ANALISIS DE SENSIBILIDAD

El análisis de sensibilidad busca determinar los efectos que se producen en la solución óptima al
realizar cambios en cualquiera de los parámetros del modelo de programación lineal planteado inicialmente.
Entre los cambios que se investigan están: los cambios en los coeficientes de las variables en la función
objetivo tanto para variables básicas como para las variables no básicas, cambios en los recursos disponibles
de las restricciones, variación de los coeficientes de utilización en las restricciones e introducción de una
nueva restricción. El objetivo principal del análisis de sensibilidad es identificar el intervalo permisible de
variación en los cuales las variables o parámetros pueden fluctuar sin que cambie la solución óptima. Sin
embargo, así mismo se identifica aquellos parámetros sensibles, es decir, los parámetros cuyos valores no
pueden cambiar sin que cambie la solución óptima. Los investigadores de operaciones tienden a prestar
bastante atención a aquellos parámetros con holguras reducidas en cuanto a los cambios que pueden presentar,
de forma que se vigile su comportamiento para realizar los ajustes adecuados según corresponda y evitar que
estas fluctuaciones puedan desembocar en una solución no factible.
Para aumentar la aplicación de la programación lineal en la práctica, se necesita agregar una
dimensión dinámica que investigue el impacto que tiene hacer cambios en los parámetros del modelo:
coeficientes de la función objetivo y coeficientes de las restricciones) sobre la solución óptima.
En esta sección se investigarán dos casos de análisis de sensibilidad basados en la solución gráfica de
la programación lineal:
 Cambios en los coeficientes de la función objetivo.
 Cambios en el lado derecho de las restricciones.
 Aunque la presentación es elemental y su alcance es limitado, proporciona perspectivas
fundamentales del desarrollo del análisis de sensibilidad.

De igual manera existen unas series de modificaciones que se realizan en este análisis las cuales son:
 Modificación de los valores de los recursos : La idea general consiste en determinar rangos de
variación de los parámetros de forma de mantener una cierta base óptima, teniendo en cuenta que
una solución básica es factible solo si todas las variables basales tienen un valor no negativo.
Debido a que el estudio de la variación simultanea de varios parámetros puede ser difícil, nos
centraremos en primer lugar en modificaciones de un parámetro a la vez manteniendo los restantes
ojos. Estudiaremos las siguientes posibilidades:
o Cambio 1: Cambio del coeficiente en la función objetivo de una variable no básica.
o Cambio 2: Cambio del coeficiente en la función objetivo de una variable básica.
o Cambio 3: Cambio del coeficiente del lado derecho de una restricción.
o Cambio 4: Incorporación de una nueva variable.
o Cambio 5: Incorporación de una nueva restricción.

 Modificación de los coeficientes tecnológicos y agregar una variable de decisión: En esta

modificación existen dos pasos los cuales son:
o Modificación de los coeficientes tecnológicos: Los coeficientes tecnológicos son aquellos
coeficientes que afectan a las variables de las restricciones, situados a la izquierda de la
desigualdad. Los cambios en estos coeficientes provocarán cambios sustanciales en la
forma de la región factible. Se deben a menudo a innovaciones tecnológicas o a mejoras en
la productividad. Este tipo de cambios no producirá variación alguna en la función objetivo,
pero sí alterará sustancialmente la “forma” de la región factible, por lo que la solución
óptima también variará. Su análisis puede llegar a ser muy complejo.
o Agregar una variable de decisión: Una vez resuelto un modelo de Programación Lineal a
través del Método Simplex, puede resultar de interés analizar si cambia la solución óptima y
valor óptimo del problema luego de incluir una nueva variable de decisión. Distinguiremos
entre variables básicas, que son las que toman valores no nulos en la solución óptima y
variables no básicas, por lo que respecta al coeficiente objetivo asociado a la variable no
básica, la solución actual seguirá siendo válida siempre que éste no exceda de su incremento
permitido; si este coeficiente excediese, la variable pasaría a ser básica, cambiando así la
solución óptima.
  Modificar los coeficientes de la función objetivo,(Agregar una restricción): El análisis de
sensibilidad o postoptimal para los modelos de Programación Lineal, tiene por objetivo identificar el
impacto que resulta en los resultados del problema original luego de determinadas variaciones en los
parámetros, variables o restricciones del modelo, sin que esto pase por resolver el problema
nuevamente. Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método
Simplex, lo que se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor
óptimo actual, sin tener la necesidad de resolver para cada variación un nuevo problema. En especial
nos concentraremos en el análisis de sensibilidad o postoptimal que hace uso de la tabla final del
Método Simplex.

Es importante señalas que el análisis de sensibilidad forma parte de los análisis económicos por lo que
utiliza estimaciones de sucesos futuros para ayudar a quienes toman decisiones, dado que las estimaciones
futuras siempre tienen alguna medida de error, hay imprecisión en las proyecciones económicas. El efecto de
la variación puede determinarse mediante el análisis de sensibilidad.
Es por esto que determina la forma como una medida de valor (VP, VA, TR o B/C) y la alternativa
seleccionada se verán alteradas si un factor particular o parámetro varía dentro de un rango establecido de
valores. Por ejemplo, la variación en un parámetro como la TMAR no alteraría la decisión de seleccionar una
alternativa cuando todas las alternativas comparadas retornan más de la TMAR; así, la decisión es
relativamente insensible a dicho parámetro. Sin embargo, la variación en el valor de “n” puede indicar que la
selección de alternativas es muy sensible a la estimación de la vida del activo.
Generalmente, las variaciones en la vida, en los costos anuales y recaudos resultan de variaciones en el
precio de venta, de operación a diferentes niveles de capacidad, de la inflación, etc. Por ejemplo, si un nivel
de operación del 90% de la capacidad de sillas de una aerolínea se compara con el 50% en una ruta
internacional nueva, el costo de operación y el recaudo por milla de pasajero aumentará, pero es probable que
la vida anticipada disminuya solo ligeramente. De ordinario, para aprender cómo afecta el análisis económico
la incertidumbre de las estimaciones, se estudian diversos parámetros importantes.
La graficación del VP, VA o TR versus el (los) parámetro(s) estudiado(s) es muy útil. Dos alternativas
pueden compararse con respecto a un parámetro dado y calcularse el punto de equilibrio. Éste es un valor al
cual las dos alternativas son equivalentes en términos económicos. Sin embargo, el diagrama del punto de
equilibrio comúnmente representa sólo un parámetro por diagrama. Por tanto, se construyen diversos
diagramas y se supone la independencia de cada parámetro. (En la sección siguiente se abordará cómo
representar gráficamente diversos parámetros en una tabla de sensibilidad). En usos anteriores del análisis del
punto de equilibrio, se calculó la medida de valor para dos valores de un parámetro solamente y se conectaron
los puntos con una línea recta. No obstante, si los resultados son sensibles al valor de un parámetro, deben
utilizarse diversos puntos intermedios para evaluar mejor la sensibilidad, en especial si las relaciones no son
lineales.
Cuando se estudian diversos parámetros, un estudio de sensibilidad puede resultar bastante complejo.
Éste puede realizarse utilizando un parámetro a la vez mediante un sistema de hoja de cálculo, un programa
de computador preparado especialmente, o cálculos manuales. El computador facilita la comparación de
múltiples parámetros y múltiples medidas de valor y el software puede representar gráficamente de manera
rápida los resultados.
Para determinar la sensibilidad de estimaciones de parámetros, se debe realizar un estudio de análisis de
sensibilidad, para esto se puede seguir este procedimiento general, cuyos pasos son:
 Determinar cuál parámetro o parámetros de interés podrían variar con respecto al valor estimado más
probable.
 Seleccionar el rango probable de variación y su incremento para cada parámetro.
 Seleccionar la medida de valor que será calculada.
 Calcular los resultados para cada parámetro utilizando la medida de valor como base.
 Ilustrar gráficamente el parámetro versus la medida de valor, para interpretar mejor los resultados.

Este procedimiento del análisis de sensibilidad debe indicar cuáles parámetros justifican un estudio más
detenido o requieren la consecución de información adicional. Cuando hay dos alternativas o más, es mejor
utilizar una medida de valor de tipo monetario (VP o VA) en el paso 3. Si se utiliza la TR, se requieren
esfuerzos adicionales de análisis incremental entre alternativas. El ejemplo 1 ilustra el análisis de sensibilidad
para un proyecto.
 Por ultimo para ejemplificar todo lo anteriormente señalado, utilizaremos el siguiente ejemplo:
La firma Flavored Rice, Inc., está considerando la compra de un nuevo activo para el manejo
automatizado del arroz. Las estimaciones más probables son un costo inicial de $80,000, valor de salvamento
de cero y una relación de flujo de efectivo antes de impuestos de la forma

FEN = $27,000 - 2000t anual (t = 1,2,. . . ,n).

La TMAR de la compañía varía entre el 10% y el 25% anual para los tipos. diferentes de inversiones en
activos. La vida económica de maquinaria similar varía entre 8 y 12 años. Evalúe la sensibilidad de VP y VA
variando (a) el parámetro TMAR, a la vez que supone un valor n constante de 10 años y (b) el parámetro n,
mientras la TMAR es constante al 15% anual.

Solución:

Siga el procedimiento anterior:

Paso 1. La TMAR, i, es el parámetro de interés.

Paso 2. Seleccione incrementos del 5% para evaluar la sensibilidad a la TMAR; el rango para i es del 10% al
25%.

Paso 3. Las medidas de valor son VP y VA.

Paso 4. Establezca las relaciones VP y VA.

Por ejemplo, para i = 10%, utilice valores k de 1 a 10 para el flujo de efectivo.

VP = -80,000 + 25,000(P/A,10%,10) - 2000(P/G,10%,10) = $27,830

VA = P(A/P, 10%,10) = $4529

Las medidas de valor para los cuatro valores de i en intervalos del 5% son:

i VP VA
10% $ 27.8300 $ 4.529
15 11.512 2.294
20 -962 -229
25 -10.711 -3.000

Paso 5. En la figura 1 se muestra una gráfica de la TMAR vs. el VA. La pendiente negativa pronunciada
indica que la decisión de aceptar la propuesta con base en VA es bastante sensible a variaciones en la TMAR.
Si se establece la TMAR en el extremo superior del rango, la inversión no es atractiva.

(b) aplicando nuevamente los datos anteriores:

Paso 1. El parámetro es la vida n del activo.

 n VP VA
8 $ 7,221 $ 1,609
10 11,511 2,294
12 13,145 2,425

Paso 2. Seleccione incrementos de 2 años para evaluar la sensibilidad a n durante el rango de 8 a 12 años.

Paso 3. Las medidas de valor son VP y VA.

Paso 4. Establezca las mismas relaciones VP y VA que en la parte (a) para

i = 15%. Los resultados de las medidas de valor son:

Paso 5. La figura 1 presenta una gráfica no lineal de VA vs. n. Ésta es una forma característica para el análisis
de sensibilidad de un valor n. Comoquiera que las medidas VP y VA son positivas para todos los valores de n,
la decisión de invertir no se ve afectada en forma sustancial por la vida estimada.

Figura 1. Gráfica de sensibilidad de VA a la TMAR y variación de la vida.

PROGRAMACION ENTERA.
La programación entera es el método empleado para resolver problemas que tienen
variables de decisión enteras. Estos modelos se han considerado submodelos de la programación
lineal con la característica de enteridad. Para resolver problemas de programación lineal entera, se
utilizan varios algoritmos como son: Ralph Gomory, ramificación y acotamiento, enumeración
exhaustiva o enumeración explícita, enumeración implícita, aditivo de Egon Balas y algoritmos
heurísticos. Un programa entero recibe el nombre de mixto o puro, dependiendo de ausencia de
las condiciones de integridad o totalidad.
Uno de las dificultades principales en los procedimientos del cálculo de la programación
entera es el efecto que tiene el error de redondeo que se genera a partir del uso inevitable de la
computadora digital para resolver problemas enteros.
En este sentido la forma estándar de un modelo de Programación Entera queda definida de
la siguiente forma:

Un ejemplo para comprender lo anteriormente señalado es o siguiente:

Problema Inclusión Costos Fijos: Usted ha sido designado por el gerente de su empresa
para decidir cómo distribuirá su tráfico telefónico en el próximo mes, seleccionando entre 3
proveedores posibles y asignando la cantidad de tráfico (minutos) que desee en cada caso, es
decir, puede repartir el tráfico en 1, 2 o 3 proveedores a su antojo y su decisión sólo dependerá de
los costos de cada alternativa.
El proveedor 1 cobra un cargo fijo mensual de US$50 y el costo por minuto a red fija es de
US$0,02 y a celular de US$0,12. El proveedor 2 tiene un cargo fijo mensual de US$60, con un
costo por minuto de US$0,015 y US$0,15 a red fija y celular respectivamente. Finalmente el
proveedor 3 tiene un cargo fijo mensual de US$40 con un costo por minuto a red fija de US$0,03 y
a celular de US$0,14. Si usted llama por uno de estos proveedores (aunque hable sólo un minuto)
deberá pagar el cargo fijo. Asuma que la cantidad de minutos que la empresa consume
mensualmente es de 30.000 para red fija y 18.000 para celular.
Formule y resuelva un modelo de Programación Entera que permita decidir cómo distribuir
el tráfico telefónico mensual de la forma más económica para la empresa.
Para resolver este problema debemos hacer lo siguiente:

Es decir, primero se determinan las variables de decisión, luego la función objetivo y por
ultimo las restricciones.
TIPOS DE MODELOS DE PROGRAMACIÓN LINEAL EN ENTEROS.
 Como mencionamos anteriormente los modelos de programación lineal entera son
modelos de programación lineal que tienen la característica adicional de que algunas de las
variables de decisión deben tener valores enteros. Dependiendo del tipo de variable que tengan los
problemas a resolver, estos se pueden clasificar de la siguiente manera:
 Programas enteros puros, como su nombre lo indica, un problema en el que se exige que
todas las variables de decisión tengan valores enteros, así como los coeficientes que
intervengan en el problema. Un ejemplo de este tipos es el siguiente: Min 6×1 + 5×2 +
4×3s.a. 108×1 + 92×2 + 58×3 >= 5767×1 + 18×2 + 22×3 >= 83x1, x2, x3 ><0 y enteros. Es
un modelo entero puro. Sin las restricciones adicionales de que x1, x2, x3 sean enteros (o
sea las condiciones de integralidad) sería un problema de programación lineal.
 Programas enteros mixtos, son aquellas que requieren que algunas variables tengan
valores enteros mientras que otras pueden asumir cualquier número no negativo (es decir,
cualquier valor continuo). Un ejemplo es el siguiente: Supóngase que en el problema
anterior solo x1 y x2 deben ser enteros y x3 no. El problema resultante es: Min 6×1 + 5×2 +
4×3s.a. 108×1 + 92×2 + 58×3 >= 5767×1 -18×2 + 22×3 >= 83x1, x2, x3 >=0; x1 y x2
enteros programas
 Binarios, son aquellas variables que solo pueden tomar valor cero y uno. En algunos
problemas se restringe el valor de las variables a 0 o 1, dichos problemas se llaman
binarios o programas lineales enteros 0–1. Son de particular interés debido a que se
pueden usar las variables 0–1 para representar decisiones dicotómicas (sí o no). Diversos
problemas de asignación, ubicación de plantas, planes de producción y elaboración de
cartera, son de programación lineal entera 0–1. Un ejemplo de esto es lo siguiente:

Existen dos métodos para generar las restricciones especiales que fuercen la solución óptima
del problema, hacia la solución óptima entera deseada:
o Método de ramificar y acotar-método de planos de corte , en ambos métodos las
restricciones agregadas eliminan partes del espacio de soluciones, pero nunca alguno
de los puntos enteros factibles. Desafortunadamente, ninguno de los dos métodos es
efectivo en la solución de problemas de programación lineal entera. No obstante los
métodos de ramificar y acotar son mucho mejores en cuanto al cálculo se refiere que
los métodos de plano de corte. Por esta razón, la mayoría de los códigos comerciales
se basan en el procedimiento de ramificar y acotar.
 o Análisis reticular, esta análisis designa una orientación en la investigación social que se
ha venido desarrollando, sobre todo en los países anglosajones, desde mediados los
años sesenta. Es difícil, en el corto espacio del que disponemos, establecer con
claridad las dimensiones de esta perspectiva de investigación: por una parte, se trata
de un conjunto de técnicas, por otra de una metodología y, consecuentemente, de un
paradigma científico. Lo que hace difícil delimitarlo es, ante todo, que no se trata de un
movimiento intelectual limitado a una ciencia social particular, sino que se extiende,
prácticamente, al conjunto de las ciencias sociales.

SOLUCIONES DE RAMIFICACIÓN Y ACOTACIÓN PARA PROGRAMACIÓN ENTERA.

El método de ramificación y acotación o también llamado Branch and Bound, resuelve el
problema de tal forma que si la solución a este verifica condiciones de integridad, entonces también
es la solución al problema entero, de lo contrario se comienza con la ramificación del problema. La
ramificación consiste en dividir cada problema en dos nuevos subproblemas, obtenidos mediante
el uso de restricciones excluyentes que dividen el conjunto de oportunidades del problema original
en dos partes, pero eliminando en ambas partes la solución no entera del problema original. El
algoritmo genera en forma recursiva cotas (o restricciones adicionales) que favorecen la obtención
de valores enteros para las variables de decisión.
En este contexto resolver el modelo lineal asociado a un modelo de Programación Entera
se conoce frecuentemente como resolver la relajación continua del modelo entero. Un ejemplo de
esto es el siguiente:
Consideremos el siguiente modelo de Programación Entera el cual Resolveremos con el
algoritmo de Branch and Bound:

El paso inicial consiste en resolver este problema como si fuese un modelo de

Programación Lineal (relajación continua). Si la solución de dicho problema llegara a respetar las
condiciones de integralidad para las variables de decisión, ésta ya sería la solución óptima del
problema entero.
Si bien este procedimiento se puede extender a problemas de mayor dimensión, utilizo
modelo en 2 variables para poder representar los pasos del algoritmo gráficamente. El gráfico a
continuación muestra dicha resolución:
 La solución óptima del problema lineal asociado (que llamaremos P0) es X1=2,8 y X2=1,6
con valor óptimo V (P0)=20,8. Claramente esta solución no cumple las condiciones de integralidad
para las variables de decisión por tanto es necesario generar cotas o restricciones adicionales de
modo de poder obtener soluciones enteras. Para ello debemos seleccionar una de las 2 variables
de decisión con valores fraccionarios para poder generar cotas. En estricto rigor es indistinto cuál
de ellas seleccionemos debido a que el método nos debe llevar a conclusiones similares (aun
cuando la cantidad de pasos requeridos o rapidez de convergencia cambie).
En nuestro ejemplo generaremos cotas adicionales para la variable X1 aproximando su
valor actual al entero inferior más cercano (P1) y entero superior más cercano (P2).
La resolución gráfica del problema 1 (P1) nos da como solución óptima X1=2 y X2=2 que
es una solución entera. El valor óptimo del problema 1 es V (P1)=20. Notar que V (P1) <V (P0) lo
cual es natural dado que el dominio de soluciones factibles del P1 es menor (subconjunto) al
dominio de soluciones factibles de P0.

Análogamente la resolución gráfica (Método Gráfico) del problema 2 (P2) determina que
X1=3 y X2=4/3 con V (P2)=20 según se observa a continuación:
 Luego no sería del todo necesario seguir desarrollando el algoritmo dado que si generamos
cotas para la variable X2 del P2 en ningún caso podríamos obtener una solución entera con valor
óptimo superior a 20 (valor que reporta en la función objetivo la actual solución entera de P1) y por
tanto podríamos concluir que X1=2 y X2=2 es la solución óptima del problema entero. No obstante
el siguiente diagrama muestra los pasos adicionales en caso que quisiera agregar cotas
adicionales a partir del P2.

Un argumento similar al expuesto previamente en este caso explicaría la no necesidad de

seguir ramificando el P21. Se propone al lector verificar que se obtiene la misma solución óptima si
luego del P0 ramificamos a través de X2 agregando las restricciones X2<=1 y X2>=2.
SOLUCIÓN DE PLANO CORTANTE PARA PROGRAMACIÓN ENTERA
En matemática, y más en concreto en optimización, el método de los planos de corte es un
procedimiento para encontrar soluciones enteras de un problema lineal. Fue introducido por
Gomory. Este modelo divide la región factible en 2 regiones que no contienen la solución del
modelo de programación lineal relajado y que sí contienen todas sus soluciones enteras factibles.
Funciona resolviendo un programa lineal no entero, después comprobando si la
optimización encontrada es también una solución entera. Si no es así, es añadida una nueva
restricción que corta la solución no entera pero no corta ningún otro punto de la región factible.
Esto se repite hasta que se encuentra la solución entera óptima X ∗ {\displaystyle X^{*}\,}
{\displaystyle X^{*}\,}. Interpretación geométrica, una restricción es equivalente a un hiperplano,
permitiendo solo soluciones en uno de los lados del plano.
ALGORITMO DEL PLANO CORTANTE PARA PROGRAMACION ENTERA
 Obtenga la solución óptima usando el método simplex.
 Si todas las variables básicas son enteras pase al último paso.
 Seleccione la restricción con la mayor parte fraccional en su solución paso.
 Reemplace todos los coeficientes en la restricción por el número menor no-negativo
congruente a los coeficientes y establezca la parte fraccional constante.
 Reste una variable de holgura y añada la nueva restricción a la tabla previa.
 Aplicando el dual-simplex. Seleccione el menor valor absoluto del elemento zj-cj entre su
respectivo elemento (negativo) de la nueva restricción de la tabla previa como la variable
que entra en la próxima tabla.
  Obtenga la próxima tabla utilizando el método simples paso.
 Si son todas las variables básicas enteras, vaya al último paso, caso contrario, vaya
al paso 3 paso 9 se ha obtenido la solución óptima entera.

MODELO GENERAL DEL PROBLEMA DE TRANSPORTE

El problema del transporte o distribución, es un problema de redes especial en programación lineal
que se funda en la necesidad de llevar unidades de un punto específico llamado fuente u origen hacia otro
punto específico llamado destino
El procedimiento de resolución de un modelo de transporte se puede llevar a cabo mediante
programación lineal común, sin embargo su estructura permite la creación de múltiples alternativas de
solución tales como la estructura de asignación o los métodos heurísticos más populares como Vogel, Esquina
Noroeste o Mínimos Costos. Se trata de encontrar los caminos para trasladar mercancía, desde varias plantas
(orígenes) a diferentes centros de almacenamiento (destinos), de manera que se minimice el costo del
transporte.
Para que un problema pueda ser resuelto por el método del transporte debe cumplir: La función
objetivo y las restricciones deben ser lineales y, el total de unidades que salen en origen debe ser igual al total
de unidades que entran en destino. El contexto en el que se aplica el modelo de transporte es amplio y puede
generar soluciones atinentes al área de operaciones, inventario y asignación de elementos. Los problemas de
transporte o distribución son uno de los más aplicados en la economía actual, dejando como es de prever
múltiples casos de éxito a escala global que estimulan la aprehensión de los mismos.

Cabe destacar que en la construcción de todo modelo es necesario contar con información,
por esto suponemos que conocemos los costos unitarios de transporte desde cada uno de los
orígenes a cada uno de los destinos del problema de transporte, así como la oferta y demanda de
cada centro. Utilizamos el término oferta (a) como la cantidad de bienes o productos disponibles
en cada origen, centro de producción, fábrica o taller, es decir, del centro de producción, y el
término demanda (d) lo asociamos con la cantidad de bienes o productos que cada destino
requiere. Con la información anterior es evidente que las variables de decisión son la cantidad de
productos que se envían del origen i al destino j, lo cual denotamos por xij. Los costos
unitarios por transportar un producto del i-ésimo origen al j-ésimo destino se denotan como
cij. Entonces, la función objetivo asociada al problema de transporte representa el costo total de
transporte. La función objetivo se obtiene de la suma de todos los productos del costo unitario por
el número de bienes enviados desde cada origen a cada destino, es decir:
Si no se cumple esta igualdad, se anexa un origen o destino artificial, según sea el caso, donde se
producirá o recibirá, según corresponda el exceso de productos, ya sea para la oferta en el primer
caso o para la demanda en el segundo. También está presente en este modelo la condición de no
negatividad, expresada como a continuación se presenta:

En resumen, el modelo de transporte de forma general se puede escribir como:

Este modelo tiene como objetivo minimizar el costo total de transportar los productos desde cada
origen a cada destino, satisfaciendo la demanda en todo momento. De manera esquemática, el
problema de transporte se puede representar como en la figura
 Para ejemplificar este modelo utilizaremos el siguiente ejercicio:
Una empresa energética colombiana dispone de cuatro plantas de generación para satisfacer la
demanda diaria eléctrica en cuatro ciudades, Cali, Bogotá, Medellín y Barranquilla.
Las plantas 1, 2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones de kW al día respectivamente.
------- oferta
Las necesidades de las ciudades de Cali, Bogotá, Medellín y barranquilla son de 70, 40, 70 y 35
millones de kW al día respectivamente. -------- demanda
Los costos asociados al envío de suministro energético por cada millón de KW entre cada planta y
cada ciudad son los registrados en la siguiente tabla:

En este caso i define el conjunto {Planta 1, Planta 2, Planta 3 y Planta 4}, y j define el
conjunto {Cali, Bogotá, Medellín y Barranquilla}. Sin embargo es práctico renombrar cada fuente y
destino por un número respectivo, por ende la variable X1, 2 corresponde a la cantidad de millones
de KW enviados diariamente de la Planta 1 a la ciudad de Bogotá. A continuación el paso a paso
del enunciado anterior:
1. En este caso i define el conjunto {Planta 1, Planta 2, Planta 3 y Planta 4}, y j define el
conjunto {Cali, Bogotá, Medellín y Barranquilla}. Sin embargo es práctico renombrar
cada fuente y destino por un número respectivo, por ende la variable X1,2
corresponde a la cantidad de millones de KW enviados diariamente de la Planta 1 a la
ciudad de Bogotá.
2. En este caso i define el conjunto {Planta 1, Planta 2, Planta 3 y Planta 4}, y j define el
conjunto {Cali, Bogotá, Medellín y Barranquilla}. Sin embargo es práctico renombrar
cada fuente y destino por un número respectivo, por ende la variable X1,2
corresponde a la cantidad de millones de KW enviados diariamente de la Planta 1 a la
ciudad de Bogotá.

2.1 RESTRICCIONES DE OFERTA O DISPONIBILIDAD, SON DE SIGNO ≤:

X1,1 + X1,2 + X1,3 + X1,4 ≤ 80

X2,1 + X2,2 + X2,3 + X2,4 ≤ 30

X3,1 + X3,2 + X3,3 + X3,4 ≤ 60

X4,1 + X4,2 + X4,3 + X4,4 ≤ 45

2.2 RESTRICCIONES DE DEMANDA, LAS CUALES SON DE SIGNO ≥:

X1,1 + X2,1 + X3,1 + X4,1 ≥ 70

X1,2 + X2,2 + X3,2 + X4,2 ≥ 40

X1,3 + X2,3 + X3,3 + X4,3 ≥ 70

X1,4 + X2,4 + X3,4 + X4,4 ≥ 35

3. Luego se procede a formular la función objetivo, en la cual se relaciona el costo
correspondiente a cada ruta:

ZMIN = 5X1,1 + 2X1,2 + 7X1,3 + 3X1,4 + 3X2,1 + 6X2,2 + 6X2,3 + 1X2,4 + 6X3,1 +
1X3,2 + 2X3,3 + 4X3,4 + 4X4,1 + 3X4,2 + 6X4,3 + 6X4,4
4. Como no tenemos computadoras disponibles, en el examen procedemos a ejecutar
paso1, paso2, paso 3, que es el planteamiento que se diseña para introducir satos en
la computadora o lo que se haria para optimizar en la empresa donde se trabaja. Sin
 embago se debe mencionar que realizandolo por el programa WinQSB se resolvera el
modelo, aquí están los resultados:

MODELO DE TRASBORDO
Este método consiste en que cada origen (fábrica) o destino (bodega) representa un punto potencial
de oferta y demanda. Esto significa que en cualquier etapa de Transbordo la oferta total (Ejai) puede
concentrarse en cualquiera de estas localizaciones (orígenes o destinos). El objetivo de este modelo es
minimizar los costos de transporte desde plantas de producción hasta los nodos de destino, satisfaciendo la
demanda de estos últimos, mediante la incorporación de nodos de transbordo.
Es importante destacar que del modelo de transporte se deriva el modelo de transbordo, ajustándose a
la posibilidad común de transportar unidades mediante nodos fuentes, destinos y transitorios, mientras el
modelo tradicional solo permite envíos directos desde nodos fuentes hacia nodos destinos.
Por otro lado existe la posibilidad de resolver un modelo de transbordo mediante las técnicas
tradicionales de resolución de modelos de transporte y este procedimiento se basa en la preparación del
tabulado inicial haciendo uso de artificios conocidos con el nombre de amortiguadores,  los cuales deben ser
iguales a la sumatoria de las ofertas de los nodos de oferta pura y de coeficiente cero en materia de costos. Sin
embargo, la resolución de un problema de transbordo haciendo uso de los algoritmos de resolución de
modelos de transporte es una idea anacrónica, teniendo en cuenta la posibilidad de acceso a herramientas de
cómputo capaces de resolver problemas complejos una vez modelados mediante las técnicas de programación
lineal.

La importancia de los modelos de transbordo aumenta con las nuevas tendencias globales de gestión
de cadenas de abastecimiento, en las cuales se deben de optimizar los flujos logísticos de productos teniendo
en cuenta la importancia de minimizar los costos, asegurar disponibilidad de unidades y reconociendo la
importancia de los centros de distribución en la búsqueda del equilibrio entre las proyecciones y la realidad de
la demanda.
 La forma de resolver un problema de transbordo mediante programación lineal, basta con conocer
una nueva familia de restricciones, las llamadas restricciones de balanceo. En un problema de transbordo
existen 3 clases de nodos, los nodos de oferta pura, los de demanda pura y los nodos transitorios que
posibilitan el transbordo y que deben de balancearse para hacer que el sistema sea viable, es decir, que todas
las unidades que ingresen a un nodo sean iguales a las que salgan del mismo (unidades que salen + unidades
que conserve el nodo).
Un ejemplo tipo examen seria el siguiente
Modelar mediante programación lineal el problema de transbordo esbozado en la siguiente figura:

La figura anterior muestra el grafico de partida donde existe una serie de nodos y sus respectivas
rutas mediante las cuales se supone distribuir las unidades de un producto, el número que lleva cada arco
(flecha) representa el costo unitario asociado a esa ruta (arco), y las cantidades que se ubican en los nodos
iniciales representan la oferta de cada planta, así como las cantidades de los nodos finales representa la
demanda de cada distribuidor.
Existen también las variables de decisión, en este caso como en la mayoría las variables de decisión
deben representar la cantidad de unidades enviadas por medio de cada ruta. Es muy aconsejable denotar cada
nodo con un número para simplificar la definición nominal de las variables. La figura muestra una serie de
nodos y sus respectivas rutas mediante las cuales se supone distribuir las unidades de un producto, el número
que lleva cada arco (flecha) representa el costo unitario asociado a esa ruta (arco), y las cantidades que se
ubican en los nodos iniciales representan la oferta de cada planta, así como las cantidades de los nodos finales
representa la demanda de cada distribuidor. En este caso como en la mayoría las variables de decisión deben
representar la cantidad de unidades enviadas por medio de cada ruta. Es muy aconsejable denotar cada nodo
con un número para simplificar la definición nominal de las variables.

Una vez renombrado cada nodo definiremos las variables de decisión, como lo visualizamos en la figura
anterior:
 XA,C = Cantidad de unidades enviadas desde P1 hacia T1
 XA,D = Cantidad de unidades enviadas desde P1 hacia T2
 XB,C = Cantidad de unidades enviadas desde P2 hacia T1
 XB,D = Cantidad de unidades enviadas desde P2 hacia T2
 XC,D = Cantidad de unidades enviadas desde T1 hacia T2
 XC,E = Cantidad de unidades enviadas desde T1 hacia D1
 XC,F = Cantidad de unidades enviadas desde T1 hacia D2
 XD,F = Cantidad de unidades enviadas desde T2 hacia D2
 XD,G = Cantidad de unidades enviadas desde T2 hacia D3
 XE,F = Cantidad de unidades enviadas desde D1 hacia D2
 XF,G = Cantidad de unidades enviadas desde D2 hacia D3

Existen en este modelo 3 tipos de restricciones y están estrechamente relacionadas con los tipos de nodos
existentes, para un nodo oferta pura existe la restricción de oferta; para un nodo demanda pura existe la
restricción de demanda, y para un nodo transitorio y/o transitorio de demanda existe la restricción de balance.
Recordemos que los nodos transitorios son aquellos que tienen rutas (arcos o flechas) de entrada y salida, y si
además este presenta un requerimiento de unidades se denomina transitorio de demanda.
 Restricciones de Oferta:

XA,C + XA,D = 1000

XB,C + XB,D = 1200

 Restricciones de demanda:

XD,G + XF,G = 500

  Restricciones de balanceo para nodos únicamente transitorios : Con estas restricciones
aseguramos que todas las unidades que lleguen sean iguales a las unidades que salgan.

XA,C + XB,C – XC,D – XC,E – XC,F = 0

XA,D + XB,D + XC,D – XD,F – XD,G = 0
 Restricciones de balanceo para nodos transitorios con requerimientos: Con estas restricciones
aseguramos que todas las unidades que lleguen sean iguales a la sumatoria de las unidades que salen más los
requerimientos del nodo (demanda).

XC,E – XE,F = 800

XC,F + XD,F + XE,F – XF,G = 900
Otro punto importante es la función objetivo que como sabemos se limita a la consignación de cada
ruta con su respectivo costo bajo el criterio (minimizar), en este caso la función objetivo es: ZMIN = 3XA,C
+ 4XA,D + 2XB,C + 5XB,D + 7XC,D + 8XC,E + 6XC,F + 4XD,F + 9XD,G + 5XE,F + 3XF,G
Por ultimo para resolver finalmente el problema utilizando el programa solucionado para resolver el
problema, pero por no tener sala de computadores, no será alcance de este curso. Esta es la representación
gráfica de la solución cuyo costo óptimo es de 20.700 unidades monetarias: