un estricto control para
no tener retrasos.
• La posibilidad de acelerar la ejecución del proyecto, acortando el
tiempo de realización de algunas actividades y cuál sería su costo.
• La asignación de recursos a las actividades.
Existen otros tipos de problemas en los cuales la teoría de redes puede ser
muy útil al decisor, valgan como ejemplo las dos situaciones que mostramos
a continuación.
Damián se encuentra en General Cabrera, necesita enviar un camión con
mercadería a Cruz Alta y quiere seleccionar una ruta cuyo kilometraje total
sea el mínimo posible.
En una zona del interior de la provincia, se llevará a cabo una obra de

autovías en rutas que actualmente son de tierra o pavimentadas.
OPTIMIZACIÓN Y PLANIFICACIÓN CON GRAFOS 241
Al gobierno de la provincia le interesa seleccionar los tramos a construir de

manera que todas las ciudades estén conectadas por una autovía, por
supuesto a un costo mínimo.
2. CONCEPTOS BÁSICOS DE LA TEORÍA DE GRAFOS
GRAFO O RED
Definiremos grafo o red a un par ordenado del tipo (X,U), donde X es un
conjunto finito a cuyos elementos llamaremos vértices o nodos de la red, y
U representa una relación binaria entre los elementos del conjunto X, es
decir,
U  X2 = {(xi, xj)/ xiX  xjX}
Los pares ordenados de elementos de X que pertenecen a U, se denominan

arcos de la red. Por ejemplo:
X = {x1, x2, x3, x4, x5, x6, x7} (1)
U = {(x1,x3), (x1,x5), (x1,x7}, (x2,x4), (x3,x1), (x3,x2), (x4,x3), (x5,x1),

(x7,x4), (x7,x6)}
Dado un arco (xi,xj)  U, llamaremos a su vértice inicial xi y a su vértice final
xj. Los arcos cuyo vértice inicial es xi se conocen como arcos incidentes hacia
el exterior (U+xi) de dicho vértice. Siendo los arcos incidentes hacia el interior
(U-xj) de un vértice xj todos aquellos que tengan ese vértice como vértice
final. Simbólicamente:
U + xi = x j /( x i , x j )  U
242 CAPÍTULO 9
U - x j = x i /( x i , x j )  U
Otra forma de definir una red es mediante el par ordenado (X, ), donde 
es una aplicación del conjunto X en el conjunto (X) llamado “partes de
X”.
El conjunto partes de X está compuesto por todos los subconjuntos que
se pueden formar a partir de X. incluyendo al conjunto vacío y el propio
conjunto X, al que denominaremos conjunto A
 : X →(X)
(X) = A / A  X
Así, para un elemento cualquiera xi  X, esta aplicación relaciona a dicho
elemento con un único conjunto de vértices que es su imagen. Este
conjunto está integrado por los vértices finales de todos los arcos que
tienen como vértice inicial a xi:
xj   ( xi )  (xi , xj )  U
En la red del ejemplo, tendríamos:
 (x1) = {x3, x5, x7}
 (x2) = {x4}
 (x3) = {x1, x2}
 (x4) = {x3}
 (x5) = {x1}
 (x6) = 
 (x7) = {x4, x6}
En forma similar, -1(xj) estará integrado por los vértices iniciales de todos
los arcos que tienen como vértice final a xj
xi   -1
( xj )  (xi , xj )  U
Aclaremos que la
función  -1(xj) no es Así:
la inversa de  (xi)
 -1
(x1) = {x3, x5}
 -1(x2) = {x3}
 -1(x3) = {x1, x4}
 -1(x4) = {x2, x7}
 -1(x5) = {x1}
 -1(x6) = {x7}
 -1(x7) = {x1}
REPRESENTACIÓN GRÁFICA DE UNA RED

Una red puede representarse gráficamente, asociando a cada elemento
del conjunto X un punto en el plano que representará un nodo o vértice
de la red y cada elemento del conjunto U estará graficado como una flecha
o arco que va desde el vértice inicial al vértice final y representa la relación

entre los nodos correspondientes. La gráfica de la red definida en (1), sería
la siguiente:
x3
En principio, no hay
x2 una regla para ubicar
x1 los vértices en el
x5 plano. Sin embargo,
x4 en redes de gran
tamaño se utiliza una
técnica de ordenación
de vértices por niveles
x6 para ayudar a graficar
x7
más ordenadamente.
Gráfico 1
CAMINO POR LOS ARCOS

Dado un grafo, llamaremos camino a una sucesión o secuencia de arcos del
grafo, con la condición de que, para cualquier arco del camino su vértice
final debe coincidir con el vértice inicial del siguiente.
Un camino de la red enunciada en (1) sería, por ejemplo:
 = (x3,x2), (x2,x4), (x4,x3), (x3,x1) (2)
Llamaremos longitud de un camino al número de arcos que lo forman, así
el camino  definido en (2) es de longitud 4, lo que se suele simbolizar (
) = 4. En este sentido, un solo arco será un camino de longitud uno. Si un
arco está repetido, se lo cuenta tantas veces como aparece en el camino.
Designaremos como vértice inicial de un camino al vértice inicial de su
primer arco y vértice final de un camino al vértice final del último arco.
Asimismo, diremos que un camino "pasa" por un cierto vértice xh, si existe
en él por lo menos un arco que sea incidente a dicho vértice (hacia el interior
o el exterior).
Cuando el vértice inicial y final de un camino coinciden, diremos que el
camino forma un circuito. Un circuito es un caso particular de camino.
Un subcamino, de un camino dado, es una secuencia cualquiera de arcos
consecutivos del mismo. Por ejemplo, un subcamino del camino  definido
en (2), sería:
º =  (x2, x4) , (x4, x3) , (x3, x1) 
VALOR DE UN CAMINO POR LOS ARCOS

Suele asociarse a cada arco de un grafo un número real, que representa,
según la naturaleza del problema, costo, tiempo, distancia, etc.; este
número real se conoce como valor de un arco y lo simbolizaremos como:
v(xi, xj ) o vi,j.
244 CAPÍTULO 9
Será posible entonces, definir el concepto de valor de un camino como la

suma de los valores de todos los arcos que lo componen. Para el caso del
camino , definido en (2), tendríamos:
v() = v3,2 + v2,4 + v4,3 + v3,1
Resulta evidente que, teniendo la adición entre números reales la propiedad
asociativa, si tenemos un camino expresado como una secuencia de
subcaminos, el valor del camino será igual a la suma de los valores de los
subcaminos que lo integran. Por ejemplo, si  =  1, 2, 3 , siendo 1, 2
y 3 tres subcaminos resultantes de una partición del camino , tendremos,
v() = v(1) + v(2) + v(3)
CAMINO POR LOS VÉRTICES

Cuando definimos un camino como una secuencia de arcos, queda
automáticamente definida una única secuencia de vértices: la de los vértices
Al calcular la longitud,
los vértices repetidos por los cuales "pasa" ese camino.
se cuentan tantas
Por lo tanto, dada una red G =(X,U), podemos también dar el concepto de
veces como aparecen
en el camino. camino como una secuencia o sucesión de vértices.
Indudablemente a cada camino por los arcos le corresponderá un único
camino por los vértices y viceversa.
Finalmente, teniendo en cuenta todo lo expresado, destacamos que:
La longitud de un camino definido como secuencia de vértices es igual al
número de vértices que lo integran, menos uno.
Cuando consideramos caminos como secuencias de vértices, también
podemos particionar el mismo en subsecuencias o subcaminos.
Definir un camino por los arcos o por los vértices, dependerá de la
naturaleza del problema a analizar.
VALOR DE UN CAMINO POR LOS VÉRTICES

En ciertas aplicaciones se suele asociar a cada vértice xi un número real, al
cual se lo llama valor del vértice y se lo simboliza por vi = v(xi)
Podremos definir el valor de un camino por los vértices como la suma de los
valores de todos los vértices que forman la secuencia correspondiente. Por
ejemplo, en el camino  definido en (2), tendríamos:
v() = v3 + v2 + v4 + v3 + v1
TEOREMA DE LA OPTIMIDAD
Este teorema tiene su origen en la programación dinámica, propuesto por
Richard Bellman, bajo el nombre de principio de optimidad. Con
posterioridad se adaptó el mismo a la teoría de redes. Es importante
destacar que en él se basan la mayoría de los métodos utilizados en la
determinación de caminos de valuación óptima (mínima o máxima), como
los que analizaremos en este capítulo.

El teorema se enuncia como: “Todo subcamino de un camino de valuación
óptima, es también de valuación óptima, comparado con todos los otros
caminos que unen sus mismos vértices extremos”.
3. CAMINOS DE VALOR MÍNIMO
EL PROBLEMA DE LA RUTA MÁS CORTA

El problema puede representarse a través de un grafo conexo y no dirigido Grafo conexo:
todos los nodos
con dos nodos especiales, un nodo que llamaremos Origen y un nodo están conectados.
Destino.
A cada ligadura del grafo (arco no dirigido) se asocia una distancia no
negativa.
El objetivo, consiste en encontrar el camino de valor mínimo que une un
nodo origen y un nodo destino.
Una propiedad importante es que la ligadura seleccionada debe
proporcionar una trayectoria o camino entre el nodo O y el D.
ALGORITMO DE DIJKSTRA
El algoritmo está diseñado para identificar los caminos de valor mínimo
que unen el vértice origen con cada uno de los nodos del grafo.
Consiste en establecer una etiqueta a cada nodo de la red, la que luego
de sucesivas actualizaciones, contendrá el valor del camino de valor
mínimo que une el nodo inicio del grafo con el nodo considerado y el
vértice precedente en dicho camino.
Para etiquetar cada uno de los nodos se procede de la siguiente forma:
Paso 1: Considere todos los vértices que estén conectados con el origen
por un camino de longitud 1. A cada uno de ellos se le colocará una etiqueta
de la siguiente forma: [ j , d ]
El componente d de la etiqueta mide la distancia desde el origen al nodo
considerado (i). El otro componente (j) es el nodo precedente, el origen en
este caso. Estas etiquetas serán temporales.
Paso 2: De todos los nodos con etiqueta temporal, se elige uno cuya
componente de distancia sea la menor y se lo etiqueta como permanente.
Los empates se rompen arbitrariamente. Cuando todos los nodos son
permanentes se pasa al Paso 4.
Paso 3: Si i es el último etiquetado permanente considere todos los vértices
que estén conectados directamente con éste a través de un camino de
longitud 1, siempre y cuando no estén etiquetados como permanentes. Para
cada uno de ellos calcular la suma de su distancia a i más la distancia de la
etiqueta de i.
246 CAPÍTULO 9
Si el vértice no está etiquetado darle una etiqueta temporal, Si ya tiene

etiqueta temporal, cambiarla sólo si la distancia recién calculada es menor
que la componente de distancia de la etiqueta actual. Si la distancia recién
calculada es igual a la que tiene la etiqueta anterior, conservar ambas.
Regresar al Paso 2.
Paso 4: Las etiquetas permanentes indican la menor distancia desde el
origen a cada vértice de la red. También indican el vértice precedente en la
ruta de valor mínimo hacia cada vértice.
EJEMPLO DE APLICACIÓN DEL MÉTODO

Suponga que el siguiente grafo representa las rutas posibles entre dos
localidades, la ciudad 1 y la 6. Nuestro objetivo es identificar el camino
de valor mínimo que une la localidad 1 con la 6. El valor de cada arco
representa la distancia entre las diferentes ciudades.
2 1
4
5 3
3
1 3 3 6
3 1
3 5
4
Gráfico 2
Los empates se
resuelven El primer paso del método consiste en identificar a todos los nodos que
arbitrariamente.
estén conectados con el origen por un camino de longitud 1. En este caso
son los vértices 2 y 3. A ellos les colocamos una etiqueta temporal.
Luego, siguiendo con el paso 2 de todos los nodos con etiqueta temporal,
se selecciona el que tiene menor componente de distancia y se lo etiqueta
como permanente. En el gráfico 3 el nodo permanente está marcado más
oscuro. [1 , 5]
2 1
4
5 3
3
1 3 3 6
3 1
3 5
4
[1 , 3]
Gráfico 3
A continuación, del último nodo etiquetado como permanente, en este caso

el vértice 3, identificamos todos los vértices conectados con él por un camino
de longitud 1 y que no estén etiquetados como permanentes. Calculamos la
distancia del nodo 3 a dicho vértice más la distancia de la etiqueta del nodo
3 y le asignamos una etiqueta temporal. Por ejemplo para el vértice 5 la
etiqueta será [3, 7]. Si el nodo ya tiene etiqueta, esta se cambiará sólo en
el caso de que la componente de distancia sea menor, si la distancia es igual
se dejan ambas etiquetas. Este paso puede observarse en gráfico 4.
[1 , 5]
[2 , 6]
2 1
4
5 3
3
1 3 3 6
3 1
3 5
4
[1 , 3] [3 , 7]
Gráfico 4
Seguidamente, de todos los vértices que tienen etiqueta temporal,

seleccionamos el que tenga la menor componente de distancia y lo
marcamos como permanente. Esto puede observarse en el gráfico 5.
[1 , 5]
[2 , 6]
2 1
4
5 3
3
1 3 3 6
3 1
3 5
4
[1 , 3] [3 , 7]
Gráfico 5
Repitiendo el paso 3 y luego el 2 nos queda como permanente el vértice 4,

con dos etiquetas, como se muestra en el gráfico 6.
[2 , 6]
[1 , 5]
[3 , 6]
2 1
4
5 3
3 [4 , 9]
1 3 3 6
3 1
3 5
4 [3 , 7]
[1 , 3]
Gráfico 6
Repitiendo los pasos 2 y 3 llegamos a la gráfico 7.

[2 , 6]
[1 , 5]
[3 , 6]
2 1
4
5 3
3 [4 , 9]
1 3 3 6
[5 , 8]
3 1
3 5
4 [3 , 7]
[1 , 3]
Gráfico 7
Cuando ya no quedan nodos por investigar, procedemos a identificar el
camino de valor mínimo a través del análisis de las etiquetas de cada vértice
como lo indica el paso 4. Esto se muestra en el gráfico 8.
248 CAPÍTULO 9
1 6
3 1
3 5
4
Gráfico 8
Para este grafo el camino de valor mínimo por los arcos es:
 = {(1, 3), (3, 5), (5, 6)} y el valor del camino es v() = 8
4. ÁRBOL DE EXPANSIÓN MÍNIMA
Dada una Red G, una Subred de G incluye un subconjunto de nodos y

ligaduras de G.
Un Árbol es una subred conexa que no contiene ciclos no dirigidos.
Un Árbol de expansión es una subred conexa que incluye a todos los nodos
Ciclo: secuencia de de la red y no contiene ciclos no dirigidos. Todo árbol de expansión tiene
arcos que tiene el
mismo nodo inicio
exactamente n-1 arcos, ya que este es el número mínimo de arcos
y fin. necesarios para tener un grafo conexo y el máximo número posible para
que no haya ciclos no dirigidos.
B
D No es un árbol de expansión
ya que no hay conexión
A F
entre todos los nodos
C E
Gráfico 9
B
D
Hay conexión, pero tiene
A F ciclos, entonces no es un
árbol.
C E
Gráfico 10
B
D
Es un árbol de expansión porque
A F tiene n-1 aristas y ningún ciclo.
C E
Gráfico 11
En el problema del árbol de expansión mínima se consideran grafos no

dirigidos y conexos, con valores en las ligaduras de los nodos (arcos no
dirigidos o aristas) que representan distancia, costo, tiempo, etc.
El objetivo es seleccionar un conjunto de aristas de valor mínimo entre
todo el conjunto de ligaduras que satisfacen la propiedad de proporcionar
un camino o trayectoria entre cada par de nodos.
El problema se puede resumir como sigue:
1. Se tienen n nodos con sus correspondientes ligaduras y valores para
las mismas.
2. Se desea diseñar una red de manera tal que haya un camino entre
cada par de nodos.
3. El objetivo es satisfacer este requisito de manera tal que se minimice
el valor total de las ligaduras incluidas en la red.
Una red con n nodos requiere sólo de n-1 ligaduras para proporcionar un
camino entre cada par de nodos. No deben usarse más aristas ya que
esto aumentaría sin necesidad el valor total de las aristas consideradas.
Las n-1 ligaduras deben elegirse de manera tal que la red resultante forme
un árbol de expansión.
Por lo tanto, el problema es encontrar el árbol de expansión con el valor
total mínimo de sus aristas.
ALGORITMO PARA ENCONTRAR EL ÁRBOL DE EXPANSIÓN MÍNIMA

1. Seleccionar de manera arbitraria cualquier nodo como inicio, de todos
los nodos conectados al inicio a través de una arista, seleccionar el de
menor valor.
Quedan ahora dos conjuntos, el de nodos Conectados (C), cuyas aristas
estarán en el árbol de expansión mínima y el conjunto de nodos No
Conectados (NC).
2. Identificar del conjunto NC el nodo que se conecte con algún nodo del
conjunto C a través de la arista de menor valor y se lo conecta con este.
Los empates se resuelven arbitrariamente.
3. Se procede de esta manera hasta que todos los nodos estén
conectados.
En cada paso el algoritmo elige la arista de menor valor que se puede
usar para expandir C.
Son numerosas las aplicaciones de este tipo de problemas,
fundamentalmente en el diseño de redes de comunicaciones,
transmisiones eléctricas, carreteras, etc.
Ejemplo:
Encontrar el árbol de expansión mínima del siguiente grafo.
250 CAPÍTULO 9
6
B
2 E
2 4
A 4
5
1 G
D
4 3
1 8
F
C
5
Gráfico 12
Elegimos como nodo inicio a B, luego elegimos A para conectar con B

6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 13
El nodo conectado a A o B, con arista de menor valor es D (con respecto

a B), entonces lo conectamos a B
6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 14
El nodo conectado a A, B o D con arista de menor valor es C (con respecto

a D), lo conectamos a D
6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 15
El nodo conectado a A, B, D o C con arista de menor valor es F(con
respecto a D), lo conectamos a D
6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 16
El nodo conectado a A, B, D, C o F con arista de menor valor es E (con

respecto a F), lo conectamos a F.
6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 17
El único nodo no conectado es G con la arista de menor valor respecto a

E. Conectamos el nodo G al E.
6
B
2 E
2 4
4
A 5
1 G
D
4 3
1 8
F
C
5
Gráfico 18
Todos los nodos quedaron conectados, por lo que hemos encontrado la

solución óptima, el valor mínimo del árbol es de 13.
Gráfico N° 19
252 CAPÍTULO 9
5. PROGRAMACIÓN Y CONTROL DE PROYECTOS
DEFINICIÓN DE PROYECTO COMPLEJO

Decimos que una tarea Diremos que un proyecto complejo se caracteriza por:
A es precedente de otra
actividad B, si la
finalización de la A es
✓ Estar formado por un número, frecuentemente grande, de
condición necesaria para actividades o tareas.
que sea posible iniciar la
ejecución de B. ✓ Cada una de esas tareas puede tener otra u otras que son sus
precedentes.
✓ Para cada una de las actividades se conocen sus precedentes.
✓ Cada actividad tiene asociada una duración o tiempo de ejecución.
✓ Diremos que el Proyecto está terminado cuando se han ejecutado
todas las actividades que lo integran.
REPRESENTACIÓN DE PROYECTOS COMPLEJOS COMO UNA RED

Podemos decir que un proyecto complejo está caracterizado por un
conjunto de elementos -las actividades- y una relación binaria entre ellas
-la relación de precedencia-. Surge así como idea inmediata la posibilidad
de representarlo como un grafo, donde el conjunto X será el conjunto de
las actividades y la relación binaria U será la relación de precedencia entre
ellas. Esta forma de representar a las actividades de un proyecto en los
vértices, fue planteada por el Francés Bernard Roy en el año 1960 y es
conocida como “Método de Roy”, “Método de Actividades en los Vértice",
"Método Francés” o ”Método de los Potenciales”.
Otra forma de representar un proyecto complejo en un grafo, es mediante
el Método de los Arcos Actividades o Método Americano, en el cual las
actividades se grafican en los arcos de la red, representando los vértices
situaciones o etapas del proyecto.
El gráfico 9 del siguiente ejemplo corresponde al método de Actividades
en los Vértices y el gráfico 10 muestra el método Americano.
Actividades Precedencias
A -
B A
C A
D B
E C
F DyE
Tabla 1
B D
A
F
C E
Gráfico N° 19
A F
1 2 5 6
Gráfico N° 20
En todo lo que sigue trabajaremos con la representación por el método

francés o de actividades en los vértices 1.
6. MÉTODO DE CAMINO CRÍTICO
Las técnicas desarrolladas para encontrar información relacionada con el

tiempo mínimo necesario para la terminación de un proyecto complejo,
son conocidas como Métodos de Camino Critico. Este algoritmo basa su
desarrollo en el teorema de la Optimidad de Bellman.
Los sistemas de planeamiento, programación y control por este método,
se desarrollaron a partir de 1957, como una tarea conjunta de equipos de
trabajo de las compañías Du Pont Nemours y Remington Rand, labor que
dio origen al método CPM. En forma casi simultánea, otro equipo
compuesto por miembros de la Oficina de Proyectos Especiales de la
Marina de los EEUU y de la compañía Lockheed Aircraft, desarrolló el
método PERT. Este fue aplicado con éxito al proyecto Polaris, que consistió
en la construcción de un submarino nuclear capaz de lanzar proyectiles
balísticos intercontinentales.
El desarrollo de este método lo realizaremos a partir de los tiempos de
duración de las actividades que forman el proyecto, esto es, si los mismos
son tiempos conocidos o aleatorios. En el primer caso, es aplicable por
ejemplo, en proyectos de construcción o lanzamientos de nuevos
1
Para el desarrollo de CPM/PERT por el método de arcos actividades, puede consultarse en
Giuliodori R. (1999)
254 CAPÍTULO 9
productos; mientras que proyectos con duraciones de actividades

aleatorias son, por ejemplo, los proyectos de investigación y desarrollo.
7. CASO EN QUE LA DURACIÓN DE LAS ACTIVIDADES ES UN TIEMPO

CIERTO
Las hipótesis de trabajo aceptadas en la aplicación del Método de Camino

Crítico en este caso son:
Hipótesis 1: Es posible efectuar un listado de todas las actividades que
forman el Proyecto, conociendo para cada una de ellas cuál o cuáles son
sus precedentes (cuando existan). Por lo tanto podemos, una vez listadas
las mismas numerarlas y referirnos a ellas, en general, como actividad i
o actividad i-ésima (i = 1, 2, etc.).
Hipótesis 2: El tiempo de realización de cada actividad es un número
exactamente conocido (expresado en alguna unidad de tiempo adecuada
-hora, día, semana, etc.-) al que llamaremos su duración. A la duración
de la actividad i-ésima la simbolizaremos por D(i) o Di.
Hipótesis 3: El objetivo del administrador del proyecto es terminarlo en
el tiempo más corto posible. Es decir se impone la condición de que se
desea minimizar la duración total del proyecto.
Conociendo el listado de todas las actividades y las relaciones de
precedencia, será posible construir la red asociada al mismo, en la que
cada vértice representará una actividad, y las relaciones de precedencia
serán representadas por los arcos. Convendremos, aunque esto no es
imprescindible, en agregar dos vértices adicionales (que no representan
actividades), a los que llamaremos vértice Inicio y vértice Fin. Del vértice
Inicio partirán arcos dirigidos a todos los vértices asociados a actividades
que no tienen precedentes (actividades iniciales); al vértice Fin llegarán
arcos que parten de todos los vértices asociados con actividades que no
son precedentes de ninguna otra (actividades finales). A estos dos
vértices adicionales les asociaremos una duración nula.
D0= 0
Dn= 0
Con la finalidad de simplificar la notación, definimos en símbolos para la

actividad i-ésima:
i: código asociado a la actividad
Di: duración de la actividad
MIi: momento de inicio más temprano posible de la actividad
MFi: momento de finalización más temprano posible de la actividad
MIi*: momento de inicio más tardío permisible de la actividad
MFi*: momento de finalización más tardío permisible de la actividad
Cuando hablamos de “momento más temprano posible”, nos referimos a

que resulta materialmente imposible comenzar la actividad antes de ese
momento, considerando las relaciones de precedencia y las duraciones de
las actividades.
Cuando decimos “momento más tardío permisible”, tenemos en cuenta
las relaciones de precedencia y la condición que nos hemos impuesto de
finalizar el proyecto en el menor tiempo posible (hipótesis 3).
Gráficamente representaremos a cada actividad del proyecto y sus
tiempos, en un nodo o vértice de la red, con la siguiente estructura:
i Di
MIi MFi
MIi* MFi*
CÁLCULO DEL TIEMPO MÍNIMO DE FINALIZACIÓN DEL PROYECTO

Sobre el particular, y en base a las hipótesis admitidas, es indudable que
podemos considerar que cualquier camino que una los vértices Inicio y
Fin, representará una secuencia de actividades consecutivas. Como todas
las actividades deben estar realizadas para que se considere que el
proyecto ha sido concluido, el mismo no podrá estar terminado mientras
no se ejecuten todas las secuencias de actividades representadas por los
caminos que unen el vértice Inicio con el Fin. Si simbolizamos por Ĉ al
conjunto de todos los caminos que unen dichos vértices, tendremos que
la duración total del proyecto tendrá como cotas inferiores a:
DT   Di  μ  Cˆ
iμ
En consecuencia, existirán tantas cotas inferiores para DT como caminos

incluidos en Ĉ . Por lo tanto, el menor valor posible para DT será la mayor
de esas cotas inferiores, es decir:
DT = max  Di
Ĉ i
Al camino que determina dicho máximo se lo denomina Camino Crítico

(*), siendo muy importante su identificación, pues sobre las actividades
que lo forman, las que llamaremos actividades críticas, deberemos
establecer un estricto control, ya que cualquier demora que se produzca
en las mismas afectará la duración total del proyecto.
Por todo lo expresado podremos, con la finalidad de determinar la
duración total mínima del proyecto (DT) y las actividades críticas, utilizar
el Teorema de la Optimidad. Para ello, y con el objetivo de calcular
información importante para la planificación, administración y control del
proyecto, definimos los siguientes conceptos y fórmulas de cálculo:
• Momento de Inicio más Temprano Posible
256 CAPÍTULO 9
Comenzamos asignando al momento de inicio del proyecto (vértice Inicio)

el valor cero.
MI0 = 0
El momento de inicio más temprano de las actividades siguientes, se
calcula recurrentemente, como el máximo de los momentos más
tempranos de terminación de todas sus predecesoras inmediatas.
MIi = máx MFk k  -1(i)
Donde, el máximo se lo toma para todos los valores de k que representen
a las actividades precedentes inmediatas de la i
• Momento de Finalización más Temprano Posible

MFi = MIi + Di
Siendo para la actividad inicial:
MF0 = 0
Si consideramos que el vértice Fin tiene asociado un número “n” y dado
que su duración es cero (Dn = 0), la duración total mínima (DT) del
proyecto será:
DT = MIn = MFn
Obtenida la duración total mínima del proyecto y mediante un
procedimiento similar al realizado, pero comenzando desde la actividad
Fin hacia la Inicio, deberemos hacer una revisión desde la última
actividad, hacia el comienzo de la red.
• Momento de Finalización más Tardío Permisible

Como el objetivo es minimizar la duración total del proyecto, el momento
más temprano de finalización del proyecto coincide con el momento más
tardío de finalización.
MFn* = MIn = MFn = DT
Partiendo del vértice final, se calculan recurrentemente, los momentos de
inicio y finalización más tardíos, de cada actividad.
El momento de finalización más tardío de una actividad es el mínimo de
los momentos más tardíos de inicio de todas las actividades que le siguen
inmediatamente:
MFi* = min MIr* r   (i)
Donde, el mínimo se lo toma para todos los valores de r que representen
a las actividades inmediatas siguientes a la i
• Momento de Inicio más Tardío

MIi* = MFi* - Di
Asimismo podemos expresar, por todo lo analizado con anterioridad que:
MI0 = MF0 = MI0* = MF0* = 0

MIn = MFn = MIn* = MFn* = DT
ACTIVIDADES CRÍTICAS
Las actividades que no admiten demoras en su ejecución, son llamadas
actividades críticas.
Observemos que las actividades críticas son aquellas que cumplan con la
condición:
MIi = MIi*  MFi = MFi*
Al camino formado por estas tareas se lo conoce como camino crítico, lo
simbolizamos por * y es el camino de valor máximo que une el vértice
Inicio con el vértice Fin.
HOLGURAS O MÁRGENES DE LAS ACTIVIDADES

Es aconsejable, una vez determinado el plazo de finalización de un
proyecto, calcular las holguras de cada actividad como medio de obtener
mayor información sobre cada una de ellas y ver la influencia que, una
modificación en sus tiempos tiene sobre la duración total del proyecto o
sobre las actividades siguientes.
▪ Holgura o Margen Total

Es el tiempo en que se puede retrasar una actividad sin modificar el
momento de finalización del proyecto. Se calcula como:
MTi = MFi* - MFi = MIi* - MIi
▪ Holgura o Margen Libre

Es el tiempo en que se puede retrasar una actividad sin afectar el
momento de inicio más temprano de las actividades siguientes. Se calcula
como:
MLi = min ( MIr – MFi) r   (i)
Donde r representa a todas las actividades inmediatas siguientes a la
actividad i.
Además podemos observar que, para toda actividad i, se verificará:
MTi  MLi  0
Como propiedades importantes de estos márgenes, con relación a que
una actividad sea o no crítica, podemos mencionar:
i es una actividad crítica  MTi = 0
i es una actividad crítica  MLi = 0
O lo que es lo mismo:
MTi = 0  i es una actividad crítica  MLi = 0
Observemos que estas propiedades no excluyen la posibilidad que una
actividad no crítica tenga ML=0
258 CAPÍTULO 9
Supongamos que el siguiente proyecto simplificado, muestra la
operación de lanzamiento al mercado de un nuevo producto:
Código Nombre Descripción Precedencias Duración en días

1 A Investigación del Mercado INICIO 15
2 B Desarrollo del Producto A 30
3 C Estimación del Equipamiento A 8
4 D Desarrollo de los Envases B, C 10
5 E Fabricación del Envase I D 7
6 F Fabricación del Envase II D 5
7 G Fabricación del Producto C 5
8 H Envasado E, F, G 2
9 I Etiquetado H 1
10 J Preparación de Cajas I 1
Tabla 2
Para calcular los momentos MIi, MIi*, MFi y MFi* de cada actividad se
puede trabajar sobre la gráfica de la red:
El primer paso consiste en representar el proyecto en un grafo, para luego
calcular, para cada nodo, los momentos de inicio y fin más tempranos y
más tardíos.
Vamos a adoptar como convención colocar siempre un nodo Inicio y un
nodo Fin.
Asimismo nombraremos como actividades iniciales a aquellas que no
tienen ninguna precedente, y se conectarán directamente con el nodo
Inicio.
Llamaremos tareas finales a las que no preceden a ninguna otra, es decir
tienen ninguna siguiente y éstas se conectarán directamente con el nodo
Fin.
E
D 10
B 30
I 1 J 1 Fin 0
Inicio 0 A 15
F
H
C 8 G 5
Gráfico N° 21
A continuación recorremos el grafo desde el nodo Inicio hasta el nodo Fin

calculando para cada actividad el MI y MF.
En el nodo Inicio, el MI = MF = 0.
Para las actividades que tienen como precedente a Inicio, en este caso
solo la A, el MI = 0.
Luego calculamos el momento más temprano de finalización, para la

actividad A el MFA = 0 + 15 = 15
Inicio 0 A 15
0 0 0 15
Gráfico N° 22
El MF, en todos los casos, es igual al momento más temprano de inicio

más la duración de la actividad.
Para las actividades que no son iniciales, el MI será igual al MF de la
actividad precedente, si solamente tiene una, como es el caso de las
actividades B y C.
B 30
15
Inicio 0 A 15
0 0 0 15
C 8
15
Gráfico N° 23
Calculamos MFi = MIi + Di

B 30
15 45
Inicio 0 A 15
0 0 0 15
C 8
15 23
Gráfico N° 24
Para calcular el MID, cmo tiene más de una precedente, comparamos MFB
y MFC, el máximo de ellos será el MID.
45 D 10
B 30 45
15 45
23
Inicio 0 A 15
0 0 0 15
C 8 G
15 23
Gráfico N° 25
Es decir que MID = máx {MFB, MFC}, recordemos que para que una
actividad pueda iniciarse deben estar finalizadas todas sus precedentes.
260 CAPÍTULO 9
Continuamos de esta manera hasta llegar al nodo Fin, donde tendremos

que:
MIFin = MFFin = MIFin* = MFFin* = DT
J 1 Fin 0
65 66 66 66
66 66
Gráfico N° 26
Ahora vamos a recorrer la red desde el Fin al nodo Inicio calculando para
cada actividad los momentos MF* y MI*.
Para las actividades que poseen una única actividad siguiente el momento
más tarde de finalización permitido es igual al momento más tarde de
inicio de la tarea siguiente.
Así para la actividad I el MFI* = 65 ya que J es la única actividad siguiente
a I.
I 1 J 1 Fin 0
64 65 65 66 66 66
65 65 66 66 66
Gráfico N° 27
Al MII* lo calculamos como MFI*- DI

I 1 J 1 Fin 0
64 65 65 66 66 66
64 65 65 66 66 66
Gráfico N° 28
Para las actividades que tienen más de una tarea siguiente, el momento
más tarde en que debe estar finalizada es igual mínimo de los momentos
más tardes de inicio de las actividades siguientes.
Así vemos que:
MFC* = mín { MID*, MIG*}
45 D 10
B 30 45 55
15 45 45 55
23
45
C 8 G 5
15 23 57 23 28
45 57 62
Gráfico N°29
Igualmente para A el MFA* = mín { MIB*, MIC*} y su MIA*= MFA*- DA
B 30
15 45
15 45
Inicio 0 A 15 15
0 0 0 15
37
0 15
C 8
15 23
37 45
Gráfico N° 30
Al llegar al nodo Inicio nos deberá quedar:
Inicio 0 A 15 1
0 0 0 15
0 0 0 15
Gráfico N° 31
Observando la red completa
B 30 D 10 E 7
15 45 45 55 55 62 I 1 J 1 Fin 0
Inicio 0 A 15 15 45 45 55 55 62 64 65 65 66 66 66
0 0 0 15 64 65 65 66 66 66
0 0 0 15 C 8 F 5
15 23 55 60
37 45 G 5 57 62 H 2
23 28 62 64
57 62 62 64
Gráfico 32
Podemos afirmar que el plazo de finalización del proyecto es de 66 días
DT = 66 días
Las actividades que forman el camino crítico son:
* = {A, B, D, E, H, I, J}
Ya que son las que poseen Margen u Holgura Total nula
Otra forma de trabajar para calcular el tiempo mínimo de finalización del

proyecto es mediante la utilización de una planilla de cálculo, tal como se
muestra en la tabla siguiente:
262 CAPÍTULO 9
Momento Momento Momento Momento

Margen
de Inicio de Inicio de Fin de Fin
Duración Total Act.
Act Preced. Temprano Tardío Temprano Tardío
Di MTi Crítica
MI MI* MF MF*
Inicio 0 0 0 0 0 0
A Inicio 15 0 0 15 15 0 X
B A 30 15 15 45 45 0 X
C A 8 15 38 23 45 22
D B, C 10 45 45 55 55 0 X
E D 7 55 55 62 62 0 X
F D 5 55 57 60 62 2
G C 5 23 57 28 62 34
H E, F, G 2 62 62 64 64 0 X
I H 1 64 64 65 65 0 X
J I 1 65 65 66 66 0 X
Fin J 0 66 66 66 66
Tabla 3
8. CASO EN QUE LA DURACIÓN DE LAS ACTIVIDADES SON VARIABLES

ALEATORIAS
Hasta aquí hemos trabajado considerando que se pueden obtener

estimaciones del tiempo requerido para cada actividad del proyecto con
razonable exactitud. En la realidad, ocurre con frecuencia que existe
bastante incertidumbre sobre cuáles serán estos tiempos. En este caso
supondremos que la duración de cada actividad (Di) es una variable
aleatoria, la cual sigue alguna distribución de probabilidad, conocida o no.
Como consecuencia, la duración total del proyecto será también una
variable aleatoria.
En la teoría se han propuesto fórmulas para el cálculo de las medias y
varianzas de las Di cuando no se conoce su distribución de probabilidad,
como así también para determinar la distribución de probabilidad de DT,
mediante un conjunto de hipótesis simplificadoras que frecuentemente no
se explicitan ni se fundamentan adecuadamente.
HIPÓTESIS REFERIDAS A LAS DURACIONES DE LAS ACTIVIDADES
Hipótesis 1: Es posible efectuar un listado de todas las actividades que
constituyen el Proyecto, indicando con claridad para cada una de ellas
cuál o cuáles son sus precedentes (cuando existan). Por lo tanto
podremos, una vez listadas las mismas, numerarlas y referirnos a ellas
en general como actividad i o actividad i-ésima (i = 1, 2, 3, . . . . , n).
Hipótesis 2: El tiempo de realización de cada actividad es una variable
aleatoria, a la que simbolizamos por Di (i = 1, 2, . . . , n).
Hipótesis 3: Cada variable aleatoria Di tiene como dominio de variación
un intervalo cerrado [ai, bi].
Hipótesis 4: Las variable aleatorias Di son unimodales, pudiendo

estimarse tanto la moda mi, como así también los valores mínimos y
máximos que las variables pueden asumir, es decir pueden estimarse ai
y bi (para i = 1, 2 . . , n).
Hipótesis 5: De las variables aleatorias Di que se desconocen su
distribución de probabilidad, se considerará que la misma es tal que su
media o Esperanza Matemática E(Di) y su Varianza V(Di) se pueden
Estas fórmulas
calcular mediante las siguientes formulas: corresponden a la
media y la varianza de
2 una distribución Beta
ai + 4mi + bi  bi - ai  con parámetros
E(Di ) = V(Di ) =  
6  6  p+q=6
HIPÓTESIS REFERIDAS A LA DURACIÓN DEL PROYECTO

Hipótesis 6: Que el camino crítico, calculado a partir de las E(Di),
considerando a estos tiempos medios como si fueran tiempos constantes
exactamente conocidos, es el camino crítico que se presentará en toda
realización particular del proyecto, independientemente de los valores que
en cada caso puedan asumir las variables aleatorias Di. Esta hipótesis
permite afirmar que el tiempo total del proyecto es la variable aleatoria
DT=  Di, donde el sumatorio se extiende a todos los valores i asociados
con las “actividades críticas”. Esta hipótesis ha sido la más criticada y es
evidentemente falsa en la mayoría de los proyectos 2.
Hipótesis 7: Las variables aleatorias Di son independientes entre si. Esto,
juntamente con la hipótesis anterior y bajo las condiciones establecidas
en el Teorema Central del Límite, esto es que las actividades críticas del
proyecto son “muchas”, permiten afirmar que DT es una variable aleatoria
normal, con media igual a la suma de las medias de las Di asociadas a las
“actividades críticas” y con varianza igual a la suma de las varianzas de
esas mismas actividades.
 
DT  N   E (Di ) ;  V (Di )
i* i * 
DETERMINACIÓN DEL TIEMPO MÍNIMO ESPERADO DE FINALIZACIÓN DEL

PROYECTO
Cuando trabajamos con tiempos de ejecución aleatorios, debemos
calcular para cada tarea, su duración esperada E(Di) y su V(Di), ya sea a
partir del conocimiento de su distribución de probabilidad o de aceptar la
hipótesis 5.
Si desconocemos la distribución de probabilidad de estas variables
aleatorias (hipótesis 5), lo cual ocurre en la mayoría de los proyectos
2
Para más información sobre esta discusión consultar a Pérez Mackeprang et al 1996.
264 CAPÍTULO 9
nuevos, se define para cada actividad, un tiempo de realización optimista

(ai), un tiempo normal (mi) y uno pesimista (bi).
Luego trabajamos sobre la red de la misma forma a lo explicado en el
caso de duraciones conocidas, aclarando que, lo que determinaremos
será, en lugar de la duración total mínima del proyecto, la duración total
mínima esperada (en el sentido de Esperanza Matemática y la Varianza
correspondiente).
____
DT = max
Cˆ
 E(Di) =  E(Di)
i i *
V(DT) =  V(D ) i
i*
____
Una vez calculado DT y V(DT), es necesario realizar un análisis posterior,
con el fin de evaluar probabilísticamente el tiempo de terminación del
proyecto. Para ello se trabaja con el supuesto establecido en la hipótesis
7, calculando por ejemplo, la probabilidad que el proyecto se retrase
cierto plazo establecido previamente, con respecto al valor medio, o bien
determinar el tiempo de finalización para un nivel de confianza dado.
De un proyecto complejo se desconoce la distribución de probabilidad de
la duración de sus actividades, no obstante se pueden estimar los tiempos
optimista, normal y pesimista, los cuales se muestran en la siguiente
tabla.
Se desea calcular el tiempo mínimo esperado de finalización del proyecto.
Obsérvese que en la tabla siguiente, se calculó la media, varianza y
desviación estándar de la duración de cada actividad (Di) a partir de las
fórmulas propuestas en la Hipótesis 5.
Tiempo Tiempo Tiempo

Activ Pred Optimista Normal Pesimista E(Di) V(Di) Di
A - 1 1 7 2 1,00 1,00
B - 1 4 7 4 1,00 1,00
C A 2 2 8 3 1,00 1,00
D B 2 5 14 6 4,00 2,00
E B 2 5 8 5 1,00 1,00
F A 3 6 15 7 4,00 2,00
G C,D 4 4 4 4 0,00 0,00
H E 2 6,5 8 6 1,00 1,00
I F 4 10 16 10 4,00 2,00
Tabla 4
Para calcular el tiempo mínimo esperado de finalización de este proyecto,

aplicamos el método de Camino Crítico, trabajando sobre la red con las
duraciones medias E(Di).
Gráfico 33
Observamos que DT = 19 días y las actividades críticas son A, F e I. Esta

duración total mínima esperada de 19 días indica que sólo tenemos 0,5
de probabilidad de terminar el proyecto en ese plazo o menos. Por lo cual,
se aconseja realizar un análisis posterior de la variable DT para lo cual
debemos averiguar la varianza y desviación estándar de esta variable:
V(DT) =  i = 1 + 4 + 4 = 9
2
DT =  = 2
i
9 =3
i* i *
Observemos que en el caso de duraciones aleatorias, el método PERT/CPM

no da un plazo cierto de finalización del proyecto, sino una distribución de
probabilidad del mismo, que para nuestro ejemplo es:
 DT = 3
19 DT
Gráfico 34
Calculemos la probabilidad de que el proyecto se demore 5 días más del

tiempo esperado.
Prob (DT  24) = ?;
estandarizando la variable DT :
 __ 
 DT0 - DT   24 -19  = Prob ( z  1,67 ) = 0, 9525
Prob  Z   = Prob  Z 
 σDT   3 

 
Vemos que al dar más plazo de finalización, aumenta la probabilidad de

cumplir con el proyecto.
Supongamos ahora que queremos averiguar la fecha de finalización del

266 CAPÍTULO 9
proyecto tal que la probabilidad de cumplir con el mismo sea de 0,9990:
Prob (DT  DT ) = 0,9990;

0
estandarizando la variable DT :
 
 
Prob  Z  DT0 - DT  = 0,9990;
 σ DT 
 
 
Prob  Z  DT0 - 19  = 0,9990;
 3 
Prob ( Z  Z0 ) = 0,9990;
de donde :
Z0 = 3,09;
luego, buscando el valor de la variable original DT :
DT = 19 + (3,09 * 3) = 28,27 dias

0
9. CASO EN QUE LA DURACIÓN DE LAS ACTIVIDADES DEPENDE DE LOS

RECURSOS ASIGNADOS
En los modelos analizados en los puntos anteriores hemos estado

trabajando con proyectos en los cuales la duración de cada actividad era
una constante o una variable aleatoria.
Ahora pasaremos a considerar el caso donde la duración de cada actividad
es una variable que depende de los recursos asignados. Asimismo
supondremos que esos recursos pueden ser medidos monetariamente, y
por lo tanto consideraremos que la duración (Di) de cada actividad es una
función de los fondos que le asignemos, de tal manera que cuanto más
recursos dispongamos para una tarea, menor será su duración.
Llamaremos costo directo de la actividad a los fondos destinados para su
ejecución y supondremos que la duración es una función lineal decreciente
de dicho costo, o lo que es equivalente, que el costo directo de cada
actividad será una función lineal decreciente de la duración que
planifiquemos para la misma. Esto será cierto para valores de Di
comprendidos dentro del intervalo formado por un tiempo mínimo posible
(al que se lo suele denominar duración acelerada o de quiebre y
simbolizaremos por DAi) y un tiempo máximo admisible por encima del
cual una mayor duración no disminuye su costo (al que denominaremos
duración normal y que simbolizaremos por DNi), es decir:
DAi  Di  DNi
Observemos que ahora Di -duración de la actividad i-ésima- es una

variable, mientras que en los casos anteriores Di representaba un
parámetro conocido o la Esperanza Matemática, respectivamente.
Podemos graficar la relación Costo Directo-Duración de una actividad i
cualquiera, de la forma establecida en el gráfico siguiente:
C(Di)
ki
CAi
CNi
DAi DNi Di
Gráfico 35
Donde, la función de costo directo es válida sólo entre la duración normal

y la duración acelerada.
De esta forma, podemos expresar analíticamente el costo directo de una
actividad C(Di) como función de su duración programada (Di):
C(Di) = ki - ci . Di
 Di  [ DAi , DNi ]
Simbolizaremos por CAi el costo total directo de la actividad i, cuando D i
adopta su valor mínimo DAi (y al que llamaremos costo acelerado o de
quiebre) y por CNi al costo total directo de la actividad i, cuando Di asume
su mayor valor posible DNi (al que denominaremos costo normal de la
actividad i). Por lo tanto, podemos expresar:
CAi = ki - ci . DAi
CNi = ki - ci . DNi
Despejando de estas dos ecuaciones ci (costo de reducción de la actividad

i por unidad de tiempo) tenemos que:
CAi -CNi
c i=
DNi -DAi
El problema que se plantea es, dado un plazo de terminación del proyecto

(T), determinar cuál es la duración de cada actividad, que minimice el
costo total directo del mismo.
El valor de T en general es fijado por el sujeto de las decisiones o impuesto
por las características del problema, como, por ejemplo, en los casos en
que el plazo de finalización del proyecto esté fijado en las condiciones de
una licitación o contrato.
268 CAPÍTULO 9
Gráficamente, los valores de T, determinados en los pasos sucesivos en

la reducción del tiempo, y el correspondiente CT son los vértices de la
poligonal correspondiente, sabiendo que, entre cada par de vértices, el
comportamiento es lineal.
El siguiente gráfico muestra la relación entre el tiempo de finalización del
proyecto (T) y los costos mínimos totales directos de las actividades, el
cual representa una curva de costos óptimos asociados a cada duración
total del proyecto.
CT
C(DTA)
C(DTN
DTA DTN T
Gráfico 41
Existen dos formas para trabajar esta problemática:

- Método de Grafos
- Utilizando la Programación Lineal
9.1. MÉTODO DE GRAFOS PARA REALIZAR LA REDUCCIÓN TIEMPO-COSTO DE

UN PROYECTO
Cuando se desea acelerar la finalización de un proyecto a partir de asignar

más fondos a la ejecución de las actividades que lo forman, se puede
trabajar directamente sobre el grafo del proyecto.
Para ello, se parte del grafo del proyecto calculando la DTN (considerando
para cada actividad su duración normal). La reducción debe realizarse por
etapas, reduciendo la duración total (DT) de a una unidad de tiempo por
vez y analizando cuál actividad crítica conviene reducir teniendo en cuenta
su costo de reducción. El proceso se detiene cuando se llega a la DT
deseada o bien cuando algún camino crítico llega a su máximo
acortamiento, esto es, ya no existen en él actividades que puedan ser
reducidas.
Para seleccionar la/las actividades que conviene reducir en cada etapa
deben considerarse los siguientes criterios:
1°) Que la actividad sea crítica
2°) De ellas, la de menor costo unitario de reducción (ci)
3°) En caso que existan dos caminos críticos, comparar el costo de
reducción entre, disminuir una actividad crítica en cada camino o reducir
una actividad crítica común a ambos. Seleccionar la opción de menor
costo. Para redes con más de dos caminos críticos se utiliza el mismo
criterio.
Resulta claro que esta forma de operar resulta sumamente lenta para
proyectos con gran cantidad de actividades.
A continuación se presenta un ejemplo de esta metodología:
Se desea disminuir la duración total de un proyecto complejo, desde su
duración total normal (DTN) hasta la duración total acelerada (DTA), con
el mínimo incremento posible del costo directo.
Datos:
De un proyecto complejo se conocen los datos que se detallan en la tabla
siguiente:
ACT. PREC DNi CNi DAi CAi Reduc. Máx. Ci
A* - 3 $ 70 2 $ 130 1 $ 60
B* A 4 $ 500 2 $ 900 2 $ 200
C* B 6 $ 1000 3 $ 1600 3 $ 200
D* C, H 4 $ 500 3 $ 550 1 $ 50
E B 5 $ 1000 2 $ 1300 3 $ 100
F E 3 $ 500 3 $ 500 0 $ 0
G A 6 $ 800 5 $ 1050 1 $ 250
H G 3 $ 600 2 $ 900 1 $ 300
Tabla 5
* actividades críticas del programa con duración normal
Etapa 1: Con los datos de las actividades, sus predecesoras inmediatas y
los tiempos normales de cada actividad, armamos la red del proyecto y
calculamos el tiempo en que puede estar terminado el proyecto en el
tiempo normal (DTN).
La red resultante es la de la Figura I. El tiempo mínimo de terminación
del proyecto en un tiempo normal es de 17 días con un costo de ejecución
de $ 4.970.- (sumatoria del costo normal de ejecución de todas las
actividades del proyecto)
Las actividades críticas para este proyecto son: A, B, C y D.
Etapa 2: Para realizar el proceso de reducción debemos calcular la
reducción máxima por actividad (DNi) y el costo de reducción por unidad
de tiempo (ci). Los cálculos se encuentran en las dos últimas columnas de
la Tabla 5.
Etapa 3: El procedimiento de reducción consiste en analizar las
actividades críticas y seleccionar aquella tarea que tenga el mínimo costo
de reducción por unidad de tiempo. Se aconseja reducir la actividad
seleccionada de a una unidad de tiempo por vez y en cada caso revisar la
red para identificar si hubo modificaciones en la ruta crítica. Tener en
270 CAPÍTULO 9
cuenta que si en este proceso aparecen rutas críticas paralelas, el criterio

de reducción será el de menor costo de las siguientes alternativas: a)
reducir una actividad de cada ruta crítica en forma simultánea, b) reducir
una actividad en común a todas las rutas.
Para nuestro ejemplo:
1. Si observamos los datos (Tabla 5), la actividad crítica con mínimo
costo de reducción por unidad de tiempo es D, con un costo de $ 50.- y
pude reducirse hasta un día. Reduciendo D en un día obtenemos la red
del Grafico 36. El tiempo mínimo de terminación del proyecto es ahora de
16 días y el costo de ejecución de $ 5.020 el cual surge de (4.970+50).
Las actividades críticas siguen siendo A, B, C y D.
E 5
7 12 F 3
9 14 12 15
14 17
Ini 0 A 3 B 4 C 6 Fin 0
cio 17 17
0 0 0 3 3 7 7 13
0 0 0 3 3 7 7 13 17 17
D 4
13 17
13 17
G 6 H 3
3 9 9 12
4 10 10 13
Gráfico 36
2. Analizamos nuevamente las actividades críticas y elegiremos para
su reducción la que tenga menor ci. En este caso es A con un costo de $
60, pudiendo reducirse en 1 día. Con la reducción de A obtenemos la red
del Grafico 37. El tiempo mínimo de terminación del proyecto (T) es de
15 días y el costo de ejecución asciende a $ 5.080 (5.020+60). Las
actividades críticas continúan siendo A, B, C y D.
E 5
6 11 F 3
7 12 11 14
12 15
Fin 0
Inicio 0 A 3 2 B 4 C 6
15 15
0 0 0 2 2 6 6 12
15 15
0 0 0 2 2 6 6 12 D 3
12 15
12 15
G 6 H 3
2 8 8 11
3 9 9 12
Gráfico 37
3. A y D se redujeron en su totalidad. B y C tienen el mismo costo de

reducción por unidad de tiempo, ambas pueden reducirse en 2 y 3 días
respectivamente. Pero reduciendo B se reduce la longitud de dos rutas.
Es por eso que B es preferible a C. Procedemos a reducir B en un día con
un costo de $ 200 por día. Obtenemos la red del Grafico 38. Para esta red
T = 14 días y el costo de ejecución es ahora de $ 5.280.-(5.080 + 200).
Con un tiempo de terminación del proyecto de 14 días, tenemos dos rutas
críticas. Una dada por las actividades A, B, C y D; la otra, por las
actividades A, G, H y D.
E 5
5 10 F 3
6 11 10 13
11 14
Fin 0
Inicio 0 A 2 B 4 3 C 6
14 14
0 0 0 2 2 5 5 11
14 14
0 0 0 2 2 5 5 11 D 3
11 14
11 14
G 6 H 3
2 8 8 11
2 8 8 11
Gráfico 38
4. En la primera ruta crítica (A, B, C y D), podemos reducir B o C con

un costo de $ 200 por día, (mencionamos anteriormente que B era
preferible a C). En la segunda ruta crítica (A, G, H y D), G tiene un costo
de reducción de $ 250 por día y H tiene un costo de reducción de $ 300
por día, ambas pueden reducirse en un día. Para lograr acortar el proyecto
en un día deberemos reducir las actividades B y G simultáneamente. La
red que resulta de esta etapa es la del Grafico 39. T = 13 días y el costo
para terminar el proyecto en ese tiempo es de $ 5.730.- (5.280 + 200 +
250). Las rutas críticas son 1) A, B, C y D y 2) A, G, H y D.
E 5
4 9 F 3
5 10 9 12
10 13
Fin 0
Inicio 0 A 2 B 3 2 C 6
13 13
0 0 0 2 2 4 4 10
13 13
0 0 0 2 2 4 4 10 D 3
10 13
10 13
G 6 5 H 3
2 7 7 10
2 7 7 10
Gráfico 39
272 CAPÍTULO 9
5. Para reducir el tiempo de terminación en un día más deberemos

reducir una actividad en cada ruta crítica. Analicemos:
1) Act. Reducción Ci 2) Act. Reducción Ci
Posible Posible
A - - A - -
B - - G - -
C 3 200 H 1 300
D - - D - -
Tabla 6
Reduciendo C y H en forma simultánea obtenemos la red del Grafico 40.
Observemos que ya no se puede continuar reduciendo, con lo cual
decimos que la duración acelerada del proyecto (DTA) es de 12 días, el
costo de ejecución para ese tiempo es de $ 6.230.- (5.730 + 200 + 300)
y tenemos tres rutas críticas: 1) A, B, C y D; 2) A, G, H y D y 3) A, B,
E y F. E 5
4 9 F 3
4 9 9 12
9 12
Fin 0
Inicio 0 A 2 B 2 C 6 5
12 12
0 0 0 2 2 4 4 9
12 12
0 0 0 2 2 4 4 9 D 3
9 12
9 12
G 5 H 3 2
2 7 7 9
2 7 7 9
Gráfico 40
9.2. MODELO DE PROGRAMACIÓN LINEAL PARA CALCULAR LA DURACIÓN

ÓPTIMA DE LAS ACTIVIDADES DADO EL PLAZO DE FINALIZACIÓN DEL PROYECTO
Cuando el proyecto está formado por muchas actividades es aconsejable

utilizar la técnica de PL para realizar la reducción tiempo - costo.
Este modelo, permitirá calcular la duración de cada actividad cuando se
fija un plazo de finalización (T), teniendo en cuenta el costo de reducción
asociado a cada una, de forma de lograr realizar el proyecto al mínimo
costo total directo.
Cuando el proyecto no tiene una fecha de finalización establecida, el valor
de T a asignar dependerá del mejor intercambio entre el costo total
directo y el tiempo de finalización del proyecto. La información necesaria
para tomar la decisión está referida a cómo cambia el costo mínimo total
directo al cambiar el valor de T en el PL formulado.
Se aconseja para ello, calcular el PL partiendo de T = DTN, o bien, T =
DTA y luego determinar el valor mínimo (o máximo) de T que no altera la
base óptima -dato que se obtiene del análisis de sensibilidad -. Se calcula

nuevamente el PL para este valor de T y así sucesivamente hasta llegar a
T=DTA (o T=DTN).
En primer lugar, consideremos la función objetivo:
Min Z =  C(Di) =  (ki - ci . Di) = ki -  ci . Di
Esto es equivalente a:
Max Z =  ci . Di
A fin de plantear las restricciones del modelo, recordemos que según lo
expresado al describir las técnicas PERT/CPM:
MIi = máx MFk  k  (-1)(i)
por lo tanto,
MIi  MFk  k  (-1)(i) (3)
Como:
MFi = MIi + Di  MIi = MFi - Di
remplazando en (3) a MIi por su igual:

MFi - Di  MFk  k  (-1)(i)
lo que también puede expresarse como:

MFk + Di - MFi  0  k  (-1)(i)
Por todo lo expuesto, podemos plantear nuestro modelo de programación

lineal, de la forma:
Max z =  ci Di
Sujeto a:
MFk + Di - MFi  0  k  (-1)(i)

DAi  Di  DNi i = 1, 2, ..n (4)
MFn  T
MFi  0
T será un número comprendido entre la duración total mínima del
proyecto (DTA), y la duración total normal (DTN), es decir que:
DTA  T  DTN
Aclaremos que DTA se determina calculando el valor del camino crítico
considerando que todas las actividades se realizan en su tiempo acelerado
(DAi). Mientras que, para calcular la duración total normal del proyecto,
se asume que todas las actividades se realizan en el tiempo DN i.
274 CAPÍTULO 9
MODELO LINEAL EQUIVALENTE

Podemos expresar el modelo (4) en una forma equivalente. En este caso,
en lugar de definir como variables las duraciones de cada actividad (Di),
las variables representarán cuánto se reduce cada actividad. Para ello
definimos:
yi: unidades de tiempo que disminuye la duración normal de la actividad
i-ésima.
Recordando que, Di  DNi, podemos escribir:

Di = DNi - yi
o lo que es lo mismo:
Di + yi = DNi
En consecuencia, sustituyendo en (4) a Di por su igual, planteamos el

modelo lineal:
Min z’ =  ci yi
Sujeto a:
MFi - MFk + yi  DNi  k  (-1)(i)
MFn  T (5)
yi  DNi – DAi
MFi  0 yi  0 i = 1, 2,...n
Creemos conveniente recordar además que, tanto en el programa (4)

como en el (5) al plantear un caso particular, consideraremos que:
MF0 = 0
Siguiendo un procedimiento similar al desarrollado hasta aquí, se puede
encontrar otra formulación lineal equivalente del programa (4),
trabajando con los momentos más tempranos de inicio (MIi).
A fin de mostrar una aplicación de este tema, trabajaremos con el
proyecto enunciado en la tabla 2, del cual suponemos que conocemos los
siguientes datos respecto a la aceleración de sus actividades:
Duración Duración Aceleración Costo de

Normal Acelerada Costo Costo máxima en Aceleración por día
Act. Preced en días en días Normal Acelerado días CAi - CNi
ci =
DNi DAi CNi CAi DNi –DAi DNi - DAi
A Inicio 15 13 100 150 2 25
B A 30 25 500 800 5 60
C A 8 6 80 120 2 20
D B, C 10 8 100 130 2 15
E D 7 6 150 200 1 50
F D 5 4 180 200 1 20
G C 5 5 1000 1000 0 0
H E, F, G 2 1 110 140 1 30
I H 1 1 50 50 0 0
J I 1 1 40 40 0 0
Tabla 7
La red representativa del proyecto es la siguiente:
B D E
Inicio A 30 10 7
0 15
F
5 H
2
C G
8 5
I J Fin
1 1 0
Gráfico 42
Utilizaremos para este ejemplo, el modelo lineal plantado en (5), para ello
definimos a las variables como:
MFi = momento de finalización más temprana de la actividad i (i = A, B,
..., J)
yi = cantidad de unidades de tiempo que se acelera la actividad i (i = A,
B.., J)
El objetivo es minimizar el costo total de la reducción, por lo que la función
objetivo queda:
Min Z = 25 yA + 60 yB + 20 yC + 15 yD + 50 yE + 20 yF + 0yG + 30yH + 0
yI + 0 yJ
A las restricciones del modelo podemos agruparlas en tres conjuntos:
1.- Conjunto de restricciones que describen la red usando los momentos
de finalización más temprana. Esto es que, para cada actividad, el
momento de finalización más temprano no debe ser inferior al momento
más temprano de finalización de la/s precedente más la duración normal
de la actividad, menos los días que se reducirán.
Por ejemplo para la actividad A:
MFA  MFInicio + 15 - yA
Como MFInicio es igual a cero, la restricción queda:
276 CAPÍTULO 9
MFA  0 + 15 - yA
Para la B:
MFB  MFA + 30 – yB
En el caso de tener más de una precedente, como por ejemplo la actividad
D, se debe plantear una restricción para cada una, es decir:
MFD  MFB+ 10 – yD
MFD  MFC+ 10 – yD
Para la actividad Fin se plantea una restricción como la que se da a

A la actividad Fin se la
continuación, para cada una de sus precedentes:
trata de la misma
manera que a las MFFin  MFJ
restantes.
2.- Este conjunto está formado por una sola restricción, la que limita la
duración total del proyecto. Si simbolizamos con T a la duración
requerida:
MFFin  T
3.- Por último, el conjunto de restricciones que limitan la reducción

máxima de cada actividad.
yA  2; yB  5; yC  2; yD  2; yE  1
yF  1; yG  0; yH  1; yI  0; yJ  0
Agrupando lo obtenido y agregando las restricciones de no negatividad,

el modelo lineal resulta:
Min Z = 25 yA + 60 yB + 20 yC + 15 yD + 50 yE + 20 yF + 0yG + 30yH + 0
Observe que a las yI + 0 yJ
actividades que no
pueden reducirse se Sujeto a:
las agregó en la MFA + yA  15
función objetivo con
costo de reducción MFB + yB – MFA  30
cero y se limitó la
reducción máxima
MFC + yC – MFA  8
también a cero. MFD + yD – MFB  10
MFD + yD –MFC  10
MFE + yE – MFD  7
MFF + yF – MFD  5
MFG + yG – MFC  5
MFH + yH – MFE  2
MFH + yH – MFF  2
MFH + yH – MFG  2
MFI + yI – MFH  1
MFJ + yJ – MFI  1
MFFin  MFJ
MFJ T
yA  2 yF  1
yB  5 yG  0
yC  2 yH  1
yD  2 yI  0
yE  1 yJ  0
MFi  0
yi  0 Se recomienda
plantear este problema
i= A, , C, D, E, F, G, H, I, J utilizando el PL (4).
Posteriormente,
resolver ambos
En la tabla 8 se resumen los resultados obtenidos, para cada posible valor modelos y comparar
los resultados
de T comprendido entre la DTN y la DTA del proyecto. Es decir, obtenidos.
55  T  66
Como lo expresáramos anteriormente, DTA se determina calculando el
valor del camino crítico considerando que todas las actividades se realizan
en su tiempo acelerado (DAi). Mientras que, para calcular la duración total
normal del proyecto, se asume que todas las actividades se realizan en el
tiempo DNi.
En la tabla 7 se observa claramente cómo aumenta el costo total directo
mínimo a medida que reducimos la duración total del proyecto, así, para
el tiempo de finalización del proyecto de 55 días, el costo total directo se
incrementó en $460.-
Para valores de finalización inferiores a 55 días, se comprobó
empíricamente que el programa es no factible, lo cual indica que uno o
varios de los caminos críticos tienen actividades que ya no pueden
acelerarse y por lo tanto, no es posible realizar el proyecto en un tiempo
menor a ese plazo.
Por otra parte, tampoco resulta conveniente analizar duraciones totales
del proyecto superiores a 66 días, ya que en base a los supuestos con que
trabajamos, la función de costo directo de cada actividad deja de tener
validez para valores de Di  DNi. En realidad, si se deseara prolongar la
duración de la actividad i, más allá de DNi, la función de costo directo a
partir de este valor, debería ser constante o creciente, no produciendo
ninguna ventaja económica considerar tiempos superiores a los normales.
Es importante además recordar que, a los fines de la toma de decisiones,
que una vez calculados los costos directos de aceleración del proyecto,
debemos relacionarlos con los costos indirectos (tales como multas,
intereses, instalaciones) asociados a los distintos tiempos de finalización,
si estos existieran. La suma de estos costos, proporcionará el costo total
mínimo del proyecto para los diferentes valores de T, siendo, la duración
óptima del proyecto, aquella que minimice dicha función de costo total.
Para ello se deberá adicionar a la tabla 8 una columna para los costos
indirectos. Esta situación se muestra en el gráfico siguiente.
278 CAPÍTULO 9
C(T)
Costo Total
Costo Indirecto
Costo Directo
T
T óptimo
Gráfico 43
Duración total Actividades que

Cantidad de días Incremento en el Costo Total
del Proyecto reducen su
que se reducen Costo Total Directo Directo
en días duración
66 2310
65 D 1 15 2325
64 D 2 30 2340
D 2
63 A 1 55 2365
D 2
62 A 2 80 2390
D 2
A 2
61 110 2420
H 1
D 2
A 2
H 1
60 160 2470
E 1
D 2
A 2
H 1
220
59 E 1 2530
B 1
D 2
A 2
H 1
58 E 1 280 2590
B 2
D 2
A 2
H 1
57 E 1 340 2650
B 3
D 2
A 2
H 1
56 E 1 400 2710
B 4
D 2
A 2
H 1
55 E 1 460 2770
B 5
Tabla 8
280 CAPÍTULO 9
ACTIVIDAD 1
RESPONDA SI LAS SIGUIENTES AFIRMACIONES SON VERDADERAS O FALSAS
A. Si una actividad no crítica se retrasa más allá de su tiempo de holgura,
sin cambiar alguno de los demás factores, la duración total del
proyecto se extenderá.
B. Para todas las actividades del camino crítico, el momento de
finalización más tardío es igual al momento de inicio más temprano.
C. En un diagrama de grafo PERT/CPM que utiliza el método americano,
cada actividad está representada por un nodo de la red.

1. Si los tiempos de realización de las actividades de un proyecto son
variables aleatorias, ¿cuál es la probabilidad de que el proyecto esté
concluido en el tiempo mínimo esperado y por qué?
2. Cuando es necesario reducir el tiempo de realización de un proyecto,
¿sobré cuáles actividades debemos concentrar nuestros esfuerzos y
por qué?
3. ¿Cuántas restricciones tiene el modelo lineal de acortamiento para un
grafo con 8 actividades (dos sin predecesoras inmediatas) y 15
relaciones de precedencia?
ACTIVIDAD 2
Para cada uno de los siguientes grafos, encuentre el camino de valor
mínimo usando el método de Dijkstra
6
1) 3 4 6
2 7
5
4
1 2 8
3
4 8
3 1 6 7
5
25 4
2 25
20 20 10
12 10
7
2) 1 5
15
15
3 30 35
20
6
ACTIVIDAD 3
Para cada uno de los siguientes grafos, encuentre el árbol de expansión
mínima
4
1) 2 4
5
3
9 7
1 3
8
2 6
5 6
2) 2
7
5
12 10
9
10
1 4 15
8 7
15 20
8
3
6
10
ACTIVIDAD 4
Fresh S.A. fabrica heladeras del tipo frigobar. La compañía adquiere con
proveedores externos todos los componentes que utiliza en su fabricación.
A continuación se presentan las actividades y sus relaciones. Los tiempos
asociados con el proceso de fabricación se muestran en la tabla.
Las primeras actividades pueden ejecutarse en forma simultánea:
(1) Comprar el plástico para los anaqueles.
(2) Comprar las láminas de chapa enlozada y el aislante térmico.
(3) Comprar el motor.
Cuando se ha recibido el plástico,
(4) se deben moldear los anaqueles.
Después que se recibe la chapa y el aislante,
(5) se fabrican las estructuras y, después
(6) se les coloca el aislante.
Luego de haber terminado las actividades (4), (3) y (6),
(7) se ensamblan las tres unidades en una sola.
Una vez concluida la actividad (7), se puede
(8) inspeccionar la unidad,
(9) empacar la unidad, y
(10) enviar la unidad.
282 CAPÍTULO 9
Activid. 1 2 3 4 5 6 7 8 9 10
Tpo. semanas 4 2 10 3 2 4 3 1 1 1
a) Elabore el grafo representativo del proyecto de fabricación.

b) Identifique a las actividades críticas del proyecto.
c) Identifique la ruta crítica del proyecto.
d) Suponga que la actividad 4 se retrasa 1 semana, ¿se afecta la
fecha límite de terminación del proyecto?
ACTIVIDAD 5
Los datos que se detallan a continuación corresponden a las actividades
necesarias para llevar a cabo una campaña política:
Actividad A B C D E F G H I J
Tiempo
3 8 5 2 4 3 6 7 9 3
esperado
Desviación 0,33 0,25 1 2 0,55 1 2 0,16 1 1
Al realizar la planificación con P.E.R.T., se identificaron los siguientes

caminos:
 A, E, G, I y J
 A, B, D, F, G y J
 A, C, E, G, H y J
 A, C, D, E, F, H y J
Con esta información y sin realizar el dibujo de la red responda las

siguientes preguntas:
a) ¿Cuál es el tiempo esperado de finalización de la campaña política y
con qué probabilidad se terminará en ese tiempo?
b) ¿Cuál es la probabilidad de que esté terminada en 35 días?
ACTIVIDAD 6
De un proyecto complejo formado por 9 actividades, al aplicar el Método
P.E.R.T. se obtiene:
* = a, b, d, g, i  ;
Tiempo mínimo esperado de finalización: 40 días

a = 2 b = 2,1 c = 1,5 d = 1,1 e = 1,2
f = 1,2 g = 0,5 h = 0,5 i = 2,5
Calcular el plazo de finalización del proyecto tal que la probabilidad de
cumplir con el mismo sea de 0,999
Sabiendo que: P(Z  3,09 = 0,999)
ACTIVIDAD 7
La siguiente tabla indica las actividades de un proyecto de investigación
de mercado y sus datos sobre tiempos y costos.
Actividad Precedente Tiempo Tiempo acelerado Costo de
normal (días) reducción
(días) ($/día)
A -- 8 6 15
B A 9 5 25
C A 10 5 25
D C 15 10 15
E B-D 10 6 10
F E 2 1 30
Suponga que la empresa debe reducir 3 días la duración total del

proyecto.
Se solicita:
a) Aplicar el método de grafos para indicar la forma de reducir el
proyecto al menor costo.
b) Escriba un programa lineal para realizar la reducción. Defina las
variables y parámetros que utiliza en el modelo.
CAPÍTULO 10
ADMINISTRACIÓN DE INVENTARIOS
1. INTRODUCCIÓN
Electryka SA es una empresa dedicada a la venta de aparatos

electrónicos, computadoras, reproductores de videos, cámaras de foto,
etc. Roberto, su gerente, recientemente ha implementado un plan de
reducción de costos y, con este fin, solicita una reunión con Juan, el
encargado de compras.
Roberto dijo: “Juan hemos implementado un plan de reducción de costos,
en este sentido te pido que revises las políticas de inventario”.
Con esta consigna, Juan está analizando la política de compras de un
reproductor de videos portátil; de este producto siempre ha solicitado 5
aparatos por pedido, ya que el fabricante entrega la mercadería en forma
inmediata.
Sin embargo, y considerando el hecho de que procesar una orden de
pedido cuesta $40, Juan decide cambiar su política de compras.
Basándose en una demanda anual proyectada de aproximadamente 500
aparatos, planea ordenar 10 unidades cada vez. “De esta manera,
realizaré menos pedidos en el año, en realidad la mitad, y esto debe
traducirse en un ahorro en los costos de pedidos”, pensó.
Roberto revisó el informe de Juan, le señaló que la decisión de comprar
10 aparatos por pedido no era la mejor y dijo: “Hemos proyectado que el
costo anual de mantener un reproductor portátil en inventario es de
aproximadamente el 20 % y su precio de compra es de $500. Esto
significa que la empresa gastaría $100 por cada aparato que conserva en
inventario durante un año. Si duplicamos la cantidad de aparatos que se
piden cada vez, estaremos incrementando en la misma proporción el
costo de conservación de los mismos. Me parece que la decisión de
comprar 10 aparatos por pedido no es la mejor, por lo que me gustaría
que justificara más ampliamente su decisión, rectificándola o
ratificándola”.
Con la observación de Roberto, Juan se dispuso a analizar más
detalladamente el problema para realizar su informe.
¿Es erróneo el análisis de Juan? ¿Debería cambiar la política de compras?
286 CAPÍTULO 10
Problemas de este tipo pueden ser analizados utilizando modelos de

administración de inventarios.
El objetivo de la administración de inventarios es determinar reglas que
puedan aplicarse para reducir al mínimo los costos relacionados con el
mantenimiento de existencias de mercadería y, al mismo tiempo, poder
cumplir con la demanda.
A través de los años, se han desarrollado varios modelos que permiten
determinar estas reglas ante diferentes situaciones. Los mismos
responden a las siguientes preguntas:
¿Cuánto se debe pedir de un producto?
¿Cuándo se debe hacer el pedido?
Como cada modelo de inventario contempla una realidad diferente, al
momento de analizar un determinado problema, en primer lugar, se lo
debe caracterizar adecuadamente para, así, poder seleccionar el modelo
correcto.
Fundamentalmente se debe identificar la política de administración de
inventarios y los elementos más importantes que la componen, como, por
ejemplo:
✓ Características de la demanda.
✓ Costos relevantes.
✓ Posibilidad de admitir faltantes en almacén.
✓ Retrasos en el ingreso de los pedidos.
✓ Precio del producto.
✓ Posibilidad de aceptar pedidos pendientes.
✓ Modalidad de ingreso del pedido.
Para analizar las políticas de administración de inventarios, usaremos
algunos gráficos que representan el comportamiento del stock. Por
ejemplo, observemos la siguiente figura:
Gráfico 1
En el eje de abscisa se representa el tiempo y en el de las ordenadas, la

cantidad de unidades almacenadas.
ADMINISTRACIÓN DE INVENTARIOS 287
En los momentos 0, t0, t1 se tienen S unidades almacenadas, luego, a

medida que pasa el tiempo, esa cantidad va disminuyendo. La
oportunidad en que deben realizarse los pedidos está determinada por un
nivel mínimo de inventario x, llamado punto de renovación de pedido o
nivel de reorden. Este nivel de inventario nos indica el momento de
realización del pedido, lo que hace que la periodicidad sea variable.
La cantidad fija que se repone (q) estará dada por S - x, la cual ingresa
en forma instantánea. Este es un sistema de administración de pedidos
con cantidades fijas por periodos variables; tiene la ventaja de evitar que
se produzcan faltantes de stock, pero es difícil prever el momento en que
se debe efectuar el pedido.
Otra de las políticas típicas es la representada en la siguiente figura:
t1 2t1 t
Gráfico 2
En este caso, sabemos exactamente el momento en el que hay que hacer

un pedido (t1, 2t1). Sin embargo, la cantidad a pedir dependerá del stock
existente en ese momento. Es decir que se realizan pedidos en periodos
de tiempo fijos, pero con cantidades variables.
El inconveniente de este método es que pueden presentarse rupturas o
faltantes en el inventario, que pueden no ser convenientes, tal como
ocurre entre los momentos t1 y 2t1.
Por supuesto, entre estas dos formas de administrar un inventario,
existen muchas otras que surgen de la combinación de ambas.
Con respectos a los elementos a considerar al momento de seleccionar el
modelo adecuado, además de la política de inventario, debemos
contemplar:
✓ Características de la demanda. La demanda puede ser
determinista o aleatoria. Al considerar que la demanda es
determinista, implícitamente se está suponiendo que ella es
perfectamente conocida y que se da a una tasa constante en el tiempo.
En el caso de ser aleatoria, podrá corresponder a una variable discreta
o continua.
✓ Costos relevantes. Cuando se realiza un análisis de inventarios,
deben tenerse en cuenta diversos costos. Algunos de ellos son:
288 CAPÍTULO 10
- Costo de pedido: al emitir una orden de pedido, se incurre en

diversos gastos, fundamentalmente administrativos. De la misma
manera, también se tienen gastos al iniciar un lote de producción,
por ejemplo, al poner en marcha una línea de producción o al
preparar una máquina para una corrida de producción. Se trata de
un costo fijo, es decir, independiente del número de unidades
pedidas o fabricadas.
- Costo de almacenamiento: el hecho de tener mercadería
almacenada produce un costo que comúnmente se llama costo de
conservación o de almacenamiento y que, por lo general, se expresa
por unidad de producto y para el periodo total de análisis o por
unidad de producto y por unidad de tiempo. Este costo incluye ítems
tales como alquileres de los depósitos destinados a almacén,
seguros, requerimientos de manejo especial –como refrigeración–,
robo, objetos rotos, etc. Y, el más importante de todos, el costo del
capital inmovilizado en inventarios.
- Costo de ruptura o agotamiento: se produce una ruptura de
stock cuando la demanda supera la cantidad de mercadería en
inventario. Cuando se produce una ruptura, puede ocurrir que esta
quede como pedido pendiente, en cuyo caso la mercadería se
entregará cuando se disponga nuevamente de stock, o puede
suceder que la venta se pierda. En cualquier caso, una ruptura
produce un costo, llamado costo de agotamiento o de ruptura. Este
costo, que puede incluir tanto componentes explícitos como
implícitos, suele medirse por unidad de producto y para el periodo
total de análisis o, al igual que el de almacenamiento, por unidad
de producto y por unidad de tiempo.
✓ Retrasos en el ingreso de los pedidos: debe tenerse en cuenta
el periodo que transcurre entre el momento de hacer el pedido –o
iniciar un lote de producción– y aquel en el cual está disponible la
mercadería. La mercadería puede ingresar en forma instantánea, en
cuyo caso se dice que el periodo de adelanto () es cero. De lo
contrario, puede ocurrir que este periodo sea distinto de cero, pero
perfectamente conocido –determinista– o que sea aleatorio.
✓ Modalidad de ingreso del pedido: puede suceder que el pedido
ingrese al almacén en un solo lote o en forma parcial a lo largo de un
periodo de tiempo.
✓ Precio del producto: se deben tener en cuenta aquellos casos en
los que el precio del producto varía según el tamaño del pedido.
2. CLASIFICACIÓN ABC
Uno de los primeros pasos para la administración y análisis de un sistema

de inventarios es realizar un análisis ABC. Este sistema permite
determinar qué artículos representan la mayor parte de la inversión y si
se justifica mantener invertidos estos recursos.
Ford Dickie, en 1951, aplica el principio de Pareto a la administración de
inventarios y lo llama análisis ABC.
El sistema ABC ordena los artículos que componen el inventario en base Vilfredo Pareto, en
al porcentaje que su valor monetario representa en el total, de manera 1897, afirmó que el
20 % de las
que se puedan tomar decisiones eficientes que permitan optimizar la personas
administración de los recursos asignados. Clasifica los artículos en tres ostentaban el 80%
del poder político y
grupos: la abundancia
económica,
- Grupo A: se incluyen los artículos más importantes para efectos de mientras que el 80
control. Aquellos que contribuyen al 80 % del valor monetario % restante de la
población se
acumulado y generalmente constituyen alrededor del 20 % de los repartía el 20 %
restante de la
ítems. En general, representan pequeñas cantidades de artículos riqueza y de la
costosos, los cuales deben estar sujetos a un estricto control y se influencia política.
utilizan procedimientos complejos de pronóstico. Se debe tener

cuidado al estimar los diversos parámetros de costo para establecer
las políticas de operación.
- Grupo B: corresponde a aquellos artículos de importancia
secundaria, que verifican valores monetarios porcentuales entre el 10
% y el 15 %, y comprende alrededor del 25 % de todos los ítems. A
estos artículos se les aplica un control moderado, los artículos se
pueden revisar en forma periódica, se solicitan por grupos y no de
forma individual y se utilizan métodos de pronóstico menos
complicados.
- Grupo C: son artículos de importancia reducida, corresponden
entonces al 5 % del valor monetario porcentual y comprenden más o
menos el 55 % de los ítems. Sobre ellos se efectúa un grado mínimo
de control. Se deben realizar pedidos de gran tamaño con el fin de
minimizar la frecuencia de pedidos.
Esta clasificación es arbitraria, pudiendo diferir los porcentajes asignados
a cada grupo e incluso existir un número diferente de grupos.
El procedimiento práctico a seguir para el sistema de clasificación de
inventarios ABC es el siguiente:
1º Determinar la participación monetaria de cada artículo en el valor
total del inventario.
2º Tabular los artículos del inventario en orden descendente según el
porcentaje de dinero invertido en cada ítem del inventario y calcular
el acumulado.
3º Calcular el porcentaje que cada ítem representa en el total y luego
el acumulado.
290 CAPÍTULO 10
4º Graficar la curva ABC del porcentaje acumulado del uso del dinero
en función del porcentaje acumulado de ítems.
En el gráfico siguiente, se muestra un esquema de clasificación ABC donde
la curva representa el del porcentaje acumulado del uso del dinero en
función del porcentaje acumulado de artículos.
Gráfico 3
De esta manera, se espera que una cantidad reducida de ítems que se

encuentran en la parte superior de la clasificación serán parte del grupo
A y requerirán la mayor atención por parte de la gerencia; la mayor
cantidad de ítems que se encuentran en la parte inferior de la clasificación
son asignados al grupo C y requerirán una mínima atención de la
gerencia; y la cantidad restante de ítems hará parte del grupo B y
requieren mediana atención.
Dado que mantener un nivel de inventario implica un capital inactivo, es
natural que se ejerza un control sobre aquellos artículos que representen
una mayor inversión en capital. Por otro lado, aquellos artículos que
contribuyen muy poco en la inversión en capital merecen poca atención.
3. DEFINICIÓN DE LA SIMBOLOGÍA A UTILIZAR
Convenimos utilizar la siguiente simbología en todos los desarrollos que

realizaremos en el presente capítulo:
T: período de análisis.
N: demanda total en el período de análisis.
t: unidad de tiempo.
h: demanda en la unidad de tiempo o tasa de demanda.

S: nivel máximo de stock.
q: cantidad a pedir o tamaño del lote (de producción o compra).
t1: periodicidad de efectuar los pedidos o iniciar las corridas de
producción.
: tiempo que transcurre entre el momento de realización del pedido
(o corridas de producción) y su ingreso al almacén, también conocido
como período de adelanto o de reaprovisionamiento.
v: cantidad de pedidos (o corridas de producción) a efectuar en el
período de análisis T.
pi: costo unitario de producción o adquisición del producto.
Cs: costo de almacenar una unidad de producto en la unidad de
tiempo.
Cp: costo de efectuar un pedido o iniciar un lote de producción.
Cr: costo de ruptura por unidad de producto y por unidad de tiempo.
Cf: costo por unidad de producto faltante al final del período de
análisis.
Ce: costo por unidad de producto excedente o sobrante al final del
período.
CT: costo total variable de la política de inventarios.
4. MODELO 1 DE UNIVERSO CIERTO O MODELO SIN RUPTURA
Vamos a comenzar con el modelo más simple y clásico, también llamado

modelo de la cantidad económica de pedido (CEP). Está encuadrado
dentro de los modelos de universo cierto o determinístico. Esta
caracterización se realiza a partir de que se considera la demanda como
una cantidad conocida.
Supuestos del modelo
Es muy importante, al momento de utilizar un modelo de inventarios en

particular, conocer las hipótesis o supuestos que lo sustentan, ya que, si
alguno de estos variara, el modelo ya no sería válido.
Las consideraciones o supuestos que lo caracterizan son:
1. La demanda es conocida y se produce a una tasa constante en el
tiempo.
2. No se permiten rupturas de stock.
3. El volumen del pedido o lote de producción es constante.
4. Se emite una orden de pedido/producción cuando el nivel del
inventario llega a cero.
5. El pedido o lote de producción ingresa instantáneamente, es decir
que el periodo de adelanto es cero.
292 CAPÍTULO 10
6. La mercadería se recibe en un solo lote.

7. El horizonte de tiempo es infinito y continuo.
8. El precio de costo/producción es constante, no importa la cantidad
que se pida/fabrique.
9. Los costos se consideran constantes en el horizonte de tiempo.
Los costos relevantes en este modelo son el costo de emisión de la orden
de pedido (Cp) y el costo de mantener almacenado el producto (Cs).
Gráfica del comportamiento del inventario en el modelo CEP
A partir de los supuestos enunciados, podemos graficar el

comportamiento del inventario para este modelo de la siguiente manera:
S(t)
S=q
t1 2 t1 3 t1 t
Gráfico 4
Desarrollo del modelo
El objetivo de este modelo es determinar la cantidad óptima de pedido

(q*), de manera que se minimicen los costos totales (CT) y se cumpla con
la demanda del producto (N).
Las variables, cuyos valores nos interesan determinar, son:
q = cantidad a pedir o tamaño del lote.
t1 = periodicidad de efectuar los pedidos o iniciar las corridas de
producción.
v = cantidad de pedidos (o corridas de producción) a efectuar en el
Dado que la tasa de demanda (h) es constante por unidad de tiempo,
podemos establecer las siguientes relaciones entre las variables:
N q Tq N
h= = ; t1 = ; v= (1)
T t1 N q
El costo total variable puede expresarse como la suma del costo total
variable de hacer los pedidos y el costo total variable de almacenamiento.
(Costo Total variable) = (Costo Total de Pedidos) + (Costo Total de Almacenamiento)

donde:
(Costo Total de Pedidos) = (Costo de hacer un pedido)(nº de pedidos a realizar en el periodo total)
 Costo de conservacion 
 Costo Total del  =  por unidad de producto   Inventario promedio   subperiodo   numero de 
 Almacenamiento        
   y unidad de tiempo   en un periodo   de analisis   periodos 
 
De acuerdo a lo expresado, para la construcción del modelo teórico,

procedemos de la siguiente forma:
1o) Se construye la función objetivo que queremos minimizar, esta es una

función de costo total variable (CT), teniendo en cuenta que los costos
relevantes son Cs y Cp.
CT =CTs + CTp (2)
donde:
q
CTs=(Cs t ) v
2 1
CTp=Cp v
Reemplazando a v y t1 por sus iguales según (1)
q N Tq q
CTs = Cs = Cs T
2 q N 2
N
CTp = Cp v = Cp
q
Reemplazando en (2) obtenemos el CT en función de la variable q :

Tq N
CT = Cs + Cp (3)
2 q
2º) Se calcula el valor de q*, es decir, la cantidad a pedir que minimice

la función de CT. Como CT es una función continua y derivable, aplicamos
las condiciones de máximos y mínimos relativos para funciones de una
variable.
CT
=0
q
CT Cs T Cp N
= - 2
=0 (4)
q 2 q
Cs T Cp N
= 2
;
2 q
294 CAPÍTULO 10
2 Cp N 2 Cp N
q2 = , despejando q se obtiene: q* =
Cs T Cs T
Para determinar si el valor obtenido de q* corresponde a un mínimo o

máximo de la función CT, calculamos la derivada segunda:
2
 CT 2 Cp N
= (5)
q 3
q
Observando (5), podemos afirmar que, para valores positivos de q, la

derivada segunda será positiva y corresponde a un mínimo de la función.
Además, el hecho que sea positiva para cualquier valor positivo de q
implica que la función es convexa y esto nos garantiza que el mínimo
encontrado es, a su vez, un mínimo absoluto.
Conociendo el valor óptimo de q, podemos reemplazarlo en (3) y obtener
el CT (q*):
Observe que esta

es una fórmula que 2CpN
solo permite Cp N
CsT
encontrar el valor CT(q*) = Cs T + = 2 Cp N T Cs
del CT para la 2 2CpN
cantidad óptima. CsT
Relación entre CTs y CTp
A partir de (4), podemos deducir que, en el valor óptimo de q, se verifica

que el costo total de almacenamiento se iguala al costo total de hacer
pedidos, situación que podemos observar en el gráfico 4.
CT
CT
CTs
CTp
q* q
Gráfico 5
Analizando el gráfico, podemos observar una de las características de la

función de costo total variable de este modelo, que es la de ser
relativamente poco sensible para variaciones cercanas al tamaño del lote

óptimo.
La empresa Metalúrgica SA es un fabricante de autopartes que debe

cumplir un contrato por el cual se establece proveer a una automotriz
10.950 amortiguadores por año, a razón de 30 por día. Teniendo en
cuenta que cada lote de producción se inicia y termina en el día, que el
costo de iniciar la producción es de $500 y que el mantenimiento del
inventario se estima en 0,5 % diario del valor del producto, determine la
política óptima de inventarios para el autopartista, sabiendo que cada
amortiguador tiene un costo de $600.
Los datos del problema son:
T= 1 año = 365 días; t = día, h= 30 por día; N= 10950;

Cp= $500 por pedido; Cs= $3 por amortiguador y por día
2 Cp N 2 (500) 10950
q* = = 100 amortiguadores
Cs T 3 (365)
Tq (365) 100 Se puede

t1 = = = 3,33 días ; redondear el valor
N 10950 de q* al entero
más próximo, dada
N 10950 la poca sensibilidad
v= = = 109,50 pedidos en el período T de la función de CT
q 100 alrededor del
óptimo.
CT(q*) = 2 Cp N T Cs = 2 (500) 10950 (365) 3 = $109.500.-
Podemos observar que la política óptima de inventario es producir 100

amortiguadores cada 3,33 días. Esta política generará un costo total
variable mínimo de $109.500.
5. MODELO 2 DE UNIVERSO CIERTO O MODELO CON RUPTURA
En muchas situaciones puede ser redituable permitir faltantes o rupturas

de stocks, ya que, en estos casos, el periodo de tiempo que transcurre
entre pedidos se alarga. Esto hace que el número de pedidos en el periodo
total sea menor, con lo cual el costo total de pedidos se reduce. Además,
el costo total del almacenamiento también disminuye, ya que el nivel de
inventario es menor al permitir faltantes o rupturas. No obstante, se
produce en estos casos un costo por la falta de mercadería que debe ser
considerado. Lo que se pretende es equilibrar los costos de ruptura, que
son crecientes, con los costos decrecientes de pedidos y almacenamiento.
296 CAPÍTULO 10

tiempo.
2. Se permiten rupturas o faltantes de stock.
3. El volumen del pedido es constante.
4. El pedido se recibe instantáneamente, es decir que el periodo de
adelanto es cero.
5. La mercadería se recibe en un solo lote.
6. El horizonte de tiempo es infinito y continuo.
7. El costo del producto es constante, no importa la cantidad que se pida.
8. Los costos se consideran constantes en el horizonte de tiempo.
9. La demanda que se produce cuando no hay stock no se pierde, se lo
toma como pedidos pendientes que se satisfacen al llegar el
reabastecimiento.
10. Las q unidades que llegan con cada pedido se tratan de la siguiente
manera: se destinan (q-S) unidades a satisfacer los pedidos pendientes
y las S unidades restantes se destinan al nuevo ciclo.
11. El ciclo t1 se divide en dos partes: t2 y t3. Durante el tiempo t2 se
dispone de mercadería para atender la demanda y durante t3 se anotan
los requerimientos para satisfacerlos cuando llegue el próximo pedido.
Los costos que se consideran relevantes en este modelo son:
Cs = costo de mantener una unidad en inventario por unidad de tiempo
Cp = costo de pedido
Cr = costo de tener una unidad como pedido pendiente por unidad de
tiempo
Gráfica del comportamiento del inventario
S(t)
t2 t3
t
R=q - S
t1
2 t1 3 t1
Gráfico 6
Las variables, cuyos valores nos interesan determinar, son:

q = cantidad a pedir o tamaño del lote.
t1 = periodicidad de los pedidos.
v = cantidad de pedidos (o corridas de producción) a efectuar en el
t2 = tiempo durante el cual existe mercadería en el almacén.
t3 = tiempo en el cual no existe mercadería en el almacén o, lo que es lo
mismo, hay rupturas de stock.
Nuevamente, a fin de realizar el desarrollo, establecemos algunas
relaciones entre las variables:
N N q S q- S
v= ; h= = = = ;
q T t1 t t
2 3
de donde : (1)
Tq TS T (q - S)
t1 = ; t = ; t =
N 2 N 3 N
En la construcción del modelo teórico, procedemos de la siguiente forma:
1o) Se construye la función de costo total variable (CT) teniendo en cuenta

que los costos relevantes son Cs, Cp y Cr.
CT = CTs + CTp + CTr (2)
Las funciones de costos anteriores se construyen de manera análoga a las

del modelo CEP, considerando que ahora el subperíodo de análisis se
divide en un período durante el cual existe mercadería para atender la
demanda y un período donde la demanda se mantiene como pedidos
pendientes, Observe, en el gráfico
6, que la mercadería
donde : almacenada es la
superficie de un
 S  triángulo de base t2 y
altura S. Es decir,
CTs =  Cs t v
2 
 2  S t2
.
2
CTp = Cp v Igual razonamiento se
utiliza para la
 (q- S)  mercadería pendiente
CTr = Cr t v
 2 3 de entrega.
reemplazando a v , t ,t t por sus iguales según las

1 2 y 3
relaciones establecidas en (1)
298 CAPÍTULO 10
S TS N T S2
CTs = Cs = Cs
2 N q 2q
N
CTp = Cp v = Cp
q
 (q- S) T(q- S)  N T(q- S)2
CTr = Cr  = Cr
 2 N q 2q
Reemplazando en (2) obtenemos el CT
en función de las variables q y S:
T S2 N T (q- S)2
CT = Cs + Cp + Cr
2q q 2q
2º) Para obtener el valor de q y S que hagan óptima a CT, se procede de

la misma forma que lo hicimos en el modelo anterior, solo que en este
caso hay que tener en cuenta que CT es una función de dos variables, por
lo que se deberán aplicar las condiciones de máximos y mínimos relativos
para este tipo de funciones, es decir:
CT CT
= 0; =0
q S
El valor de q y S, obtenidos al despejar, verifican un mínimo si:

2
2 CT 2 CT  2CT 2CT   2CT 
> 0; >0 y H =  -   > 0
q'' S''  q'' S''   q S 
  
Los valores óptimos que se obtienen al realizar este proceso de cálculo

son:
q*= 2 Cp N Cs+Cr y S*= 2 Cp N Cr

Cs T Cr Cs T Cs+Cr
Observemos que la cantidad óptima de pedido se obtiene ahora de la

misma manera que en el modelo CEP, pero multiplicada por un factor que
depende de la magnitud relativa Cr y Cs.
Cuanto mayor sea el costo de mantenimiento de inventario con respecto
al costo de los pedidos pendientes, conviene mantener un nivel de
inventario más bajo y, por el contrario, cuanto mayor importancia tenga
el costo por faltantes, el nivel de inventarios será más alto y menor la
ruptura.
De acuerdo con esto, a medida que aumenta el costo de ruptura, el lote
óptimo de este modelo se acerca al valor calculado con el modelo CEP.
Por lo tanto, siempre que la situación lo permita, es decir, cuando se
pueda trabajar con una política de pedidos pendientes, es conveniente
utilizar el modelo con agotamientos planeados, ya que este produce un

costo total menor que usando el modelo CEP.
También puede observarse que, en el óptimo, el costo total de pedir es
igual a la suma del costo total de almacenar y el costo total de la ruptura.
N T S*2 T (q* - S* )2
Cp = Cs + Cr
q*
2q*
2q*
Con los datos de Metalúrgica SA, supongamos que en el contrato con la

automotriz se establece que, si no puede cumplir con los envíos diarios
(30 amortiguadores por día), deberá pagar una multa de $1 por pieza no
entregada y por día de retraso en la entrega.
Los datos ahora son:
T= 1 año = 365 días; t = día; h= 30 unidades por día;
N= 10950;
Cp= $500 por pedido; Cs= $3 por amortiguador y por día;
Cr= $1 por unidad y por día
Compare estos resultados

2 Cp N Cs + Cr 2 (500) 10950 3 +1 con los del modelo I y
q* = = = 100 (2) = 200 amortiguadores saque conclusiones sobre
Cs T Cr 3 (365) 1 cómo se modifica la
política óptima cuando se
admiten rupturas de
2 Cp N Cr 2 (500) 10950 1
S* = = = 100 (0,5) = 50 amortiguadores stock.
Cs T Cs + Cr 3 (365) 3 +1
Tq 365(200) TS 365(50)
t1 = = = 6,67 días ; t2 = = = 1,67 días ;
N 10950 N 10950
Plantear diferentes
t = t - t = 5 días
3 1 2 escenarios asignando
diferentes valores a Cr y
N 10950 comparar los resultados
v= = = 54,75 pedidos en el período T obtenidos en cada
q 200 situación. Particularmente
2 2 2 2 observar lo que ocurre
TS N T (q - S) 365(50) 10950 365(200-50)
CT = Cs + Cp + Cr =3 + 500 +1 = $54.750. - cuando Cr asume un valor
2q q 2q 2(200) 200 2(200) muy grande.
6. RELACIÓN ENTRE EL MODELO 1 Y EL MODELO 2 DE UNIVERSO

CIERTO
Si observamos los valores óptimos de ambos modelos, podemos ver que:

✓ En el modelo 1  q = S
En el modelo 2  q  S
300 CAPÍTULO 10
Cr
En S del segundo modelo, aparece el término , el cociente bajo el
Cr+Cs
signo de radicación se llama tasa de ruptura () y es justamente este
término el que hace la diferencia entre el inventario máximo en ambos
modelos. Vamos a analizar qué ocurre con la tasa de ruptura a medida
que el costo de ruptura aumenta. Para ello, tomamos límite para Cr→:
Cr
Cr→ Cr+Cs
Esto es una indeterminación, para resolverla aplicamos la Regla de L'Hopital:

Cr
=1
Cr→ Cr+Cs
Con lo cual podemos afirmar que la relación que existe entre ambos
modelos es la siguiente: el modelo 1 es un caso particular del modelo 2
cuando el costo de ruptura es inmensamente alto. Es decir que, cuando
el costo de ruptura es muy grande (Cr→ ), el modelo 2 se transforma en
el modelo 1, que justamente no admite rupturas porque tienen un costo
imposible de afrontar.
7. MODELO CON REABASTECIMIENTO UNIFORME
Cuando analizamos los modelos 1 y 2 de universo cierto, hemos supuesto

que cada orden de producción ingresa al almacén en un solo lote.
Relajaremos ahora esta hipótesis y consideraremos que, al colocar una
orden, las piezas van ingresando al inventario a una tasa constante
durante un cierto periodo de tiempo. Esta tasa, a la cual se fabrica el
producto, debe ser mayor que la tasa de demanda; de lo contrario no se
podría cumplir con la demanda.

tiempo llamada h.
2. El lote se produce a una tasa de producción conocida de a unidades
por unidad de tiempo.
3. Los bienes ingresan al almacén a una tasa constante a que debe ser
mayor a la tasa de demanda h, de otra manera no existiría
inventario, es decir, a > h.
4. No se permiten rupturas de stock.
5. El volumen del lote de producción (q) es constante.
6. Se emite una orden de pedido cuando el nivel del inventario llega a

cero.
7. El costo de producción es constante y no depende del número de
unidades del lote.
Los costos relevantes son el costo de emisión de la orden de producción
(Cp) y el costo de mantener almacenada una unidad de producto en una
unidad de tiempo (Cs). Estos costos se consideran constantes en el
horizonte de tiempo.
Observemos que la periodicidad de efectuar los pedidos (t 1) se divide en
dos tiempos: el tiempo durante el cual ingresa y se consume mercadería
(t4) y el tiempo durante el cual solamente se consume (t 5), es decir:
t 4 + t5 = t1
Durante el periodo de reabastecimiento (t4), el inventario crece con una
tasa igual a la diferencia entre las tasas de demanda y abastecimiento.
Gráfica del comportamiento del inventario
S(t)
t1 2t1
t4 t5
Gráfico 7
Teniendo en cuenta las características anteriores, se desarrolla el modelo

del lote de producción a partir de una función de costo total que contempla
el costo total de almacenamiento más el costo total de preparación de la
producción, de manera similar a la desarrollada en el primer modelo.
Considerando que durante t4 la mercadería se produce a una tasa a, por
lo que al final de este periodo se habrá completado la producción del lote
completo q, es decir:
q = a t4 ; despejando t4 = q/a;
302 CAPÍTULO 10
t 1 = t4 + t 5 ; t 5 = t1 – t 4
Debido a que, durante el período t4, ingresa y sale mercadería, la tasa a
la cual se acumula el inventario es (a - h), por lo que el stock máximo,
que se da al final del periodo t4 será:
 q  h
S = (a - h) t4 ; reemplazando a t4 S = (a - h)   ; S = q 1 - 
 a  a
Recordando que la función de costo total es igual al costo total de pedir
más el costo total de almacenar, para este modelo será:
N S S N
CT = Cp + (Cs t + Cs t ) ;
4 5
q 2 2 q
N SN N S N
CT = Cp + Cs (t + t ) = Cp + Cs t ;
4 5 1
q 2 q q 2 q
h
q (1 - )
N S N Tq N a N Tq
CT = Cp + Cs = Cp + Cs ;
q 2 q N q 2 q N
CT (q) = Cp
N q  h
+ Cs T 1- 
q 2  a
Aplicando las condiciones de máximos y mínimos para funciones de una

variable, obtenemos que el tamaño del lote de producción óptimo será:
2 Cp N 2 Cp N 1
q* = =
 h Cs T
1-
h
Cs T 1- 
 a a
En este modelo, como en el modelo sin rupturas, para el lote óptimo:
*
N q  h
Cp = Cs T 1- a 
q
* 2  
Comparación con el modelo CEP (sin rupturas)
Si comparamos este modelo con reabastecimiento uniforme (RU) con el

primer modelo (SR), podemos observar que se realizan pedidos más
grandes y los costos son menores. Esto es así porque, durante el periodo
t4, algunas unidades que se reciben se distribuyen inmediatamente, lo
cual reduce los costos de almacenamiento.
Analizando las fórmulas y funciones:
2 Cp N 1
q*RU =
Cs T h >1
1-
a
q*RU  q*SR
2 Cp N
q*SR =
Cs T
v <v
RU SR
N q  h
CT(q) = Cp + Cs T 1 - 
q 2  a <1
CT < CT
RU SR
N q
CT(q) = Cp + Cs T
q 2
Se puede demostrar que el costo total variable de almacenamiento del

modelo con reabastecimiento uniforme es igual al costo total variable del
modelo sin ruptura multiplicado por la raíz cuadrada de [1- (h/a)].
q*SR  h 
*
CTS (qRU ) = CS T  1 − 
2  a
Supongamos que una fábrica de jabón en polvo produce en una línea con
capacidad de 5000 cajas mensuales. La demanda anual se estima en
30.000 cajas, manteniéndose la tasa de demanda prácticamente
constante durante todo el año.
La limpieza, preparación y puesta en marcha de la línea de producción
cuesta aproximadamente $140. El costo de producción es de $2 por caja.
El costo anual de almacenamiento se calcula en un 24 %.
Determinar el tamaño del lote de producción y el costo total asociado.
304 CAPÍTULO 10
T = 12 meses t = mes
a = 5.000 unidades por mes; h = 2.500 unidades por mes
N = 30.000 unidades por año;
Cp = $140;
Cs = $ 0.04 por unidad y por mes
2 Cp N 2 (140) 30000
q*= = 5916 unidades
 h  2500 
Cs T  1 -  0, 04 (12)  1 - 
 a  5000 
CT (q) = Cp N + Cs q T 1- h  = 709.93 + 709.92 = $1419.85

q 2  a
Observamos que, al igual que en el primer modelo, para el tamaño óptimo
del lote de producción, los costos totales se igualan.
8. NIVEL DE REORDEN Y STOCK DE SEGURIDAD
En los modelos analizados hasta el momento hemos considerado que:

✓ Se emite una orden de pedido cuando el nivel del inventario llega
a cero.
✓ El pedido se recibe instantáneamente, es decir que el periodo de
adelanto () es cero.
Sin embargo, en la mayoría de los casos transcurre un tiempo entre el
momento de realizar el pedido y el momento en que este ingresa al
almacén, llamado periodo de adelanto o de reabastecimiento. Esto trae
como consecuencia la necesidad de fijar un punto de reorden, es decir,
un momento en el tiempo en el cual deberíamos realizar el pedido o un
nivel de reorden distinto de cero.
Si recordamos que definimos como nivel de reorden al nivel de inventario
que indica el momento de realizar el pedido, estaremos de acuerdo en
que este nivel de inventario debe ser suficiente para atender a la demanda
en el periodo , dado que la mercadería no ingresa instantáneamente.
Se pueden presentar dos situaciones: que  sea determinista o que  sea
una variable aleatoria con distribución de probabilidad conocida.
Caso 1: Periodo de adelanto determinista

Analizaremos cómo calcular el nivel de reorden según el modelo que
estemos trabajando cuando el período de reabastecimiento es un tiempo
determinista.
MODELO CEP
En este caso, será suficiente que fijemos un nivel de reorden igual a la

demanda (m) en el período . Como hemos supuesto que la tasa de
demanda (h) es conocida y constante, entonces el nivel de reorden (x 0)
será:
x0= m = h.
Si consideramos el tiempo, entonces el punto de reorden o momento de

reorden t0 será:
t0= t1 −
Gráficamente:
S=q
x0
t1  t
Gráfico 8
MODELO CON RUPTURAS

En este modelo podríamos analizar si el período de reabastecimiento se
produce mientras hay mercadería en almacén o cuando el stock está en
falla.
a) Caso en que el momento de realizar el pedido (t 1-) se encuentra
dentro del período que hay stock (t2):
S(t)
S
x q

t3 t
t2
R
Gráfico 9
306 CAPÍTULO 10
El nivel de reorden se calcula como:

X0 = m - R = (h ) – (h t3);
X0 = h ( - t3)
b) Caso en que el momento de realizar el pedido (t 1-) se encuentra

en el período en que no hay stock (t3):
t2  q
t
x t3
t1 R
Gráfico 10
No obstante, el nivel de reorden se calcula igual que en la situación

anterior:
X0 = m - R = (h ) – (h t3);
X0 = h ( - t3)
Observamos que, en ambos casos, el nivel de reorden se calcula de la

misma manera. Si el resultado es positivo, indicará el nivel de stock que
nos alerta de realizar el pedido; mientras que, si es negativo, nos
mostrará el nivel de ruptura que advierte cuándo realizar el pedido.
MODELO CON REABASTECIMIENTO UNIFORME

En este modelo debemos analizar si el período de reaprovisionamiento se
produce mientras está ingresando mercadería o en el período de solo
consumo.
a) Caso en que el momento de realizar el pedido (t 1-) se encuentra
durante el período de demanda (t5):
S(t)
x t
4
t5
 t
t
1
Gráfico 11
El nivel de reorden, en este caso, lo calculamos como:
x0 = h 
b) Caso en que el momento de realizar el pedido (t 1-) se encuentra

durante el período de ingreso de mercadería (t4):
S(t)
S
x
t4 t5
 t
t1
Gráfico 12
El nivel de reorden, en este caso, será:
x0 = (a-h) (t1- )
Caso 2: Periodo de adelanto aleatorio

MODELO CEP
En situaciones en que  es una variable aleatoria, no podremos fijar como
nivel de reorden a la demanda en , ya que, como a este período lo hemos
supuesto aleatorio, entonces la demanda también lo será.
Si trabajamos con el supuesto de que  se distribuye normal con media
igual a  y desviación estándar igual a   , tendremos que m también
308 CAPÍTULO 10
tendrá una distribución normal, con una media igual a m y un desvío igual
a m .
Es decir que, si fijáramos como nivel de reorden a la demanda media en
, el 50 % de las veces nos quedaríamos sin stock.
Lo que a nosotros nos interesa es establecer un nivel de reorden (x) que
nos proporcione una cierta confianza de que, durante el periodo , este
nivel x de inventario no será excedido por la demanda. Esto es:
P(m > x)= 
donde  es un nivel de probabilidad que nosotros fijamos y que debe ser

suficientemente pequeño, esto es lo mismo que decir que:
P(m  x)=1- 
Siendo 1-  el nivel de confianza de que durante el periodo  la demanda
no excederá al nivel de reorden fijado.
Gráficamente, el nivel de reorden x que permite un nivel de confianza de
1-  es el siguiente:
m> x0
m  x0
1- 
m x0 Demanda en 
Gráfico 13
Como hemos supuesto que  y, por lo tanto, m siguen una distribución

normal, entonces, dado un nivel de confianza 1-  , podremos determinar
el nivel de reorden como sigue:
x-m
z1- =
σm
En consecuencia:
x0 = m + z1- .σ m
Donde:
m=h.
σ m = h.σ
Podemos observar que ahora el nivel x está formado por m , más una
cierta cantidad representada por z1-α .σ m . Esta cantidad se llama stock de
seguridad y tiene como función cubrir los excesos de la demanda real, por
encima de la demanda media, en el periodo de retardo.
Con los datos de Metalúrgica SA para el modelo CEP, supongamos que el

período que transcurre entre el inicio y fin del lote de producción es de 1
día. Luego, determinemos el nivel de reorden.
Recordemos que la política óptima para este caso es fabricar 100
amortiguadores cada 3,3334 días.
q* 100
Entonces: h = = = 30 amortiguadores por día
t1 3,3334
y  = 1 día
x0 = m = h = 30(1) = 30 amortiguadores
Es decir que la empresa Metalúrgica SA deberá iniciar un nuevo lote de
producción cada vez que el inventario llegue a 30 amortiguadores.
Supongamos ahora que el tiempo para producir cada lote es una variable
aleatoria normal con media 2 días y desvío 0,5. Es decir:
 N (2 ; 0, 5)
m = h = 30(2) = 60 amortiguadores
 m = h = 30(0, 5) = 15 amortiguadores
Entonces :
m N (60 ; 15)
Fijando un nivel de confianza de 0,05, entonces z0,95 = 1,645
Buscamos:
Prob (m  x0 ) = 0, 95
 x0 − m 
Prob  z0,95   = 0, 95
 m 
 x0 − 60 
Prob 1,645   = 0, 95
 15 
x0 = 60 + 1, 645(15) = 84, 67 amortiguadores
En este caso, el nivel de reorden se fija en 85 amortiguadores, siendo el

stock de seguridad igual a:
x0 − m = 84, 67 − 60  25 amortiguadores
310 CAPÍTULO 10
MODELO CON RUPTURAS

En este modelo, cuando  es determinista, el nivel de reorden se calcula
como
x =h ( − t3 ) = h. − h.t3
Si  es aleatorio con distribución normal, entonces

x0 =h. − h.t3 + z1− h
Cabe aquí la misma aclaración con respecto al signo de x0, realizada en

el caso de  determinista. Es decir que, cuando x0 es positivo, nos está
indicando el nivel de inventario que nos alerta de realizar el pedido o
iniciar el lote de producción; y si x0 es negativo, nos está indicando un
nivel de ruptura.
MODELO CON REABASTECIMIENTO UNIFORME

En este caso tendremos que considerar si el pedido ingresa durante el
Observar que t0
representa el tiempo periodo t4, es decir, periodo durante el que se produce el almacenamiento
que transcurre entre
el inicio de un ciclo y
o en el periodo de solo consumo (t5).
(t1 - ), cuando  >
t5.
En el primer caso, si llamamos x0 al inventario acumulado hasta el
momento t0= t1-, lo podemos calcular a partir de la tasa de ingreso de
la mercadería al almacén, es decir:
x0 =(a -h) t0 = (a -h) (t1 − ) = (a -h) t1 − (a -h) 

Si consideramos que  es aleatorio con distribución normal, calcularemos
el nivel de reorden como
x 0 =(a- h)t1 − (a- h)  + z1− (a- h)   

 
Análogamente, si el pedido ingresa durante t5, la demanda en  se calcula

a partir de la tasa de demanda (h), es decir:
m = h
Si  es aleatorio con distribución normal, entonces
x0 = m + z1−  m = h + z1− h
9. MODELO CON DESCUENTOS POR COMPRAS EN CANTIDADES
En los modelos 1 y 2 de universo cierto, hemos trabajado bajo el supuesto

de que el precio de producción o adquisición del producto era constante e
independiente del tamaño del lote. En la práctica, ocurre frecuentemente

que los proveedores ofrecen descuentos si los pedidos son
suficientemente grandes. Por ejemplo, supongamos que:
Si el pedido es entre 0 y q1 unidades, el precio unitario es p 1
Si el pedido es entre q1 y q2 unidades, el precio unitario es p2 (1)
Si el pedido es entre q2 y q3 unidades, el precio unitario es p3
Donde el precio unitario va disminuyendo a medida que se incrementa el

tamaño del lote.
Es decir:
q1 < q 2 < q 3 y p1 > p 2 > p 3
Esta condición obliga a que se incorpore el precio del producto en la El precio del producto
función de costo total variable. Además, al ser el precio discontinuo, el CT dependerá de la
decisión del tamaño
también lo será, por lo tanto, no podremos utilizar el cálculo diferencial del lote.
para encontrar el punto óptimo de la función.
En estos casos, también suele ocurrir que el costo de almacenamiento
deja de ser constante porque generalmente una parte de este costo está
en relación directa con el precio del producto como, por ejemplo, el valor
del seguro de la mercadería almacenada y el costo del capital
inmovilizado, es decir que:
Cs = a + b pi
La función de costo total variable en este modelo se calcula de la siguiente
forma:
CT = CTp + CTs + demanda total valuada según el precio del producto
 q 
CT = Cp + Cs t1 + q pi  v
(q, pi)  2 
N q N N
CT = Cp + (a + b pi) t1 + q pi
(q, pi) q 2 q q
Tq
Reemplazando a t1 = y operando :
N
N Tq
CT = Cp + (a + b pi) + pi N
(q, pi) q 2
Esta función no es continua porque pi no lo es. Para cada valor de pi

existirá una función de costo total, la que dependerá solo de q. Así para
el caso de tres precios:
312 CAPÍTULO 10
N Tq
CT = Cp + (a+b p ) + p N si 0  q < q
(q, p ) q 1 2 1 1
i
N Tq
CT = Cp + (a+b p ) + p N si q  q < q
(q, p ) q 2 2 2 1 2
i
N Tq
CT = Cp + (a+b p ) + p N si q  q < q
(q, p ) q 3 2 3 2 3
i
En cada función de costo total variable podremos calcular :
2 Cp N
q *=
i (a+b p ) T
i
Observemos gráficamente algunos ejemplos de como puede modificarse

el valor óptimo de acuerdo con el intervalo de precios y la estructura de
la función de CT:
Gráfico 14
Gráfico 15
Vemos que, en el gráfico 13, la cantidad óptima es q3*, la que se adquiere

al precio más bajo p3.
En el gráfico 14, la cantidad q2* es la que verifica el menor costo total
variable, por lo cual, la decisión óptima en este caso es comprar esa
cantidad al precio p2.
En el último gráfico, la cantidad más conveniente a pedir es q 3, menor

cantidad que se puede comprar al precio más barato.
¿Cómo se trabaja en la práctica para determinar la cantidad óptima a

pedir?
El procedimiento consta de dos etapas:
• Etapa 1: calcular qi* para cada intervalo de precio, comenzando por

el intervalo que tiene el menor precio hasta encontrar un q i*
comprendido en el intervalo de cantidades.
• Etapa 2: comparar las funciones de costo total para el qi* encontrado

y las cantidades (q) mínimas que permiten acceder a los descuentos
en el precio del producto.
Procedimiento
1. Comenzamos por el intervalo de menor precio y calculamos el qi*

con ese precio. Si qi* está comprendido en ese intervalo, entonces
ese es el volumen óptimo de pedido. FIN DEL PROCEDIMIENTO
2. Si qi* no está en ese intervalo, continuamos con el siguiente
intervalo; y si está comprendido, calculamos el costo total para
ese valor de qi* y para la menor cantidad con la que se puede
acceder al descuento; el costo total menor indicará el volumen
óptimo (q*).
3. Si qi* no está en ese intervalo, repetimos el paso 2 hasta encontrar
un qi* comprendido en un intervalo y comparamos el costo total
para ese valor con los que surgen de considerar las cantidades
mínimas para acceder a cada descuento.
En el siguiente diagrama se muestra la metodología de cálculo del lote

óptimo para el caso de tres precios:
314 CAPÍTULO 10
Calcular
q3*
si El óptimo es
q2 < q3* q3*
no
Calcular
q2*
si Calcular:
q1 < q2* CT3(q2)
CT2(q2*)
no
Calcular si El óptimo es
CT3(q2)< q2
q1* CT2(q2*)
no
Calcular : El óptimo es
CT3(q2), CT2(q1) q2*
y CT1(q1*)
El menor CT
indica el
valor de q*
Gráfico 16
Es importante destacar que, si bien el desarrollo de esta metodología se

realizó considerando tres precios diferentes, la misma se utiliza cualquiera
sea el número de intervalos de precios.
De una empresa dedicada a la venta de equipamiento industrial se

conocen los siguientes datos respecto al mantenimiento del inventario de
heladeras comerciales:
T = 365 días; N = 15.900 unidades al año;
Cp = $50 por pedido; Cs = $1 + 0,035pi por día y por producto
P1 = $ 600, si 0  q < 25
P2 = $ 500, si 25  q < 35; P3 = $ 400, si 35  q
Primero calculamos :
2 (50) 15900
q *= = 17,04 unidades
3 [1+ 0,035 (400)] 365
Como q * < q (límite inferior del último intervalo), calculamos :

3 2
2 (50) 15900
2 [1+ 0,035 (500)] 365
Como q * < q (límite inferior del segundo intervalo), calculamos :

2 1
2 (50) 15900
1 [1+ 0,035 (600)] 365
Ahora debemos calcular las funciones de CT según (2) y compararlas :
15900 365 (35)

CT = CT = 50 + [1+ 0,035 (400)] +
q ,p 35, 400 35 2
2 3
+(400) 15900 = $ 6.478.526,79
15900 365 (25)

CT = CT = 50 + [1+ 0,035 (500)] +
q ,p 25, 500 25 2
1 2
+ (500) 15900 = $ 8.066.206,25
15900 365 (14,07)

CT = CT = 50 + [1+ 0,035 (600)] +
*
q ,p 14,07; 600 14,07 2
1 1
+(600) 15900 = $9.652.994,25
El menor CT corresponde al precio p3 y la cantidad óptima a pedir será q*

= q2 = 35 unidades.
El costo total variable asociado a esa política es $6.478.526,79
10. PRIMER MODELO DE UNIVERSO ALEATORIO
Todos los modelos de inventario que tratamos hasta ahora requieren que
la demanda se conozca con certeza. Sin embargo, en muchas situaciones
nos enfrentamos a problemas en los cuales la demanda se describe mejor
a través de una variable aleatoria.
En el modelo que analizaremos ahora se considera un único periodo de
análisis con una demanda probabilística. Esta situación se da
generalmente cuando los productos son perecederos o de temporada. El
caso más típico es el del “vendedor de diarios”, que debe decidir cada día
cuántos periódicos comprar.
316 CAPÍTULO 10
Según la naturaleza del artículo a considerar, la demanda puede

calificarse de continua o discreta. Sin embargo, el tratamiento conceptual
es el mismo, por esta razón frecuentemente se resuelven en forma
discreta problemas que tienen una demanda continua.
En este modelo suponemos que se debe hacer una compra, al inicio de

un periodo predeterminado, para satisfacer una demanda aleatoria que
se presentará durante dicho periodo. Es por eso que decimos que para
este modelo: T = t1
Supondremos además que la demanda acumulada al momento t es lineal.
Los costos a considerar en este modelo son:
Ce = costo por cada unidad de producto excedente al final del periodo.
Cf = costo por cada unidad de producto faltante al final del periodo.
El costo de pedido no se considera, ya que se pide una única vez en el
periodo.
El criterio de optimización que se utiliza es el de minimizar el valor
esperado del costo total.
Gráfica del comportamiento del stock
S(t) S(t)
q q
q -N
t N -q t
Gráfico 17
Al final del período T, la función de costo total variable del modelo se

calcularía como:
Ce (q - N), si N < q 

 
CT = 0, si N = q  (1)
Cf (N - q), si N > q
 
Al comienzo del período T, como N es una variable aleatoria discreta con

distribución de probabilidad conocida (a la que llamaremos PN), para
calcular el costo total variable del modelo deberemos trabajar con la

esperanza matemática:
q 
CT(q,N) = Ce  (q - N) PN + Cf  (N - q) PN (2)
N=0 N=q+1
A esta función de costo total variable esperado no podremos aplicar el

cálculo diferencial para encontrar el valor de q que la minimice, ya que N
es una variable aleatoria discreta. Sin embargo, por tratarse de una
función de costos, sabemos que tendrá un mínimo. Para encontrar el
mínimo planteamos:

CT(q-1) - CT(q) > 0 

CT(q-1) > CT(q) < CT(q+1)    (3)

CT(q+1) - CT(q) > 0
A partir de (2), buscaremos las funciones de costo total variable esperado

para (q-1) y para (q+1). Aclaramos que lo realizaremos solamente para
(q-1), dado que para (q+1) se procede de manera similar.
q-1 
CT(q-1,N) = Ce  (q-1-N) PN+ Cf  (N- q+1) PN
N=0 N=q
q-1 q-1  
CT(q-1,N) = Ce  (q-N) PN - Ce  PN +Cf  (N- q) PN +Cf  PN (4)
N=0 N=0 N=q N=q
I II III IV
De acuerdo a lo expresado en (1), podemos enunciar a I y III de la forma:
q-1 q
I =  (q-N) PN =  (q-N) PN
N=0 N=0
 
III =  (N- q) PN =  (N- q) PN
N=q N=q+1
A II y IV también lo podemos escribir como:
q-1
II =  PN = P(N  q-1)
N=0

IV =  PN =1-P(N  q-1)
N=q
318 CAPÍTULO 10
Reemplazando en (4):
q 
CT(q-1,N) = Ce  (q-N) PN - Ce P(N  q-1) + Cf  (N- q) PN +Cf 1-P(N  q-1)
N=0 N=q+1
q 
CT(q-1,N) = Ce  (q-N) PN + Cf  (N- q) PN - Ce P(N  q-1) + Cf - Cf P(N  q-1)
N=0 N=q+1
Reemplazando los dos primeros sumandos del lado derecho por su igual en (2) :
CT(q-1,N) = CT(q,N) - Ce P(N  q-1) + Cf - Cf P(N  q-1)
Operando y de acuerdo a lo planteado en (3), podemos escribir :
CT(q-1,N) - CT(q,N) = Cf -(Ce+Cf) P(N  q-1) > 0
De donde :
Cf
P(N  q - 1) <
Ce + Cf
De la misma manera, si calculamos la función de costo total variable

esperado para (q+1), obtendremos la relación :
Cf
P(N  q) 
Ce + Cf
Por lo que podemos afirmar que el valor de q que minimiza el costo total
variable esperado del modelo, será aquel para el cual se verifique :
Cf
P(N  q - 1) <  P(N  q)
Ce + Cf
En resumen, para determinar la cantidad óptima a pedir en cada periodo

se deben estimar:
1. La distribución de probabilidad de la demanda.
2. Ce = costo por unidad excedente y Cf = costo por unidad faltante.
3. Identificar la cantidad óptima de pedido (q*) de manera tal que:
si la demanda es una variable discreta:

Cf
P(N  q - 1) < ≤ P(N  q*)
Ce+Cf
si la demanda es una variable continua:

Cf
P(N  q*) =
Ce+Cf
Analicemos un ejemplo con demanda discreta. Al inicio de cada día, un

vendedor de periódicos debe decidir cuántos ejemplares de La Voz de
Córdoba comprar. Paga cada uno $1 y lo vende a $1,50. Por cada
ejemplar que le sobra, le reintegran $0,70. De acuerdo a su experiencia,
cree que el número de periódicos que puede vender cada día presenta la
siguiente distribución:
Demanda Probabilidad
50 0,25
55 0,20
60 0,25
65 0,10
70 0,20
¿Cuántos periódicos debe comprar cada día?

Definimos: q* = número de periódicos a comprar
N = número de periódicos necesarios
Cf
1 paso: Identificamos Ce, Cf y calculamos
Ce+Cf
Si nos sobran periódicos, recibimos un reintegro de 0,70 por cada uno,

por lo tanto, el costo es:
Ce = 1 - 0,70 = $0,30
Si nos faltan, “perdemos” la ganancia, entonces:

Cf = 1,50 - 1 = $0,50
Cf 0, 50
= = 0, 625
Ce+Cf 0, 30 + 0, 50
2 paso: Determinamos la probabilidad acumulada de la demanda:
Probabilidad
Demanda
acumulada
50 0,25
55 0,45
0,625
60 0,70
65 0,80
70 1
320 CAPÍTULO 10
3 paso: Identificamos q* como aquel valor para el cual:

P(demanda  q*)  0,625
Entonces q* = 60 periódicos
Si queremos calcular el costo esperado de tomar la decisión de comprar

cada día 60 periódicos, lo hacemos utilizando la fórmula:
q 
CT(q,N) = Ce  (q - N) PN + Cf  (N - q) PN
N=0 N=q+1
N PN Ce (q-N)PN Cf(N-q)PN
50 0,25 0,75
55 0,20 0,30
60 0,25
65 0,10 0,25
70 0,20 1,00
TOTAL: 1,05 1,25
El costo total es de $ 2,30
Supongamos ahora que la demanda de periódicos, aunque es discreta,

se puede aproximar con una distribución normal de media 62 periódicos
y desviación estándar 8.
En forma análoga al caso discreto, identificamos Ce, Cf y calculamos
Cf
Ce+Cf
Para este ejemplo

0,50
= 0,625
0,30 + 0,50
Sabemos que el número óptimo de periódicos a comprar será aquel que

satisfaga:
Cf
P(N  q*) =
Ce+Cf
P(N  q*) = 0,625
Como N se distribuye normal (62, 8), podemos expresar la ecuación

anterior, teniendo en cuenta que
N- 
z=
σ
 q - 62 
*
P z   = 0,625
 8 
Con este valor de probabilidad, entramos a la tabla normal estándar y

buscamos el valor q* de la siguiente manera:
*
q = 62 + z0,625.8 = 64,55
Como en realidad la demanda es discreta, entonces la cantidad de

periódicos a comprar será de 65.
Si en lugar de aproximar la demanda con una distribución normal lo
pudiéramos hacer con una uniforme en el intervalo [60, 70], por
ejemplo, entonces la determinación de q* la haremos de la siguiente
manera:
q * −60
P (N  q * ) = = 0, 625
70 − 60
*
q = 60 +10(0, 625) = 66,25
Es decir que, bajo este supuesto, la cantidad de periódicos a comprar al

inicio de cada día es de 66.
11. SEGUNDO MODELO ALEATORIO
1. Demanda (N) es una variable aleatoria discreta con

distribución de probabilidad (PN) conocida.
2. Costos relevantes: Cs –costo de mantener una unidad en el
inventario por unidad de tiempo– y Cr –costo por unidad de
ruptura y por unidad de tiempo–.
3. Periodo único de análisis T = t1.
4. El comportamiento de la demanda acumulada hasta el
momento t (y en consecuencia del inventario) es lineal.
Gráfica del comportamiento del stock
S(t)
S(t)
q
q
q -N
t2 t3 T
t t
N -q
Gráfico 18
322 CAPÍTULO 10
Donde:
S(t): mercadería almacenada en el momento t
q = S(0): volumen del pedido
t2 = periodo de tiempo durante el cual existe inventario
t3 = periodo de ruptura
La función de costo total variable al final del período (CT) será:
 q+ ( q - N)
Cs   T = C q- N  T ; si N  q
s 
 2  2

CT ( q) = 
 Recordando que
q  N- q
 Cs t2 + Cr   t3 ; si N > q
 2  2 
N q N- q
h= = =
T t2 t3
De donde:
t2 =
Tq
; t3 =
(
T N- q )
N N
Al comienzo del período, debemos trabajar con el valor esperado de CT como

función de decisión:
q  N  q  N - q
CT (q) =  Cs  q -  T PN +  Cs t2 PN +  Cr   t3 PN
N=0  2  N=q+1 2 N=q+1  2 
Reemplazando a t2y t3
q  N 
CT (q) =  Cs  q -  T PN +  Cs
q Tq 
PN +  Cr
(N - q) T (N - q) PN
N=0  2  N=q+1 2 N N=q+1 2 N
2
q  N 
CT (q) =  Cs  q-  T PN+  Cs
q2 T 
PN+  Cr
(N- q) T PN
N=0  2  N=q+1 2 N N=q+1 2N
 q  N  q2  (N- q) PN
2
CT (q) = T   Cs  q-  PN+  Cs PN+  Cr (1)

N=0  2  N=q+1 2N N=q+1 2N 
 
Considerando que la función de costo total posee un único mínimo

relativo, que al mismo tiempo es un mínimo absoluto, encontrar el
óptimo consistirá en determinar el valor de q tal que verifique:
CT ( q -1) - CT (q) > 0


CT ( q -1) > CT ( q) < CT (q+1)  
CT ( q+1) - CT (q) > 0

A partir de las relaciones anteriores y operando con el costo total

esperado para (q-1) y (q+1), se obtiene la siguiente relación que
permite calcular el volumen óptimo de pedido:
Cr
L (q - 1) <  L (q)
Cr + Cs
siendo
 1   PN
L (q) = P (N  q) +  q +  
 2  N =q+1 N
De una empresa se conocen los siguientes datos respecto a un

determinado producto:
Costo de ruptura: $20 por día; costo de almacenamiento por unidad: $8
por día; período de análisis: 30 días. La demanda es aleatoria según la
siguiente distribución:
Demanda Probabilidad
0 0,15
1 0,11
2 0,23
3 0,26
4 0,17
5 0,08
Cr 20
= = 0,7142
Cs + Cr 20 + 8
324 CAPÍTULO 10
q  PN 1  PN
 PN PN
N=q PN  (q + )  L(q)
N=0 N=q+1 N
N 2 N=q+1 N
0 0,15 0,15 - 0,370 0,185 0,335
1 0,11 0,26 0,110 0,260 0,390 0,650
0,7142
2 0,23 0,49 0,115 0,145 0,363 0,853
3 0,26 0,75 0,087 0,059 0,205 0,955
4 0,17 0,92 0,043 0,016 0,072 0,992
5 0,08 1,00 0,016 0 0 1,000
El tamaño de lote óptimo es de 2 unidades.
Para el cálculo del costo total de esta política, debemos aplicar la

siguiente fórmula, para lo cual armamos una tabla como se muestra
posteriormente:
 q  N (N - q) 
2
2
 q 
CT ( q) = T   Cs  q -  PN+  Cs PN+  Cr PN
N=0  2  N=q+1 2N N=q+1 2N 
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
2 2
q -N q (N - q)
N T Cs PN Cs PN Cr PN CT
2 2N 2N
0 30 8 2 0,15 72,00
1 30 8 1,50 0,11 39,60
2 30
3 30 8 0,67 0,26 20 2 0,26 275,60

4 30 8 0,50 0,17 20 8 0,17 836,40
5 30 8 0,40 0,08 20 23 0,08 1087,68
CT = (1) {[(2) (3) (4)] + [(5) (6) (7)] + [(8) (9) (10)]} = $2.311,28
Es importante destacar que, al momento de calcular el lote óptimo, debe
tenerse en cuenta que siempre la demanda (N) deberá variar en valores
discretos consecutivos a partir del cero (porque el modelo teórico
considera esta variación de N). Por lo tanto, cuando en el enunciado
original del ejercicio la variación sea en otra escala, deberá previamente
hacerse un cambio de escala para trabajar con la fórmula tal como se
ha visto.
12. CASO CON DEMANDA ALEATORIA Y NIVEL DE REORDEN
Una situación muy común en la realidad es que se den todos los

supuestos del modelo CEP, pero que la demanda para el período total
de análisis sea una variable aleatoria. En estos casos, es posible obtener
una buena política de manejo de inventarios a través de un sistema de
revisión periódica, fijando un nivel de reorden que nos permita tener

una adecuada cobertura contra las rupturas.
Si suponemos que la demanda N es aleatoria con distribución normal,
siendo  determinista y manteniéndose el resto de los supuestos del
modelo CEP, puede obtenerse una política de inventarios mediante el
siguiente procedimiento1:
1) Trabajar con el modelo CEP utilizando la demanda media para el
período ( N ), para determinar el tamaño del lote óptimo, el número
de pedidos y su periodicidad.
2) Como N es aleatoria, entonces la demanda en  también lo será y
podemos determinar un nivel de reorden de la manera analizada
en el apartado 6.
Teniendo en cuenta que en el modelo CEP la función de costo total es
relativamente insensible a cantidades cercanas al óptimo, es de esperar
que el tamaño del lote determinado sea una buena aproximación de la
cantidad óptima a ordenar.
13. JUSTO A TIEMPO (JIT) 2
El enfoque JIT o Just in Time supone una forma de gestión formada por
un conjunto de técnicas y prácticas de organización de la producción que
pretende que el cliente sea servido cuando lo precise (justo a tiempo) y
en la cantidad y calidad requeridas. Las dos estrategias básicas de este
enfoque consisten en:
1. La eliminación de todas las funciones innecesarias de las

operaciones industriales.
2. Producir los diferentes productos en el momento que se
necesiten, en la cantidad que se precise y con la máxima calidad.
Mediante la aplicación de estas dos estrategias básicas, se pretende llegar
a eliminar los costos originados por la utilización de los recursos
productivos innecesarios como, por ejemplo, excedentes de mano de
obra, de materiales y fundamentalmente de stocks innecesarios, lo cual
perjudica enormemente a la empresa, ya que, además de generar costos,
puede ocultar problemas de producción y calidad. El enfoque JIT se
1
El modelo matemático de esta situación excede los alcances de este texto.
2
Extraído de DOMÍNGUEZ MACHUCA, J. Y LUNA HUERTAS, P.: “La Filosofía Just In
Time. Objetivos e Instrumentos”. Publicación: Alta Dirección, Nº 155, 1991.
326 CAPÍTULO 10
fundamenta en el principio de descubrir los problemas y enfrentarse a

ellos, resolviendo las causas que los originan.
La filosofía JIT es aplicable en industrias que producen bienes con las
siguientes características:
✓ Demanda estable (no para demanda a saltos irregulares)
✓ Gama de productos reducida
✓ Rutas de fabricación fijas
✓ Procesos de fabricación simples
✓ Estructura de productos simple
Tiene por objetivo llegar a producir a flujo continuo y a mínimo costo.
14. PLANIFICACIÓN DE REQUERIMIENTOS DE MATERIALES (MRP) 3
A diferencia de los métodos clásicos de gestión de inventario que se

aplican a bienes con demanda independiente, no relacionada con otros
artículos de nivel superior en la producción y sujeta a condiciones de
mercado, MRP es utilizado para programar la producción de bienes con
demanda dependiente, frecuentemente discontinua y a saltos
irregulares (con lo cual, las técnicas clásicas que trabajan con valores
medios resultan ineficaces). Estos bienes generalmente están
relacionados con otros ítems de un grado de complejidad superior, es
decir, no están sujetos a condiciones de mercado.
Es aplicable en contextos de producción en que el producto final está
compuesto por una cantidad grande de componentes y estos, a su vez,
por subcomponentes, donde las interrelaciones entre ellos son de
enorme complejidad. En estos casos, no es necesario prever la
demanda, sino que esta puede ser calculada casi con certeza a través
del programa maestro de producción, en el que se indica la cantidad a
producir de cada producto y las fechas en que deben estar disponibles.
Además, mediante la lista de materiales, se pueden conocer cuáles y
cuántos son los componentes que integran el producto final, es decir, la
estructura del mismo, de forma tal que, cuando se necesita de un
conjunto de componentes, no puede hacerse de forma aislada el control
de cada uno de ellos, sino de manera coordinada con el resto de la
producción.
En este contexto, la demanda de los distintos componentes es irregular,
discontinua, pero conocida con certeza, tanto en cantidad como en
tiempo. El objetivo es disponer del stock necesario en el momento en
que va a ser utilizado. Por eso que, en MRP, se pone énfasis en el cuándo
pedir, más que en el cuánto pedir. Sus ventajas toman gran significación
3
Extraído de DOMÍNGUEZ MACHUCA: “M.R.P. Planificación de las Necesidades de
Materiales”. Publicación: Alta Dirección, Nº 118, 1984.
cuando la cantidad de ítems y componentes que integran el producto

final son grandes.
Se dice que MRP, más que una técnica de programación, es un método
de gestión de inventarios.
328 CAPÍTULO 10
ACTIVIDAD 1
1. RESPONDA LAS SIGUIENTES PREGUNTAS:
a) Cuáles son los supuestos básicos que diferencian a los distintos
modelos con demanda determinista:
I. Modelo sin ruptura vs. Modelo con ruptura
II. Modelo sin ruptura vs. Reabastecimiento uniforme
III. Modelo sin ruptura vs. Modelo con función de costo total
discontinua
b) ¿Cuáles son los costos relevantes en el modelo con demanda

determinista con ruptura y cómo se expresan?
c) ¿Por qué no se incluye el costo de hacer pedidos en los modelos

aleatorios?
d) Indique cuáles son los supuestos comunes a ambos modelos y

cuáles los que los diferencian.
2. RESPONDA SI LAS SIGUIENTES AFIRMACIONES SON VERDADERAS O FALSAS
A. “En el modelo con demanda determinista y sin ruptura, el

costo total de pedir es directamente proporcional al tamaño
del pedido”.
B. “El stock de seguridad es igual a la diferencia entre el nivel

de reorden y la demanda verdadera en el periodo de retardo
del pedido”.
3. DEMUESTRE QUE:
h
CT(q*RU ) = CT(q*SR ) 1-
a
ACTIVIDAD 2
Para el siguiente conjunto de ítems de un inventario, realice una
clasificación ABC.
Consumo
Costo
Artículo anual
unitario ($)
(unidades)
1 5000 1,5
2 1500 8
3 10000 10,5
4 6000 2
5 3500 0,5
6 6000 13,6
7 5000 0,75
8 4500 1,25
9 7000 5
10 3000 2
11 6000 10
12 2000 15
13 6500 28
14 9300 31
15 3060 14
16 3177 4
17 1500 1,2
18 1962 8
19 7000 30
20 1246 15
ACTIVIDAD 3
Un importador de equipos de aire acondicionado para automóviles tiene
una demanda promedio de 6.000 equipos al año. Cada vez que hace un
pedido, incurre en un costo de $300. El costo anual del capital
inmovilizado lo estima en 12 % y, además, tiene contratado un seguro
por el que paga una prima del 13 % anual sobre el valor de la mercadería
en inventario. El costo de cada equipo es de $200. Entre el momento en
que hace el pedido y este ingresa al almacén, transcurre una semana.
En base a esta información, responda:
(a) ¿Cuántos equipos deben ordenarse cada vez?
(b) ¿Cuántos pedidos se deben colocar en un año?
(c) Calcule los costos totales anuales.
(d) Determine el nivel de reorden.
330 CAPÍTULO 10
(e) ¿Cuál sería el nivel de reorden si el tiempo de entrega fuera de 4

semanas? Considere 52 semanas al año.
(f) ¿Cuáles serían las respuestas de los incisos (a), (b) y (c) si se
admitieran rupturas de stock, con un costo de $1,25 por equipo no
entregado a tiempo y por semana de retraso?
ACTIVIDAD 4
En un modelo de stock donde no se permiten rupturas y el pedido no tiene
demora e ingresa en un solo lote, el costo total de pedido óptimo para
satisfacer una demanda de 4.800 unidades en 12 meses, realizando 30,98
pedidos al año, es de $1.859,03.
Se pide:
a) Determine el volumen óptimo de pedido.
b) Determine el costo de almacenamiento unitario mensual.
ACTIVIDAD 5
Una fábrica está revisando el tamaño de su lote de fabricación de un
producto en particular. Actualmente, la capacidad de producción de la
planta para este producto es de 12 unidades por día con un costo de
preparación del proceso de producción de $300. La demanda es de 40
unidades por semana. El costo de conservación del producto se estima en
$1,60 por unidad y por año. En este momento, se realizan corridas de
producción de 520 unidades cada 13 semanas. Considerando 52 semanas
al año y 5 días laborables por semana:
a) ¿Recomendaría usted cambiar el tamaño del lote de producción? ¿Por
qué sí o por qué no?
b) ¿Cuánto se podría ahorrar cambiando el tamaño del lote de producción
según su recomendación?
ACTIVIDAD 6
AutoCor SA ha decidido aplicar una política apropiada de manejo de
inventarios para aquellos repuestos que tienen un alto precio de costo.
Para uno en particular, determinó que debían adquirirse lotes de 1.500
unidades cada 15 días. Además de esto, como el periodo que transcurre
entre el momento de emitirse la orden de pedido y el momento en que la
mercadería llega es aleatorio, la empresa quisiera fijar un nivel de
reorden. La empresa quiere que la probabilidad de que el nivel fijado sea
suficiente para atender a la demanda durante ese periodo sea de 0,95.
Sabiendo que la demora del pedido se distribuye normal con media 3 días
y desviación estándar 1 día, ¿cuál deberá ser este nivel de reorden? ¿Cuál
será el stock de seguridad?
ACTIVIDAD 7
SEGURIDAD SA es una empresa multinacional que se ha instalado
recientemente en nuestro país. Su principal actividad, en la nueva planta
de Córdoba, es la fabricación y venta de equipos integrales de alarmas,
en particular, los sistemas de seguridad inteligentes para casas y edificios.
La gerencia de producción ha estimado que durante el próximo año se
requerirán 10.000 detectores de movimiento inteligentes cada mes.
Dado que enfrentan problemas de espacio físico y limitaciones en ciertos
recursos esenciales, la empresa ha decidido adquirir el 60 % de estos
detectores a un proveedor externo y fabricar en su propia planta los
restantes.
El proveedor puede entregarlos el mismo día en que se piden y a un precio
de $50 cada uno. A la empresa le cuesta $30 producir cada detector
inteligente. El costo de almacenamiento es del 12 % anual del precio de
costo (de producción o compra). El costo de pedido por la adquisición
externa de las unidades es de $100 por pedido. El costo de preparación
de la producción asociado con la fabricación de los detectores es de $150.
SEGURIDAD SA tiene capacidad de producción suficiente para fabricar
5.000 detectores por mes, a tasa constante.
Teniendo en cuenta que los detectores que le demandan en parte los
produce y en parte los compra:
a) Calcule la cantidad óptima de pedido que debe adquirirse al proveedor
externo.
b) Determine el tamaño óptimo del lote de producción interno.
c) Determine el número óptimo de pedidos por mes.
d) Determine el número óptimo de corridas de producción por mes.
e) ¿Cuál es el costo total anual de esta política combinada de inventario?
ACTIVIDAD 8
La imprenta de la Facultad trata de determinar cómo minimizar los costos
anuales relacionados con la compra del papel para imprimir los exámenes
y parciales. Cada vez que se hace un pedido, se incurre en un costo de
$20. El precio por caja de papel depende del número de cajas pedidas
(ver tabla). El costo anual de almacenamiento es del 20 % del valor del
inventario. Cada mes, la Facultad utiliza 80 cajas de papel.
Considere el año de 250 días hábiles.
NÚMERO DE PRECIO POR CAJA

CAJAS PEDIDAS (en pesos)
q  300 10
300  q  500 9,80
q  500 9,70
a) Determine la cantidad óptima por pedido y el número de pedidos que

se hacen cada año.
332 CAPÍTULO 10
b) Si la imprenta decide realizar los pedidos cada 90 días, ¿cuál será el

tamaño del lote óptimo de compra y a cuánto ascenderá el costo total
de esta política?
ACTIVIDAD 9
Considere el modelo de inventario con demanda cierta, sin ruptura, con
puntos de discontinuidad (variaciones por saltos) en la función de costo
total variable (CT), originados en la existencia de tres precios diferentes
del producto, p1, p2 y p3, tales que p3 < p2 < p1, donde los precios p2 y p3
son válidos a partir de determinadas cantidades de q 1 y q2,
respectivamente. Es decir:
- Si el pedido es entre q1 y q2 unidades, el precio unitario es p2
- Si el pedido es entre q2 y q3 unidades, el precio unitario es p3
Indicando como q1*, q2*, q3* las cantidades óptimas correspondientes a
los precios dados, se solicita:
a) Graficar, en forma completa, el problema anterior, considerando a
q1 y q2 menores que la cantidad óptima correspondiente a la
función de costo total correspondiente al mayor precio. Indique,
para cada curva y cantidad óptima respectiva, a qué precio se
refieren.
b) Para el gráfico que realizó en el punto a), señale cuál es la cantidad
óptima de pedido y porqué.
ACTIVIDAD 10
La florería CLAVELES SA debe decidir cuántas orquídeas ordenar para el
Día de la Secretaria. La demanda de este tipo de flores en los días
especiales, como este o el de la Madre, es una variable aleatoria (D). Si
la demanda excede el número de flores disponibles, el faltante se satisface
colocando una orden urgente. En este caso, el costo de cada flor será $5
más caro que el costo normal. Si la demanda es menor que el inventario
que se tiene, las flores que sobran se pueden vender con posterioridad.
El precio de venta de las flores que sobren será $3 menos que su costo
original, ya que no se encontrarán igualmente frescas.
a) Suponiendo que D sigue la distribución mostrada en la tabla: ¿qué

cantidad de orquídeas debe ordenar para minimizar el costo esperado?
¿Cuál será el costo esperado?
Demanda 10 15 20 25 30
Probabilidad 0,10 0,25 0,30 0,20 0,15
b) Suponiendo que D se puede aproximar con una distribución uniforme

en el intervalo [15, 50]: ¿qué cantidad de orquídeas debe ordenar para
minimizar el costo esperado?
c) Suponiendo que D se puede aproximar con una distribución normal con

media 30 y desviación estándar 5: ¿qué cantidad de orquídeas debe
ordenar para minimizar el costo esperado?
CAPÍTULO 11
MODELOS DE SIMULACIÓN
1. INTRODUCCIÓN
Hasta ahora nos hemos ocupado de la formulación de modelos que se
resolvieron en forma analítica y, en casi todos ellos, nuestra finalidad fue
encontrar soluciones óptimas.
Para utilizar estos modelos matemáticos tuvimos que incluir, en cada
caso, supuestos o hipótesis simplificadoras. Por ejemplo, en algunos
modelos de stock supusimos que el costo de almacenamiento era
proporcional a las unidades almacenadas.
Sin embargo, y por diversas razones, no todos los problemas de la vida
real pueden ser representados a través de un modelo analítico. En estos
casos, un decisor racional deberá hacer uso de otro tipo de modelos,
llamados modelos de simulación, que le permiten representar y estudiar
a estos problemas.
2. CONCEPTO DE SIMULACIÓN
Si buscamos en el diccionario la palabra simular, nos encontraremos con
que simular “es representar una cosa, fingiendo o imitando lo que no es”.
Justamente, la simulación es un método que le permite al decisor estudiar
el comportamiento de un sistema real experimentando con un modelo que
lo representa, llamado modelo de simulación. Este está formado por las
expresiones matemáticas y las relaciones lógicas entre los componentes
fundamentales del sistema y permiten calcular el valor de las salidas de
interés dadas las entradas controlables del sistema.
El objetivo del proceso de simulación es la ejecución del modelo a través
del tiempo, en general en una computadora, para generar mediciones de
determinados valores de eficiencia del sistema.
A diferencia de los modelos de optimización, en los cuales las entradas
son parámetros y las salidas son decisiones óptimas, en los modelos de
simulación las entradas son decisiones o parámetros y las salidas son
medidas de eficiencia del sistema.
En el siguiente esquema podemos observar la diferencia entre ambos
tipos de modelos.
336 CAPÍTULO 11
INPUTS OUTPUTS
Decisiones y Valores
paramétricos SIMULACIÓN Medidas de eficiencia
INPUTS OUTPUTS
MODELO DE Variables de decisión

Parámetros OPTIMIZACIÓN óptimas
Gráfico 1
La simulación no es una técnica de optimización. Se utiliza generalmente

para responder preguntas del tipo “¿qué sucede si...?”.
Es especialmente útil cuando se trata de modelos muy complicados que
no pueden ser resueltos aplicando métodos analíticos debido a su
complejidad o a la aparición de variables cualitativas y relaciones y
funciones no expresadas analíticamente.
En muchas situaciones, nos encontramos también con la presencia de
variables aleatorias. En estos casos, debemos previamente solucionar el
problema de cómo asignar valores a dichas variables aleatorias. Para ello,
se utilizan procedimientos aleatorios que generan muestras artificiales de
variables aleatorias con distribución conocida.
3. VENTAJAS DE LA SIMULACIÓN
Los modelos de simulación de un sistema mejoran el proceso decisorio
debido a que permiten:
✓ Analizar los efectos que se producen en el comportamiento de un
sistema ante cambios internos o externos.
✓ Entender el comportamiento de un sistema y, por consiguiente,
sugerir estrategias que mejoren su operación y eficiencia.
✓ Comprender mejor la operación de sistemas complejos, detectar las
variables más importantes y entender la relación entre ellas.
✓ Experimentar con nuevas situaciones sobre las cuales se tiene poca
información. A través de esta experimentación, se pueden anticipar
resultados no previstos.
✓ Anticipar problemas que puedan surgir en el comportamiento del
sistema cuando se introducen nuevos elementos.
4. ETAPAS PARA REALIZAR UN ESTUDIO DE SIMULACIÓN

➢ Definición del sistema: realizar un análisis preliminar del
mismo para identificar relaciones con otros sistemas, variables y sus
MODELOS DE SIMULACIÓN 337
relaciones, medidas de efectividad y resultados que se esperan

obtener del estudio.
➢ Formulación del modelo: definir y construir el modelo con el
cual se obtendrán los resultados deseados. Es necesario definir todas
las variables y sus relaciones lógicas.
➢ Recolección de datos: definir con claridad y exactitud los datos
que el modelo va a requerir para producir los resultados deseados.
➢ Implementación del modelo en la computadora.
➢ Validación: detallar deficiencias en la formulación del modelo o
en los datos que lo alimentan. Se deberán considerar aspectos tales
como:
- Opinión de expertos sobre los resultados.
- Exactitud con que se predicen datos históricos.
- Comprobación de fallas del modelo al utilizar datos que
hacen fallar al sistema real.
➢ Experimentación.
➢ Interpretación.
5. EJEMPLO: ANÁLISIS DE RIESGO

El análisis de riesgo es un procedimiento muy utilizado para predecir
resultados en casos de incertidumbre.
Supongamos que nos interesa analizar la utilidad que proporcionará un
nuevo producto, durante el primer año, luego de su entrada al mercado.
Los costos de desarrollo y publicidad son de $325.000 y $150.000
respectivamente. El precio de venta está fijado en $150 por unidad. El
costo de la mano de obra directa y de los materiales no se conocen con
certeza, las mejores estimaciones para ellos son:
Costo promedio de la mano de obra directa $30/unidad

Costo promedio de los materiales $70/unidad
La demanda para el primer año se ha estimado en 20.000 unidades.
Con estos datos, podemos realizar un análisis del tipo “que pasa si”, que
implica generar valores para las entradas probabilísticas y calcular el valor
resultante para la salida.
El modelo que representa la utilidad para el primer año es:
Utilidad = (150 – c1 – c2) x – 475.000

Donde:
338 CAPÍTULO 11
c1 = costo de la mano de obra directa por unidad

c2 = costo de los materiales por unidad
x = demanda para el primer año
Con estos datos podemos plantear un escenario base:
Utilidad = (150 – 30 – 70) 20.000 – 475.000
Utilidad del primer año = $525.000
Con un poco más de información, se ha estimado que el costo de la mano

de obra directa es aleatorio y varía desde un mínimo de $25 a un máximo
de $35 por unidad y que el costo de los materiales, el que también es
aleatorio, puede variar de $60 a $90 por unidad. Se estima también que
la demanda del primer año puede ser de 5.000 a 30.000 unidades.
Con estos datos, podemos plantear un escenario del peor caso, utilizando
las estimaciones de costos más altos y la demanda más baja.
La utilidad del primer año, en este caso, será:
Utilidad del primer año = (150 – 35 – 90) 5.000 – 475.000

Utilidad del primer año = - $350.000
También podemos sugerir un escenario del mejor caso con los costos más
bajos y la demanda más alta:
Utilidad del primer año = (150 – 25 – 60) 30.000 – 475.000

Utilidad del primer año = $1.475.000
De esta manera y con la información anterior, hemos podido presentar

tres escenarios. La simulación nos permite representar muchos
escenarios, generando valores en forma aleatoria para las entradas
probabilísticas. Luego, es posible realizar un análisis estadístico de los
datos obtenidos.
Para la generación de las observaciones de cada variable aleatoria, es
necesario conocer cuál es la distribución de probabilidad de cada una de
ellas.
6. GENERACIÓN DE VARIABLES ALEATORIAS NO-UNIFORMES

En los modelos de simulación, es usual que una o varias de las variables
que interactúan sean aleatorias. Generalmente, estas variables siguen
distribuciones de probabilidad teórica o empíricas. Para simular valores
de estas variables aleatorias, vamos a necesitar un generador de números
aleatorios uniformes y una función que, a través de un método específico,
transforme estos números en valores de la distribución de probabilidad
deseada. Por supuesto que, para generar estos valores, es necesario que
conozcamos cuál es la distribución de probabilidad de cada entrada
aleatoria. Existen varios procedimientos para lograr este objetivo. Entre
los procedimientos más comunes, se encuentra el método de
transformación inversa.
MÉTODO DE TRANSFORMACIÓN INVERSA

En este procedimiento se necesita una función de distribución acumulada
y consiste en los pasos siguientes:
1. Se genera un número aleatorio (o Random, en nuestra notación: Rn)
con la computadora, empleando las sentencias o funciones que tienen
todos los sistemas o extrayendo de una tabla de números aleatorios.
Estos números Rn tienen distribución uniforme entre 0 y 1, es decir, en
un rango equivalente al de la probabilidad.
2. Se adopta el Rn como una probabilidad acumulada, es decir: F(x) = Rn.
x
F(x) = − f(t)dt = Rn
3. Finalmente, se despeja de la función F(x) el valor de x correspondiente,

siendo este el dato generado.
El método se puede representar gráficamente, para una variable aleatoria
continua, del siguiente modo:
F(x)
1
Rn
x0 x
xx
x0
Gráfico 2
Para una variable aleatoria discreta:
F(x)
1
0,95
Rn
0,45
0,15
0 1 2 3 4 5 X
x0
Gráfico 3
Para nuestro ejemplo, supongamos que el costo de la mano de obra

directa sigue la siguiente distribución:
340 CAPÍTULO 11
Costo/unid. Probabilidad
25 0,02
26 0,03
27 0,05
28 0,10
29 0,15
30 0,17
31 0,20
32 0,12
33 0,08
34 0,05
35 0,03
Tabla 1
Costo de los materiales puede aproximarse con una distribución

uniforme en el intervalo [60,90]:
F(x)
1/30
60 75 90 x
Gráfico 4
Demanda del primer año puede aproximarse con una distribución normal
con media de 20.000 unidades y una desviación estándar de 5.000
unidades:
Desviación estándar
 = 5.000 unidades
20.000
Número de unidades vendidas
Gráfico 5
Para simular nuestro problema, debemos generar valores para las tres
entradas probabilísticas que sean representativos de los que pudiéramos
observar en la realidad, y calcular la utilidad resultante. Luego,
generamos otro conjunto de valores para las entradas probabilísticas y
calculamos un segundo valor para la utilidad, etc.
El cálculo de la utilidad completa un ensayo de la simulación.
Continuamos con este proceso hasta estar seguros de tener suficientes
ensayos para describir la distribución de probabilidad para la utilidad.
Debido a que la simulación implica generar muestras aleatorias, los

resultados de la simulación están sujetos a errores muestrales igual que
para cualquier experimento muestral. Podemos minimizar el error
muestral realizando un número grande de ensayos. Sin embargo, para
algunos modelos de simulación complejos, es deseable determinar el
tamaño muestral para evitar costos innecesarios en tiempo
computacional.
Nuestro modelo es:

c1 c2 x
Pv
Utilidad del
CD (150 – c1 – c2) x – 475.000 primer año
CP
Gráfico 6
Parámetros del modelo:

Precio de venta (Pv) = $150
Costos de desarrollo (CD) = $325.000
Costos de publicidad (CP) = $150.000
Entradas probabilísticas:
c1 = costo de la mano de obra directa por unidad
c2 = costo de los materiales por unidad
x = demanda para el primer año
El proceso de generación de las entradas probabilísticas y de calcular el

valor del resultado se conoce como simulación. La secuencia de las
operaciones lógicas y matemáticas requeridas para describir esta
simulación se representan en el correspondiente diagrama de flujos del
modelo. Parámetros del modelo
Precio de venta $150
Costos de desarrollo $ 325.000
Costos de publicidad $ 150.000
Generar costo de la
mano de obra directa, c1
Generar costo de los materiales, c2

Siguiente
ensayo
Generar demanda para el primer año, x
Calcular utilidad
Utilidad = (150 – c1 – c2) x – 475.000
Gráfico 7
342 CAPÍTULO 11
Para ejecutar nuestro modelo, colocamos los datos en una planilla, por
ejemplo, podemos usar Excel. En cada fila de la planilla, resumimos un
ensayo, entonces esta podría tener la siguiente estructura:
Ensayo Rn Costo de Rn Costo de Rn Demanda Utilidad

MO directa materiales del primer del primer
año año
Tabla 2
Primer ensayo:
- Generar el costo de la mano de obra directa (MO directa) utilizando el
método de la transformación inversa:
1. Generar un nº aleatorio.
2. Ubicar el primer valor de probabilidad acumulada que lo supera. Este

es el costo simulado.
Probabilidad
Costo/unid. Probabilidad
acumulada
25 0,02 0,02
26 0,03 0,05
27 0,05 0,10
28 0,10 0,20
29 0,15 0,35
30 0,17 0,52
31 0,20 0,72
32 0,12 0.84
33 0,08 0,92
34 0,05 0,97
35 0,03 1
Tabla 3
Supongamos que generamos nº Rn 0,58. Entonces, el costo simulado será

de $31
- Generar costo de los materiales usando el método de la transformación

inversa para la distribución uniforme:
x-a x - 60
2. Rn = F(x) = =
b - a 90 - 60
3. Despejar el valor de x, siendo este el costo de los materiales.
Si el número aleatorio generado es 0,75

X = a + Rn (b-a) = 60 + Rn (90 – 60) = 60 + 0,75 (30)
Entonces, el costo simulado será de $82,5.
- Generar la demanda para el primer año, de igual manera, pero con

distribución normal:
2. Usar este valor Rn para encontrar un valor x para el que:
F(x) = P(D  x) = Rn
3. Es decir, encontrar el valor de x para el que el área bajo la curva
normal a la izquierda es Rn. Para hacer esto, usar la tabla normal
estándar y luego calcular x de la siguiente manera:
x=  + ( * z)
Supongamos que generamos nº Rn 0,1515

z0,1515 es aproximadamente -1,03
La demanda simulada será:
x - 20.000
-1,03 =
5000
X = 20.000+ [5.000 *(-1,03)] = 14.850 unidades
- Cálculo de la utilidad para un ensayo:

Utilidad = (150 – 31 – 82,5) 14850 – 475.000
Utilidad simulada = $67.025
Resumimos el primer ensayo en la planilla y realizamos otro:

Ensayo Rn Costo de Rn Costo de Rn Demanda Utilidad
MO directa materiales del primer del primer
año año
1 0,58 31 0,75 82,50 0,1515 14.850 67.025
2 0,25 29 0,56 76,80 0,8550 25.300 643.260
Tabla 4
Se repiten los ensayos un número grande de veces para, luego, llevar a

cabo un análisis estadístico de los resultados obtenidos por simulación.
A continuación, se muestra una planilla, creada con Excel, para 20
ensayos. En ella se generaron los números aleatorios con las distintas
distribuciones utilizando las funciones que ya tiene incluidas el programa.
Para acceder a ellas, se debe ir al menú Herramientas/Análisis de
datos/Generación de números aleatorios; allí se pueden generar números
con distintas distribuciones como, por ejemplo, discreta, uniforme,
normal, etc.
344 CAPÍTULO 11
Costo de la Costo de Demanda del Utilidad del

MO directa materiales primer año primer año
27 84.77858821 15170 104823.2894
30 64.99893185 12336 203474.7739
31 63.3005768 23115 812467.9161
26 60.29297769 34333 1712224.217
26 82.24524674 24715 556955.5368
34 86.75160985 21430 151795.6177
27 89.71068453 20136 195300.7182
35 83.71196631 17816 82439.76323
25 71.1487167 31326 1211951.732
34 71.29703665 15267 207497.4627
29 76.11194189 14325 168043.5185
30 82.96304209 17671 179469.1384
31 82.30201117 17508 167503.4396
30 88.2842494 26351 360754.051
33 62.30994598 16041 402284.6007
30 77.40012818 17086 252857.1242
34 76.35364849 23369 451494.2931
29 64.64461196 22737 806369.0735
30 75.8619953 14246 153795.6312
30 64.29212317 17622 506683.6304
Utilidad
434409.2764
promedio
Tabla 5
El número de ensayos debería ser muy superior para que la información

sea de utilidad. Sin embargo, y a título de ejemplo, insertamos el análisis
estadístico descriptivo que provee Excel.
Utilidad del primer año

Media 434409.2764
Error típico 93736.99978
Mediana 230177.2935
Desviación estándar 419204.607
Varianza de la muestra 1.75733E+11
Curtosis 3.795025845
Coeficiente de asimetría 1.938197907
Rango 1629784.454
Mínimo 82439.76323
Máximo 1712224.217
Suma 8688185.528
Cuenta 20
Nivel de confianza
196193.8563
(95.0%)
Tabla 6
Distribución de Frecuencias
0,73
0,55
frecuencia relativa
0,37
0,18
0,00
-124 284 693 1102 1511 1919
Utilidad (en miles de pesos)
Gráfico 8
Clase Frecuencia % acumulado

250000 10 50,00%
500000 4 70,00%
750000 2 80,00%
1000000 2 90,00%
1250000 1 95,00%
y mayor... 1 100,00%
Tabla 7
El cálculo del número de ensayos se puede realizar a priori con fórmulas

estadísticas que determinan el tamaño mínimo de la muestra. Sin
embargo, esto no nos garantiza que se cumpla la estabilidad en las
medidas de eficiencia.
Otra forma de determinar el número de ensayos es analizando el valor
promedio de las variables que se están simulando. Este resultado
promedio tiene un estado transitorio en el cual existe variación entre sus
valores: a medida que el número de ensayos se incrementa, esas
variables tienden a llegar a un estado estable y en las medidas de
eficiencia se producen variaciones poco significativas, lo que permite que
las decisiones sean más confiables.
Por esta razón, en la práctica se realizan las simulaciones con un gran
número de ensayos para, así, obtener una mejor descripción de la
distribución de los resultados.
En el gráfico 9 puede observarse cómo la utilidad promedio comienza en
un estado transitorio con mucha variación y, a medida que aumenta el
número de ensayos, se va estabilizando y la fluctuación se hace poco
significativa.
346 CAPÍTULO 11
Gráfico 9
EJEMPLO DE GENERACIÓN DE UNA VARIABLE CON DISTRIBUCIÓN POISSON

Supongamos que la variable aleatoria x: número de clientes que llegan a
una cabina telefónica tiene distribución Poisson con media () igual a 2
llegadas por minuto.
Como Poisson es una distribución discreta, se obtienen las probabilidades
para =2 de la tabla estadística y luego se calcula la función de
probabilidad acumulada.
Probabilidad
Llegadas Probabilidad
acumulada
0 0.135 0.135
1 0.271 0.406
2 0.271 0.677
3 0.180 0.857
4 0.090 0.947
5 0.036 0.983
6 0.012 0.995
7 0.003 0.998
8 0.002 1
Tabla 8
Por ejemplo, si el número aleatorio generado es Rn = 0.843, entonces se

producen tres llegadas, o sea, x = 3.
EJEMPLO DE GENERACIÓN DE UNA VARIABLE CON DISTRIBUCIÓN EXPONENCIAL

Supongamos que la variable aleatoria x: tiempo entre las llegadas de dos
clientes a un teléfono público tiene distribución exponencial con media
(1/) igual a 2 minutos. Asumiendo que acaba de llegar un cliente, se
desea generar el tiempo que pasará hasta la llegada del siguiente.
La distribución acumulada de la exponencial es:
− x
F(x) = 1 - e
Donde , parámetro de la distribución, representa al número de personas

que utilizan el teléfono por minuto.
Entonces: 1/ = tiempo promedio que cada persona utiliza el teléfono

público.
Para este ejemplo: 1/ = 2 minutos y  = 0,5 personas por minuto.
Si de la función acumulada de probabilidades se explicita x, se obtiene:
− x
e = 1 - F(x)
aplicamos ln en ambos miembros,
-x lne = ln 1 - F(x)
-x = ln 1 - F(x)
1
x= − ln 1 - F(x)

Como F(x) = Rn
1
x=− ln 1 - Rn

Si al generar el Random se obtiene: Rn = 0.845, entonces el siguiente

cliente llegará después de:
x = -2 ln [1 - 0.845] = 3.73 minutos
Observación: como (1 - Rn) también es un número aleatorio, entonces
puede generarse el tiempo de la siguiente manera:
x = -2 ln Rn
EJEMPLO CON DISTRIBUCIÓN NORMAL

Otra forma de generar una muestra artificial de una variable aleatoria con
distribución normal, además de la mostrada con el ejemplo de análisis de
riesgo, es trabajando con k variables aleatorias independientes con
distribución uniforme [0,1). Estas variables tendrán media igual a 1/2 y
varianza igual a 1/12; recordemos que en la distribución uniforme, la
media es igual a (b +a) / 2 y la varianza es (b-a)2 / 12.
El método propone definir una variable n que resulta de sumar las k
variables uniformes. Por aplicación del Teorema Central del Límite, esta
nueva variable n tendrá distribución aproximadamente normal con media
igual a k/2 (suma de las k medias) y varianza k/12 (suma de las k
varianzas). Es decir:
k k 
n N , 
 2 12 
348 CAPÍTULO 11
Por lo tanto, la variable:

k
n-
2
Z=
k
12
Tendrá una distribución normal (0,1), de donde si deseamos valores de

una variable normal x, con media  y desviación típica , calculamos:
k
n-
2
x=μ+ 
k
12
Cuanto mayor sea el valor de k, mayor será la aproximación de la

distribución de x a la deseada. Desde el punto de vista práctico trabajando
con k = 12, se obtienen buenas aproximaciones, quedando la relación
anterior igual a:
x = μ + σ (n - 6)
Supongamos que la demanda de un determinado producto se distribuye

normal con media igual a 750 unidades y desvío igual a 100 unidades.
Para aplicar este método, calculamos:
1) Doce números aleatorios uniformes [0,1):
0,5743 0,8893
0,6444 0,0329
0,6734 0,0908
0,6771 0,1679
0,7211 0,5122
0,1362 0,4157
Tabla 9
2) Se obtiene la variable aleatoria n, que se distribuye normal (6,1),

como la suma de estos 12 números aleatorios.
n = 5.5350
3) Se obtiene el valor de la variable aleatoria x con distribución normal

(750,100):
x = 750 + 100 (5.5350 – 6) = 703.50

7. ALGUNOS EJEMPLOS DE APLICACIÓN

EL PROBLEMA DEL DIARIERO
El dueño de un kiosco ubicado en un centro comercial desea elegir la
política adecuada de compras del periódico de mayor demanda. Para ello,
analiza dos políticas posibles:
a) Comprar cada día una cantidad igual a la demanda del día anterior.
b) Comprar diariamente una cantidad fija de 53 unidades.
Se ha analizado durante 300 días la demanda del periódico obteniendo

los siguientes datos:
Demanda por día Frecuencia

50 15
51 30
52 45
53 90
54 75
55 45
Tabla 10
Cada periódico le cuesta $1,20. Los que no se venden en el día, se

devuelven, obteniendo un reembolso del 50 %. Por otra parte, si le
solicitan un periódico y no está disponible, calcula un costo de utilidad
perdida de $0,80.
Para analizar por simulación este problema, se sugiere simular cada
política 200 días con el objeto de determinar el costo promedio diario
proveniente de la comercialización de periódicos. Supongamos que la
venta anterior al primer día fue de 50 periódicos y que se perdieron de
vender 3 unidades.
Definición de variables y parámetros del modelo

i = día simulado
qi = cantidad de periódicos ordenados el día i
Ni = variable aleatoria cantidad de periódicos demandados el día i
CTDi = costo total del día i
CTP = costo total promedio planteamiento del modelo
Política a)
qi = Ni-1
N0 = 53
350 CAPÍTULO 11
0,80 (Ni - qi ), si Ni > qi

CTD = 
0,60 (qi - Ni ), si qi > Ni
n
 CTDi
CTP = i=1 , siendo n el número de días simulados
n
Política b)
qi = 53
N0 = 53
0, 80 (Ni - qi ), si Ni > qi

CTD = 
0, 60 (qi - Ni ), si qi > Ni
n
 CTDi
CTP = i=1 , siendo n el número de días simulados
n
Para generar la demanda aleatoria, tenemos en cuenta la función de

probabilidad acumulada:
Demanda Frecuencia Frecuencia Frecuencia

por día absoluta relativa acumulada
50 15 0.05 0.05
51 30 0.10 0.15
52 45 0.15 0.30
53 90 0.30 0.60
54 75 0.25 0.85
55 45 0.15 1
Tabla 11
En la figura siguiente, se observa el diagrama de flujo para este problema:

Definir Parámetros
i=0
No= 53
CTDi = 0
i=i+1
qi= Ni-1 a)
qi= 53 b)
Generar
Ni
CTDi = 0,60 (qi- Ni) si no

es Ni  qi? CTDi = 0,80 (Ni-qi)
Registrar
resultados
es i = 200 ?
no
si
Calcular CTP
Fin
Gráfico 10
Las tablas siguientes muestran la simulación de 20 días de cada política.

No obstante, debe tenerse en cuenta que, para poder comparar
resultados con el fin de seleccionar la mejor política, debería simularse
cada una de ellas un número grande de veces.
Política a)
352 CAPÍTULO 11
Día i Rn Ni qi Ni-qi CTDi

0 53
1 0,88 55 53 2 1,6
2 0,91 55 55 0 0
3 0,50 53 55 2 1,6
4 0,53 53 53 0 0
5 0,09 51 53 -2 1,2
6 0,21 52 51 1 0,8
7 0,79 54 52 2 1,6
8 0,94 55 54 1 0,8
9 0,73 54 55 -1 0,6
10 0,81 54 54 0 0
11 0,75 54 54 0 0
12 0,52 53 54 -1 0,6
13 0,03 50 53 -3 1,8
14 0,83 54 50 4 3,2
15 0,88 55 54 1 0,8
16 0,55 53 55 -2 1,2
17 0,85 55 53 2 1,6
18 0,15 52 55 -3 1,8
19 0,73 54 52 2 1,6
20 0,24 52 54 -2 1,2
Costo Promedio $ 1,10
Tabla 12
Política b)
dia i Rn Ni qi Ni-qi CTDi

0 53
1 0,88 55 53 2 1,6
2 0,91 55 53 2 1,6
3 0,50 53 53 0 0
4 0,53 53 53 0 0
5 0,09 51 53 -2 1,2
6 0,21 52 53 -1 0,6
7 0,79 54 53 1 0,8
8 0,94 55 53 2 1,6
9 0,73 54 53 1 0,8
10 0,81 54 53 1 0,8
11 0,75 54 53 1 0,8
12 0,52 53 53 0 0
13 0,03 50 53 -3 1,8
14 0,83 54 53 1 0,8
15 0,88 55 53 2 1,6
16 0,55 53 53 0 0
17 0,85 55 53 2 1,6
18 0,15 52 53 -1 0,6
19 0,73 54 53 1 0,8
20 0,24 52 53 -1 0,6
costo promedio $ 0,88
Tabla 13
EL PROBLEMA DEL VENDEDOR DE GASEOSAS

Juan vende gaseosas en el estadio Córdoba durante los partidos de fútbol
de los domingos. Compra cada gaseosa a $0,80 y la vende a $1,50. La
demanda es aleatoria y depende de las condiciones climáticas, es decir,
si hay sol o está nublado. La probabilidad de que haya sol durante los
domingos del mes de junio es de 0,70.
Si el día está soleado, entonces la demanda tiene un comportamiento
uniforme en el intervalo [150,200]; pero si está nublado, su
comportamiento es uniforme en el intervalo [100,150].
Juan tiene la política de llevar 180 gaseosas y no considera el costo por
faltantes ni por sobrantes.
Para generar el clima:
Día Probabilidad Prob. acumulada

soleado 0,7 0,7
nublado 0,3 1
Tabla 14
Para generar la demanda en día soleado:

Dem. soleado = 150 + 50 Rn
Para generar la demanda en día nublado:

Dem. nublado = 100 + 50 Rn
A continuación, se muestra un diagrama de flujo para este problema:

354 CAPÍTULO 11
Inicio de la simulación
Ensayo
n=n+1
Nuevo Generar clima del día

ensayo
Si Rn < 0,70  soleado

si no nublado
Si Día soleado? No
Generar Demanda con Generar Demanda con

Demanda = a + (b-a) Rn Demanda = a + (b-a) Rn
D = 150+ 50 Rn D = 100+ 50 Rn
Si No
D > 180 ?
Calcular beneficio Calcular beneficio

B = 180 (0,7) = 126 B = D (0,7)
Gráfico 11
La tabla que se inserta a continuación fue realizada usando la planilla

Excel. Por esta razón, si se realizan los cálculos, se pueden encontrar
algunas diferencias.
Rn Rn
Ensayo Día Demanda Venta Utilidad
Clima Demanda
1 0.61 soleado 0.165 158 158 $ 111
2 0.48 soleado 0.337 167 167 $ 117
3 0.76 nublado 0.106 105 105 $ 74
4 0.06 soleado 0.334 167 167 $ 117
5 0.53 soleado 0.551 178 178 $ 124
6 0.06 soleado 0.187 159 159 $ 112
7 0.32 soleado 0.225 161 161 $ 113
8 0.09 soleado 0.512 176 176 $ 123
9 0.32 soleado 0.541 177 177 $ 124
10 0.66 soleado 0.644 182 180 $ 126
11 0.03 soleado 0.074 154 154 $ 108
12 0.04 soleado 0.081 154 154 $ 108
13 0.93 nublado 0.553 128 128 $ 89
14 0.10 soleado 0.441 172 172 $ 120
15 0.85 nublado 0.944 147 147 $ 103

16 0.55 soleado 0.224 161 161 $ 113
17 0.15 soleado 0.627 181 180 $ 126
18 0.32 soleado 0.925 196 180 $ 126
19 0.44 soleado 0.072 154 154 $ 108
20 0.59 soleado 0.991 200 180 $ 126

Utilidad
$ 113
promedio
Tabla 15
Realizamos algunos ensayos de la tabla anterior, aclarando que las

diferencias de decimales se deben a redondeos.
Rn Rn
Ensayo Día Demanda Venta Utilidad
Clima Demanda
150 + 50
1 0.61 soleado 0.165 158 $ 111
(0.165)=158
150 + 50
2 0.48 soleado 0.337 167 $ 117
(0.337)=167
100 + 50
3 0.76 nublado 0.106 105 $ 74
(0.106)=105
Tabla 16
8. SIMULACIÓN DE FENÓMENOS DE ESPERA EN FILA

CARACTERIZACIÓN DEL PROBLEMA
Todos, en algún momento hemos formado parte de un sistema de espera
en fila, por ejemplo, cuando vamos al banco y nos unimos a una fila
esperando que el cajero nos atienda, en las cajas del supermercado o
cuando esperamos un cambio de luz frente a un semáforo.
También las máquinas pueden formar parte de una cola cuando esperan
ser reparadas por un técnico; los aviones que esperan autorización para
despegar o aterrizar en un aeropuerto, los barcos que esperan ser
descargados o las cartas que esperan ser elaboradas y enviadas por una
secretaria.
Podríamos seguir así, enumerando un sinfín de ejemplos, pero lo
importante es identificar la característica que tienen en común todas estas
situaciones, y ella es la espera.
Una situación de línea de espera se produce cuando un “cliente” (hombre
o máquina) llega a una instalación para recibir un “servicio”, espera en
una fila hasta ser atendido y luego se retira.
Algunos de los sistemas más comunes de líneas de espera pueden verse
en las siguientes figuras:
Una fila y un servidor
Gráfico 12
356 CAPÍTULO 11
Varias filas y varios servidores
Gráfico 13
Una fila y varios servidores
Gráfico 14
Una fila y varios servidores en serie
Gráfico 15
La cola se forma cuando la demanda de un servicio es mayor que la

capacidad del servicio.
La teoría de las colas comprende a un grupo muy grande de modelos en
donde cada uno se refiere a un tipo diferente de situación de línea de
espera. Sin embargo, todos ellos tienen algunas cosas en común.
Los componentes que caracterizan a las líneas de espera son:
• Población de clientes o fuente de clientes, que puede ser finita o
infinita.
• Proceso de llegada, que es la forma en que llegan los clientes al
sistema y que está especificado por el tiempo entre llegadas.
• Proceso de servicio, que está especificado por el tiempo que dura el
servicio.
• Disciplina de la cola, es decir, el orden en el que son atendidos los
clientes.
En general, los sistemas de colas pasan por dos fases:

Fase transitoria: este periodo inicial tiene muchas características
transitorias que no son similares a los valores promedios a largo
plazo o de estado estacionario.
Fase estable: es la condición del sistema luego de haberse
eliminado las condiciones iniciales, esto es, cuando el sistema
alcanza el estado estacionario.
Los modelos de colas son de tipo descriptivos. Es decir que no solucionan
directamente el problema, pero aportan información fundamental al
momento de tomar decisiones describiendo las características de
operación del sistema como son la longitud de la cola o el tiempo de
espera en el sistema, entre otras.
Existen numerosas situaciones para las cuales no pueden ser utilizados
ninguno de los modelos matemáticos ya desarrollados; en estas
situaciones, la alternativa es realizar un análisis por simulación para así
determinar las características de operación del sistema de espera en fila.
PROCEDIMIENTO DE SIMULACIÓN DE UN FENÓMENO DE ESPERA

La operación física del sistema es:
1. El cliente llega:
➢ Si el servidor está desocupado, es atendido.
➢ Si el servidor está ocupado, se suma a la cola de espera hasta que
el servidor se desocupa, recibiendo a continuación el servicio.
2. Una vez atendido, se retira del sistema.
Para el modelo de simulación, es necesario describir y sincronizar la
llegada de los clientes y el suministro del servicio.
Existen dos enfoques para la lógica y el seguimiento de los registros del
modelo: incremento de tiempo fijo e incremento según el evento
siguiente.
Incremento de tiempo fijo: todos los periodos son de igual
duración y se actualiza el estado del sistema al principio o al final
de cada lapso o intervalo de tiempo.
Incremento según el evento siguiente: consiste en generar
aleatoriamente el tiempo que transcurre entre llegadas y el tiempo
que se requiere para cumplir el servicio de un cliente. Se
actualizará el sistema en cada momento en que llegue un cliente
o en el que se termina de atender a uno. De modo que es variable
el tiempo entre actualizaciones del sistema.
9. EJEMPLOS DE SIMULACIÓN DE COLAS

EL PROBLEMA DEL BANCO
358 CAPÍTULO 11
El gerente de la sucursal de un banco ha recopilado datos acerca de la

entrada de clientes al banco y del servicio que se les da. Opina que el
tiempo entre llegadas puede describirse a través de una distribución
uniforme en el intervalo [5,7]. También piensa que es posible describir el
tiempo de servicio a través de una distribución exponencial con un tiempo
promedio de servicio de 4 minutos por cliente.
El gerente quisiera poder determinar el tiempo promedio de espera de los
clientes en estas circunstancias.
Resumiendo, los datos que se poseen sobre la operación del banco con
una ventanilla son:
- El tiempo entre llegadas se distribuye uniformemente en el intervalo
[5,7].
- El tiempo de servicio se distribuye exponencial con 1/ = 4 minutos por
cliente.
Para simular este proceso, vamos a generar el tiempo entre llegadas y el
tiempo de servicio con el generador uniforme y exponencial
respectivamente. Recordemos que podemos determinarlo a través del
método de la transformación inversa, de la siguiente manera:
Tiempo entre llegadas:
TL = a + (b –a) Rn
TL = 5 + (7 – 5) Rn
Tiempos de servicio:
TS = - 1/ ln Rn
TS = - 4 ln Rn  = 1/4
Ejemplo de cálculo de la primera fila de la tabla:

1) Generar Rn para el tiempo entre llegadas:
Rn1 = 0.1634
2) Generar el tiempo entre llegadas:

TL = a + (b-a) Rn
TL1 = 5 + (7-5) 0.1634 = 5.33
3) Estimar la hora de llegada (HL):

HLn = HLn-1 + TLn
HL1= 0 + 5.33 = 5.33
4) Determinar las unidades en la fila.
5) Generar Rn para duración del servicio:

Rn1 = 0.2396
6) Duración del tiempo de servicio:

TS = - 4 ln Rn
TS1 = - 4 ln 0.2396 = 5.71
7) Inicio del servicio (IS):

- Para el cliente 1:
IS1 = HL1
- Para el cliente n:
ISn= Max ( FSn-1, HLn), Donde, FS = fin del servicio
8) Fin del servicio:

FSn = ISn + TSn
9) Tiempo de espera en la fila (TE):

si HLn > FSn-1 , entonces, TEn = 0
si HLn < FSn-1, entonces, TEn = FSn-1 – HLn
A continuación, se muestra una tabla con la simulación de 15 clientes:
Tiempo Tiempo
Nº Hora Unidades. Nº Duración Inicio Fin
NºCliente entre espera en
Random llegada en la fila Random servicio servicio servicio
llegadas la fila
1 0.1634 5.33 5.33 0 0.2396 5.71 5.33 11.04 0
2 0.7344 6.47 11.8 0 0.5582 2.33 11.8 14.13 0
3 0.2809 5.56 17.36 0 0.7556 1.12 17.36 18.48 0
4 0.0746 5.15 22.51 0 0.7468 1.17 22.51 23.68 0
5 0.3049 5.61 28.12 0 0.0858 9.83 28.12 37.95 0
6 0.6203 6.24 34.36 1 0.4840 2.9 37.95 40.85 3.59
7 0.2923 5.58 39.94 1 0.0382 13.06 40.85 53.91 0.91
8 0.6696 6.34 46.28 1 0.1011 9.17 53.91 63.08 7.63
9 0.4031 5.81 52.09 2 0.8934 0.45 63.08 63.53 10.99
10 0.2875 5.75 57.84 2 0.9525 0.19 63.53 63.72 5.69
11 0.3496 5.70 63.54 1 0.4466 3.22 63.72 66.94 0.18
12 0.8306 6.66 70.20 0 0.6117 1.97 70.20 72.17 0
13 0.4229 5.84 76.04 0 0.0579 11.40 76.04 87.44 0
14 0.9751 6.95 82.99 1 0.8758 0.53 87.44 87.97 4.45
15 0.8950 6.79 89.78 0 0.5867 2.13 89.78 91.91 0
Tabla 17
Tiempo promedio de espera:

TPE = (3.59 + 0.91 + 7.63 + 10.99 + 5.69 + 0.18 + 4.45 ) / 15 = 2.23 min.
360 CAPÍTULO 11
Ejemplo de cálculo de la sexta fila de la tabla:

1) Generar Rn para el tiempo entre llegadas:
Rn 6 = 0.6203
2) Generar el tiempo entre llegadas:

TL = a + (b-a) Rn
TL1 = 5 + (7-5) 0.6203 = 6.24
3) Estimar la hora de llegada (HL):

HL6 = HL5 + TL6
HL6=28.12 + 6.24 = 34.36
4) Determinar las unidades en la fila:

Como el servidor todavía está ocupado, ya que el fin del servicio del
cliente 5 es 37.95, entonces el cliente 6 pasa a formar una cola y se suma
1.
5) Generar Rn para duración del servicio:

Rn6 = 0.4840
6) Duración del tiempo de servicio:

TS = - 4 ln Rn
TS6 = - 4 ln 0.4840 = 2.9
7) Inicio del servicio (IS):

IS6= Max (FS5, HL6)
IS6 = Max (37.95, 34.36) = 37.95
8) Fin del servicio:

FS6 = IS6 + TS6
FS6 = 37.95 + 2.9 = 40.85
9) Tiempo de espera en la fila (TE):

si HLn > FSn-1 , entonces, TEn = 0
si HLn < FSn-1 , entonces, TEn = FSn-1 - HLn
Como HL6 < FS5

TE6 = 37.95 – 34.36 = 3.59
El siguiente diagrama de flujo es el utilizado para simular este problema:

Inicio de la simulación
Cliente nuevo
n = n+1
Generar tiempo entre llegadas

Cliente TL = TL = a + (b-a) Rn
nuevo
Estimar hora de llegada

HLn = HLn-1 + TLn
HLn > FSn-1?

Si No
FSn-1 = fin de
servicio de n-
Cajero desocupado Cajero ocupado

ISn = HLn ISn= FSn-1
(Inicio de servicio = Hora de
llegada)
Generar duración del

tiempo de Servicio
TS = - 4 ln Rn
Fin del Servicio

FSn = ISn + TSn
Tiempo de espera en la fila (TE)

HLn > FSn-1 , TEn = 0
HLn < FSn-1 , TEn = FSn-1 - HLn
Gráfico 16
CASO EMPRESA DE ÓMNIBUS SANTA ANA SA

Santa Ana SA es una empresa que presta servicios de transporte urbano
en varios recorridos de la ciudad de Córdoba. Es consciente de que, desde
hace algún tiempo, los usuarios se quejan del servicio. Específicamente,
dicen que en la parada de la universidad tienen que esperar demasiado
durante las horas pico de la tarde de 18 a 20 h y que no hay suficiente
espacio en la parada cubierta para que los pasajeros esperen los días de
lluvia.
Para responder a estas demandas, los directivos están considerando
incrementar la frecuencia en esa ruta. Piensan modificar la actual
frecuencia del servicio cada 20 minutos a uno cada 15 minutos. Para
362 CAPÍTULO 11
analizar los resultados de esta nueva política en la satisfacción de los

usuarios, se implementará un estudio de simulación que permita evaluar
la cantidad de tiempo promedio que un cliente tiene que esperar un
ómnibus, el número promedio de clientes que esperan en la parada y el
número máximo de clientes que esperan.
A tal fin, se ha realizado un estudio de tiempos en la parada de la
universidad, el cual ha determinado que aproximadamente llegan a la
parada durante las horas pico de la tarde 30 clientes por hora. Los datos
también muestran que el tiempo entre dos clientes que llegan puede
aproximarse mediante una distribución exponencial con una tasa
promedio de  = 0,5 clientes por minuto. Se observó además que, por lo
general, los ómnibus llegan tarde a las paradas programadas en una
cantidad de tiempo que sigue una distribución normal con una media de
4 minutos y una desviación estándar de 1 minuto.
Además, dado que la parada en cuestión está cercana al inicio del
recorrido, el estudio indicó que nunca la cantidad de personas en la fila
supera la capacidad del ómnibus.
NOTA: Para realizar las simulaciones, supongamos que inicia en el
momento en que un ómnibus acaba de irse. En este caso, no hay nadie
esperando en la parada, y el siguiente ómnibus está programado llegar
en 15 minutos.
Definición de variables y parámetros del modelo
i = No de cliente que llega a la parada
j = No de ómnibus que llega a la parada
MCi = momento que el cliente i llega a la parada y se agrega a la fila de
espera
MOj = momento que el ómnibus j llega a la parada
Dj = desviación en el tiempo programado del ómnibus j
LFi = longitud de la fila de espera (una vez sumado el cliente i)
TEi = tiempo de espera en la parada del cliente i
ITi = intervalo de tiempo entre la llegada a la parada del cliente i-1 y el
cliente i
Análisis del problema:
Se desea evaluar la política de incrementar la frecuencia de 20´ a 15´
en las horas pico (18 a 20 h).
✓ Llegan 30 pasajeros por hora con una distribución Poisson (=0.5
pasajeros por minuto)  distribución exponencial (1/=2 minutos
entre cada pasajero).
✓ Retrasos de los ómnibus  distribución normal (4,1)
✓ Generación del momento de llegada de un cliente a la fila (MCi):
- Generar Rn
- Generar ITi = -(1/0.5) ln(1-Rn)
- Calcular MCI = MCi-1 + ITi

✓ Generación del momento de llegada de un autobús (MOj):
- Generar Rn
- Usar este valor Rn para encontrar un valor x para el que:
F(x) = P(D  Dj) = Rn
Es decir, encontrar el valor de la variable para el cual el área bajo la curva
normal a la izquierda es Rn. Para hacer esto, usar la tabla normal
estándar; luego, calcular la variable aleatoria Dj de la siguiente manera:
1) Dj =  + z  = 4 + z (1)
2) Generar MOj = 15 j + Dj
Simulación para 1 hora considerando una frecuencia de ómnibus de 15 minutos
No. de Momento de Momento de

Tiempo Evento clientes llegada de los llegada de los
minutos) en la fila clientes ómnibus
MCi MOj
0.00 - 0 4.49 19.07
4.49 Cliente 1 5.37 19.07
5.37 Cliente 2 10.91 19.07
10.91 Cliente 3 12.38 19.07
12.38 Cliente 4 13.58 19.07
13.58 Cliente 5 15.06 19.07
15.06 Cliente 6 16.62 19.07
16.62 Cliente 7 19.86 19.07
18.57 Autobus 0 19.86 32.56
19.86 Cliente 1 21.90 32.56
21.90 Cliente 2 23.43 32.56
23.43 Cliente 3 26.42 32.56
26.42 Cliente 4 30.49 32.56
30.49 Cliente 5 32.00 32.56
32.00 Cliente 6 36.35 32.56
33.44 Autobus 0 36.35 50.83
36.35 Cliente 1 39.29 50.21
39.29 Cliente 2 40.92 50.21
40.92 Cliente 3 40.98 50.21
40.98 Cliente 4 41.14 50.21
41.14 Cliente 5 42.45 50.21
42.45 Cliente 6 43.29 50.21
43.29 Cliente 7 45.95 50.21
45.95 Cliente 8 49.68 50.21
49.68 Cliente 9 51.82 50.21
50.83 Autobus 0 51.82 62.53
51.82 Cliente 1 52.16 62.53
52.16 Cliente 2 52.22 62.53
52.22 Cliente 3 59.21 62.53
59.21 Cliente 4 60.06 62.53
Tabla 18
El diagrama de flujo del modelo se muestra en el siguiente gráfico:

364 CAPÍTULO 11
inicio
i=0, j=0
MCi=0, MOj=0
Dj=0, LFi=0,
TEi=0, ITi=0
j=j+1
Generar Dj
MOj=15 j+Dj
LFi=0
i=i+1
Generar ITi
MCi=MCi-1+ITi
No
MCi < MOj?
Si
LFi = LFi-1+1
TEi=MCi-MOj
No
MCi 120?
Si
Analizar datos
Fin
Gráfico 17
Análisis estadístico de los resultados para una simulación:

Tiempo total
Personas en la fila Frecuencia relativa
(frec. Absoluta)
0 9.69 0.1615
1 6.20 0.1034
2 8.76 0.1460
3 8.50 0.1417
4 7.28 0.1213
5 6.25 0.1042
6 3.83 0.0639
7 4.60 0.0767
8 3.74 0.0623
9 1.15 0.0191
Tabla 19
Personas en la parada de autobús en el tiempo

número de personas en la fila
10
0
1
Tiempo en min.
Gráfico 18
✓ Tiempo promedio de espera = tiempo de espera de todos los

clientes/número total de clientes = 205.3 / 26 = 7.9 minutos
✓ Número promedio de clientes en la parada: 3.25 (este valor se
calcula como el promedio ponderado entre los elementos de las
columnas 1 y 3 de la tabla 18)
✓ Número máximo de clientes que esperan en la parada = 9
Recordemos que, para realizar un análisis de resultados que sea útil para
la toma de decisiones, se deberá ejecutar una cantidad grande de
simulaciones de dos horas cada una, tanto con frecuencia de 15 minutos
como de la que actualmente está dando quejas de los clientes (cada 20
minutos). A partir del estudio de estos resultados, evaluar la política de
cambiar la frecuencia.
CASO DEL LAVADERO DE AUTOMÓVILES

LavaCar es una pequeña empresa dedicada al lavado automático de
automóviles en el centro de la ciudad. Actualmente, cuenta con
solamente un empleado que se encarga del manejo de la maquinaria y
de los detalles finales de secado. Como últimamente se observa mayor
366 CAPÍTULO 11
demanda del servicio, el propietario de la empresa está analizando la

posibilidad de contratar un empleado más. Por su experiencia, sabe que,
si hay más de dos autos esperando el servicio, el cliente se va en busca
de otros lavaderos de la zona.
Para realizar un estudio de simulación de este caso, se ha obtenido una
muestra de 100 casos que demostró la siguiente la distribución de la
llegada de los clientes:
Minutos entre llegadas Frecuencia

5 9
10 24
15 20
20 31
30 16
Tabla 20
El propietario aportó algunas estimaciones del tiempo que lleva lavar un

automóvil, llegando a la conclusión de que tiene una distribución uniforme
con un tiempo mínimo de 30 minutos y uno máximo de 45.
A cada empleado se le paga $5 por hora más $ 1 por cada auto que lave.
Actualmente se cobra $ 12 el lavado.
Mediante simulaciones de ocho horas diarias de trabajo, se desea
determinar la conveniencia o no de contratar un empleado adicional.
Definición de variables
i = número de autos llegados al lavadero
j = número de autos que no se atiende porque hay más de 2 esperando.
K = número de autos atendidos
TELLi = tiempo entre llegadas del auto i (variable aleatoria)
TLLn = momento de llegada del auto i
DSi = duración del servicio del auto i (variable aleatoria)
MISi = momento de inicio del servicio del auto i
MFSi = momento de finalización del servicio del auto i
Generación de variables aleatorias

1) Duración del Servicio (DSi): distribución uniforme en el intervalo
[30,45]
DSi = 30 + 15 Rn
2) Tiempo entre llegadas (TELLi):

Observemos, en este caso, que la variable aleatoria TELLi es una variable

continua. No sería correcto simularla como una distribución discreta, ya
que en realidad su presentación es en un intervalo como se muestra en
la primera columna de la siguiente tabla:
Minutos entre llegadas Frec. acumulada

Frec. absoluta Frecuencia relativa
(TELLi) F(x)
(0, 5] 9 0.09 0.09

(5, 10] 24 0.24 0.33
(10, 15] 20 0.20 0.53
(15, 20] 31 0.31 0.84
(20, 30] 16 0.16 1
Tabla 21
Gráficamente, podemos observar el comportamiento de la función de

acumulación y, a partir de ella, deducir la manera de calcular el valor de
la variable por el método de la transformada inversa:
11
0,9
0,84 0,8
0,7
0,6
0,53 0,5
0,4
0,33 0,3
0,2
0,09 0,1
0 0
0 5 10 15 20 30
Gráfico 19

= 0 x 0

 0,09
F(x) = = x 0 x 5
 5
 0,33 - 0,09
= 0,09 + (x - 5) 5  x  10
10 - 5
F(b) - F(a)
F(x) = F(a) + (x - a) a x b
b-a
de donde si despejamos x :
(b - a)
x = [F(x) - F(a)] +a
F(b) - F(a)
A partir de la función anterior, podemos generar los tiempos entre

llegadas de la siguiente manera:
368 CAPÍTULO 11
Supongamos que Rn = 0.78, buscamos en la tabla de frecuencia

acumuladas los valores de F(a) y F(b) para este valor Rn. El tiempo
generado es:
(20 - 15)
x = (0,78 - 0,53) + 15 =19,03
0, 84 - 0,53
Con estos datos, realizamos 10 simulaciones de 480 minutos cada una,

considerando, en un caso que el lavadero tiene solamente 1 empleado, y
en el segundo caso, que contrata un empleado adicional. Luego
promediamos los resultados de ambas situaciones y analizamos si es
conveniente o no contratar un empleado más.
En el siguiente esquema se muestra el diagrama de simulación
correspondiente a este problema:
Inicio
i=0; j=0; TLL1= 0; MLL0=0

DSi= 0; MISi= 0; MSF0= 0
i=i+1
generar
TELLi
MLLi = MLLi-1 + TELLi
Si Calcular
¿MLLi >= 480’ ? Fin
K= i - j
No
No Calcular LFi = 0
MLLi < MFSi-1?
MISi = MLLi
Si
No Calcular LFi = 1
MLLi < MFSi-2 ? MISi = MFSi-1
Si
Si Abandona
MLLi < MFSi-3 ? j = j+1
No
DSi=0
Calcular
MISi = MFSi-2 LFi = 2
MFSi=MISi=MLLi
Generar
DSi
Calcular
MFSi = MIi + DSi
Gráfico 20
ACTIVIDAD 1
El conjunto de datos de la tabla 22 representa la demanda diaria de un
artículo de perfumería en particular. Simule 15 días de demanda
utilizando los números aleatorios de la tabla 23.
Demanda
Frecuencia Nº Aleatorio
diaria
15 25 0.508
16 30 0.935
17 50 0.486
18 80 0.263
19 25 0.510
20 40 0.460
Tabla 22 0.386
0.779
0.972
0.763
0.157
0.979
0.532
0.361
0.896
Tabla 23
ACTIVIDAD 2
Utilizando los números aleatorios de la tabla 23, simule 15 días de
demanda de un producto en particular, suponiendo que:
a) La demanda de este artículo se puede aproximar con una
distribución uniforme en el intervalo [20, 30].
b) La demanda de este artículo se puede aproximar con una
distribución normal de media 40 y desviación estándar 5.
ACTIVIDAD 3
La empresa ConstruCor SA está preparando su oferta para presentarse
en la licitación de reparación de la avenida Sabatini de nuestra ciudad.
Otros dos contratistas presentarán ofertas para el mismo proyecto. Con
base en el análisis de licitaciones anteriores, ConstruCor estima que las
ofertas de los otros contratistas pueden describirse con las siguientes
distribuciones de probabilidad:
370 CAPÍTULO 11
Contratista Distribución de probabilidad de la oferta
A Uniforme entre $500.000 y $580.000
Normal con una oferta media de $550.000 y una

B
desviación estándar de $50.000
Tabla 24
Si ConstruCor presenta una oferta de $520.000:

Realice una simulación para determinar cuál es la probabilidad de obtener
el proyecto.
Utilice los números aleatorios que se dan a continuación.
Nº Aleatorio
0.476 0.316
0.975 0.679
0.444 0.228
0.333 0.386
0.864 0.023
0.410 0.592
0.057 0.143
0.025 0.681
0.935 0.306
0.774 0.594
Tabla 25
ACTIVIDAD 4
ARG Líneas Aéreas opera un vuelo diario entre Córdoba y Mendoza con
un avión que tiene capacidad para 50 pasajeros. ARG obtiene un margen
de utilidad de $120 con cada pasajero en el vuelo. El análisis de los vuelos
del último año ha demostrado que, en promedio, dos pasajeros
reprograman su vuelo. Como resultado de esto, con 50 reservaciones, la
empresa está promediando una utilidad de $5.760 por vuelo. ARG quiere
analizar el resultado que se obtendría con una política de reservaciones
en exceso en la que se aceptarían hasta 52 reservas.
El costo por cualquier pasajero al que se le niegue un asiento en el vuelo
debe cubrir los gastos de reprogramación del pasajero más un importe
estimado por pérdida del cliente, este total fue calculado en $150 por
pasajero.
La distribución de probabilidad para la cantidad de pasajeros que se
presentan puede aproximarse con una distribución normal de media 50 y
desviación estándar de 2.
Utilice un modelo de simulación para evaluar esta política.
ACTIVIDAD 5
El hotel Zona Sur se encuentra en la provincia de La Pampa, en el cruce
de las rutas provincial Nº 20 y nacional Nº 151. Este cruce se constituye
un paso casi obligado para los que viajan a la zona de los parques
nacionales Nahuel Huapi y Lanín. El hotel tiene 100 habitaciones y cada
noche de la temporada de vacaciones de verano se reciben hasta 105
reservaciones, debido a la posibilidad de que no todos se presenten. Los
registros indican que el número de reservaciones diarias se puede
aproximar con una distribución uniforme en el intervalo [96, 105]. Los
que no llegan, se representan mediante la distribución de la tabla que se
presenta a continuación:
Nº de los que no
0 1 2 3 4 5
se presentan
Probabilidad 0,10 0,15 0,20 0,30 0,15 0,10
Tabla 26
Simule 10 noches utilizando los números aleatorios que se dan en la tabla

y calcule el porcentaje de ocupación del hotel.
Número aleatorio de Número aleatorio

reservas de ausencias
Noche 1 0,5521 0,6318
Noche 2 0,2189 0,8432
Noche 3 0,3812 0,1831
Noche 4 0,4678 0,2569
Noche 5 0,5602 0,3071
Noche 6 0,3356 0,4809
Noche 7 0,7395 0,9354
Noche 8 0,2830 0,0008
Noche 9 0,9431 0,1478
Noche 10 0,8049 0,0270
Tabla 27
ACTIVIDAD 6
K&C SA compra cada semana 80 unidades de un determinado producto,
sabiendo que los que no se pueden vender deben desecharse al finalizar
la semana.
El gerente de comercialización opina que una política de compras de 100
unidades por semana será más beneficiosa para la empresa, tanto desde
el punto de vista de la utilidad obtenida como del nivel de servicio
ofrecido.
Al gerente le interesa saber si es conveniente cambiar la política actual y,
en ese caso, a cuánto ascendería la utilidad promedio y el nivel de servicio
ofrecido.
Estudios realizados sobre la demanda del producto indican que se puede
aproximar con una distribución normal de media 100 unidades y
desviación estándar 20 unidades.
372 CAPÍTULO 11
En la tabla 28 se dan los datos económicos relativos a este producto y en

la tabla 29, los números aleatorios necesarios para realizar 20 ensayos.
Margen bruto unitario $50

Costo de almacenamiento unitario $15
Costo de escasez unitario $30
Tabla 28
Nº Aleatorio
0.028 0.005 0.214 0.377
0.076 0.687 0.432 0.011
0.286 0.108 0.769 0.957
0.025 0.132 0.506 0.923
0.294 0.163 0.023 0.171
0.842 0.615 0.746 0.748
0.208 0.903 0.412 0.684
0.605 0.673 0.955 0.677
0.292 0.711 0.188 0.144
0.444 0.993 0.298 0.339
Tabla 29
ACTIVIDAD 7
Los autos que llegan a la playa de un supermercado presentan una
distribución Poisson con media de 50 autos/hora. El tiempo de demora
dentro del supermercado sigue una distribución uniforme en el intervalo
[15, 25]. En la playa existe un techo que proporciona sombra para 15
autos.
a) Simule la llegada de 20 automóviles a la playa, utilice los números
aleatorios que se dan en la tabla 30.
b) Defina las variables y parámetros que utiliza en el modelo.
c) Indique cuál es la probabilidad de que al ingresar un auto a la playa
encuentre un lugar con sombra.
Nº Aleatorios
0.4226 0.2485
0.3833 0.9373
0.2330 0.0181
0.8542 0.7318
0.8220 0.5335
0.3455 0.1124
0.4618 0.9564
0.7612 0.9546
0.0215 0.1326
0.3846 0.7435
Tabla 30
CAPÍTULO 12
Conocimientos básicos previos
1. CONOCIMIENTOS BÁSICOS DE MATEMÁTICA
1.1. VECTORES
Definición
Sean p1, p2, ..., pn, n números reales, un vector fila o renglón se define
como un conjunto ordenado de dichos números escritos de la siguiente
manera:
P =  p1 p2 .. .. pn 
Entonces P se llama vector fila y la componente i-ésima es pi.
Análogamente, un vector columna se define como un conjunto de n

números reales escritos de la siguiente manera:
 p1 
p 
 2
 . 
P= 
 . 
 . 
 
 pn 
Dimensión de un vector: es el número de componentes que tiene el

vector.
Representación gráfica de un vector: geométricamente, todo vector

se puede representar en un espacio de tantas dimensiones como sea el
orden del mismo y consiste en un segmento orientado que une el origen
del sistema con el punto representativo de las componentes del vector en
el espacio considerado, siendo las componentes del vector las
coordenadas de dicho punto. Gráficamente, se podrán representar hasta
vectores de orden 3.
Por ejemplo, en el espacio bidimensional, un vector es una parte de una
recta en el que se identifican su origen y su extremo.
374 CAPÍTULO 13
Un vector v se representa por el par ordenado v = (x1, x2). Los valores

x1, x2 se denominan componentes del vector.
El vector v = (4,2) se representa con el segmento de recta que une el
origen (0,0) y el punto (4, 2).
Vector unidad
Es un vector cuya i-ésima componente es igual a la unidad y todos los
demás elementos son nulos.
Ejemplo:
0 1 1 0 1 0 0 0 0 1 0
Vector nulo
Es aquel vector cuyas componentes son todas iguales a cero.
Ejemplo:  =  0 0 0 0
Igualdad de vectores
Dos vectores V y P son iguales, y se escribe V=P si todas sus componentes
correspondientes son iguales.
V =P  vi = pi i
Dos vectores no pueden ser iguales a menos que tengan el mismo número
de componentes.
Notar que si V=P  P=V
Producto interno de vectores

El producto interno de vectores X e Y se define como la suma de los
productos de los elementos del primer vector por los elementos
correspondientes del segundo vector.
CONOCIMIENTOS BÁSICOS PREVIOS 375
n
X Y =  xi yi = escalar
i =1
Ejemplo:
X = 1 −2 0 2 Y =  −1 3 2 6
X .Y = 1(−1) + (−2)3 + 0(2) + 2(6) = 5
Observar que el resultado es un número real.
Propiedades:
1. XY=YX
2. (X) Y = (X Y)
3. (X + Y) Z = X Z + Y Z
4. XX0 XX=0 X=
Valor absoluto, módulo o longitud de un vector
Dado un vector P =  p1 p2 .. .. pn  , su valor absoluto, módulo o

longitud queda definido por:
P = + p1 + p2 + .... + pn
2 2 2
n
P =+ p
2
i
i =1
P = + P.P
Supongamos un vector de dos componentes

X = (a , b)
y
Gráficamente
b
a x
Si queremos calcular la longitud, podemos usar el teorema de Pitágoras,

entonces:
X = + a2 + b2
376 CAPÍTULO 13
Observemos que, generalizando el cálculo a vectores de más de dos

componentes, nos queda la definición antes dada.
Suma o adición de vectores

Sean P =  p1 p2 .. .. pn  y Q =  q1 q2 .. .. qn  dos vectores en
el espacio n-dimensional, la suma de P y Q, que escribimos P + Q, se
describe como el vector
P + Q = ( p1 + q1 ) ( p2 + q2 ) .. .. ( pn + qn )
Es un vector del mismo número de elementos que se obtiene sumando

los elementos correspondientes de los vectores dados.
Notar que, para que esta operación sea posible, es necesario que los
vectores tengan el mismo número de componentes.
Propiedades:
1. P + Q = Q + P
2. P+ (Q +S) = (P + Q) + S
3. P + (-P) = 
Producto de un vector por un número real (escalar)

Dado un vector P =  p1 p2 .. .. pn  y dado un escalar c, el producto
del escalar c por el vector P será igual a un vector del mismo orden
(número de componentes) que el dado en el que cada una de sus
componentes se obtiene multiplicando cada p i por c.
Q = cP = cp1 cp2 .. .. cpn 
Propiedades:
1. c(P+S) = cP + cS
2. (c + d)P = cP + dP
3. c(dP) = (cd) P
4. 1P = P
5. 0P = 
Combinación lineal de vectores

Sean V1, V2, ..., Vn un conjunto de vectores y 1, 2, .... n un conjunto
de escalares, el vector V que resulta de la suma de los productos de cada
escalar por un vector, definido de la siguiente manera:
n
V = 1V1 +  2V2 + ..... +  nVn =  iVi
i =1
se dice que es una combinación lineal de los vectores V1, V2, ..., Vn siendo
los i los coeficientes de esa combinación lineal.
Ejemplo:
2 0
V1 =   V2 =   1 =2 y  2 = −1
 −1  −3 
El vector V será:
2  0   4  0  4
V = 2   + (−1)   =   +   =  
 −1  −3  −2   3 1 
Observaciones:
1. El vector nulo es combinación lineal de cualquier conjunto de vectores.
Para ello es suficiente con elegir los escalares todos iguales a cero.
0 a  c
=  V1 =   V2 =  
0 b  d 
a  c 0
1   +  2   =   es suficiente con que 1 = 2 = 0
b   d  0
2. Todo vector es combinación lineal de sí mismo y, en general, de todo

conjunto que lo contiene.
a) Dado V, su combinación lineal sería V = 1V donde =1
En todos los casos, podemos expresar a un vector como
combinación lineal de sí mismo.
b) Dado un conjunto de vectores, cualquiera de ellos puede
expresarse como combinación lineal del conjunto que lo
contiene.
Dados V1 , V2 , ......, Vn
En general:
V1 = 1V1 + 0V2 +.....+ 0Vn
Combinación lineal convexa de vectores

Sean V1, V2, ..., Vn un conjunto de vectores y 1, 2, .... n un conjunto
de escalares que cumplen con las siguientes condiciones:
n
i  0 y 
i =1
i =1
El vector W que resulta de la suma de los productos de los escalares con

los vectores:
378 CAPÍTULO 13
n
W = 1V1 +  2V2 + ..... +  nVn =   iVi
i =1
se dice que es una combinación lineal convexa de los vectores V 1,V2,...,Vn.
Independencia lineal de vectores

Los vectores de un conjunto, todos de la misma dimensión, son
linealmente independientes si ninguno de ellos puede ser expresado como
combinación lineal de los restantes.
Una condición necesaria y suficiente para que los vectores V 1 ,V2 ,...., Vn
sean linealmente independientes es que la igualdad
1V1 +  2V2 + ..... +  nVn = 

se cumpla únicamente para todos los i = 0
O sea, tiene que cumplirse:
1 = 2 = 3 = .... =  n = 0
De esta manera, ningún vector podrá ser expresado en función de los
restantes.
Dependencia lineal de vectores

Un conjunto de vectores es linealmente dependiente cuando por lo menos
uno de los vectores que lo componen pueda ser expresado como
combinación lineal de los restantes.
Para que un conjunto de vectores sea linealmente dependiente, la
condición necesaria y suficiente es que la igualdad:
1V1 +  2V2 + ..... +  nVn = 
Se debe verificar para al menos un escalar i no nulo.
Observaciones:
1. Cualquier vector puede expresarse de una única forma como
combinación lineal de k vectores linealmente independientes.
2. Todo conjunto de vectores que contenga al vector nulo es linealmente
dependiente.
3. Un conjunto que contiene un solo vector es linealmente dependiente
si se trata del vector nulo y linealmente independiente en cualquier
otro caso.
4. El conjunto formado por los vectores unidad, en todos los casos, es
linealmente independiente.
1.2. MATRICES
Definición
Una matriz A es un conjunto de números reales dispuestos en forma

rectangular. Si el arreglo tiene m renglones y n columnas, entonces se
llama matriz mxn. Se dice que el tamaño o dimensión es m por n.
Se indica como aij al elemento que aparece en el renglón i-ésimo y la
columna j-ésima
Ejemplo de matriz de 2x3:
 2 1 0
4 0 8
 
Una matriz que tiene m filas y m columnas se llama matriz cuadrada.
Algunos conceptos:
Diagonal principal:
x 
 x 
 
 x 
Matriz diagonal: todas sus componentes distintas de cero están en la

diagonal principal.
5 0 0
0 3 0
 
0 0 4
Matriz triangular superior: todas las componentes que se encuentran

debajo de los elementos de la diagonal principal son ceros.
5 − 1 1
0 3 9
 
0 0 4
Matriz triangular inferior: si todas las componentes que se encuentran

arriba de los elementos de la diagonal principal son ceros.
Matriz identidad o forma canónica: los elementos de la diagonal

principal son todos iguales a la unidad y los restantes son iguales a cero.
1 0 0
0 1 0
 
0 0 1
380 CAPÍTULO 13
Matriz nula: si todos los elementos son iguales a cero, se simboliza como
.
0 0 0
 = 0 0 0
0 0 0
OPERACIONES CON MATRICES
Suma de matrices
Sean A=(aij) y B=(bij) dos matrices mxn. La suma A+B de las dos matrices
es la matriz mxn:
A+B = (aij) + (bij) = (aij + bij)
Esta definición es aplicable para la suma de A y B solo si son del mismo

orden.
En definitiva, la suma de dos matrices del mismo tamaño se obtiene
sumando las componentes correspondientes de las matrices.
Propiedades:
1. A +  = A
2. A + B = B + A
3. A + (B + C) = (A + B) + C
Multiplicación por un escalar

Sea  un escalar y A una matriz nxm, el producto A se obtiene a partir
de A multiplicando cada una de las componentes de A por el escalar .
Propiedades:
Sean A y B dos matrices mxn y  y  escalares, entonces:
6.  (A+B) =  A +  B
7. ( + )A =  A + A
8.  (A) = () A
9. 1A = A
10. 0A = 
Multiplicación de matrices
Sean A una matriz de orden mxr y B una matriz de orden rxn el producto
AB es la matriz mxn cuya componente ij-ésima es el producto interno del
renglón i-ésimo de A y la columna j-ésima de B.
Para que puedan multiplicarse deben ser compatibles, es decir:
AM N BN P = CM P
Propiedades:
Asociativa: Dadas las matrices Amn Bnp Cpr
(AB) C = A (BC)
Distributiva con respecto a la suma: Si A, B y C son de tamaños

apropiados
1. A (B+C) = AB + AC
2. (B + C) A = BA + CA
no es conmutativa
Amn Bnp AB = Cnp

BA → no se puede
Amn Bnm AB = Cmm

BA = Dnn
Amm Bmm AB  BA en general
Si I es una matriz identidad y Amn  Im A = A y A In = A
Reducida de una matriz

Una matriz RA se llama matriz reducida de A si se obtiene a partir de ella
a través de operaciones elementales.
Características de las matrices reducidas y escalonadas por filas:
1. El primer elemento no nulo de cada fila es igual a la unidad. Este
elemento se llama pívot o conductor.
2. Los restantes elementos de la columna del conductor son iguales
a cero.
3. Las filas nulas se encuentran por debajo de las no nulas.
4. Los elementos conductores se encuentran ubicados en escalera.
382 CAPÍTULO 13
Matrices Reducidas
1 0 0 0 1 4 2 0 1
1 0 0 0 1 0 0 -1 1 0 0 0
0 1 0  1 0 0 0
 1 5 1 0 0 1 0 0  0 2 0 0 
  0 0 1 0 0 0 1 3 0    
0 0 1      0 0 1 2  0 0 1 1 
0 0 0 0 0 0 0 1 2
Matrices No Reducidas
Operaciones elementales en fila:

1. Intercambio de filas entre sí.
2. Multiplicar una fila por un número distinto de cero.
3. Sumar a una fila otra u otras multiplicadas por un número.
Rango de una matriz

Consideremos una matriz Anp.
El rango columna de A es igual al número máximo de columnas
linealmente independientes de A.
El rango fila de A es igual al número máximo de filas linealmente
independientes de A.
Se puede demostrar que, en toda matriz, el rango columna es igual al
rango fila de la misma. Entonces, podemos definir el rango de una matriz
como el número máximo de líneas paralelas linealmente independientes.
Ejemplo:
5 −2 
5 1 
 
0 3 
Esta matriz tiene rango 2, ya que la segunda fila es igual a la primera más
la tercera, esto implica que el rango final no puede ser igual a 3.
De la definición de rango podemos deducir que este es un número entero
no negativo asociado a la matriz dada.
Por ejemplo, para una matriz A3x5, el valor del rango debe ser menor o
igual a 3. No puede ser mayor, ya que esto significaría que la matriz tiene
más de 3 filas linealmente independientes y esto es imposible.
En general, considerando una matriz Anp, el valor numérico del rango de
A que simbolizamos r(A) estará acotado de la siguiente manera:
0 ≤ r(A) ≤ mín (n , p)
Podemos decir que el rango de una matriz está dado por el número de
líneas (filas o columnas) no nulas de su matriz reducida. Según contemos
filas o columnas, tendremos el rango y fila y el rango columna.
Matriz traspuesta
Si A es una matriz mxn, entonces la traspuesta de A, que simbolizamos
como A, es una matriz nxm cuyo i-ésimo renglón es la j-ésima columna
de A y cuya j-ésima columna es el i-ésimo renglón de A.
En símbolos, si
A = (aij)  A = (aji)
Ejemplo:
 2 4
2 0 -1
A=  A =  0 6 

4 6 8  -1 8
1.3. SISTEMAS DE ECUACIONES LINEALES

La expresión:
2x +y =12
se llama ecuación lineal en las variables x e y porque su gráfica en el
plano xy es una recta.
a1x1 + a2x2 + a3x3 + …. + anxn = b
es una ecuación lineal de n variables, donde:
a1, a1,……, an → coeficientes
b → valores del lado derecho
son constantes numéricas reales y donde no todos los coeficientes a i son
iguales a 0.
Un sistema de m ecuaciones lineales en n variables se escribe:
a11x1 + a12x2 + a13x3 + …. + a1nxn = b1

a21x1 + a22x2 + a23x3 + …. + a2nxn = b2
…………………………………………………………….
am1x1 + am2x2 + am3x3 + ….+ amnxn = bm
donde x1, x2, …, xn son las variables y los coeficientes aij y bi son
constantes numéricas reales.
En forma matricial:
384 CAPÍTULO 13
a 11
a12 .. a1n  x  b 
1 1
a a22 .. a2n  x   b 
 21
 = 
2 1
 . . . .   ..   .. 
 a am2 .. amn
  x  b 
m1 n m
es decir:
AX =B
Un sistema de m ecuaciones lineales con n variables que tiene todos los

valores del lado derecho iguales a 0, se llama sistema homogéneo.
a11x1 + a12x2 + a13x3 +… + a1nxn = 0

a21x1 + a22x2 + a23x3 +… + a2nxn = 0
am1x1 + am2x2 + am3x3 +…+ amnxn = 0
Solución de un sistema de ecuaciones lineales

Una sucesión c1, c2, …, cn de números reales es una solución de la ecuación
lineal
a1x1 + a2x2 + a3x3 + …. + anxn = b
siempre que:
a1c1 + a2c2 + a3c3 + …. + ancn = b
El conjunto solución de un sistema de m ecuaciones lineales con n

incógnitas es el conjunto de valores de las incógnitas x1, x2, … , xn que
satisfacen todas las ecuaciones simultáneamente
Para cualquier sistema de ecuaciones lineales se debe dar alguno de los
siguientes casos:
1. El sistema no tiene solución → se dice que es incompatible.
2. El sistema tiene una única solución → es un sistema compatible
determinado.
3. El sistema tiene infinitas soluciones → se trata de un sistema
compatible indeterminado.
SISTEMA DE ECUACIONES
Tiene Ssolución No Ttiene Ssolución
COMPATIBLE INCOMPATIBLE
Solución única Infinitas soluciones
Sistemas de ecuaciones equivalentes

Sistemas de ecuaciones lineales equivalentes son los que admiten las
mismas soluciones y se obtienen a través de la aplicación de operaciones
elementales en fila sobre las ecuaciones del sistema.
La eliminación gaussiana reduce un sistema de ecuaciones lineales a otro
sistema que es más fácil de resolver y que tiene el mismo conjunto
solución, es decir, un sistema equivalente.
Métodos de resolución de sistemas de ecuaciones lineales

Existen distintos métodos de resolución de sistemas de ecuaciones
lineales, siendo los más conocidos el método de sustitución y el método
por igualación. Cuando el número de incógnitas y/o el número de
ecuaciones aumenta, estos procedimientos se tornan poco prácticos.
El método de Gauss-Jordan es aplicable a cualquier tipo de sistemas de
ecuaciones lineales independientemente de cuál sea el número de
ecuaciones y de incógnitas que tenga. Este método consiste en
transformar una matriz que representa un sistema de ecuaciones, a
través de operaciones elementales por fila, en una matriz reducida
escalonada por fila que representará un nuevo sistema equivalente.
Antes de comenzar con el método, vamos a definir a la matriz ampliada
del sistema como aquella que se forma con la matriz de coeficientes (A)
a la que se le ha agregado como última columna el vector de términos
independientes (B).
Es decir, dado el sistema de ecuaciones lineales:
a 11
a12 .. a1n  x  b 
1 1
a a22 .. a2n  x   b 
 21
 = 
2 1
 . . . .   ..   .. 
 a am2 .. amn
  x  b 
m1 n m
La matriz ampliada del sistema será:

386 CAPÍTULO 13
a11
a12 . . a1n b1 
a a22 . . a2n b 2 
 21

AB =  . . . . . . 
a 
 m1
am2 . .amn bm 
De acuerdo al concepto de sistemas de ecuaciones equivalentes, si
obtenemos la matriz AB por aplicación de operaciones elementales en fila
sobre la matriz AB, entonces los sistemas de ecuaciones AX = B y AX = B
serán equivalentes.
Basándose en esto, el método de Gauss Jordan aplica sistemáticamente
operaciones elementales en fila sobre la matriz ampliada del sistema
hasta obtener un sistema de ecuaciones equivalente. La utilización de
estas operaciones se realiza hasta obtener la matriz reducida por filas de
A. Esquemáticamente el método consiste en:
A B
OPERACIONES
ELEMENTALES EN FILA
RA B
Luego de obtener la RA, se plantea nuevamente el sistema de ecuaciones

de la siguiente manera:
R AX = B
y se despejan de él los valores de las variables.
Soluciones básicas
Ya dijimos que los sistemas de ecuaciones pueden ser incompatibles,
cuando no tienen solución, o compatibles si tienen solución. A su vez, los
sistemas compatibles pueden ser determinados cuando tienen una única
solución o indeterminados cuando tienen infinitas soluciones.
Dentro de las infinitas soluciones de un sistema compatible
indeterminado, existe un subconjunto de soluciones con características
particulares a las que se las denomina soluciones básicas (SB).
La particularidad de una solucione básica (SB) es que, de los n valores de
las variables, tendrá como máximo m valores distintos de cero y los
restantes n-m serán nulos. Así, por ejemplo, si tenemos un sistema de
ecuaciones indeterminado con siete variables y tres ecuaciones, una SB
tendrá como máximo tres valores de las variables distintos de cero y los
restantes, cuatro en este caso, serán nulos.
A su vez, si la SB tiene exactamente m valores distintos de cero o, lo que
es lo mismo, exactamente n-m valores iguales a cero, se llama solución
básica no degenerada (SBND). Pero si tiene menos de m valores distintos

de cero (o más de n-m valores nulos), la solución es básica degenerada
(SBD).
Se denominan variables básicas (VB) en una SB a aquellas que son
distintas de cero y serán variables no básicas (VNB) aquellas que son
iguales a cero.
Teniendo en cuenta todo lo anterior, podemos decir que el número
máximo de soluciones básicas que puede tener un sistema de ecuaciones
lineales indeterminado está dado por:
n!
C nm =
m ! (n − m )!
Esquemáticamente:
Soluciones de un sist ema de ecuaciones indet er minado
Soluciones no básicas Soluciones básicas

más de m valor es  0 no m ás de m valor es  0
Solución básica no degener ada Solución básica degener ada

exactament e m valor es  0 menos m valor es  0
Utilización método de Gauss Jordan
Primer ejemplo:
18 x1 + 9 x2 = 90
5 x1 + 10 x2 = 50
Armamos la matriz ampliada del sistema y luego reducimos la matriz de

coeficientes a través de operaciones elementales en fila:
x1 x2 B Matriz Ampliada
F1 18 9 90
F2 5 10 50
F1´ 1 0,5 5 1ero) F1´= F1/18
2 ) F2´= F1´x (-5)+ F2
do
F2´ 0 7,5 25
F1" 1 0 3,3333
F2" 0 1 3,3333 1ero) F2”= F2´/5
2 ) F1”= F2”x (-0,5)+ F1´
do
Sistema equivalente obtenido:

388 CAPÍTULO 13
1x1 + 0 x2 = 3,3333
0 x1 + 1 x2 = 3,3333
De donde la solución es:

x1 = 3,3333
x2 = 3,3333
Segundo ejemplo:
8 x1 + 10 x2 + 12 x3 = 160
15 x1 + 10 x2 + 5 x3 = 250
x1 x2 x3 B
F1 8 10 12 160
F2 15 10 5 250
F1´ 1 1,25 1,5 20
F2´ 0 -8,75 -17,5 -50
F1" 1 0 -1 12,85
F2" 0 1 2 5,71
Sistema equivalente obtenido:

1 x1 + 0 x2 - 1 x3 = 12,85 (1)
0 x1 + 1 x2 + 2 x3 = 5,71
De donde la solución, considerando a x3 como variable libre, es:

x1 = 12,85 + x3
x2 = 5,71 – 2 x3
x3 = t  
Este es un sistema indeterminado que tiene como máximo 3 soluciones

básicas que surgen de anular sucesivamente a x1, x2 y x3.
La primera solución básica la vamos a obtener anulando a x 3 del sistema
equivalente (1) al que llegamos por aplicación de operaciones en
elementales filas, entonces nos queda:
x1 = 12,85
x2 = 5,71
x3 = 0
La siguiente solución básica la obtendremos anulando a x 2, es decir que

esta variable ahora será no básica y, en su lugar, introduciremos a x3.
Para obtener esta nueva solución básica, partimos del sistema equivalente
(1) al que aplicaremos operaciones elementales en fila para lograr que en
la columna de x3 tengamos un 0 en la primera fila y un 1 en la segunda,
es decir que sea un vector unitario. Al aplicar las operaciones elementales
en fila, lo hacemos sobre toda la matriz ampliada.
La primera operación será multiplicar la fila 2 por ½ y así logramos el

pívot. A continuación, multiplicamos a esta nueva F2 por 1 y se la
sumamos a la F1.
1  0 
Con estas operaciones nos quedará el vector   para x1 y el vector  
0  1 
para x3.
x1 x2 x3 B
1 0 -1 12,85
0 1 2 5,714
1 0,5 0 15,714
0 0,5 1 2,857
El nuevo sistema equivalente, sin considerar a x2 –ya que su valor es 0–,

será:
1 x1 + 0 x3 = 15,714 (2)
0 x1 + 1 x3 = 2,857
Como x2 es igual a cero, la solución básica será
x1 = 15,714
x2 = 0
x3 = 2,857
La tercera y última solución básica la obtenemos a partir del sistema

equivalente (2) ahora buscando que el vector correspondiente a x 2 sea el
1 
vector unitario   , es decir, reemplazando a x1 por x2 en la solución
0 
básica anterior.
Las operaciones a realizar son:
1. Multiplicamos a la F2 por 1/2 y así obtenemos la nueva F2.
2. Multiplicamos a la nueva F2 por -1/2 y se la sumamos a la F1.
x1 x2 x3 B
1 0,5 0 15,714
0 0,5 1 2,857
2 1 0 31,429
-1 0 1 -12,857
El nuevo sistema equivalente:
1 x2 + 0 x3 = 31,429
0 x2 + 1 x3 = -12,857
390 CAPÍTULO 13
Como x1 es igual a cero, la solución básica será:
x1 = 0
x2 = 31,429
x3 = -12,857
1.4. SISTEMAS DE INECUACIONES LINEALES
La expresión:
2x +y ≤ 12
se llama inecuación lineal en las variables x e y. Esta expresión se cumple
para algunos valores de las variables y su gráfica es un semiplano.
Las inecuaciones pueden ser de una o varias variables, una inecuación
con dos incógnitas (o variables) puede presentarse de alguna de las
formas que se muestran a continuación:
ax + by + c ≤ 0
ax + by + c < 0
ax + by + c ≥ 0
ax + by + c > 0
en las que a, b, c son números reales y a ≠ 0 y b ≠ 0

De la misma manera que en las ecuaciones, el conjunto de pares
ordenados (x, y) que cumplan con la desigualdad se llama solución de la
misma.
Un sistema de inecuaciones lineales es un conjunto de desigualdades y su
solución será el conjunto de pares ordenados que cumplan
simultáneamente todas las desigualdades de dicho sistema.
Representemos gráficamente el siguiente sistema de inecuaciones:
8X+ 5 Y ≤ 240
3X+ 5 Y ≤ 150
X ≥0
Y ≥0
Como ya dijimos, el conjunto de puntos solución de cada inecuación lineal
es un semiplano espacio bidimensional y la intersección de los semiplanos
correspondientes a cada inecuación forma el conjunto solución del
sistema.
La forma más sencilla de representar este semiplano es partiendo de la
ecuación de la recta que está implícita en la inecuación (es decir,
considerándola como una igualdad); y posteriormente, observar hacia a

qué lado de la recta están los puntos que verifican la desigualdad.
- Así, la inecuación: 8 X + 5 Y ≤ 240 se transforma en la ecuación:
8X + 5 Y = 240
Para graficar una recta se requiere conocer al menos dos puntos, por
ejemplo, se pueden obtener los puntos correspondientes a la ordenada y
a la abscisa al origen:
Si X = 0 ➔ Y = 48
Si Y = 0 ➔ X = 30
Estos puntos se grafican en un sistema de ejes cartesiano y se unen con
una recta. Todos los puntos que se encuentran sobre la recta y por debajo
de esta verifican la desigualdad analizada.
- Con la inecuación 3 X + 5 Y ≤ 150, se debe proceder de la misma
manera.
- Las inecuaciones X ≥ 0; Y ≥ 0 indican que los valores que asumen ambas
variables deben ser no negativos, por lo que solo debe considerarse el
primer cuadrante.
- La solución a este sistema de inecuaciones estará dado por la
intersección de todos los semiplanos.
Gráficamente:
8X + 5 Y = 240
X + 5 Y = 150
1.5. FUNCIONES
Muchos problemas de la vida real nos plantean un reto: analizar,

representar y generalizar relaciones. De ahí la importancia del estudio de
392 CAPÍTULO 13
funciones. Ellas nos sirven para reconocer, describir, generalizar patrones

y construir modelos matemáticos que predigan el comportamiento de
fenómenos de la vida real.
Concepto de función
Dados dos conjuntos no vacíos X e Y, se llama función de X en Y a una
regla que asigna a cada elemento x que pertenece a X un único elemento
y que pertenece a Y. Simbólicamente y = f(x).
Ejemplos de funciones:
f ( x) = 25 + 5x ➔ Función lineal
5x + 5
f ( x) =
x −1
Dándole valores a x, obtendremos los valores de la función.
Inversa de una función

Dada una función f(x), su inversa es otra función, designada por f-1(x) de
forma que se verifica: si f(a) = b, entonces f-1(b) = a
Pasos a seguir para determinar la función inversa de una dada:

 Despejar la variable independiente x.
 Intercambiar la x por la y, y la y por la x.
La función así obtenida es la inversa de la función dada.
Ejemplo:
 Despejamos
5x + 5
f ( x) = y =
x −1
y +5
x=
y −5
 Intercambiamos la x por la y
x +5
f −1 ( x) =
x −5
Crecimiento y decrecimiento de funciones

Si una función f es derivable en todos los puntos de un intervalo abierto,
entonces:
✓ La función es creciente en el intervalo si su derivada primera es
mayor que cero para todos los valores de x pertenecientes al
intervalo.
✓ La función es decreciente en el intervalo si su derivada primera es

menor que cero para todos los valores de x pertenecientes al
intervalo.
Concavidad y convexidad
En general, una función cóncava tiene la propiedad de que el segmento
nunca pertenecen al espacio ubicado por arriba de la gráfica.
f(x) Cóncava
Función cóncava
En general, una función convexa tiene la propiedad de que el segmento

nunca pertenecen al espacio ubicado por debajo de la gráfica.
f(x)
Convexa
x
Función convexa
f(x) Cóncava Convexa

2
-1 x
Ni cóncava ni convexa
394 CAPÍTULO 13
La función del gráfico precedente no es cóncava ni convexa, los puntos

donde la concavidad cambia son puntos de inflexión.
Definición:
Sea f: Rn→ R
f es convexa si el dominio de f es un conjunto convexo y si para todo x 1,x2
que pertenece al dominio de f y para todo número real t entre 0 y 1, se
satisface que:
f t x1 + (1- t)x2   t f(x1 ) + (1- t) f(x2 )
Una función f es cóncava si –f es convexa. Desde el punto de vista

geométrico, esto significa que el segmento que une (x1,f(x1)) y (x2,f(x2))
se encuentra sobre la gráfica de f.
f(x) Convexa
x1, f(x1)
x2, f(x2)
x1 x2 x
Recordemos que para una función f(x) diferenciable:

Si f”(x) < 0 en un intervalo (a, b), entonces la función f(x) es cóncava en
Si f”(x) > 0 en un intervalo (a, b), entonces la función f(x) es convexa en
Máximos y mínimos
Funciones de una variable
Una función f tiene un máximo relativo en el punto a, si f(a)
es mayor o igual que los puntos próximos al punto a.
Una función f tiene un mínimo relativo en el punto a, si f(a)
es menor o igual que los puntos próximos al punto a.
Es decir que tanto los máximos como los mínimos son llamados relativos
porque los comparamos con puntos vecinos muy cercanos y no podemos,
por lo tanto, afirmar que sean máximos o mínimos absolutos, es decir,
considerando toda la función.
Entonces:
 Un punto (a,f(a)) es llamado máximo relativo de f(x) si existe un
intervalo abierto alrededor de a tal que f(x) ≤ f(a) para todo x
perteneciente el intervalo.
 Un punto (a,f(a)) es llamado mínimo relativo de f(x) si existe un

intervalo abierto alrededor de a tal que f(x) ≥ f(a) para todo x
perteneciente el intervalo.
Si f es derivable en a, a es un extremo relativo o local si:

1. f'(a) = 0
2. f''(a) ≠ 0
Siendo a un valor crítico de f(x) tal que f´(a) = 0; entonces si f” es

continua en un intervalo abierto que contenga al punto a,
→ Cuando f”(a) > 0 tendremos un mínimo relativo en a.
→ Cuando f”(a) < 0 tendremos un máximo relativo en a.
→ Cuando f”(a) = 0 puede o no tener un extremo relativo.
Los pasos a seguir para determinar los extremos relativos son:
➢ Calculamos f´(x)
➢ f´(x) = 0 y despejamos x0
➢ Calculamos f”(x)
➢ Reemplazamos a x por x0 y analizamos el signo
Funciones de dos o más variables

1. Se igualan las derivadas parciales primeras a cero.
2. Se resuelven las ecuaciones anteriores y se obtienen las
coordenadas de los puntos críticos.
3. Se construye la matriz Hessiana (derivadas parciales de segundo
orden).
 2 f 2 f 2 f 
 ..... 
 x1
2
x1x2 x1xn 
 2 f 2 f 2 f 
 ..... 
H ( f ) =  x2 x1 x22 x2 xn 
 ..... ..... ...... ..... 
 
 2 f 2 f 2 f 
 ...... 
 xn x1 xn x2 xn2 
Se sustituyen los puntos críticos en la matriz Hessiana para obtener tantas

matrices como puntos críticos tengamos.
4. Dependiendo del tipo de matriz resultante de evaluar la matriz
Hessiana en los diferentes puntos críticos, estos puntos serán:
• Si Hi>0 ∀i=1,...,n ƒ alcanza el mínimo relativo en el punto.
396 CAPÍTULO 13
• Si Himpar<0 y Hpar>0 ∀i=1,...,n ƒ alcanza el máximo relativo en

el punto.
• Si Hi≠0 ∀i=1,...,n y no es ninguno de los casos anteriores, es
un punto de silla.
2. CONOCIMIENTOS BÁSICOS DE ESTADÍSTICA Y PROBABILIDAD
2.1. DISTRIBUCIONES DE PROBABILIDAD
Variables aleatorias
Una variable aleatoria es cierto fenómeno de interés cuyas respuestas o
resultados pueden expresarse numéricamente.
Formalmente, dado un espacio de probabilidad (, A, P), una variable
aleatoria unidimensional X es una función real definida sobre el espacio
muestral  que transfiere la estructura probabilística del espacio muestral
a los números reales R definidos.
X:  → R
Tal que [X=x] es un evento aleatorio para todo x que pertenece a los
reales.
Donde:
: es el conjunto de resultados posibles de un experimento aleatorio.
A: es el álgebra de conjuntos y/o familia de eventos.
P: es la probabilidad asociada a cada resultado del conjunto  y del
conjunto A.
Las variables aleatorias se pueden clasificar en discretas o continuas.

Una variable aleatoria es discreta si el número de valores que puede
asumir es contable, ya sea finito o infinito numerable. Los datos discretos
surgen de un proceso de conteo.
Una variable aleatoria es continua si puede adoptar cualquier valor dentro
de un rango definido de valores. Los datos continuos surgen de un proceso
de medición.
Función de probabilidad
En el caso discreto, se denomina función de cuantía p(x) y asocia una
probabilidad a cada posible valor de la variable.
Condiciones esenciales que debe cumplir una función de
cuantía:
1 - Las probabilidades asociadas a los distintos valores que puede
asumir la variable deben ser no negativos → p(x)  0 para todo x
2 - La suma de todas esas probabilidades debe dar uno →
∑ki=1 p(xi )=1
Donde k es la cantidad de valores que asume la variable.
En el caso continuo, se denomina función de densidad f(x) y permite

encontrar la probabilidad de que la variable asuma valores en un intervalo
mediante el uso de integrales, ya que en este caso las probabilidades
están representadas por áreas o superficies.
Condiciones esenciales que debe cumplir una función de
densidad:
1- La función debe asumir valores no negativos → f(x)  0 para
todo x
2- El área total bajo la curva correspondiente a la función de
+∞
densidad debe ser igual a uno → ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Los límites de integración (-∞,+∞) denotan el menor y el mayor valor
que asume la variable, respectivamente.
Función de distribución
La función de distribución F(x) de una variable aleatoria X acumula
probabilidades desde el valor mínimo que asume la variable hasta un valor
genérico 𝑥0 perteneciente a su recorrido. Es decir, la función de
distribución permite obtener la probabilidad que la variable asuma
cualquier valor menor o igual que 𝑥0 .
Formalmente:
F: R → [0,1]
𝐹(𝑥0 ) = 𝑃(𝑋 ≤ 𝑥0 ); 𝑥0 ɛ 𝑅
En el caso discreto, la función de distribución 𝐹(𝑥𝑗 ) se calcula a partir de

la función de cuantía:
𝑗
𝐹(𝑥𝑗 ) = 𝑃(𝑋 ≤ 𝑥𝑗 ) = ∑ 𝑝(𝑥𝑖 )

𝑖=1
En el caso continuo, la función de distribución 𝐹(𝑥) se calcula a partir de

la función de densidad:
𝑥
𝐹(𝑥) = 𝑃(𝑋 ˂ 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
Esperanza Matemática
La Esperanza Matemática E(X) es el valor promedio que se presentará si
el experimento se repite un número grande de veces.
Para una variable aleatoria discreta X con su respectiva función de cuantía

p(x), la Esperanza Matemática E(X) se calcula de la siguiente manera:
𝑘
𝐸(𝑋) = µ = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
Para una variable aleatoria continua X con su respectiva función de

densidad f(x), la Esperanza Matemática toma la siguiente forma:
398 CAPÍTULO 13
+∞
𝐸(𝑋) = µ = ∫−∞ 𝑥 𝑓(𝑥)𝑑𝑥
Varianza
La varianza V(X) mide la dispersión de los datos en torno a la Esperanza
Matemática si el experimento se repite un número grande de veces. Se
define como la esperanza de los desvíos al cuadrado de los valores de la
variable respecto al valor esperado, razón por la cual asume siempre
valores no negativos.
𝑉(𝑋) = 𝜎 2 = 𝐸[𝑋 − µ] 2
Para una variable aleatoria discreta X:

𝑉(𝑋) = ∑𝑘𝑖=1[𝑥𝑖 − µ]2 𝑝(𝑥𝑖 )
Para una variable aleatoria continua X:

+∞
𝑉(𝑋) = ∫−∞ [𝑥 − µ]2 𝑓(𝑥) 𝑑𝑥
Desviación estándar
La desviación estándar DS(X) de una variable aleatoria X se define a partir
de su varianza como:
𝐷𝑆(𝑋) = 𝜎 = √𝑉(𝑋)
Esta medida representa el desvío esperado de los valores de la variable

respecto a su esperanza.
2.2. DISTRIBUCIONES ESPECIALES DE PROBABILIDAD

A continuación, se caracterizan algunos modelos teóricos de probabilidad
que tienen gran importancia debido a que aproximan adecuadamente el
comportamiento de una gran variedad de fenómenos reales.
Distribución Poisson
La variable Poisson se define como:
X = Número de sucesos independientes en un intervalo de longitud fija
(tiempo o espacio)
La variable asume valores enteros no negativos:

Recorrido de X: 0,1,2,...
Su función de cuantía se define de la siguiente forma:
𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑥) = { 𝑥 = 0,1,2, …
𝑥!
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde λ es el promedio de ocurrencias en el intervalo fijado.
Su función de distribución está dada por:
𝑠
𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 ≤ 𝑠) = ∑
𝑥!
𝑥=0
Esperanza Matemática 𝐸(𝑋) = 𝜆

Varianza 𝑉(𝑋) = 𝜆
Desviación estándar 𝐷𝑆 (𝑋) = √𝜆
Distribución exponencial
La variable exponencial se define como:
X = Tiempo entre la ocurrencia de dos sucesos consecutivos
La variable asume cualquier valor no negativo:

Recorrido de X: (0,+∞)
Su función de densidad se define de la siguiente forma:
𝑓(𝑥) = { 𝜆𝑒
−𝜆𝑥
𝑥0
0 𝑥˂ 0
𝐹(𝑥) = {
1 − 𝑒 −𝜆𝑥 𝑥0
1
Esperanza Matemática 𝐸(𝑋) =
𝜆
1
Varianza 𝑉(𝑋) =
𝜆2
1
Desviación estándar 𝐷𝑆(𝑋) =
𝜆
La esperanza de la variable Poisson representa el promedio de ocurrencias

por unidad de tiempo mientras que la esperanza de la variable
exponencial es su recíproca e indica el tiempo promedio que transcurre
entre dos sucesos consecutivos.
Distribución uniforme
Una variable X con distribución uniforme es aquella que tiene la misma
probabilidad de ocurrir cualquiera fuera el valor que asuma dentro de un
intervalo determinado (a,b), donde los límites a y b constituyen los
parámetro de esta distribución.
400 CAPÍTULO 13
La variable asume valores dentro del intervalo determinado:

Recorrido de X: (a,b)

1
𝑓(𝑥) = {𝑏 − 𝑎 𝑎 ≤𝑥≤𝑏

0 𝑥˂𝑎
𝑥−𝑎
𝐹(𝑥) = { 𝑎≤𝑥≤𝑏
𝑏−𝑎
1 𝑥˃𝑏
(𝑎+𝑏)
2
(𝑏−𝑎)2
Varianza V(X) =
12
(𝑏−𝑎)
Desviación estándar 𝐷𝑆 (𝑋) =
√12
Distribución normal
Es un modelo de variable continua con distribución perfectamente
simétrica, constituyéndose sumamente relevante en la estadística por sus
variadas aplicaciones en gran cantidad de fenómenos reales.
La variable con distribución normal puede asumir valores en el intervalo
(-∞, +∞) y los parámetros que caracterizan a esta distribución son:
media µ y varianza σ2.
1 1(𝑥−µ)2
−
𝑓(𝑥) = 𝑒 2 𝜎2 − ∞ ≤ 𝑥 ≤ +∞
𝜎√2
Variable normal estandarizada

Dada una variable X ~ N (µ, σ2), la variable normal estandarizada,
simbolizada con la letra Z, se obtiene haciendo la siguiente transformación
lineal:
𝑋− µ
𝑍= ~ N (0,1)
σ

1 𝑧2
𝑓(𝑧) = 𝑒− 2 − ∞ ≤ 𝑧 ≤ +∞
√2
Esperanza Matemática E(Z) = 0

Varianza V(Z) = 1
Desviación estándar DS (Z) = 1
USO DE LA TABLA NORMAL ESTÁNDAR

La función de distribución normal típica estandarizada está dada por:
𝑧 𝑡2
1
𝐹(𝑧) = 𝑃(𝑍 ≤ 𝑧) = ∫ 𝑒 − 2 𝑑𝑡
−∞ √2
Para el cálculo de probabilidades de una variable con distribución normal

estándar, en lugar de realizar la integral anterior, se suele recurrir a tablas
donde se encuentran tabuladas las probabilidades acumuladas
correspondientes. Generalmente, en estas tablas solo aparecen valores
positivos de la variable estandarizada, por lo que el cálculo de
probabilidades para valores negativos se resuelve teniendo en cuenta la
simetría de la distribución.
A continuación, presentamos algunos ejemplos prácticos:
1. 𝑃(𝑍 < 1,20) = 𝐹(1,20) = 𝟎, 𝟖𝟖𝟒𝟗
0 1,2 z
2. 𝑃(𝑍 < −1,40) = 𝑃(𝑍 > 1,40) = 1 − 𝐹(1,40) = 1 − 0,9192 = 𝟎, 𝟎𝟖𝟎𝟖

402 CAPÍTULO 13
-1,4 0 z
0 1,4 z
3. 𝑃(−1,40 < 𝑍 < 1,20) = 𝐹(1,20) – 𝐹(−1,40) = 𝐹(1,20) – 𝑃(𝑍 > 1,40) =
𝐹(1,20)– [1 – 𝐹(1,40)] = 0,8849 – [1– 0,9192] = 𝟎, 𝟖𝟎𝟒𝟏
-1,4 0 1,2 z
4. 𝑃(−1,40 < 𝑍 < −0,70) = 𝑃(0,70 < 𝑍 < 1,40) = 𝐹(1,40) – 𝐹(0,70) =
0,9192– 0,7580 = 𝟎, 𝟏𝟔𝟏𝟐
-1,4 -0,7 0 z
0 0,7 1,4 z
Distribución beta
Es una distribución de probabilidad continua con parámetros:  y , donde
la variable está acotada entre un máximo a y un mínimo b.
Una especificación usual de su función de densidad está dada por:
Γ( + ) (𝑥 − 𝑎)−1 (𝑏 − 𝑥)−1

𝑓(𝑥) = { Γ()Γ() 𝑎 ≤𝑥≤𝑏
(𝑏 − 𝑎)+−1
Donde: Γ es la función gamma
 𝑏+ 𝛽 𝑎
( + )
(𝑏 − 𝑎)2  
Varianza V(X) = ( + )2 ( +  + 1)
(𝑏 − 𝑎)2  
Desviación estándar 𝐷𝑆 (𝑋) = √ ( )2
+  ( +  + 1)
Adicionalmente, esta distribución será unimodal si se verifican las

siguientes condiciones:
•>1
•>1
•0≤𝑎<𝑏<∞
El valor modal m queda expresado de la siguiente manera:
( − 1)𝑏 + ( − 1)𝑎
𝑚=
+−2
En el caso particular que:  +  = 𝟔 y   =  +  + 𝟏, se puede demostrar

que, empleando la definición del valor modal, la esperanza, la varianza y
la desviación estándar estarán dadas por:
𝑎+4𝑚+𝑏
6
𝑏−𝑎 2
Varianza V(X) = ( )
6
𝑏−𝑎
Desviación estándar 𝐷𝑆 (𝑋) =
6
404 CAPÍTULO 13
CAPÍTULO 13
RESPUESTAS A PROBLEMAS
SELECCIONADOS
CAPÍTULO 2
ACTIVIDAD 4
DATOS:
Demanda 10 15 20 25 30
Nº de días 10 25 30 20 15
Probabilidad 0,1 0,25 0,3 0,2 0,15
DEFINICIÓN DE VARIABLES:
Xi = cantidad de flores compradas con anticipación

Yj = cantidad de flores demandadas el Día de la Secretaria
MATRIZ DE LAS COMPENSACIONES:
Oferta/Demand
a Y1= 10 Y2= 15 Y3= 20 Y4= 25 Y5= 30 d(x)
X1= 10 100 175 250 325 400 253.75
X2= 15 115 150 225 300 375 232.75
X3= 20 130 165 200 275 350 221.75
X4= 25 145 180 215 250 325 222.75
X5= 30 160 195 230 265 300 231.75
Pj 0.1 0.25 0.3 0.2 0.15
Decisión óptima (D.O.) = comprar 20 flores (X3)
ACTIVIDAD 5
DATOS:
Pr. venta por unidad: $1,25
406 CAPÍTULO 13
Costo por unidad (normal): $0,80

Contribución unitaria costo normal: $0,45
Costo por pedido urgente: $0,88
Contribución unitaria costo pedido urgente: $0,37
Reintegro por unidad excedente: $0,60
Xi = cantidad de yogurt a comprar por semana
Yj = cantidad de yogurt demandado por semana
MATRIZ DE LAS COMPENSACIONES:

Univ.
Cij Y1 Y2 Y3 Hurwicz Wald Laplace Aleat
100 200 300 d(x) d(x) d(x) d(x)
X1: 100 45 82 119 96,80 45,00 82,00 76,45
X2: 200 25 90 127 96,40 25,00 80,67 74,65
X3: 300 5 70 135 96,00 5,00 70,00 60,25
Decisión óptima (D.O.): X1 X1 X1 X1
MATRIZ DE LOS LAMENTOS:
Matriz R = Y1 Y2 Y3 Savage
[rij] 100 200 300 d(x)
X1: 100 0 8 16 16.00
X2: 200 20 0 8 20.00
X3: 300 40 20 0 40.00
ACTIVIDAD 7
El árbol que describe este problema y las probabilidades asociadas a las
posibles alternativas es el siguiente:
RESPUESTAS A PROBLEMAS SELECCIONADOS 407
CAPÍTULO 3
ACTIVIDAD 11
a) Complete la tabla
30 20 15 0 0
CB Base VLD x1 x2 x3 S1 S2
15 x3 5 0 0,5 1 -0,5 0
30 x1 20 1 0,5 0 0,5 0
0 S2 30 0 1,5 0 -0,5 1
Zj 675 30 22,5 15 7,5 0
0 -2,5 0 -7,5 0
b) ¿Es esta la solución óptima? ¿Por qué?

Es la solución óptima dado que todos los cj – zj ≤ 0.
c) Si esta es la solución óptima, especifíquela.
La solución es:
x1 = 20
x2 = 0
x3 = 5
S1 = 0
S2 = 30 el valor de Z = 675
408 CAPÍTULO 13
d) Si no es la solución óptima, realice las iteraciones necesarias para

llegar a ella.
La solución es la óptima.
ACTIVIDAD 12
La siguiente tabla corresponde a un PL de maximización canónico (con
restricciones del tipo  ):
Cj 15 10 20 0 0 0
20 x3 50 0,667 0,333 1 0,333 0 0 150

0 S2 200 2,333 1,667 0 -0,333 1 0 120
0 S3 300 -0,333 2,333 0 -0,667 0 1 128,57
Zj 1000 13,333 6,667 20 6,667 0 0
C j - Zj 1,667 3,333 0 -6,667 0 0

No es la solución óptima, ya que hay dos cj – zj ≥ 0.
La variable que entra es x2 y la que sale es S2.
b) Si no es la solución óptima, realice las iteraciones necesarias para

llegar a ella y especifíquela.
Cj 15 10 20 0 0 0
20 x3 10,00 0,20 0,00 1,00 0,40 -0,20 0,00
10 x2 120,00 1,40 1,00 0,00 -0,20 0,60 0,00
0 S3 20,00 -3,60 0,00 0,00 -0,20 -1,40 1,00
Zj 1400,00 18,00 10,00 20,00 6,00 2,00 0,00
C j - Zj -3,00 0,00 0,00 -6,00 -2,00 0,00
Solución óptima:
x1 = 0
x2 = 120
x3 = 10
S1 = 0
S2 = 0
S3 = 20
Z = 1400
ACTIVIDAD 16
I. DESECHOS INDUSTRIALES
Objetivo: minimizar el costo total de procesamiento de la basura y de
transporte. Para el cálculo de los costos, se deben tener en cuenta tanto
los costos de transporte por t como el costo de quemar cada tonelada de
basura.
x1 = t de basura que se transporta desde la fábrica al quemador 1
x2 = t de basura que se transporta desde la fábrica al quemador 2
x3 = t de desechos que se transportan desde el quemador 1 al
enterramiento 1
enterramiento 2
enterramiento 1
enterramiento 2
Restricciones:
1. La fábrica produce 100 t de basura diaria que deben ser
transportadas a alguno de los dos quemadores.
2. Cada quemador puede recibir hasta 80 t de basura.
3. La basura que entra a cada quemador se transforma en desechos
que deben ser transportados a los enterramientos.
4. Cada enterramiento puede recibir hasta 50 t de desechos cada
uno.
Modelo lineal:
Min 60 x1 + 80 x2 + 30 x3 + 45 x4 + 48 x5 + 36 x6
Sa:
x1 + x2 = 100
x1 ≤ 80
x2 ≤ 80
x3 + x4 = 0,25 x1
x5 + x6 = 0,20 x2
x3 + x5 ≤ 50
x4 + x6 ≤ 50
x1; x2; x3; x4; x5; x6 ≥ 0
410 CAPÍTULO 13
II. PROCESO PRODUCTIVO

Se definen las variables como:
XN = kg de naranja a procesar por día para obtener jugo concentrado.
XP= kg de pomelo a procesar por día para obtener jugo concentrado.
Cálculo de la contribución por cada kg procesado
NARANJA POMELO
Precio de venta 5(0,525) = 2,625 6(0,455) = 2,73
Costo MP 0,75 0,8
Costo M1 (1/125)30 =0,24 (1/125)30 = 0,24
Costo M2 (1/55)80(0,7) =1,018
Costo M3 (1/60)90(0,65) = 0,975
Costo Envase 0,10(0,525) = 0,0525 0,10(0,455) = 0,0455
Contribución por kg 0,5645 0,6695
Observaciones:
1
= 0,008 tiempo de procesamiento de 1 kg de fruta en la M1
125
1
= 0,01818 tiempo de procesamiento de 1 lt. de jugo de naranja en la M2
55
1
= 0,01666 tiempo de procesamiento de 1 lt. de jugo de pomelo en la M2
60
Modelo lineal:
max 0.5645 XN + 0.6695 XP

sa
M1 0.008 XN + 0.008 XP ≤ 10 (h)
M2 0.0127 XN ≤ 10 (h)
M3 0.01079 XP ≤ 10 (h)
Embotell. 0.525 XN + 0.455 XP ≤ 500 (l)
MaxNar. 0.525 XN ≤ 500 (l)
MaxPom. 0.455 XP ≤ 800 (l)
MinNar 0.525 XN ≤ 100 (lts.)
Las restricciones de procesamiento en las máquinas

pueden también formularse de la siguiente manera:
XN + XP ≤ 1250 cap. prod. M1

0,7 XN ≤ 550 cap. prod. M2
0,65 XP ≤ 600 cap. prod. M3
CAPÍTULO 4
ACTIVIDAD 5
a) G1 = 57,5 unid. ; G2 = 85 unid. ; G3 = 40 unid
S1 = 55; S2 = S3 = S4 = 0
Z = $2.667,50
b) El precio dual del Hierro Redondo es de 1,5833, como el precio dual es
> 1 , conviene comprar.
c) De acuerdo al análisis de sensibilidad, la máxima cantidad a comprar
está dada por el análisis de sensibilidad, que es de 110 u. hasta el límite;
el precio dual es válido para realizar el análisis.
d) La utilidad total podría incrementarse hasta en 1,111111.
e) La solución permanece óptima, el Z = 5*85 = $425.

f) Y4 = -1,05556 ➔ por cada G3 que se produzca más por encima de 40,
la contribución total disminuirá en 1,05556.
ACTIVIDAD 6
Cj 40 60 50 0 0 0
50 x3 600 0,50 0,00 1,00 0,00 0,00 0,50
60 x2 200 2,25 1,00 0,00 0,50 0,00 -0,25
0 S2 200 -1,25 0,00 0,00 -0,50 1,00 0,25
Zj 42000 160 60 50 30 0 10
Cj - Zj -120,00 0,00 0,00 -30,00 0,00 -10,00
a) Es la solución óptima, ya que todos los cj – zj son menores o

iguales a cero.
412 CAPÍTULO 13
b) Solución óptima del problema dual:

y1 = 30; y2 = 0; y3 = 10; S´1 = 120 ; S´2 = S´3 = 0
ZDUAL = 42000
c) Si se incrementa la disponibilidad del recurso 3 en 100 unidades,

¿cómo cambia la solución óptima?, ¿cuál es el nuevo valor de z?
¿Cuáles son los nuevos valores de las variables?
De acuerdo al cálculo de los intervalos de sensibilidad del apartado
f), el incremento máximo del recurso 3 es de hasta 800 unidades,
por lo que estaría dentro del intervalo y, como se trata de un
recurso limitante, las consecuencias de esta modificación son:
→ No cambia la base óptima.

→ Se modifican los valores de las variables básicas.
→ Se modifica el valor de la función objetivo.
Nueva solución:
b3 = 100
1
x3 = 600 + 100   = 650
2
 −1 
x2 = 200 + 100   = 175
 4 
1
S2 = 200 + 100   = 225
4
Z = 42000 + 100 (10 ) = 43000
d) Solución factible básica no degenerada y óptima.
e) ¿Cuál es el intervalo de sensibilidad del coeficiente de x 3?
1
c1 − z1 = −120 −   c3  0 c3  −240
2
1
c6 − z6 = −10 −   c3  0 c3  −20
2
Coeficiente Incremento Disminución

C3  20
f) Calcule los intervalos de sensibilidad para los lados derechos.
600  0  0 
200  + b 1/2   
  1  
=
0 
200   −1 / 2  0 
1
200 + b1 0 b1  −400
2
1
200 − b1 0 b1  400
2
1
600 + b2 0 b2  −1200
2
−1
200 − b2 0 b2  800
4
1
200 + b2 0 b2  −800
4
bi (VLD) Incremento Disminución

b1 400 400
Restricción no
b2  200 limitante
restrb3 800 800
CAPÍTULO 5
ACTIVIDAD 1
1) h= 9; k= 6
414 CAPÍTULO 13
Cantidad de valores nulos que deberá tener una solución para que sea no
básica= (h x k)-(k+k-1)= 38
2) h= 5; k= 8
Cantidad de valores positivos que deberá tener una solución para que sea
básica degenerada= h+k-1= 12
3) X34 = 20, si el origen 3 es ficticio, indica que quedan 20 unidades de
demanda insatisfecha en el destino 4.
4) En un problema de transporte de mínimo, 13= 4 indica que, por cada

unidad que se envíe desde el destino 1 al origen 3, el costo de transporte
disminuirá en $4.
5) En un problema de transporte de mínimo, un 24= 0 en la solución

óptima indica que el problema tiene múltiples soluciones óptimas.
6) Para demostrar que, en un problema de transporte equilibrado, el
número de restricciones linealmente independientes es igual a h+k-1, se
expresa la demanda de un destino cualquiera como la diferencia entre la
suma de la oferta total y la demanda de todos los restantes destinos; o
bien expresar la oferta de un origen cualquiera como la diferencia entre
la demanda total y la oferta de todos los restantes orígenes.
ACTIVIDAD 2
FALSO: xij son las variables de decisión. Representa la cantidad a enviar
desde el origen i al destino j.
El costo de enviar una unidad desde el origen i hacia el destino j se
representa por los parámetros cij.
ACTIVIDAD 3
Solución óptima:
Se deberán enviar:
92 unidades desde elorigen 1 al destino 2.
74 unidades desde el origen 2 al destino 2.
El origen 3 deberá enviar 37 unidades al destino 1 y 49 unidades al
destino 2.
El destino 1 queda con 136 unidades de demanda insatisfecha.
El costo total de envío óptimo es de $4.369.
Podemos observar la solución óptima en el grafo siguiente:
ACTIVIDAD 5
Se debe asignar de la siguiente manera:
A ➔ 1 ➔ $15
B ➔ 4 ➔ $14
C ➔ 3 ➔ $15
D ➔ 2 ➔ $24
Costo Total: $68.
ACTIVIDAD 10
B)
Min 0,20 x12 + 0,15 x13 + 0,10 x24 + 0,20 x25 + 0,15 x34 + 0,25 x35
Sa
2000 = x12 + x13
x12 = x24 + x25
x13 = x34 + x35
x24 + x34 ≥ 600
x25 + x35 ≥ 800
x12 ≤ 1000
x13 ≤ 500
416 CAPÍTULO 13
xij ≥ 0 para todo i y j
ACTIVIDAD 11
60
3
100 50 90
1 6
4
150
2 100
7
ACTIVIDAD 12
Max f
Sa
f= x12 + x13 + x14
x12 = x23 + x25
x13 + x23 = x34 + x35
x14 + x34 = x45
x25 + x35 + x45 = f
x12 ≤ 100
x13 ≤ 300
x14 ≤ 200
x23 ≤ 100
x25 ≤ 400
x34 ≤ 200
x35 ≤ 300
x45 ≤ 650
xij ≥ 0 para todo i,j f≥0
CAPÍTULO 6
ACTIVIDAD 1
Objetivo: maximizar el beneficio total

Variables:
x1 = onza de fragancia Floral a producir
x2 = onza de fragancia Gardenia a producir
x3 = onza de fragancia Fresca a producir
x4 = onza de fragancia Madera a producir
x5 = onza de fragancia Tabaco a producir
Restricciones:
1. Disponibilidad del Insumo I
2. Disponibilidad del Insumo II
3. Disponibilidad de HMO
4. Restricciones referidas a las políticas de producción.
5. Inclusión de los Costos fijos directos de fabricación
Modelo lineal:
Max 35x1 + 39x2 + 40x3 + 51x4 + 58x5 – 26000y1 - 30000y2 - 28000y3
- 35000y4 - 40000y5
Sa
1.- 8 x1 + 7 x2 + 2 x3 + 10 x4 + 15 x5 ≤ 8000
2.- 8 x1 + 9 x2 + 16 x3 + 15 x4 + 12 x5 ≤ 8500
3.- 4 x1 + 6 x2 + 5 x3 + 8 x4 + 7 x5 ≤ 6000
4.-
y1 + y2 + y3 + y4 +y5 ≤ 4
y1 + y2 ≤ 1
x4 ≤ 0,10( x1 + x2 + x3 + x4 + x5)
5.- Costos fijos directos
x1 ≤ M y1
x2 ≤ M y2
x3 ≤ M y3
x4 ≤ M y4
x5 ≤ M y5
xi ≥ 0 (i=1,2,3,4,5) y yi= 0 ó 1
ACTIVIDAD 2
Objetivo: minimizar los costos totales.
Variables:
xij = Unidades fabricadas y enviadas desde el depósito i a la Región j
i = Córdoba, Buenos Aires, Rosario y Mendoza
j = Región I, Región II y Región III
yi = Se abre o no el depósito i
418 CAPÍTULO 13
1. Lo que envíe cada depósito, si se abre, no debe superar lo que tiene.

2. Cada Región debe recibir al menos lo que solicita.
3. Cumplimiento de las condiciones adicionales
Modelo lineal:
Min 20 x11+ 40x12 + 50x13 + 48x21 + 15x22 + 26 x23 + 26x31 + 35x32 +
18x33 + 24x41 + 50x42 + 35x43 +1200 y1 + 1000y2 + 1100y3 + 1400y4
Sa
1.
x11+ x12 + x13 ≤ 100y1
x21 + x22 + x23 ≤ 100y2
x31 + x32 + x33 ≤ 100y3
x41 + x42 + x43 ≤ 100y4
2.
x11 + x21 + x31 + x41 ≥ 80
x12 + x22 + x32 + x42 ≥ 70
x13 + x23 + x33 + x43 ≥ 50
3.
y1 – y2 ≤ 0
y1 + y2 + y3 + y4 ≤ 2
y3 + y4 = 1
xij ≥ 0 y enteras
(i = Córdoba, Buenos Aires, Rosario y Mendoza) , (j = Región I,
Región II y Región III)
yi = 0 ó 1
ACTIVIDAD 3
Objetivo: maximizar el beneficio total.
Variables:
A = unidades del radiador A a producir
B = unidades del radiador B a producir
C = unidades del radiador C a producir
yi = se produce o no el radiador i (i = A, B ó C)
Modelo lineal:
Max 20A + 35B + 30C - 1000 yA - 2000 yB -1500 yC
Sa
0,015A + 0,020B + 0,020C ≤ 20
0,025A + 0,035B + 0,030C ≤ 100
10A + 12B + 15C ≤ 4500

A ≥ 80 yA
A ≤ 450 yA
B ≥ 50 yB
B ≤ 100 yB
C ≥ 50 yC
C ≤ 100 yC
A, B y C ≥ 0
yi = 0 ó 1 (i = A, B ó C)
ACTIVIDAD 4
Respuesta correcta: c)
ACTIVIDAD 5
1. P1 – P2 ≤ 0
2. P1 + P2 = 1
3. P1 – P3 ≤ 0
4. P1 + P2 ≤ 1
ACTIVIDAD 6
Falso. x2 – x 1 ≤ 0
CAPÍTULO 7
ACTIVIDAD 2
Cada hilera de los ajíes verdes y rojos tiene 2 m de ancho, por lo tanto,
el máximo de hileras para cualquiera de ellos es de 5, en tanto que el
máximo de hileras para los ajíes amarillos es de 3.
De los ajíes verdes quiere sembrar, por lo menos, una hilera; y de los
amarillos, como máximo, 3 hileras.
Las etapas serán:
A ➔ R ➔ V, por lo que empezamos por la tercera etapa.
Variables de estado (x) los metros de terreno disponibles.
Variables de decisión (d) las hileras de cada tipo de ají a sembrar.
420 CAPÍTULO 13
Etapa 3: Verdes $100 por hilera – cada hilera 2 m.

x3 d3* f3*(d)
2 1 100
4 2 200
6 3 300
8 4 400
10 5 500
Etapa 2: Rojos $70 por hilera – cada hilera 2 m.
d2
0 1 2 3 4 d2* f2*(x2)
x2
10 500 470 440 410 380 0 500
7 300 270 240 0 300
4 200 170 0 200
Etapa 1: Amarillos $50 por hilera – cada hilera 3 m.
d1
0 1 2 3 d1* f1*(x1)
x1
10 500 350 100 0 500
Tomás debería sembrar solo ajíes verdes, puede sembrar 5 hileras y el

beneficio que obtiene es de $500.
La función recursiva:
fn (xn) = rn (dn) + f*n+1 (xn – k dn)
rn = rendimiento de la etapa n
k = ancho de la hilera
El rendimiento óptimo de la etapa n será:
fn*(xn) = máx rn {(dn) + f*n+1 (xn – k dn) }
CAPÍTULO 8
ACTIVIDAD 4
Objetivo: maximizar las utilidades.
Variables:
x1 = unidades de producto 1 a producir
x2 = unidades de producto 2 a producir
x3 = unidades de materia prima a comprar
Max (80 -2x1)x1 + (60 – x2)x2 – 150 x3
Sa
0,5 x1 + 1 x2 – x3 = 100
2 x1 + 3 x2 ≤ 500
x1, x2 ≥ 0
ACTIVIDAD 5
Objetivo: minimizar el costo de la publicidad.
Variables:
x1 = número de anuncios en la radio a contratar
x2 = número de comerciales de TV a contratar
min 300 x1 + 700 x2

sa
4x1 + 2(3 x2 )  200
x12 + 4( x2 )  300
x1 , x2  0
ACTIVIDAD 6
Variables:
x1 = kg de Jardín Verde a producir
x2= kg de Bello Parque a producir
x3 = kg de compuesto químico a comprar
Max x1(270-2X1) + x2(150-x2) – 50x3 – 75x1 – 90x2
Sa
x1 + x2 = x3
x3 ≤ 700
xi ≥ 0
ACTIVIDAD 7
422 CAPÍTULO 13

Variables:
x1 = kg de producto A a producir
x2 = kg de producto B a producir
x3 = kg de materia prima a comprar
max (500 − 3
)
x1 x1 + 95x2
sa
x1 = 0,5x3
x2 = 0, 2 x3
2 x1 + 3x2  200
x3  150
x1 , x2  0
ACTIVIDAD 9
Objetivo: minimizar el riesgo de la cartera de inversiones.
Variables:
x1 = porcentaje de la cartera a invertir en B. Francés
x2 = porcentaje de la cartera a invertir en Minetti
x3 = porcentaje de la cartera a invertir en Renault
min 0,2199 x12 + 0, 8828 x22 + 2,1089 x32 + 2  0,2985  x1 x2

+ 2  0,268  x1 x3 + 2  0,2688  x2 x3
sa
x2  0, 6
y1 + y3 = 1
x3 = 1  y3
x1 = 1  y1
0, 0714 x1 + 0,1223x2 + 0,1095x3  0,11
x1 + x2 + x3 = 1
x1 , x2 , x3  0
y1 , y3 binarias
CAPÍTULO 9
ACTIVIDAD 1
A. VERDADERO. Si una actividad no crítica se retrasa más allá de su
tiempo de holgura sin cambiar alguno de los demás factores, la
duración total del proyecto se extenderá en el tiempo que supera a la
holgura.
B. FALSO. Para todas las actividades del camino crítico, el momento de

finalización más tardío es igual al momento de finalización más
temprano y el tiempo de inicio más temprano es igual al tiempo de
inicio más tardío.
C. FALSO. En un diagrama de grafo PERT/CPM que utiliza el método

americano, cada actividad está representada por un arco de la red.
ACTIVIDAD 2
1)  = { (1,3) ; (3,5) ; (5,6) ; (6,8)}
V() = 16
ACTIVIDAD 3
2)
ACTIVIDAD 5
a) El tiempo esperado de finalización de la campaña política es de 28
días. La probabilidad de que este tiempo se cumpla es de 0,5.
424 CAPÍTULO 13
b)
Prob (DT  35) = 0,5
estandarizando la variable aleatoria DT :

   
Prob  Z  35 - 28  = Prob  Z  35 -28  = Prob (Z  2,76 ) = 0,9971
 σ DT   2,54 
  
2 2 2 2 2 2
σ = 0,33 +1 + 0,55 + 2 + 0,16 +1  2,54
DT
CAPÍTULO 10
ACTIVIDAD 2
% Particip. %
Artículo % Total Clasificación
de los art. Acumulado
14 0,254623721 5 25,46 % A
19 0,185469932 10 44,01 % A
13 0,160740608 15 60,08 % A
3 0,092734966 20 69,36 % A
6 0,072068317 25 76,56 % A
11 0,052991409 30 81,86 % B
15 0,037835866 35 85,65 % B
9 0,030911655 40 88,74 % B
12 0,026495705 45 91,39 % B
20 0,016506824 50 93,04 % B
18 0,013862553 55 94,42 % B
16 0,01122358 60 95,55 % B
4 0,010598282 65 96,61 % C
2 0,010598282 70 97,67 % C
1 0,006623926 75 98,33 % C
10 0,005299141 80 98,86 % C
8 0,004967945 85 99,36 % C
7 0,003311963 90 99,69 % C
17 0,001589742 95 99,85 % C
5 0,001545583 100 100,00 % C
ACTIVIDAD 4
a) Cálculo de la cantidad económica a pedir:
V= N/q;
q= N/V = 4800/30,98 = 154,94
b) Determine el costo de almacenamiento unitario mensual.
CTs = CTp
CTs = $1859,03
CTs = Cs T q/2
Cs = (2 CTs)/Tq
Cs = 2(1859,03)/12(154,94) = 3718,06/1859,28 = $ 2
ACTIVIDAD 5
POLÍTICA ACTUAL:
q = 520 unidades
t1 = 13 semanas
q  h N   8  2080
= 1,6  520  1 1 −

CT = Cs T 1 −  + Cp  + 300
2  a q  2   12  520
= 138,66667+1200 = $1338,66667
POLÍTICA ÓPTIMA:
2 Cp N 2 (300) 2080
q* = = = 1529,70
 h  8
Cs T  1 -  1,6 1 −
 a  12 
N q  h
CT = Cp + Cs T 1 - 
q 2  a
2080 1529,70  8 
CT = 300 + 1, 6  1-  = 407, 92 + 407, 92 = $815, 84
1529,70 2  12 
AHORRO DE COSTOS:
1338,667 – 815, 84 = 522,82
426 CAPÍTULO 13
El ahorro de costos al aplicar una política adecuada de mantenimiento de

inventarios asciende a 39 %
ACTIVIDAD 8
DATOS
t = 250 días
T=1
N = 960 (80x12)
Cp = 20
Cs = 0.2 Pi (por unidad y por año)
P1= $10.00 ; si q < 300 ; Cs= $2.00

P2= $ 9.80 ; si 300 <= q < 500 ; Cs= $1.96
P3= $ 9.70 ; si 500 <= q ; Cs= $1.96
PASO 1
2 (20) 960
3 1,94 (1)
2 (20) 960
2 1,96 (1)
2 (20) 960
1 2 (1)
PASO 2
Cs = 0.2 pi
N Tq
CT = Cp + Cs + pi N;
(q, pi) q 2
960 138,56
CT = 20 + 0,2 (10) + 960 (10) = $9.877.-
q*=138.56, p =10
1
138,56 2
1
960 300
CTq =300, p =9,8 = 20 + 0,2 (9,8) + 960 (9,80) = $9.766.-
2 3
300 2
960 500
CTq =500, p =9,7 = 20 + 0,2 (9,7) + 960 (9,70) = $9.835,40.-
3 3
500 2
CAPÍTULO 11
Costo por Costo por Utilidad
Ensayo Reserva Asientos Nº Aleatorio Z0 Llegan Entero
sobreventa ausentes Total
1 52 50 0,5029 0,01 50,02 50 0 0 6000

2 52 50 0,7333 0,62 51,24 51 150 0 5850
3 52 50 0,7818 0,78 51,56 51 150 0 5850
4 52 50 0,4541 -0,12 49,76 49 0 120 5880
5 52 50 0,0727 -1,46 47,08 47 0 360 5640
6 52 50 0,229 -0,74 48,52 48 0 240 5760
7 52 50 0,3246 -0,45 49,1 49 0 120 5880
8 52 50 0,8961 1,26 52,52 52 300 0 5700
9 52 50 0,8025 0,85 51,7 51 150 0 5850
10 52 50 0,5754 0,19 50,38 50 0 0 6000
11 52 50 0,4769 -0,06 49,88 49 0 120 5880
12 52 50 0,9083 1,33 52,66 52 300 0 5700
13 52 50 0,0278 -1,91 46,18 46 0 480 5520
14 52 50 0,8062 0,86 51,72 51 150 0 5850
15 52 50 0,1894 -0,88 48,24 48 0 240 5760
87120
Utilidad promedio simulada 5808
ACTIVIDAD 4
DATOS
Capacidad: 50 pasajeros
Utilidad por pasajero: $120
Utilidad promedio con la política actual: $5.760
Analizar la política de aceptar 52 reservas
Costo por asiento vacío: $120
Costo por cada pasajero que no pueda abordar: $150
Utilidad Total = 120 (50) - Costo
Para generar los que llegan x = 50 + (Z0)*2
Distribución de los que se presentan: Normal con media 50 y desvío 2

Considerar que puede haber diferencias (atribuidas a decimales) debido
a que la simulación está realizada con la planilla Excel.
ACTIVIDAD 5
428 CAPÍTULO 13
DATOS
Hotel tiene 100 habitaciones
Se aceptan hasta 105 reservas
Las reservas se pueden aproximar con una distribución uniforme [96;
105]
Los que no se presentan
P.
Ausentes Probabilidad
Acumlada
0 0,1 0,1
1 0,15 0,25
2 0,2 0,45
3 0,3 0,75
4 0,15 0,9
5 0,1 1
Aleat. Reservas Reservas Aleat.

Noche Ausentes Ocupación
Reservas Solicitadas aceptadas Ausencias
1 0,5521 101 101 0,6318 3 98
2 0,2189 98 98 0,8432 4 94
3 0,3812 99 99 0,1831 1 98
4 0,4678 100 100 0,2569 2 98
5 0,5602 101 101 0,3071 2 99
6 0,3356 99 99 0,4809 3 96
7 0,7395 103 103 0,9354 5 98
8 0,283 99 99 0,0008 0 99
9 0,9431 104 104 0,1478 1 100
10 0,8049 103 103 0,027 0 100
Las reservas se generan con:

x=96 +(105-96)* Aleat.
y se redondearon al entero
más próximo
ACTIVIDAD 6
Demanda se puede aproximar Normal con media 100 y desviación 20
unidades
Datos económicos:
Margen Bruto: $50.
Costo almacenamiento unitario: $15 (semanal)
Costo unitario de escasez: $30 (semanal)
Los que no se venden se deben tirar

De acuerdo a la información que tenemos, nuestro modelo es:
Utilidad = 50* (unidades vendidas) - costo de escasez *(unidades que
faltaron) - costo de almacenamiento * (stock inicial)
Se deben probar las dos políticas.
Como la demanda es la misma independientemente de la política que se
adopte, se deben usar los mismos números aleatorios.
Política 1: Com prar 80 unidades sem anales
Stock Nº Aleat. Unidades Costo Costo Unidades
Semana Demanda Utilidad
Inicial Demanda Faltantes Escasez almacenam. vendidas
1 80 0,028 62 0 0 1200 62 1900
2 80 0,076 71 0 0 1200 71 2350
3 80 0,286 89 9 270 1200 80 2530
4 80 0,025 61 0 0 1200 61 1850
5 80 0,294 89 9 270 1200 80 2530
6 80 0,842 120 40 1200 1200 80 1600
7 80 0,208 84 4 120 1200 80 2680
8 80 0,605 105 25 750 1200 80 2050
9 80 0,292 89 9 270 1200 80 2530
10 80 0,444 97 17 510 1200 80 2290
11 80 0,005 48 0 0 1200 48 1200
12 80 0,687 110 30 900 1200 80 1900
13 80 0,108 75 0 0 1200 75 2550
14 80 0,132 78 0 0 1200 78 2700
15 80 0,163 80 0 0 1200 80 2800
16 80 0,615 106 26 780 1200 80 2020
17 80 0,903 126 46 1380 1200 80 1420
18 80 0,673 109 29 870 1200 80 1930
19 80 0,711 111 31 930 1200 80 1870
20 80 0,993 149 69 2070 1200 80 730
41430
Utilidad Promedio 2071,5
430 CAPÍTULO 13
Política 2: Com prar 100 unidades sem anales

Stock Nº Aleat. Unidades Costo Costo Unidades
Semana Demanda Utilidad
Inicial Demanda Faltantes Escasez almacenam. vendidas
1 100 0,028 62 0 0 1500 62 1600
2 100 0,076 71 0 0 1500 71 2050
3 100 0,286 89 0 0 1500 89 2950
4 100 0,025 61 0 0 1500 61 1550
5 100 0,294 89 0 0 1500 89 2950
6 100 0,842 120 20 600 1500 100 2900
7 100 0,208 84 0 0 1500 84 2700
8 100 0,605 105 5 150 1500 100 3350
9 100 0,292 89 0 0 1500 89 2950
10 100 0,444 97 0 0 1500 97 3350
11 100 0,005 48 0 0 1500 48 900
12 100 0,687 110 10 300 1500 100 3200
13 100 0,108 75 0 0 1500 75 2250
14 100 0,132 78 0 0 1500 78 2400
15 100 0,163 80 0 0 1500 80 2500
16 100 0,615 106 6 180 1500 100 3320
17 100 0,903 126 26 780 1500 100 2720
18 100 0,673 109 9 270 1500 100 3230
19 100 0,711 111 11 330 1500 100 3170
20 100 0,993 149 49 1470 1500 100 2030
52070
Utilidad Promedio 2603,5
431
BIBLIOGRAFÍA
Anderson, D., Sweeney, D. y Williams, T. (2019): Fundamentos de

métodos cuantitativos para los negocios. Primera Edición. Ed. CENGAJE.
México DF, México.
Bazaraa, M. y Jarvis, J. (1981): Programación Lineal y Flujo en Redes. Ed.

Limusa. México DF, México.
Blanch, N., Caro, N., Casini, R., Chiavassa, N., Díaz, M., Joekes, S. y
Stimolo, M.: Estadística I. Ciclo Básico a Distancia. FCE. UNC. Córdoba,
Argentina.
Checkland, P. (2000): Soft Systems Methodology: A Thirty Year

Retrospective. Systems Research and Behavioral Science, 17, pp. S11–
S58.
Davis, R. y McKeown, P. (1986): Modelos Cuantitativos para

Administración. Grupo Editorial Iberoamérica. México.
Eden, C. (2004): Analyzing cognitive maps to help structure issues or

problems. European Journal of Operational Research, 159, pp. 673–686.
Eppen, G., Gould, F., Schmidt, C., Moore, J. y Weatherford, L. (2000):

Investigación de Operaciones en la Ciencia Administrativa. Quinta Edición.
Prentice Hall Hispanoamericana S.A. México.
Franco, L. y Lord, E. (2011): Understanding multi-methodology:

Evaluating the perceived impact of mixing methods for group budgetary
decisions. Omega, 39, pp. 362–372.
Gass, S. (1979): Programación Lineal. Ed. CECSA. Bogotá, Colombia.
Georgiou, I. (2006): Managerial Effectiveness from a System Theorical

Point of View. Systemic Practice and Action Research, 19, pp. 441–459.
Georgiou, I. (2008): Making decisions in the absence of clear facts.

European Journal of Operational Research, pp. 185, 299–321.
Giuliodori, R. F. (1994): Estadística Descriptiva y Probabilidad. Editorial

Eudecor. Primera edición. Córdoba, Argentina.
Hillier, F. y Lieberman, G. (2010): Introducción a la Investigación de

Operaciones. 9na Edición. McGraw-Hill. México.
Lawrence, J. y Pasternak, B. (1998): Applied Management Science. Wiley,

USA.
Mingers, J. (2011): Soft OR comes of age – but not everywhere! Omega,

doi: 10.1016 / j.omega. 2011.01.005
432
Pérez Mackeprang, C., Alberto, C., Carignano, C. y Castro, S. (1996):

Simulación como Método de Verificación de Hipótesis Teóricas - su
aplicación al PERT. Anales del IX Encuentro Nacional de Docentes de
Investigación Operativa. Mar del Plata. Argentina.
Pérez Mackeprang, C. (2004): Introducción a la Programación Matemática.

Asociación Cooperadora de la Facultad de Ciencias Económicas. FCE. UNC.
Córdoba, Argentina.
Simon, H. (1957): A Behavioral Model of Rational Choice, in Models of

Man, Social and Rational: Mathematical Essays on Rational Human
Behavior in a Social Setting. New York: Wiley.
Sorensen Vidal, R. (2003): The anatomy of soft approach. Pesquisa

Operacional, 24, p. 2.
Stanecka, N. y Chiarle, M.: Matemática II Álgebra. Ciclo Básico a

Distancia- FCE. UNC. Asociación Cooperadora de la Facultad de Ciencias
Económicas. FCE. UNC. Córdoba, Argentina.
Tversky, A. y Kahneman, D. (1986): Rational Choice and the Framing of

Decisions, en The Journal of Bussiness, vol. 59, num. 4, pp. S251-S278.
Tversky, A. y Kahneman, D. (1971): The belief in law numbers, en

Psychological Bulletin, vol. 76, pp. 105-110.
Winston y Wayne, L. (2005): Investigación de Operaciones: Aplicaciones

y Algoritmos. Editorial Thomson. México.

Libro Apoyo Cuantitativo

Cargado por

Copyright:

Formatos disponibles

Libro Apoyo Cuantitativo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Apoyo Cuantitativo

Cargado por

Copyright:

Formatos disponibles

2022

El proceso de toma de decisiones ha evolucionado en las últimas décadas

Esta obra tiene un enfoque teórico-práctico. Por una parte, se exponen

El texto está dirigido a estudiantes de carreras universitarias de grado

No podemos finalizar este prólogo sin expresar nuestro reconocimiento a

CLAUDIA ETNA CARIGNANO

CATALINA LUCÍA ALBERTO

Catalina Lucía Alberto es Doctora en Ciencias Económicas de la

CAPÍTULO 2 - EL PROCESO DE DECISIÓN

CAPÍTULO 3 - PROGRAMACIÓN LINEAL

CAPÍTULO 4 - DUALIDAD Y SENSIBILIDAD EN PL

CAPÍTULO 5 - TRANSPORTE, TRANSBORDO Y ASIGNACIÓN

CAPÍTULO 6 - PROGRAMACIÓN LINEAL ENTERA

CAPÍTULO 7 - PROGRAMACIÓN DINÁMICA

CAPÍTULO 8 – PROGRAMACIÓN NO LINEAL

CAPÍTULO 9 – OPTIMIZACIÓN Y PLANIFICACIÓN CON GRAFOS

CAPÍTULO 10 – ADMINISTRACIÓN DE INVENTARIOS

CAPÍTULO 11 – MODELOS DE SIMULACIÓN

CAPÍTULO 12 – CONOCIMIENTOS BÁSICOS PREVIOS

CAPÍTULO 13 – RESPUESTAS A PROBLEMAS SELECCIONADOS 405

BIBLIOGRAFÍA CONSULTADA 431

Experiencia Metodología científica

La Investigación de Operaciones o Investigación Operativa (IO) se define

2. BREVE HISTORIA DE LA INVESTIGACIÓN OPERATIVA

estudios, incluyeron problemas logísticos complejos, la planificación de

ANTECEDENTES DE LA INVESTIGACIÓN OPERATIVA

1950-1956 Kun-Tucker Programación no lineal

3. LOS MODELOS UTILIZADOS EN INVESTIGACIÓN OPERATIVA

La construcción de modelos constituye una herramienta útil para lograr

4. CLASIFICACIÓN DE LOS MODELOS

4.1. Clasificación según el objetivo del problema

Modelos de optimización: Su objetivo es maximizar cierta cantidad

Modelos descriptivos: Su objetivo es describir o predecir sucesos (nivel

- Problemas de espera en fila. Cualquier situación en el que haya que

4.2. Clasificación según la naturaleza de los datos

5. LAS LIMITACIONES DE LOS MODELOS MATEMÁTICOS

Finalmente, cabe mencionar que las decisiones importantes en la

6.1. Etapas del método científico aplicado a la IO

(clientes, proveedores, sindicato, etc.). Se debe tener en cuenta que el

En el gráfico 2 se resumen las etapas del método científico.

7. INVESTIGACIÓN OPERATIVA HARD Y SOFT

Optimización • Modelos Clásicos

MODELOS DE • Planificación de Proyectos

supuestos HIPÓTESIS limitaciones

o bien que x2 es preferible a x1:

Si esta función de decisión mide algo deseable, como un beneficio o un

y llamaremos a la o las alternativas que verifiquen ese valor “decisión

Por el contrario, si la función mide algo no deseable, como un costo o

Supondremos que, cada vez que el decisor elige un elemento xi del

En forma simplificada, se suelen representar las c(xi,yj) por cij, es decir:

Como el decisor no controla el valor que asumirá yj, no podrá seleccionar

3. DECISIONES EN SITUACIÓN DE CERTEZA O DE UNIVERSO CIERTO

Desde el punto de vista de la presentación formal de este universo,

4. DECISIONES BAJO RIESGO O DE UNIVERSO ALEATORIO

d(x) = E  c ( x,y )  =  C(xi,yj) pj

siendo pj la probabilidad del j-ésimo estado de la naturaleza.

La decisión óptima será, para el caso de que las compensaciones

Si las compensaciones representan algo indeseable, como pérdidas o

Al criterio de tomar como función de decisión la Esperanza Matemática de

✓ La primera plantea que, además de considerar a la Esperanza