La Investigacion de Operaciones

INVESTIGACION DE OPERACIONES EN ADMINISTRACION
Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO I
LA INVESTIGACION DE OPERACIONES
Aunque originalmente no se llamo as, la investigacin de operaciones es muy antigua. Sus races
principales han crecido ms recientemente por dos razones. La primera es la necesidad del estudio
cientfico de los problemas de administracin (los que involucran las interrelaciones de las unidades
funcionales de la empresa), y la segunda se relaciona con la oportunidad de que los hombres de
ciencia atacaran los problemas militares durante la segunda Guerra Mundial . Esas dos fuerzas
motivadoras se combinaron para producir la investigacin de operaciones como se conoce
actualmente.
La investigacin de operaciones se puede definir como la utilizacin de un mtodo planeado y de
un grupo interdisciplinario a fin de rep resentar las relaciones funcionales complejas como modelos
matemticos para proporcionar una base cuantitativa en la toma de decisiones y descubrir nuevos
problemas para su anlisis cuantitativo.
La investigacin de operaciones es un instrumento de la adm inistracin diseado para aumentar la
efectividad de las decisiones administrativas como suplemento objetivo de las sensaciones
subjetivas(basadas en la experiencia pasada, la intuicin, el criterio, etc. ) de los administradores.
La investigacin de opera ciones puede sugerir cursos alternativos de accin cuando se analiza un
problema y se busca una solucin. El estudio de los problemas complejos mediante la tcnica de la
investigacin de operaciones solo es til cuando es posible escoger entre uno o ms cu rsos de
accin.
Los problemas que solo tienen una o muy pocas soluciones en condiciones limitativas no
mostraran una mejora significativa en sus soluciones cuando s utilicen mtodos cuantitativos. Al
final, los modelos cuantitativos de la investigacin de operaciones son instrumentos adicionales que
permiten al decisor ser mas objetivo al escoger determinado curso de accin entre muchas
alternativas.
La lista de teoras, tcnicas, mtodos y modelos que se han asociado con la investigacin de
operaciones ha crecido en el transcurso del tiempo, pero esto no quiere decir que sea completa. En
la actualidad hay una tendencia bien definida de combinar varias tcnicas de la investigacin de
operaciones para formar modelos mas avanzados.
1.1.
DEFINICION DE MODEL O
Es la representacin o abstraccin de una situacin u objeto reales, que muestra las
relaciones (directas e indirectas) y las interrrelaciones de la accin y la reaccin en trminos
de causa y efecto.
Como el modelo es la abstraccin de una realidad, pue de parecer menos complicado que la
misma. Para que sea completo, el modelo debe ser representativo de aquellos aspectos de
la realidad que estn investigndose.
Una de las razones principales para el desarrollo de modelos es la de descubrir cuales son
las variables importantes o pertinentes, lo que esta asociado a investigar las relaciones
entre variables. Para investigar las relaciones que hay entre muchas variables del modelo
se usan tcnicas cuantitativas como la estadstica y la simulacin.
1.2.
CLASIFICACION DE MODELOS
Los modelos pueden clasificarse por sus dimensiones, funciones, propsitos, temas o grado
de abstraccin.
Los modelos bsicos son: icnicos, analgico y simblico(matemticos).
1.2.1. MODELOS ICONICOS
Es la representacin fsica de algun os objetos, ya sea en forma idealizada o en una escala
distinta.

Eduardo Quiroz
................................................................................................................................................................................................................................
Los modelos icnicos sin muy adecuados para la descripcin de acontecimientos en un

momento especifico del tiempo. Por ejemplo una fotografa es una buena imagen de una
fabrica, un avin prototipo a escala.
1.2.2. MODELOS ANALOGICOS
Estos modelos pueden representar situaciones dinmicas que muestran las caractersticas
del acontecimiento que se estudia.
Las curvas de demanda, las curvas de distribucin de frecuencias en las estadsticas y lo s
diagramas de flujo, son ejemplos de modelos analgicos.
A menudo un modelo analgico es muy adecuado para representar relaciones cuantitativas
entre las propiedades de los objetos de varias clases. Al transformar las propiedades en
propiedades anlogas, con frecuencia vamos podemos incrementar nuestra capacidad de
hacer cambios.
1.2.3. MODELOS SIMBOLICOS (o MATEMATICOS )
Los modelos simblicos son verdaderas representaciones de la realidad y toman la forma
de cifras, smbolos y matemticas. Comienzan como modelos abstractos que formamos en
nuestra mente y que luego se registran como modelos simblicos. Un tipo de modelo
simblico o matemtico que se usa comnmente en la investigacin de operaciones es una
ecuacin. Una ecuacin es concisa, precisa y fcil de comprender. Sus smbolos no slo son
mucho ms fciles de manipular que las palabras sino que se escriben ms rpidamente.
Adems de estas ventajas, los modelos simblicos se prestan a las manipulaciones de las
computadoras.
Entre los tipos de modelos matemticos que se usan en la investigacin de operaciones, se
tiene:
A) Cuantitativos y cualitativos
La investigacin de operaciones se ocupa de la sistematizacin de los modelos cualitativos y
de su desarrollo hasta el punto en que puedan cuantificarse. Est o no significa que la
metodologa de la investigacin de operaciones pueda cuantificar situaciones cualitativas.
Los problemas que se ocupan de las cualidades o propiedades de los componentes se
llaman modelos cualitativos.
Cuando construimos un modelo mat emtico e insertamos smbolos para representar
constantes y variables, llamamos a esto un modelo cuantitativo. Un ejemplo es la ecuacin
matemtica, ya que representa una abstraccin de las relaciones entre constantes y
variables.
B) Probabilstico y determi nstico
Los modelos pueden separarse en dos categoras: probabilsticos y determinsticos.
Los modelos que se basan en las probabilidades y en las estadsticas y que se ocupan de
incertidumbres futuras se llaman probabilistas. Los modelos cuantitativos que no tienen que
no contienen consideraciones probabilisticas se llaman modelos determinsticos.
C) Descriptivos y de optimizacin .
En algunas situaciones un modelo se construye sencillamente como descripcin matemtica
de una condicin del mundo real. Esos m odelos se llaman descriptivos y tienen la capacidad
de solucin. Sin embargo en esos modelos no se hace ningn intento para escoger la mejor
alternativa.
Cuando se compara un modelo de optimizacin, se hace un esfuerzo concertado para llegar
a una solucin ptima cuando se presentan alternativas. Cuando un modelo de
optimizacin se usa en forma apropiada, suministra la mejor alternativa de acuerdo con los
criterios de entrada. Por consiguiente un modelo de optimizacin se ocupa de una

Eduardo Quiroz
................................................................................................................................................................................................................................
respuesta ptima, mien tras que el modelo descriptivo no intenta seleccionar la mejor
alternativa, sino tan solo describir las selecciones presentes.
D) Estticos y dinmicos
Los modelos estticos se ocupan de determinar una respuesta para una serie especial de
condiciones fijas que probablemente no cambiarn significativamente a corto plazo. Por
ejemplo en la programacin lineal, en la que las restricciones se fijan en trminos de los
requerimientos de tiempo y disponibilidad a corto plazo. Un modelo esttico dar por
resultado la mejor solucin basada en esa condicin esttica.
Un modelo dinmico est sujeto al factor tiempo, que desempea un papel esencial en la
secuencia de decisiones. Independientemente de cuales hayan sido las decisiones
anteriores, el modelo dinmico nos permi te encontrar las decisiones ptimas para los
perodos que quedan todava en el futuro.
E) SIMULACIN Y NO SIMULACIN
La simulacin es un mtodo que comprende clculos secuenciales paso por paso, donde
puede reproducirse el funcionamiento de problemas o siste mas de gran escala. En muchos
casos donde ocurren relaciones complejas, tanto de naturaleza predecible como aleatoria,
es ms fcil preparar y pasar una situacin simulada en una computadora, que preparar y
emplear un modelo matemtico que represente todo el proceso que se estudia. En un
modelo de simulacin los datos de entrada pueden ser reales o generados. Aunque algunos
problemas se prestan para usar nmeros aleatorios y datos empricos en los modelos de
simulacin, otros muchos se prestan para los mode los no simulados, como los de
optimizacin. Estos tienen tcnicas preparadas especialmente para sus soluciones
respectivas.
1.3.
MODELOS DE LA INVESTIGACION DE OPERACIONES

Los modelos para la resolucin de problemas por medio de la investigacin de operac iones,
pueden agruparse de la siguiente manera:
1.3.1.
Modelos de secuenciacin
Estos modelos comprenden la determinacin de una secuencia ptima para una serie de
tareas o eventos, o la mejor secuencia para dar servicios a los clientes, a fin de aminor ar el
total de tiempo y de costos. Las tcnicas del PERT y CPM, se aplican actualmente a
investigaciones y desarrollo, construccin, planeacin de nuevos productos y otras reas
semejantes. Otros problemas de secuenciacin tales como la planeacin de maqu inas se
resuelven usando tcnicas heursticas y de simulacin.
1.3.2.
Modelos de reemplazo
Generalmente los problemas de reemplazo son de dos tipos: los que comprenden artculos
que se deterioran a travs del tiempo y los que fallan despus de determina do perodo. Las
soluciones del primer tipo se obtienen a travs de la programacin dinmica. Los modelos
del segundo tipo consideran al reemplazo de los artculos a medida que fallan, el reemplazo
de todos ellos a intervalos especificados, o algunas combin aciones de ambos mtodos.
Puede emplearse el muestreo estadstico y la teora de probabilidades para resolverlos.
1.3.3.
Modelos de inventario
Estos modelos (ecuaciones de la cantidad econmica de la orden), se ocupan de dos
decisiones: que cantidad ha y que ordenar cada vez, y cundo hay que pedir esa cantidad a
fin de aminorar el costo total. Se determinan los costos de existencia, costos de pedidos de
inventario y costos de faltantes, a fin de que la administracin pueda emplear una relacin
de eficacia de costos(modelo) para lograr un equilibrio apropiado entre costos y faltantes.
Las reglas de decisin del costo mas bajo para la administracin de los inventarios pueden

Eduardo Quiroz
................................................................................................................................................................................................................................
obtenerse tambin por medio del clculo, la teora de probabilidades, la programac in

dinmica y la simulacin.
1.3.4. Modelo de asignacin
Cuando hay que llevar acabo varias actividades, maneras alternativas de ejecutarlas e
instalaciones y recursos limitados para desempear cada una de ellas del modo ms
efectivo, habr un problema d e asignacin de esos recursos escasos. El problema consiste
en combinar las actividades y los recursos de forma ptima de modo que la eficiencia
general se aumente al mximo, o sea que se aumente las utilidades y se disminuyan los
costos. Esto se conoce c omo programacin matemtica. Cuando las restricciones se
expresan en forma de ecuaciones lineales, esto se conoce como programacin lineal. Si
alguna restriccin no es lineal, se le llama programacin no lineal.
1.3.5. Modelos de programacin dinmica
La programacin dinmica, un resultado de la programacin matemtica, es una decisin
afortunada y relativamente reciente a la tcnicas estndar crecientes de la investigacin de
operaciones. Estos modelos son tiles en los procesos que se extienden a cierto nmero de
perodos o eventos. En vez de optimizar cada decisin a medida que ocurre, la
programacin dinmica toma en cuenta los efectos de las decisiones de hoy sobre los
perodos futuros. La mayor parte de los problemas de programacin dinmica requieren el
empleo de una computadora para manipular la gran cantidades de datos.
1.3.6. Modelos competitivos
La teora de juegos, suministra una estructura conceptual dentro de la cual pueden
formularse casi todos los problemas de competencia. Los negocios lo ha n usado
eficazmente para desarrollar estrategias de publicidad, polticas de precios y oportunidad
para la introduccin de nuevos productos. En los juegos se ha usado con xito la teora
estadstica de la decisin y la simulacin.
1.3.7. Modelos de lneas de espera
La teora de lneas de espera, llamada a veces teora de colas, se ocupa de las llegadas
aleatorias a una instalacin de servicio o de procesamiento de capacidad limitada. Este
modelo tiene por objeto determinar el nmero ptimo de personal o d e instalaciones que
se requieren para dar un servicio a los clientes que llegan aleatoriamente al considerar el
costo de servicio y el de las esperas.
1.3.8. Tcnicas de simulacin
La simulacin esta asociado con la experimentacin.
1.3.9. Modelos de ruta
Uno de los ms importantes problemas de ruta es el problema del agente viajero. El
problema consiste en escoger una ruta que comience en la propia ciudad del agente, pase
una sola vez por cada ciudad y regrese a su punto de partida por la distancia mas cort a
posible en trminos de tiempo o costo. El modelo de ruta se ha aplicado a la produccin,
donde el nmero de modelos o artculos producidos es anlogo a las ciudades. Los costos
de cambio de produccin corresponden a los costos de los viajes entre las di versas
ciudades.

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO II
LA PROGRAMACION LINEAL
2.1.
HISTORIA DE LA PROGRAMACIN LINEAL

Histricamente, el problema general de programacin lineal fue desarrollado y aplicado por
primera vez en 1947 por George B. Dantzig, Marshall Wood y sus asociados del
Departamento de la Fuerza Area de la Estados Unidos. En esta poca, este grupo fue
encargado de investigar la posibilidad de aplicar tcnicas matemticas a la programacin
militar y a los problemas de planeacin. Este estudio lleva a Dantzig a proponer que las
interrelaciones entre las actividades de una gran organizacin, fueran vistas como un
modelo tipo de programacin lineal, y el programa de optimizacin fuera determinado
minimizando una funcin lineal objetiva.
Con objeto de desarrol lar y ampliar estas ideas posteriormente, la Fuerza Area organiz
un grupo de investigacin bajo l titulo de Proyecto SCOOP (Scientific Computation of
Optimiun Programs). Adems de llevar la programacin de la Fuerza Area y los problemas
de planeacin hacia bases mas cientificas, la principal contribucin del proyecto SCOOP fue
el desarrollo formal y la aplicacin del modelo de programacin lineal. Esas primeras
aplicaciones del mtodo de programacin lineal cayeron en tres categoras principales.
Aplicaciones militares generadas por el proyecto SCOOP, economas interindustriales
basadas en el modelo de insumoproducto de Leontief, y problemas que incluan las
relaciones entre los juegos de suma cero para dos personas y la programacin lineal. En la
dcada de los sesenta estos campos de aplicacin se extendieron y desarrollaron pero, sin
embargo, el principal nfasis en las aplicaciones de la programacin lineal ha cambiado
hacia el rea industrial en general.
El enunciado matemtico inicial del problema general de programacin lineal, fue
desarrollado por Dantzig en 1947 a travs de su mtodo simplex, un procedimiento
sistemtico para resolver el problema. Despus de esto se reconoci que cierto nmero de
problemas(algunos sin resolver) es del tipo que tr ata de la optimizacin de una funcin
lineal sujeta a restricciones lineales.
Los ejemplos ms importantes incluyen el problema de transporte presentado por Hitchcock
(1947) e independientemente por Koopmans (1947) y el problema diettico de Stigler
(1945).
Las primeras soluciones favorables a un problema de programacin lineal, en una
computadora electrnica de alta velocidad, se llevaron a cabo en enero de 1952 con el uso
de la maquina SEAC del National Bereau of Standards. Desde entonces el algoritmo si mplex
o variaciones de este procedimiento es l ms utilizado debido a su eficiencia
computacional.
La programacin lineal se ha convertido en una importante herramienta de las matemticas
modernas, tanto tericas como aplicadas.
2.2.
REVISION DE LAS APL ICACIONES DE LA PROGRAMACION LINEAL.

En trminos generales, muchas de estas aplicaciones dan una idea de la flexibilidad y xito
del modelo de programacin lineal.
2.2.1. Aplicaciones en la agricultura.
Estas aplicaciones caen en dos categoras: econom a de las granjas y
administracin de las granjas. La primera categora trata de todos los aspectos de

Eduardo Quiroz
................................................................................................................................................................................................................................
la economa agrcola, o sea, relacionada con la economa de la regin estado o

nacin. En tanto que la administracin de las granjas se refiere a problem as que
solo ataen individualmente a cada una.
Un estudio de la economa de las granjas, conduce a u modelo de equilibrio en el
espacio.
Una aplicacin de las tcnicas de programacin lineal a un problema de
administracin de granjas tpica es la de as ignar fuentes limitadas tales como
superficie, trabajo, suministro de agua, capital de trabajo, etc., en tal forma como
para maximizar las entradas netas.
2.2.2. Aval de contratos.
El modelo de programacin lineal ha sido aplicado a la competencia de la emisin
de bonos. La emisin de bonos en serie por los gobiernos y otras autoridades
publicas esta basada en el mtodo de costo de inters neto. El emisor que presenta
el costo mas bajo a la autoridad es el que gana la emisin. El modelo considera los
factores que intervienen en el costo de inters neto y proporciona un mtodo para
ajustar las variables mas sujetas al control de los emisores de bonos. El modelo
que surge de la minimizacin de las necesidades admite as una solucin explcita.
2.2.3. Aplicaciones industriales
A.
Industria Qumica
Las aplicaciones dentro de la industria qumica han sido, sobre todos, en los
campos de produccin y de administracin de inventarios.
B.
Industria del carbn

Se formulo un modelo para la industria del carb n el cual implica dos
problemas interrelacionados de programacin lineal. Los datos del
problema son demandas distribuidas especialmente para el carbn y los
costos unitarios de las entregas desde los depsitos hasta las localidades.
Los niveles de esas e ntregas constituyeron as las variables al primer
problema de programacin lineal. Se seleccionaron en tal forma que
minimizaron el costo de las demandas en funcin de las restricciones de la
capacidad de los depsitos de carbn.
Las variables del segundo problema de programacin son los costos de
entrega del carbn en las localidades y la regalas unitarias percibidas en
los diferentes depsitos. Se seleccionaron los valores de estas variables
para maximizar el total neto de entradas de dinero debidas al p ago de las
regalas.
C.
Aviacin Comercial
Las aplicaciones en este campo esta conectado con problemas de rutas y
de administracin de lneas.
D.
Industria del Transporte

Este en un campo en el que se encuentran pocas aplicaciones. El trabajo
principal se ha hecho para el diseo optimo y el empleo optimo tambin de
redes de comunicacin. Los mtodos de programacin lineal han sido
utilizados en la transmisin, relevo e interrupcin. Estos mtodos
proporcionan una correcta aproximacin para resolver i nteracciones
complejas entre capacidades de sistemas, demandas de clientes y factores
econmicos.

Eduardo Quiroz
................................................................................................................................................................................................................................
E.
Industria del Hierro y del Acero

En esta industria han sido formulados y planteados numerosos modelos
para la planeacin de produccin.
F.
Industria papelera
El problema del transporte se ha usado dentro de la industria papelera y de
la pulpa. La programacin de transporte trata del problema de una
empresa que cuenta con varias instalaciones. El problema consiste en cmo
asignar las diversas rdenes a los molinos para reducir los fletes totales de
la empresa a un mnimo.
G.
Industria petrolera
Este campo industrial ha proporcionado muchas y muy importantes
aplicaciones de la programacin lineal. La primera de ellas,
cronolgicamente hablando, fue la mezcla de gasolinas para maximizar las
utilidades. Otros problemas implican la asignacin de crudos a diversa
refineras, as como el inventario ptimo y la tasa de produccin para
productos cuyo consumo varia con el ao. Los modelos matemticos de las
operaciones de las refineras y de la industria petrolera en general, han
conducido al estudio y solucin de muchos problemas cuya programacin
ya no es lineal.
H.
Industria ferrocarrilera
Ha sido formulado un modelo de programacin lineal para optimizar los
movimientos de mercancas por fecrrocarril en lo que se refiere a sus fletes,
para poder manipular los problemas que se encuentran en una gran
terminal ferroviaria.
Otras aplicaciones ferroviarias tienen que tratar con la distribucin de los
vagones de carga y la clasificacin de los esfuerzos en los patios.
2.2.4. Anlisis Econmico.

El uso de tcnicas de programacin lineal en el campo de la economa no se ha
limitado al modelo interindustrial de Leontief. Otra aplicacin importante ha sido la
interpretacin lineal de la teora o poltica econmica de la empresa.
El problema de seleccionar inversiones ha sido tratado mediante tcnicas de
programacin lineal. Adems de las dietas, muchos problemas del aspecto ms
vasto del anlisis de mercados han s ido planteados segn estas tcnicas.
Mediante las tcnicas de programacin lineal, se investigaron tambin casos
especiales de la teora de localizacin de fabricas, o sea, la seleccin de lugares
para plantas y almacenes tendiente a maximizar las ganancia s.
Un experimento poco usual que implica la programacin lineal, se diseo para
medir la utilidad cardinal de gastos monetarios y cmo usar las utilidades
calculadas para predecir nuevas selecciones.
2.2.5. Aplicaciones militares
Uno de los primeros mod elos lineales que se hizo, cronolgicamente hablando, fue
el concerniente al despegue de los aviones. En l,, las restricciones implicadas eran
los suministros a Berln Occidental, el nmero posible de vuelos, el nmero de
tripulaciones y de aviones y fina lmente el dinero disponible. El objetivo era o bien
ser capaces de entregar una cantidad especificada de toneladas con el costo
mnimo posible, o bien maximizar el tonelaje que haba que transportar con una
cantidad dada de dinero y de equipo.

Eduardo Quiroz
................................................................................................................................................................................................................................
Otro uso dentro de la Fuerza Area fue el problema del desempleo, en estrecha
relacin con la asignacin eficiente de recursos limitados como pueden ser las
tripulaciones de combate debidamente entrenadas y el nmero de aviones.
Otros ejemplos militares incluyen: el p roblema de seleccionar una arma area
contra guerrillas; el problema de defensa de las comunidades frente a desastres
2.2.6. Asignacin de personal
Un problema particular de asignacin dinmica considera el caso de los colectores
de peaje en las casetas para periodos dados de tiempo con el mnimo de personal
posible.
2.2.7. Programacin de produccin y administracin de inventarios
La programacin lineal considera el problema de suavizar la produccin para
satisfacer requisitos estipulados en tal form a que se minimicen los costos de
almacenamiento.
Un problema que ha sido investigado en muchas formas mediante la programacin
lineal es el de balancear una lnea de ensamble. Una variante a este problema es la
lnea de produccin en etapas mltiples. El p roblema se plantea en cmo minimizar
el tiempo total transcurrido a lo largo de toda la lnea de produccin..
Otra aplicacin implica el problema de determinar el nmero de cada tipo de
unidad o articulo que se va a producir por caminos diferentes en una l nea de
produccin de un taller, en tal forma que el costo total de produccin sea el mnimo
y que satisfaga los tiempos y caractersticas para los medios disponibles.
Tambin tenemos el problema de proporcionar y asignar nuevos aviones a las
diversas tareas de transporte para minimizar los costos acumulados.
2.2.8. Diseo estructural
Los problemas en este campo implican la linealizacin de los principios de
ingeniera relacionados con la teora del colapso plstico y del diseo estructural.
El problema de disear marcos planos en tal forma que el consumo de materiales
sea mnimo puede tambin formularse mediante un modelo lineal.
2.2.9. Anlisis de trafico
Este problema tiene que ver con el asunto de la sincronizacin de los semforos. La
formulacin matemtica del sistema de redes de calles implica el conocimiento de
los siguientes parmetros: ciclo total de los semforos(rojo ms verde); la fraccin
del ciclo que permanece rojo en cada crucero, as como l numero de vehculos que
pueden moverse en ca da direccin en dicho crucero. El modelo puede manipular
fenmenos tales como la variacin de velocidad promedio a lo largo del recorrido y,
en diferentes porciones de este, salidas y entradas de vehculos al mismo, variacin
de la capacidad de transito co n interseccin y direccin de flujo, la capacidad de
cada cuadra para contener vehculos estacionados, luces de tres vas y otras
programaciones especiales. El criterio para obtener un tiempo ptimo de
sincronizacin de los semforos es que se minimicen el numero de retrasos.
2.2.10.Problema de transporte y teora de redes.
El problema se plantea de la siguiente manera: consideremos una red, digamos
ferrocarriles, carreteras, comunicaciones en general; conectemos dos puntos dados
mediante un cierto numer o de puntos intermedios y, as, cada arco o enlace de la
red llevara un numero que represente su capacidad. Suponiendo la condicin de
estados estable, encontrar el flujo mximo desde un punto a otro. Un mtodo
simple de calculo, basado en el simplex, ha s ido desarrollado para resolver este
problema.

Eduardo Quiroz
................................................................................................................................................................................................................................
2.3.
LA PROGRAMACION LINEAL EN LA ECONOMIA

La investigacin para la mejor solucin, la mxima, la mnima o en general las soluciones
ptimas a una variedad de problemas ha entretenido e intrigado al hombre a travs de las
edades. Euclides, en su libro III, se preocupo en encontrar las lneas rectas ms cortas y
ms largas que pudieran trazarse desde un punto hasta la circunferencia de un circulo, y en
su libro IV, describe como encontrar el paralelogramo de superficie mxima con un
permetro dado. Sin embargo, el mtodo de ataque riguroso a estos problemas mas
complicados, tuvo que esperar hasta que los grandes matemticos de los siglos XVII y
XVIII desarrollaran los poderosos mtodos del calculo y del calcul o de variaciones.. Con
estas tcnicas podemos encontrar las soluciones mximas y mnimas a una amplia gama
de problemas de optimizacin..
En el campo de la economa es problema cotidiano el que se refiere a la distribucin de
recursos limitados; por la simple enumeracin de los casos en que se presenta ese
planteamiento, puede observarse que subyace en gran parte de la economa, tocando
captulos o partes de ella, muy variados.
La distribucin de recursos escasos es esencialmente un problema de decisi n, pues
implica la accin de preferir una alternativa de usos, entre una gama infinita de
posibilidades.
Adems, para los fines que se persigue en cada caso y las limitaciones que impone la
escasez de los recursos, en muchas ocasiones es necesario sacrific ar una meta en aras de
otras.
Tales decisiones deben estar basadas en consideraciones tericas y practicas que
proporcionen elementos suficientes para suponer que la decisin tomada es precisamente
la adecuada o que, cuando menos, figura entre las mejores .
La decisin que implica preferencia de una alternativa entre otras cualitativamente distintas
vgr. Entre construir una casa o un hospital -, empieza a ser un motivo de investigacin,
pero los resultados alcanzados se basan, a menudo, en criterios muy discutibles.
Otra cosa sucede cuando son cuantificables tanto las metas o fines perseguidos como los
recursos. En este caso, el problema de decisin puede resolverse a partir de criterios de
ndole cuantitativa; por otra parte, la idoneidad de la decisin tomada para lograr un
determinado fin, es susceptible de medida y, por tanto, de calificacin.
Gran parte de los problemas econmicos cuantitativos de decisin tienen una solucin
ptima. En verdad, el problema fundamental es la tcnica que se debe aplica r para
determinar la solucin idnea desde el punto de vista cuantitativo.
Se ha dicho que el principio econmico fundamental es la obtencin de un resultado
determinado con el mnimo posible de medios. Semejante principio es una norma general
que se tiene presente al decidir una asignacin de recursos. Pero si bien se le tiene
presente, su aplicacin origina problemas en su mayor parte no resueltos a la fecha.
Sin embargo, algo se ha adelantado en ese terreno. En la actualidad existen algunas
tcnicas que, como conjunto permitirn alcanzar decisiones econmicas sobre bases cada
vez mas cientficas.
Dentro del esfuerzo para hacer mas cientfica la Economa, destacan los modelos
matemticos. La aplicacin de las Matemticas a la Economa tiene ya una respet able
tradicin: se debe a Cournot su adaptacin primera. Desgraciadamente, las consecuencias

Eduardo Quiroz
................................................................................................................................................................................................................................
de tal aplicacin fueron lamentables: el aparente caos de la vida econmica, llevo al

estudiosa a resumir los fenmenos en modelos matemticos que eliminaban ciert as
caractersticas esenciales y que, en ultima instancia, deformaba la realidad hasta hacerla
tan parecida a los pjaros o animales convencionales del arte decorativo, de que hablaba
Marshall.
Los peligros que entraa la aplicacin de los mtodos matem ticos a la economa han sido
denunciados con celo excesivo, aunque tambin con ciertas bases objetivas. De cualquier manera,
el abuso de las Matemticas les creo tal desprestigio como mtodo aplicable a la Economa, que el
grupo de tcnicas surgidas durant e la segunda guerra mundial fue recibido con fro y hostilidad;
ahora bien su aportacin a la solucin de ciertos problemas econmicos, troc bien pronto la
hostilidad en respeto. En la actualidad puede afirmarse que las nuevas tcnicas matemticas
ocupan un lugar de honor en la Economa.
El grupo de tcnicas a que nos referimos se conoce con el nombre de Investigacin de
Operaciones, Investigacin Operativa o Teora de Decisiones. Su objetivo principal es la
determinacin de soluciones optimas de los pro blemas econmicos, mediante mtodos
matemticos y estadsticos. Aun cuando su campo de aplicacin no es exclusivamente la Economa,
la mejor cosecha se ha logrado en l.
A tal grupo de tcnicas pertenece la Programacin Lineal. El problema que resuelve, e n su aspecto
general, es que se refiere a determinar la combinacin de recursos que permita la obtencin del
mximo producto. El adjetivo lineal deriva de la condicin de que las relaciones implicadas sean de
primer grado o lineales.
Ya a primera vista pud e verse que se trata de una tcnica que hace posible, cientficamente, la
aplicacin del principio fundamental en aquellos casos en que la expresin algebraica del problema
es un conjunto de relaciones lineales.
Aun cuando parezca demasiado restrictiva la condicin de linealidad, las posibilidades de aplicacin
son abundantes. Un ejemplo permitir aclarar conceptos.
Es tpico el caso de una empresa que produce varios artculos; supongamos, para simplificar la
exposicin, que se trata de dos artculos que difieren solamente en calidad, y que la produccin de
una unidad de cada uno de ellos necesita cierta cantidad de materias primas(diferentes
proporciones), y distinto tiempo de elaboracin. Si se cuenta con una cantidad limitada de materias
primas y una capacidad de produccin determinada, se trata de precisar el nmero de unidades de
cada articulo que se deber producir para obtener los ingresos mas elevados posibles, dada la
limitacin de los recursos y suponiendo conocidas las utilidades unitarias de cad a tipo de articulo.
En un problema de esta ndole se pueden buscar diversas soluciones. Una de ellas seria fijar el plan
de produccin siguiendo el criterio de producir la mayor cantidad posible de aquel articulo que
proporcione las mayores utilidades por unidad. Otro criterio para determinar el programa de
produccin puede consistir en calcular las utilidades obtenibles de producirse el mximo posible de
cada articulo y optar por aquel que proporcione las mayores utilidades.
Debe hacerse notar aqu, que los planes de produccin determinados con los criterios anteriores no
han de coincidir necesariamente con el plan optimo. Pero puede pensarse tambin en la posibilidad
de determinar el plan de produccin buscando una combinacin de los dos artculos que
proporcionen la mxima utilidad y, obviamente, ser ese el criterio que se puede considerar mas
efectivo. Ahora bien, cmo calcular semejante combinacin si los planes posibles suelen ser
10

Eduardo Quiroz
................................................................................................................................................................................................................................
numerosos?. Mas aun, suponiendo que se llegara a una solucin que se considerara optima puede
afirmarse que necesariamente es la mejor?
La combinacin ptima puede determinarse por medio de la programacin lineal. Una idea general
sobre el planteamiento nos aproximara mas a la naturaleza del problema.
Tenemos un objetivo, que es la maximizacin de las utilidades. Ahora bien, tales utilidades
dependen del numero de unidades que de cada articulo se produzcan, por lo que es posible
expresarlas como la suma de la utilidad unitaria de cada articulo multiplicada por el nmero de
unidades que se produzcan de l. La expresin algebraica de las utilidades ser una funcin, y si,
cualquiera que sea la cantidad producida de un articulo, su utilidad unitaria es constante, esa
funcin ser de primer grado o lineal.
Nuestro objetivo, por tanto, es obtener el mximo valor de la funcin de utilidades, es decir
maximizar la funcin. Pero dicho mximo esta restringido por las limitaciones de materias primas y
de capacidad de produccin; por ello decidimos que se trata de obtener un mximo co ndicionado.
Analicemos las condiciones o restricciones. Si disponemos de una cantidad determinada de
materias primas para la produccin, resultara obvio que lo requerido para un plan de produccin
posible deber ser igual, cuando ms, a la suma disponible. Dicho de otro modo, la cantidad de
materias primas utilizadas deber ser igual o menor que la cantidad disponible de ellas. Pero, en
sentido matemtico, esto equivale a una desigualdad. A igual conclusin se llega al plantear la
restriccin de capacidad.
El problema desde el punto de vista matemtico, consiste en obtener el valor mximo de una
funcin condicionada por desigualdades. Empero, lo que se ha dicho para el caso de las utilidades o
el producto, es valido tambin para conceptos como costos; sin embargo, en ese caso, el objetivo
ser minimizarlos.
El ejemplo que hemos utilizado en los renglones anteriores es demasiado simple. La realidad esta
compuesta por fenmenos que implican el manejo de una gran cantidad de variables en muchas
ocasiones; por lo tanto, la solucin manual de un problema de programacin lineal implica un
trabajo excesivo y muchas veces antieconmico. Empero, esta limitacin ha dejado de existir desde
el momento en que surgieron las computadoras, las cuales han abierto nuevas po sibilidades para la
solucin de problemas econmicos.
El empleo de las computadoras es imprescindible cuando se pretende resolver problemas que
impliquen gran numero de operaciones o cuyo proceso de solucin es iterativo, como es el caso de
la Programacin Lineal.
La Programacin Lineal se aplica a problemas de desarrollo, donde es necesario el manejo de una
gran numero de ecuaciones e incgnitas.
El descubrimiento de la programacin lineal ha repercutido en la Teora Econmica, al haber
introducido nuevos conceptos tales como proceso y programa, lo cual da un enfoque realista de
la empresa.
En las dos ultimas dcadas , se ha originado una nueva clase de problemas de optimizacin
relacionadas con las estructuras complejas de organizaciones propias de la sociedad moderna.
Para el economista la parte ms importante de la Programacin Lineal es la representada por la
exposicin del problema en forma matemtica, pues ello le permite conocer su naturaleza y
determinar el mtodo que lo resuelve.
11

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO III
PROGRAMACION LINEAL
3.1.
DEFINICION
La programacin lineal es una tcnica de optimizacin que consiste en la maximizacin o
minimizacin de una funcin lineal, llamada funcin objetivo o funcin econmica, sujeta a
restricciones tambin lineales.
El adjetivo lineal deriva de la condicin de que las relaciones implicadas sean de primer
grado.
El criterio de optimizacin es por lo general un objetivo econmico. Por ejemplo: las
ganancias, las capacidades, los requerimientos, etc. son funciones que se deben maximizar;
en cambio los costos, las perdidas, los accidentes, etc. son funciones que se deben
minimizar.
3.2.
MODELO DE PROGRAMACION LINEAL

El modelo de un programa lineal tiene la siguiente forma:
Max o Min (Z) = c 1x1 + c2x2 + ..........+ c nxn
(1)
Sujeto a las restricciones estructurales:
i1 x1 + a
i2 x2 + .....+ a
in xn
y las restricciones de no negatividad

xj 0
bi
i=1,m
j=1,n
(2)
(3)
En las ecuaciones anteriores: a ij , b i y cj son valores que se asumen conocidos y el

problema consiste en hallar los valores de los x j que optimicen la funcin (1) sujeta a las
restricciones (2) y (3).
Las variables x j se llaman variables de decisin.
Por consiguiente un modelo de programacin lineal tiene 3 componentes:
Una funcin objetivo como se indica en (1)
Un conjuntos de restricciones estructurales como se indica en (2)
Un conjunto de restricciones de no -negatividad de las variables de decisin, como se
indica en (3)
Un programa lineal puede ser expresado de la siguiente forma:
n
Max o Min (Z) = cj xj
J=1
Sujeto a:
n
a ij x j
= b
J=1
i=1,m
j=1,n
12

Eduardo Quiroz
................................................................................................................................................................................................................................
el programa lineal tambin puede ser expresado utili zando la notacin matricial:
Max o Min (Z) = C t X
s.a.
AX
= B
X 0
Donde:
C=
c1
c2
.
cn
3.3.
X=
x1
x2
B=
xn
b1
b2
bm
A=
a11 a12 ..........

a1n
a21 a22 ..........
a2n
........................
a m1 am2 ........... amn
FORMULACION DEL MODELO DE PROGRAMACION LINEAL .

Para formular el modelo es necesario estudiar el sistema t eniendo en cuenta los objetivos
que se persigue alcanzar. Por lo general, se asume que el sistema satisface ciertas
condiciones, para que pueda ser modelado mediante un programa lineal.
La formulacin del modelo de PL consiste en determinar el valor de lo s coeficientes a ij, b i ,
c j y expresar el modelo en una de las formas del modelo de PL.
Cabe indicar que formular y modelar un Programa Lineal no son cosas equivalentes. En
particular, la formulacin del Programa Lineal
procede solamente despus de la
modelacin.
A continuacin se presentan algunas aplicaciones de programacin lineal, donde el objetivo
es formular el programa lineal correspondiente; ya que los mtodos de solucin s
discutirn posteriormente.
3.4.
SOLUCION DE UN PROGRAMA LINEAL

El proceso de solucin de un programa lineal empieza cuando este ha sido formulado
correctamente, y consiste en aplicar un mtodo o una tcnica de solucin para hallar el
vector X que optimice la funcin objetivo, sujeta a las restricciones estructurales y a las
restricciones de no-negatividad.
Un programa lineal puede ser resuelto mediante un mtodo grfico, o en forma analtica
segn la complejidad del problema. La aplicacin de un mtodo analtico implica el uso de
cierto algoritmo de calculo.
Existen muchos mtodos analticos para solucionar un programa lineal, sin embargo l mas
utilizado debido a su eficiencia computacional es el Mtodo simplex.
3.5.
FORMULACION DE PROBLEMAS
En esta parte, los pasos de formulacin que se presentaron en la seccin anterior se
aplican a problemas de complejidad variable. Tambin haremos hincapi en las nuevas
tcnicas, tiles en la identificacin de las variables, los datos, la funcin objetivo y las
restricciones.
13

Eduardo Quiroz
................................................................................................................................................................................................................................
EJEMPLO 3.1.: PROBLEMA DE PLANEACION DE PRODUCCION

La Cia. ALFA fabrica artculos para el hogar y manufactura dos productos: A y B. Ambos sufren 3
procesos en el mismo orden que son:
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso es: 160,120 y 280 minutos respectivamente.
El producto A requiere 2, 1 y 4 minutos de maquinado, armado y montaje respectivamente;
mientras que el producto B, necesita 2, 2 y 2 minutos de maquinado, armado y montaje
respectivamente.
El gerente de produccin debe decidir que cantidad de cada pr oducto debe manufacturarse con el
objeto de hacer el mejor empleo de los medios limitados de produccin, sabiendo que la ganancia
por cada unidad del producto A es $10 y del producto B es de $15.
Solucin:
Las variables de decisin son:
x1: nmero de unidades del producto A que se va a producir/semana
x2: nmero de unidades del producto B que se va a producir/semana
El programa lineal es:
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2 160
x
+ 2x 2 120
4x
+ 2x
x 1, x
280

Dos fabricas de papel producen 3 tipos diferentes de papel de bajo grado, medio grado y alto
grado. Se tiene un contrato de venta para proveer: 16 ton. De bajo gra do, 5 ton. De medio grado y
20 ton. De alto grado.
La fabrica 1, produce 8 ton de bajo grado, 1 ton de medio grado y 2 ton de alto grado en un da de
operacin. La fabrica 2 produce 2 ton de bajo grado, 1 ton de medio grado y 7 ton de alto grado
por da de operacin.
Los costos de operacin son de $1000/dia para la fabrica 1 y de $2000/dia para la fabrica 2.
Cuantos das debe trabajar cada fabrica a fin de cumplir con el mencionado contrato de venta en
la forma ms econmica?
SOLUCION
Sean las variables de decisin:
x1 = nmero de das de trabajo de la fabrica 1
14

Eduardo Quiroz
................................................................................................................................................................................................................................
Min (z) = 1000x 1 +2000x 2

s.a.
8x 1 +2x 2 16
1x1 +1x 2 5
2x 1 +7x 2 20
x 1, x2 0
PROBLEMA 3.3.: EJEMPLO DE POLITICA DE INVERSION
Un banco tiene $ 1 milln disponible para prstamos. Puede prestar dinero a empresas,
proporcionar hipotecas o conceder prestamos personales. Las polticas del banco limitan los
prstamos personales a un mximo del 25% de t odos los prestamos, mientras que los prestamos a
empresas no pueden exceder la cantidad de hipotecas.
Tambin el banco quiere que los prstamos a empresas sean por lo menos 10% ms que los
prestamos personales. Los interese promedio son: 12% en prstamos p ersonales, 10% en
prstamos a empresas y 8% sobre hipotecas. Los fondos que no se han prestado, se invierten en
valores a corto plazo al 5%. El banco quiere un programa para maximizar el inters.
Solucin
Variables de decisin :
X
X
X
X
= prestamos personale s
= prestamos a empresas
3 = prestamos por hipotecas
4 = inversin en valores a corto plazo
1
2
Funcin objetivo
Max (z) = 0.12 x 1 + 0.10 x
+ 0.08 x
+ 0.05 x
Restricciones:
X
+x
1.10 x
+ x 3 + x 4 = 1 000,000
0.25 (X
+x
( capital de inversin)
+ x 3)
(prestamos personales)
(prestamos a empresas)
Condicin de no negatividad
X
,x
,x
,x
15

Eduardo Quiroz
................................................................................................................................................................................................................................
PROBLEMA3.4.: EJEMPLO DE POLITICA DE PRESTAMOS

Una institucin financiera, ALFA BANK, se encuentra en el proceso de formular su poltica de
prstamos para el prximo trimestre. Para este fin se asigna un total de $ 12 millones. Siendo una
institucin de servicios integrales, esta obligada a otorgar prestamos a diversos clientes. En la
siguiente tabla, se seala los tip os de prestamos, la tasa de inters que cobra el banco y la
posibilidad de que el cliente no cubra sus pagos, irrecuperables o incobrables, segn se estima por
su experiencia.
Tipo
de Tasa de Probabilidad de
prstamo
inters
incobrables
Personal
0.140
0.10
Automvil
0.130
0.07
Casa
0.120
0.03
Agrcola
0.125
0.05
Comercial
0.100
0.02
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto no producen ingreso
por concepto de intereses.
La competencia con otras instituciones financieras del rea requiere que el banco asigne cuando
menos el 40% de los fondos totales a prstamos agrcolas y comerciales. Para dar asistencia a la
industria de la habitacin en la regin, los prstamos para casa deben ser iguales cuando menos al
50% de los prstamos personales, para automvil y para casa. El banco tiene asimismo una poltica
establecida que especifica que la relacin global de pagos irrecuperables no puede ser superior a
0.04.
Solucin:
Variables de decisin:
X
X
X
X
X
1:
2:
3:
4:
5:
Prestamos
Prestamos
Prestamos
prestamos
prestamos
personales en millones de $
para automviles.
para casa.
agrcolas
comerciales
Funcin objetivo:
El objetivo es maximizar el rendimiento neto: diferencia entre ingreso por concepto de interes y los
fondos perdidos por adeudos no cubiertos. Como los adeudos no cubiertos son irrecuperables,
tanto el inters como el principal en la funcin objetivo es:
Max(z) = 0.14(0.9x 1) + 0.13(0.93x 2) + 0.12(0.97x 3) + 0.125(0.55x 4) + 0.1(0.98x 5)
- 0.1 x1 0.07 x 2 0.03 x 3 0.05 x4 0.02 x5
Restricciones
X1 + X2 + X3 + X4 + X5 12
(Fondos totales)
X + X5 0.4 (12)
(prestamos comerciales y agricolas)
x3 0.5(X 1 + X2 + X3 )
O bien:
(prestamos para casa)
0.1X1 + 0.07 X 2 +0.03 X 3 +0.05 X 4 + 0.02 X5

--------------------------------------------------- 0.04
X 1 + X2 + X 3 + X4 + X 5
0.06X 1 + 0.03 X
- 0.01 X
+ 0.01 X
- 0.02 X
(limites sobre adeudos

no cubiertos)
0
16

Eduardo Quiroz
................................................................................................................................................................................................................................
Condicin de no negatividad ;
X
ij
PROBLEMA 3.5.: EJEMPLO DE UN PLAN DE INVERSION

Un inversionista tiene perspectivas de invertir en dos actividades A y B, siendo el horizonte
econmico de 5 aos. Cada unidad econmica invertida en A en el comien zo de cualquier ao
produce una utilidad de $ 0.40, dos aos mas tarde. Cada unidad monetaria invertida en B, en el
comienzo de cualquier ao produce una utilidad de $ 0.70 tres aos mas tarde. Adems tiene otras
dos perspectivas: C y D para el futuro.
Cada unidad monetaria invertida en C en el comienzo del segundo ao permite una utilidad de
$1.00 al fin de los 5 aos. Cada unidad monetaria invertida en D en el comienzo del quinto ao
produce una utilidad de $0.30.
El inversionista dispone de $ 10,000 y desea conocer el plan de inversiones que maximice sus
utilidades.
Solucin:
Podemos esquematizar el plan de inversin de la siguiente manera:
Actividad
Aos
0.40 X
2
1A
A
0.70 X
1B
B
C
D
1.00
0.30
X
X
2A
2B
3A
Utilidad
0.40(x1A+x2A+X3A+x4A)
4A
0.70(x1B+x2B+x3B)
3B
2C
0.10(x2C)
5D
0.30(x5D)
El capital requerido y la utilidad se invierte n en las diversas actividades del ao correspondiente.

Variables de decisin
X i j: unidades monetarias invertidas en el i -simo perodo y la j-sima actividad,
Funcin objetivo:
Max (z) = 0.40(x 1A+x2A+X3A+x4A) + 0.70(x 1B+x2B+x3B) + 0.10(x 2C) + 0.30(x 5D)
Restricciones :
Las restricciones son debido a la disponibilidad de capital en cada ao.
Para el primer ao
17

Eduardo Quiroz
................................................................................................................................................................................................................................
1A
+ X1B 10,000
Para el segundo ao:

X
2A
+x
2B
+X
2C
+ 10,000 - X
1A
- X1B
Para el tercer ao
X
3A
+X
3B
10,000 - X1B - X
2A
-X
2B
- X
+ 0.40 X 1A
2C
Para el cuarto ao:

X
4A
10,000 + X
1A
-x
2B
-X
3B
-X
2C
-X
3A
-X
3B
+ 0.40 x
2A
+ 0.70 X
1B
Para el quinto ao:

X
5D
10,000 - x
2C
4A
+0.40 x
- 0.70 X
3A
2B
condicin de no negatividad
X
ij
0 (variables no negativas)
PROBLEMA 3.6.: EJEMPLO DE INVERSION

Al gerente de cartera de la AFP BUENA VIDA se la ha pedido invertir $1000,000 de un gran fondo
de pensiones. El departamento de investigacin de inversiones ha identificado seis fondos mutu os
con estrategias de inversin variables, resultando en diferentes rendimientos potenciales y riesgos
asociados, como se resume en la siguiente tabla:
Precio($/accin)
Devolucin esperada (%)
Categora de riesgo
1
45
30
Alto
2
76
20
Alto
3
110
15
Alto
FONDO
4
17
12
Mediano
5
23
10
Mediano
6
22
7
Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diferentes fondos.
Para este fin, la administracin de la AFP, ha especificado las siguientes pautas:
La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y 75% de la
cartera.
La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la
cartera.
La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 50% de la
cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en
muchas alternativas diferentes. La gerencia de la AFP ha especificado que la cantidad invertida en
los fondos de alto riesgo 1,2 y 3 deben estar en la tasa 1:2:3 , respectivamente. La cantidad
invertida en los fondos de mediano riesgo 4 y 5 debe ser 1:2 .
Con estas pautas, qu cartera debera usted, gerente de cartera, recomendar para maximizar la
tasa esperada de retorno?.
18

Eduardo Quiroz
................................................................................................................................................................................................................................
Solucin
X j : fraccin de la cartera por invertir en el periodo j
Tasa esperada de rendimiento = rendimiento total esperado / cantidad invertida
Funcin objetivo:
Max(z) = 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6
Restricciones:
Por inversin
X1 + X2 + X3 0.50
(mnimo alto riesgo)
X1 + X2 + X3 0.75
(mximo alto riesgo)
X4 + X5 0.20
(mnimo mediano riesgo)
X4 + X5 0.30
(mximo mediano riesgo)
X6 0.05
(mnimo bajo riesgo)
Debido a las proporciones:

X2 = 2 X 1
- 2 X1 + X2 = 0
(proporcin X 1 a X2 )
X3 = 3 X 1
- 3 X1 + X3 = 0
X5 = 2 X 4
- 2 X4 + X5 = 0
Agenda Total de cartera

X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
Condicin de no negatividad:
Xj0
(j = 1,6)
19

Eduardo Quiroz
................................................................................................................................................................................................................................
PROBLEMA 3.7.: EJEMPLO DE PROBLEMA DE ADMINISTRACIN DE CARTERA
Los socios generales de Gamma Tech, una compaa de inversin de capital de riesgo estn
considerando invertir en una o ms propuestas que han recibido de varios negocios empresariales.
El departamento de investigacin ha examinado cada propuesta, y cuatro de los empresarios
cumplen con el requerimiento de Gamma Tech de lograr un rendimiento lo suficientemente alto
para el riesgo asociado. Estas compaas son: Bio Tech, Tele Comm, Laser -Optics y Compu-Ware.
El departamento de investigacin de Gamma Tech tambin ha estimado el rendimiento total de
estos negocios en dlares actuales, dado en la ltima columna de la tabla si guiente:
PROYECTOS
AO 1
Bio Tech
60
Tele Comm
35
Laser-Optics
10
Compu-Ware
15
Fondos
para
90
inversin
AO 2
10
35
50
10
80
AO 3
10
35
50
10
80
AO 4
10
35
10
40
50
DEVOLUCION
250
375
275
140
Cada uno de los cuatro proyectos requiere inversione s de una cantidad conocida al principio de
cada uno de los siguientes cuatro aos, como se muestra en la tabla. El departamento de
contabilidad de Gamma Tech ha preparado una estimacin de los fondos totales que Gamma Tech
tiene para invertir a principios de cada uno de los siguientes cuatro aos, que se da en la ultima fila
de la tabla. Observe que los fondos no usados de cualquier ao no estn disponibles para su
inversin en los aos posteriores.
Cada uno de los socios generales de Gamma Tech, se le ha pedido hacer recomendaciones
respecto a cuales de estos proyectos elegir, si acaso, para invertir y lograr l mas alto rendimiento
total en dlares actuales. Ud. y los otros socios han acordado que Gamma Tech, en un esfuerzo por
diversificarse, no inverti r conjuntamente en Tele -Comm y Laser-Optics, que estn desarrollando
el mismo tipo de tecnologa.
Solucin:
Pregntese que puede controlar libremente en este problema y se dar cuenta de que puede elegir
aceptar o rechazar cada una de las cuatro propuestas. Debe reconocer que estas decisiones
implican una decisin si no. Parece razonable entonces crear una variable entera para cada
proyecto de la siguiente manera
X j=
1 si Gamma debe invertir en el Proyecto j (j=1,4)

0
si Gamma no debe invertir en el Proyecto j
Funcin Objetivo:
Max (z)= 250X 1 + 375 X 2 + 275 X 3 + 140 X 4
Restricciones:
Fondos totales invertidos en los proyectos seleccionados
20

Eduardo Quiroz
................................................................................................................................................................................................................................
60X1 + 35X2 + 10X3 + 15X 4 90
(ao 1)
10X1 + 35X2 +50 X3 +10 X 4 80
(ao 2)
10X1 + 35X2 + 50X3 +10 X 4 80
(ao 3)
10X1 +35 X2 +10 X3 +40 X 4 50
(ao 4)
Restriccin de pauta de inversin

Recuerde que la administracin ha decidido no invertir en Tele -Com y Laser-Optics a la vez. Puede
usar las variables X 2 y X3 para escribir una restriccin matemtica apropiada?
Se necesita una restriccin para asegurar que si X 2 es 1 , entonces X 3 es 0, y si X 3 es 1, entonces
X2 es 0 ( o de manera equivalente ambas variables no pueden tener el valor 1)
Una forma de lograr e sto es requerir que el producto de estas dos variables sea 0
X2 * X 3 0
Si una de las variables es positiva, la otra debe ser 0. Pensndolo un poco, puede darse cuenta de
que la siguiente restriccin logra el mismo objetivo
X2 + X 3 1
Restricciones de no negatividad
X1 , X 2 , X 3 , X 4 = 0 1
EJERCICIOS PROPUESTOS
1. Una estacin de TV afronta el siguiente problema: se ha comprobado que el programa A con 20
minutos de msica y 2 minutos de comerciales interesa a 30,000 televidentes, mientras que el
programa B con 10 minutos de msica y 1 minuto de comerciales interesa a 10,000 televidentes. El
auspiciador de los programas insisti en que por lo menos se dedique 6 minutos de propaganda por
semana, mientras que una estacin de TV no puede dedicar ma s de 80 minutos semanales para
msica.
Cuntas veces por semana debera ser presentado cada programa a fin de lograr el mximo
nmero de televidentes?
2. la Ca. ALFA produce ejes de automviles y camiones para mercado nacional o internacional.
Cada eje debe pasar por dos procesos de manufactura: moldeado y acabado.
Cada eje de automvil requiere 16 unidades de moldeado y 10 unidades de acabado, mientras que
un eje de camin requiere 24 unidades de moldeado y 20 de acabado. Semanalmente se dispone
de 480 unidades de moldeado y 360 de acabado. La demanda de sus ejes es tal que la Ca. Puede
vender todo lo que produce. ALFA obtiene un beneficio de $50 por cada eje de automvil y $60 por
cada eje de camin.
Adems ALFA tiene un contrato con la Beta Motor Co. Por el cual debe entregar 12 ejes de
automvil y 8 de camin semanalmente.
Dado los limites y requerimientos mencionados, ALFA desea saber que cantidad de ejes de
automvil y de camin debe producir semanalmente para maximizar sus utilidades.
3. Un hombre que tiene $10,00 para invertir, esta considerando dos tipos de inversin: bonos y
acciones. Despus de consultar con su corredor, el inversionista ha escogido dos bonos y dos
21

Eduardo Quiroz
................................................................................................................................................................................................................................
acciones que le interesan particularmente. La utilidad promedio que puede espera r de las
inversiones es como sigue:
Tipo de inversin: Accin 1 Accin 2
Bono 1
Bono 2
Utilidad promedio: 5%
6%
3.5%
4%
Adems su corredor le recomend muy especialmente que invirtiera por lo menos $4,000 en bonos
y no ms de $3,000 en la Accin 2. Este consejo es tomando en cuenta los xitos financiero y los
riesgos que esta dispuestos a correr, de modo que el inversionista se atiene a estas limitaciones y
requerimientos.
Su objetivo es maximizar las utili dades bajo estas condiciones. Cul es el plan de inversin
ptimo?
4. Una pequea planta fabrica 2 tipos de partes para automvil, compra piezas fundidas que se
maquinan, taladran y pulen. Se proporciona los datos que aparecen en la siguiente tabla:
CAPACIDAD DE MAQUINADO
CAPACIDAD DE TALADRO
CAPACIDAD DE PULIDO
PARTE A
25 por hora
28 por hora
35 por hora
PARTE B
40 por hora
35 por hora
25 por hora
Las piezas fundidas para la par te A cuestan $2 cada una; para la parte B cuestan $3. Se venden a
$5 y $6 respectivamente. Las tres tienen costos de operacin de $20, $14 y $17.50 por hora.
Suponiendo que se puede vender cualquier combinacin de partes A y B, Cul es la mezcla de
productos que maximiza la utilidad?
5. La Cia. Gamma vende 4 tipos de productos. En la siguiente tabla se dan los recursos requeridos
para producir una unidad de cada producto, y los precios de venta de cada producto.
MATERIA PRIMA
HORAS DE TRABAJO
PRECIO DE VENTA
1
2
3
$4
$6
PRODUCTO
2
3
3
4
4
5
$7
4
7
6
$8
En la actualidad se dispone de 4,600 unidades de materia prima y 5,000 horas de trabajo. Para
satisfacer las demandas de los clientes, hay que producir exactamente 950 unidades en total. Los
clientes exigen que se produzcan por lo menos 400 unidades del producto 4.
Cul seria el plan de produccin ptimo a din de maximizar los ingresos de Gamma por las ventas?
6. La Cia. ALFA, vende rollos de papel para computadoras y cajas registradoras a
diversos vendedores al detalle. Sus rollos estndar tienen 20 pulgadas de ancho. Los
vendedores al detalle han hecho pedidos de 1050 rollos de 3 pulgadas de ancho; 2050
rollos de 5 pulgadas de ancho y 4050 rollos de 8 pulgadas de ancho. Estos son pedidos
nicos. Cualquier rollo sobrante de tamao para el detalle se vende con descuento, lo
que provoca una perdida neta de $1 por cada rollo de 3 pulgadas, $1.50 por cada rollo
de 5 pulgadas y $2 por cada rollo de 8 pulgadas.
El desperdicio es reciclado a un cost o neto de $0.50 por pulgada.
Como gerente del departamento de produccin, se le ha pedido como deben cortarse
los rollos para satisfacer la demanda especificada para los rollos de tamao para venta
al detalle (con el mnimo desperdicio de papel, sabiendo que el mximo desperdicio
22

Eduardo Quiroz
................................................................................................................................................................................................................................
aceptable de papel por rollo es de 2 pulgadas), a la vez que se minimice el costo total.
Formule un modelo de programacin lineal para este problema.
7. La Compaa ALFA fbrica 3 productos de caucho: Airtex(material esponjoso),
Extendex(material elstico) y Resistex(material rgido). Los tres productos requieren
los mismos tres polmeros qumicos y una base. La cantidad de cada ingrediente usada
por libra del producto final se muestra en la siguiente tabla:
PRODUCTO
Airtex
Extendex
Resistex
INGREDIENTES(oz./lb de producto)
POLIMERO POLIMERO B POLIMERO C
BASE
A
4
2
4
6
3
2
2
9
6
3
5
2
Alfa, tiene el compromiso de producir al menos 1000 lbs. De Airtex, 500 lbs. De
Extendex y 400 lbs. De Resistex para la prxima semana, pero la gerencia de la Cia.
Sabe que puede vender mas de cada uno de los tres productos.
Los inventarios actuales de los ingredientes son: 500 lbs. De polmero A, 425 lbs. De
polmero B, 650 lbs. De polmero C y 1,100 lbs. De la base. Cada libra de Airtex
produce a la Cia. Una ganancia de $7, cada libra de Airtex una ganancia de $7 y cada
libra de Resistex una ganancia de $6. Como gerente del departamento de produccin,
usted necesita determinar un plan de produccin ptimo para esta semana.
8. .La Beta Oil Company, cerca de Lima, suministra gasolina a sus distribuidores en
camiones. La compaa recientemente recibi un contrato para iniciar el suministro de
800,000 galones de gasolina por mes a distribuidores del Departamento de La
Libertad. La compaa tien e $500,000 disponibles para crear una flota consistente en
tres tipos diferentes de camiones. En la siguiente tabla se muestra la capacidad
relevante, costo de compra, costo operativo y nmero mximo de viajes por cada tipo
de camin.
TIPO DE
CAMION
1
2
3
CAPACIDAD
(galones)
6000
3000
2000
COSTO DE
COMPRA($)
50,000
40,000
25,000
COSTO DE
OPERACIN($/mes)
800
650
500
MAXIMO DE
VIAJES/MES
20
25
30
Sobre la base del mantenimiento y la disponibilidad de conductores, la compaa no

desea comparar ms de 1 0 vehculos para su flota. Asimismo, la compaa deseara
asegurarse que se compren al menos tres de los camiones Del tipo 3 (que se requieren
para su uso en las rutas de trayecto corto/baja demanda). Finalmente, la compaa no
desea que ms de la mitad de la flota sea de camiones Del tipo 1. Como gerente de
operaciones, formule un modelo para determinar la composicin de la flota que
minimice los costos operativos mensuales al tiempo que satisfaga la demanda, no
salindose Del presupuesto y satisfaciendo l os requerimientos de las otras compaas.
9. La Cia. Gamma dirige sus gastos de venta en diversos rubros con el objeto de producir ventas.
Uno de los tipos de actividad que es efectiva es la Conferencia Regional de Ventas. Existen 6
regiones (designadas I a VI) en las cuales estas conferencias toman lugar semanalmente y en
algunas mensualmente. Cada una de las conferencias puede ser de un da completo o de medioda.
Existe un costo por persona y un resultado esperado de ventas para cada uno de estos tipos de
23

Eduardo Quiroz
................................................................................................................................................................................................................................
conferencias. Los tipos de conferencias disponibles, sus costos y sus ventas resultantes se listan a
continuacin.
Conferencias de Ventas
Mensual I - Todo el da
Semanal II - Todo el da
Semanal II - Medioda
Semanal III - Todo el da
Mensual IV - Todo el da
Mensual IV - Medioda
Semanal V - Todo el da
Semanal VI - Todo el da
Semanal VI - Medioda
Costo($)
120
130
80
60
100
60
200
600
350
Ventas
resultantes($)
13,500
21,500
11,500
7,500
11,800
9,500
22,000
97,000
50,000
Adems de estas actividades, un comercial de tv que cuesta $1,250 debe producir $118,500 en
ventas.
Un anuncio en un grupo de peridicos locales costar $330 y producir $57,000 en ventas.}
Finalmente, el tener abierta una oficina de consultas durant e un da costar $180 y producir
$23,800 en ventas.
A la Cia. Le gustara maximizar sus ventas manejando sus gastos de venta, pero desea mantener
algunas restricciones. El plan fue cubrir un perodo de 6 meses y para ese periodo el presupuesto
de gastos de ventas es $52,500. Se decidi que al menos la mitad del presupuesto deba ir a las
conferencias semanales y mensuales de ventas. Al menos una persona deba ser enviada a la
semanal VI y mensual I (das completos).
El comercial de tv. Debe ser usado al m enos una vez, adems no debe enviarse mas de una
persona a las conferencias Mensual IV como a la semanal II (das completos)
Explique la distribucin ptima de los gastos de venta. Qu restricciones esta considerando?
24

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO IV
SOLUCION DE UN PROGRAMA LINEAL
El proceso de solucin de un Programa lineal empieza con el problema expresado en
su forma general y consiste en aplicar un mtodo de solucin para hallar el vector x
que optimice la funcin objetivo, sujeta a la restricciones estructurales y a las
condiciones de no negatividad de las variable de decisin.
La solucin puede ser hallada mediante el mtodo grfico o geomtrico, o en forma
analtica, dependiendo de la complejidad del problema. Dentro de los mtodos
analticos el mas usado debido a su eficiencia computacional es el mtodo simplex.
4.1.
METODO GRAFICO O GEOMETRICO
Este mtodo tiene la ventaja de ser fcilmente comprensible y adems permite

visualizar alguna propiedades de un programa lineal.
En este capitulo se examinar an los programas lineales con dos variables desde un
punto de vista geomtrico.
Aun cuando los problemas del mundo real tienen muchas variables y no pueden
resolverse geomtricamente, las ideas ganadas al resolver grficamente problemas
de dos variables pr oporciona una clara comprensin de cmo resolver
algebraicamente problemas de tres o mas variables que es el mtodo usado con
computadoras. Este mtodo es til no solo para encontrar una solucin optima,
sino tambin para obtener informacin adicional sobr e cuan susceptible es la
solucin ptima con respecto a los cambios en los datos del problema(sensibilidad).
Ejemplo 4.1. : PROBLEMA DE PLANEACION DE PRODUCCION
La Cia. ALFA fabrica artculos para el hogar y manufactura dos productos: A y B.
Ambos sufren 3 procesos en el mismo orden que son:
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso son: 160,120 y 280
minutos respectivamente.
El producto A requiere 2, 1 y 4 minutos de maquinado, armado y montaje
respectivamente; mie ntras que el producto B, necesita 2, 2 y 2 minutos de
maquinado, armado y montaje respectivamente.
El gerente de produccin debe decidir que cantidad de cada producto debe
manufacturarse con el objeto de hacer el mejor empleo de los medios limitados
de produccin, sabiendo que la ganancia por cada unidad del producto A es $10
y del producto B es de $15.
Solucin:
x1: nmero de unidades del producto A que se va a producir
25

Eduardo Quiroz
................................................................................................................................................................................................................................
x 2: nmero de unidades del producto B que se va a producir

Max Z = 10 x
+ 15 x
s.a.
2x
+ 2x
160
+ 2x
120
4x
+ 2x
280
,x
4.1.1. Grfica de las restricciones de un Programa Lineal.

En primer lugar hay que gr aficar las restricciones. Para determinar que
valores de x 1 y x 2 satisfacen las restricciones considere una restriccin
a la vez.
Cada restriccin presenta ciertos valores de x 1 y x 2 que satisfacen la
restriccin. Estos valores se denominan valores factibles. Aquellos
valores que no satisfacen la restriccin se llaman valores infactibles.
Si consideramos la restriccin 2x 1 + 2x 2 160 , como una ecuacin, es
decir: 2x 1 + 2x 2 = 160, entonces esta representara una recta en el
plano cartesiano, p ero como el signo es de desigualdad la restriccin
representar a uno de los semiplanos en que queda dividido el plano
cartesiano.
Esta recta tiene como puntos:
x 1 = 0 , x 2 = 80
punto (0,80)
x 2 = 0 , x 1 = 80
punto (80,0)
X2
100
80
60
40
20
Grfica 1
l
20
l
40
l
60
l
80
x1
100
26

Eduardo Quiroz
................................................................................................................................................................................................................................
L1
La recta L1 : 2x 1 + 2x 2 = 160 corta al plano en dos semiplanos. Donde uno contiene
todos los punto que cumplen con la condicin de 2x 1 + 2x 2 160 (valores factibles) ,
es decir la zona rayada.
Cabe hacer notar que solamente se hace uso del primer cuadrante, debido a la
condicin de no negatividad de las variables de decisin.
Aplicando los mismos conceptos a la segunda y tercera restriccin y superp oniendo las
tres grficas, tenemos que la zona en la cual se cumplen simultneamente las tres
restricciones, es la regin rayada, tal como se indica en la siguiente grfica:
Grfica 2
140
120
100
80
60
40
20
l
20
l
40
l
60
l
80
l
100
l
120
x1
Se observa que cualquier punto dentro de la regin sombreada cumple

simultneamente con las tres restricciones y con la condicin de no negatividad.
El problema consiste en maximimizar la funcin objetivo Z = 10 x 1 + 15 x
regin sombreada de la grfica 2; esto procede de la siguiente manera:
Sea Z = 0, entonces la pendiente de la funcin objetiva es:
m=x
/x
sobre la
= - 10 / 15
Por lo tanto, la funcin objetivo, z , representa una familia de rectas paralelas con
pendiente m = - 10/15, tal como se muestra en la grfica 3:
27

Eduardo Quiroz
................................................................................................................................................................................................................................
Grfica 3
140
120
100
80
60
40
20
l
20
l
40
l
60
l
80
l
100
z=0
l
120
z=1000
x1
La recta 10 x 1 + 15 x 2 = 1000 de la grfica 3, representa el mximo val or de la

funcin z, sujeta a las restricciones del problema propuesto.
La recta z=1000 y la regin sombreada tienen un punto comn, cuyas coordenadas
son:
x 1 = 40 y x 2 = 40
Este punto representa la solucin del problema y el ptimo de la funcin o bjetivo es z
= $1000.
Sobre la base de este problema, es interesante hacer algunas definiciones inherentes a
la solucin de un programa lineal.
Grfica 4
140
120
100
80
60
40
20
l
20
l
40
l
60
l
80
l
100
l
120
x1
28

Eduardo Quiroz
................................................................................................................................................................................................................................
Regin Factible:
Es aquella que cumple con todas las restricciones y las condiciones de no negatividad.
En nuestro ejemplo , la regin sombreada de la grfica 4 representa la regin factible.
La RF, se caracteriza por ser convexa.
Solucin Factible:
Es cualquier punto situado en la regin factible.
Solucin Bsica:
Es aquella que se halla en la interseccin de rectas o hiperplanos o en la interseccin
con los ejes coordenados. Para nuestro ejemplo, los puntos 1,2,3,..... y 10 de la
grfica 4 son soluciones bsicas.
En un sistema donde existen n variables y m restricciones, una solucin bsica se
obtiene haciendo (n -m) variables iguales a cero y los valores delas variables restantes
se determinan resolviendo las m ecuaciones con m variables.
Las m variables se llaman variables bsicas (no negativas).
Para nuestro ejemplo, en el programa lineal formulado, agregamos varaibles de
holgura para convertir la restriccin del tipo a una restriccin del tipo = .
Se agregan tantas variables de holgura co mo restricciones del tipo existan.
Nuestro programa quedara as:
Max Z = 10 x
1 + 15 x
s.a.
+0x
+0x
+x
2x
+ 2x
+ 2x
4x
+ 2x
,x
+0x
= 160
+ x
= 120
x
2
,x
,x
,x
= 280
5
En este caso:
n=5 y m=3
Se obtiene una solucin bsica haciendo (5 3 = 2) variables iguales a cero.
Sea : x 1 = x 2 = 0
(variables no bsicas)
Por consiguiente:
x 3 = 160
x 4 = 120
x 5 = 280
variables bsicas
Esta solucin corresponde al punto 1 en la grfica 4.
29

Eduardo Quiroz
................................................................................................................................................................................................................................
Solucin Bsica Factible:

Es una solucin bsica que pertenece a la regin factible.
En nuestro ejemplo, los puntos: 1,2, 5,7 y 8 de la grfica 4 son soluciones bsicas
factibles.
Solucin Bsica Factible Degenerada:
Es una solucin bsica factible en la que una o ms variables bsicas toman el valor
cero.
Si todas las variables bsicas son positivas, se tendr una solucin bsica factible no
degenerada.
Solucin Optima:
Es la solucin factible que optimiza la funcin objetivo(segn sea el caso).
Tanto la regin factible como la solucin ptima de un programa lineal gozan de ciertas
propiedades, cuya aplicacin facilita el trabajo de calcular el punt o ptimo.
Entre estas tenemos:
Existe un punto extremo del poliedro convexo en el cual la funcin objetivo es

optimo.
Cada solucin bsica factible corresponde a un punto extremo del poliedro convexo.
De lo expuesto, tendramos nicamente que investiga r los puntos extremos del

poliedro convexo y buscar aquel punto que proporcione el mayor (o menor0 valor de
para la funcin objetivo y tendremos as la solucin optima.
En nuestro ejemplo, los puntos extremos que forman la regin factible son las
soluciones bsicas factibles:
s.b.f.
1
2
3
4
5
,x2
(0,0)
(0,60)
(40,40)
(60,20)
(70,0)
1
z
0
900
1000
900
700
Se observa que el valor de z mas alto es el que le corresponde al punto 3, que vendra
a se la solucin ptima
.
x 1 = 40 y x 2 = 40
Z max = $1000
30

Eduardo Quiroz
................................................................................................................................................................................................................................
4.2. PROGRAMAS LINEALES CON PROPIEDADES GEOMETRICAS ESPECIALES

Como se vio anteriormente, en un programa lineal con dos variables, la solucin
optima ocurri en un punto extremo de la regin factible. A continuacin se vern
ejemplos de programas lineales para los cuales ste no es el caso. Tambin
conocer lo que ocasiona estas excepciones y como interpretarlas.
4.2.1. Programas lineales infactibles
Para examinar un tipo de excepcin, supongamos que Ud. es el jefe de
produccin de la empresa ALFA, y que el jefe de ventas le informa que desea
firmar un contrato a largo plazo para proveer 60 unidades del producto A cada
da. Para deducir un plan de produccin semanal que satisfaga este
requerimiento de ventas, usted ha modificado la formulacin del programa
lineal del ejemplo 4.1, aadiendo la siguiente restriccin: x 1 80
Max (z)= 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2 160
x 1 + 2x 2 120
4x 1 + 2x 2 280
x1
80
x 1, x 2 0
(1)
(2)
(3)
(4)
El resultado de aadir la nueva restriccin(4) se ilustra en la grfica 4.5

Grfica 4.5
x2
140
120
100
80
60
- A
40
20
(3)
(4)
B
D
E
I
F
G
l
20
l
40
l
60
H
l
l
l
80
100 120
(1)
(2)
J
x
31

Eduardo Quiroz
................................................................................................................................................................................................................................
Como puede observar, no existen valores de x 1 y x 2 que satisfagan la nueva

restriccin(4) y todas las anteriores restricciones. Esto significa, que con sus
actuales recursos, Alfa no puede satisfacer un acuerdo contractual para proveer
80 unidades del producto A por da.
Si se firma el contrato propuesto, Alfa necesita ra obtener recursos adicionales
para incrementar las capacidades de produccin. La Gerencia, por tanto, tendr
que tomar una decisin estratgica sobre el valor de esta inversin.
El programa lineal del ejemplo 4.2. se denomina programa lineal infactible,
lo que significa que ningn valor de las variables satisface las restricciones
simultneamente, es decir, que no existe ninguna regin factible. Para tales
problemas, no tiene caso tratar de obtener una solucin ptima por que ni
siquiera podr encontrar una solucin factible.
Las causas ms comunes para que un programa lineal sea infactible son:
Un error en la formulacin del problema.
La forma de capturar los datos en la computadora
Cuando las restricciones son demasiado restrictivas.
4.2.2. Programas lineales ilimitados
Considere otro ejemplo de un programa lineal cuya solucin no ocurra en un
punto extremo de la regin factible.
Ejemplo 4.3. un programa lineal ilimitado
Max (z) = 2x 1 + 2x2
s.a.
x1 x2 1
-1/2 x1 + x2 2
x 1, x 2 0
(1)
(2)
Grfica 4.6
x1
A
3 -
(2)
2 (1)
1 -
x2
32

Eduardo Quiroz
................................................................................................................................................................................................................................
Se dice que tal problema es un programa lineal ilimitado, lo que significa que la
funcin objetivo puede mejorarse indefinidamente, esto es, que existen valores
factibles de las variables que pueden hacer el valor de la funcin objetivo tan
grande como se desee en el caso de maximizacin (o tan chico como se desee
en el caso de minimizacin).
El problema tiene una solucin no acotada.
4.2.3. Programas lineales con soluciones optimas a lternativas
Alguno programas lineales tienen ms de una solucin ptima. Cada solucin
ptima se denomina solucin ptima alternativa . Tener soluciones ptima
alternativas significa solamente que existen diferentes valores factibles para las
variables que producen el mismo mejor valor de la funcin objetivo. Todas las
soluciones ptimas son iguales en cuanto a que, por definicin son las mejores.
Sin embargo, es posible que usted prefiera una de estas soluciones ptimas
alternativas sobre las dems por alg una razn secundaria, tal vez por que una
solucin sea ms fcil de poner en prctica que las otras.
Ejemplo 4.3. Un programa lineal con solucin ptima alternativa
Max (z) = 2 x 1 + 4 x 2
s.a.
2x 1 + x 2 230
(1)
x 1 + 2x 2 250
(2)
x 2 120
(3)
x1,x2 0
La solucin grfica de este problema se ilustra en la grfica 4.6.
Grfica 4.7
X2
300 -
200 -
(1)
(3)
100
100
200
300
x1
(2)
33

Eduardo Quiroz
................................................................................................................................................................................................................................
Punto extremo (x 1, x 2)
A
(0,0)
B
(115,0)
C
(70,90)
D
(10,120)
E
(0,120)
Z
0
230
5 00
500
480
34

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO V
EL METODO SIMPLEX
En l capitulo anterior se desarrollo la parte relacionada a como resolver p roblemas de
programacin lineal con dos variables de manera grfica. Cuando se hayan implicadas
mas de tres variables, este enfoque no es posible. Adems, los programas lineales del
mundo real se resuelven con la ayuda de computadoras, que utilizan lgebra lineal,
no-geometra. En este capitulo desarrollaremos el mtodo simplex, un mtodo
algebraico para resolver todos los problemas de programacin lineal.
El mtodo simplex prevee un sistema rpido y efectivo para resolver problemas de
programacin lineal. Es la tcnica empleada en las aplicaciones prcticas y permite
resolver una gran cantidad de problemas de real importancia industrial.
Este mtodo llega a la solucin ptima por medio de iteraciones o pasos sucesivos,
utilizando los conceptos bsicos del lgebra matricial, para determinar la interseccin
de dos o mas lneas hiperplanas. Comienza con alguna solucin factible, y
sucesivamente obtiene soluciones en las intersecciones que ofrecen mejores funciones
de la funcin objetivo.
Finalmente, este mto do proporciona un indicador que determina el punto en el cual se
logra la solucin ptima.
5.1.
PROCEDIMIENTO
5.1.1. CASO DE MAXIMIZACION
Dado el siguiente programa lineal en forma general:
Max (z) = c 1x1 + c2x2 + .........+ c nxn
s.a.
a11x1 + a12x2 + .......+ a 1nxn b1
a21x1 + a22x2 + .......+ a 2nxn b2
.................................................
................................................
am1x1 + am2x2 + .......+ a mnxn bm
x
0 (j=1,n)
En este programa, se observa que todas las restricciones son del tipo
. Para la aplicacin del mtodo simplex, todas las restricciones del
programa tienen que convertirse a la forma =, es decir a la forma
estandarizada de un programa lin eal (funcin objetivo de maximizacin,
restricciones estructurales del tipo , y las variables de decisin solo
admiten valores positivos).
Para lograr esto se introducen las llamadas variables de holgura, una por
cada restriccin del tipo que exista, de la siguiente manera:
Max (z) = c 1x1 + c2x2 + .........+ c nxn + 0 x n+1 +0 x
s.a.
a 11x1 + a 12x2 + .......+ a 1nxn + x n+1
a21x1 + a 22x2 + .......+ a 2nxn
+ x n+2
.................................................
n+2+...+0
n+m
= b1
= b2
35

Eduardo Quiroz
................................................................................................................................................................................................................................
................................................
am1x1 + am2x2 + .......+ a mnxn
+x
x
n+m
= bm
0 (j=1,n+m)
Cabe indicar que las variables de holgura son no negativas. Adems, en la funcin
objetivo, los coeficientes asociados a estas variables tomas el valor cero, ya que no
deben afectar el valor de la funcin en caso de ser positivas. As mismo en l as
restricciones estructurales, los coeficientes de las variables de holgura son 1 y positivo.
Si al resolver el programa lineal, se halla que la variable de holgura es cero, nos indica
que los recursos correspondientes a dicha restriccin se han agotado, es decir se ha
ocupado la totalidad de los recursos.
Por otro lado, si el valor de la variable de holgura es mayor que cero, entonces el
recurso correspondiente no es realmente limitante, y si la produccin no puede ser
incrementada, esto se deber a la l imitacin impuesta por otros recursos.
Si el resultado final fuese de un valor positivo, nos indica que estn sobrando recursos
en la restriccin correspondiente.
EJEMPLO 5.1. PROBLEMA DE PLANEACION DE PRODUCCION
La Cia. ALFA fabrica artculos para el h ogar y manufactura dos productos: A y B.
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso es: 160,120 y 280 minutos
respectivamente.
El producto
A requiere 2, 1 y 4 minutos de maquinado, armado y montaje
respectivamente; mientras que el producto B, necesita 2, 2 y 2 minutos de
manufacturarse con el objeto d e hacer el mejor empleo de los medios limitados de
produccin, sabiendo que la ganancia por cada unidad del producto A es $10 y del
producto B es de $15.
Solucin:
x2: nmero de unidades del producto B que se va a producir
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2 160
x
+ 2x
120
4x
+ 2x
280
36

Eduardo Quiroz
................................................................................................................................................................................................................................
x 1, x
Convirtiendo las restricciones a la forma =, se introducirn 3 variables de holgura,

una por cada restriccin del tipo , con lo cual el programa lineal queda de la
siguiente manera:
Max Z = 10 x 1 + 15 x 2 + 0 x
s.a.
2x 1 + 2x 2 + x 3
x
+ 2x
4x
+ 2x
+x
+0x
+0x
= 160
= 120
+x
x 1, x 2 , x 3, x
= 280
En el programa, se observa que este tiene ahora 5 variables y solo 3 ecuaciones, lo

cual implica que 5 3 = 2 variables tienen que hacerse cero. Esto nos indica que en
este caso la solucin optima estar compuesta por 3 variables bsicas y 2 variable no
bsicas.
Se observa tambin que las variables de holgura forman en su conjunto una matriz
identidad, ya que tienen una diagonal de unos, el cual es la condicin del simplex en
cada solucin bsica factible a ser analizada. Y con la cual se empieza a aplicar el
mtodo
El programa convertido, se presenta en la tabla del simplex de la siguiente manera:
Tablero N 1
ci
0
0
0
cj
xk
x3
x4
x5
Z
cj
bi
160
120
280
0
zj
10
X1
2
1
4
0
10
15
X2
2
(2)
2
0
15
0
x3
1
0
0
0
0
0
x4
0
1
0
0
0
0
x5
0
0
1
0
0
80
60
140
Del tablero 1,se tiene que:

En la primera fila, se colocan los coeficientes de las variables en la funcin objetivo.
En la segunda fila se distinguen las siguientes columnas:
c i : que representa los coeficientes asociados a las variables que estn en la
base(variables bsicas)
x k : que representa a las variables que estn en la base(variables bsicas)
b i : que representa al valor que asumen las variables bsicas.
X 1 : que representa a los coeficientes de la variable X 1 en el programa lineal
En la penltima fila, se distinguen dos valores:
37

Eduardo Quiroz
................................................................................................................................................................................................................................
Z=
ci . bi el cual representa el valor de la funcin objetivo.
Z j = ci . a ij
En la ultima fila, se encuentran las diferencias c
z j, que nos indica:
Si todas las variables presentan diferenc ias iguales a ceros o negativas, entonces
se ha llegado a la solucin ptima. Generalmente esto no ocurre el primer tablero.
Si al menos una o mas variables presentan diferencias positiva, eso implica que
existe una mejor solucin, por consiguiente habr que determinar la variable a
ingresar a la base. Esto se logra viendo que variable presenta una diferencia
positiva mayor.
En la ultima columna, del tablero se distingue la regla del mnimo de los :

Min = min (bi / a ij)
donde a
ij
>0
Esta regla permite determinar que variable debe salir de la base, a fin de que ingrese
otra variable para mejorar la solucin. Para tal efecto la variable a salir ser aquella
que tenga el menor valor de .
Del tablero 1 se ha obtenido la primera solucin bsic a factible donde las variables
bsicas y sus valores correspondientes son:
x 3 = 160
x 4 = 120
x 5 = 280
Y las variables no bsicas son:
x1=x2=0
Donde el valor de la funcin objetivo se calcula de la siguiente manera:
Z = 0x160 + 0x120 + 0x 280 = 0
El calculo de los Z
es de la siguiente manera:
Z 1 = 0x2 + 0x1 + 0x4 = 0

Z 2 = 0x2 + 0x2 + 0x2 = 0
Z 3 = 0x1 + 0x0 + 0x0 = 0
Z 4 = 0x0 + 0x1 + 0x0 = 0
Z 5 = 0x0 + 0x0 + 0x1 = 0
La fila c j z j ser obtiene restando de cada elemento de la pri mera fila c j el
correspondiente elemento de z j. Esto se hace solamente para las variables que no
estn en la base, ya que para las variables bsicas la diferencia es cero.
c1
c2
c3
c4
c5
z1
z2
z3
z4
z5
= 10 0 = 10
= 15 0 = 15
= 00= 0
= 00= 0
= 00= 0
Con esto se ha completado el tablero 1.
38

Eduardo Quiroz
................................................................................................................................................................................................................................
Obtencin de la segunda solucin

Aqu vamos a analizar mas en detalle el significado de los coeficientes de
transformacin.
Del tablero 1 se observa por ejemplo que x 1 no figura en esta solucin y deseamos
saber que ocurre econmicamente si ingresa x 1.
Si se introduce x 1, se reduce las cantidades de x 3, x4 y x 5 en la proporcin indicada
por los coeficientes de x 1.
Por lo tanto, se deber disminuir:
2 unidades de x 3
1 unidad de x4
4 unidades de x 5
Cmo se sabe si se gana o se pierde con el cambio?
Se calcula la influencia de introducir x 1 y de quitar unidades de x 3, x4 y x5.
Entonces se tiene que:
Beneficio de introducir una unidad de x 1 = $3 (valor dado por su coeficiente de
ganancia c j = c 1 = 3).
La reduccin indirecta de la ganancia al eliminar unidades de
x3, x4 y x5 = 2x0 + 1x0 + 4x0 = $0, valor dado por z j = z 1 = 0
La ganancia neta del cambio es:
cj z j = c 1 z 1 = 3 0 = $ 3
Valor que se encuentra en el ta blero 1 en la fila c j zj y columna de x 1.
Este valor de $3 se denomina costo de oportunidad y es lo que se deja de ganar al no
introducir x 1 en la solucin.
Se aprecia en definitiva que c j zj es en realidad un balance econmico que analiza la
mejora potencial en la funcin objetivo que puede lograrse introduciendo x j, de donde
se desprende que:
z j = a lo que se pierde al introducir x j.
c j = a lo que se gana al introducir x j
Por lo tanto cuando se maximiza un problema, esto admite una solucin m ejor,
siempre que haya un valor positivo de c j zj.
Este paso que se acaba de explicar constituye el medio de conocer si la solucin
obtenida anteriormente puede o no ser mejorada.
Eleccin de la variable que entra
Ahora bien, del tablero 1 se observa que hay dos variable que tienen diferencias
positivas, siendo x 2 la que tienen mayor valor, por consiguiente x 2 debe ingresar a la
base ya que proporciona la mayor ganancia y se denota en el tablero con una flecha
hacia adentro.
Eleccin de la variable que sale
As mismo, la variable que deber salir de la base para que ingrese x 2, ser la variable
x 4, ya que presenta el menor valor de los , y se denota tambin en el tablero con
una flecha hacia fuera
39

Eduardo Quiroz
................................................................................................................................................................................................................................
El valor de a ij que se encuentra en la intersec cin de la variable que sale con la

variable que entra (2), se llama elemento pivote y se encierra en un circulo.
En el tablero 2, la nueva base estar formada por x 3, x 2 y x 5
En la fila donde esta el elemento pivote(tablero 1), dicha fila se divide po r el elemento
pivote y el resultado se traslada a la fila correspondiente en el tablero 2.
Para completar las otras filas, se har uso del pivoteo, mediante la siguiente formula:
Tablero N 2
ci
0
15
0
cj
xk
x3
x2
x5
Z
cj
bi
40
60
160
900
zj
10
X1
(1)
1/2
3
7.5
2.5
15
X2
0
1
0
15
0
0
x3
1
0
0
0
0
0
x4
-1
-1
7.5
-7.5
0
x5
0
0
1
0
0
40
120
53.3
Del tablero 2 se ha obtenido la segunda solucin bsica factible donde las variables
bsicas y sus valores correspondientes son:
x 3 = 40
x 2 = 60
x 5 = 160
x1=x4=0
Donde el valor de la funcin objetivo es:
Z = 0x40 + 15x60 + 0x160 = $900
Obtencin de la tercera solucin
Del tablero 2, se observa que todava no se ha llegado a la solu cin ptima en vista
que existe aun un cj zj positivo.
Eleccin de la variable que entra
Puesto que solo existe una diferencia positiva en la fila de c j zj, que corresponde a la
variable x 1, esta es la que ingresa a la base.
Eleccin de la variable q ue sale
Del tablero 2, se observa que la variable que tiene el mnimo de los es la variable x 3
y por consiguiente esta variable sale de la base.
En el tablero 3, la nueva base estar formada por x 1, x 2 y x 5
En la fila donde esta el elemento pivote(ta blero 2), dicha fila se divide por el elemento
pivote y el resultado se traslada a la fila correspondiente en el tablero 3.
Para completar las otras filas del tablero 3, se har uso del pivoteo.
40

Eduardo Quiroz
................................................................................................................................................................................................................................
Tablero N 3
ci
10
15
0
10
15
xk
Bi
x3
40
x2
40
x5
40
Z
1000
cjzj
X1
1
0
0
10
0
X2
0
1
0
15
0
x3
1
-1/2
-3
2.5
-2.5
x4
-1
1
2
5
-5
x5
0
0
1
0
0
Como todas las diferencias de cj zj son ceros o negativas, se ha llegado a la solucin

ptima, donde las variables bsicas y sus valores correspondientes son:
x 1 = 40
x 2 = 40
x 5 = 40
x3=x4=0
Donde el valor de la funcin objetivo es:
Z = 10x40 + 15x40 + 0x40 = $1000
En resumen, el resultado del tablero 3 nos indica que la Cia. ALFA, debe producir
diariamente 40 unidades del producto A y 40 unidades del producto B, lo que dara una
ganancia mxima de $1000.
Adems nos indica que estn sobrando 40 minutos de montaje por da(valor que
corresponde a la variable x 5 en la tercera restriccin)
.
5.1.2. CASO DE MINIMIZACION
Cuando un programa lineal tiene restricciones del tipo menor o igual que( ) o
de limite mnimo y por consiguiente se desea convertir las desigualdades en
igualdades, entonces es necesar io sustraer variables en lugar de agregar variables de
holgura. A estas variables se les llama variables de exceso. Se sustraen tantas
variables de exceso como restricciones del tipo menor o igual que existan.
Las variables de exceso son no negativas y e l coeficiente de costo en la funcin
objetivo es cero.
EJEMPLO 5.2
Dos fabricas de papel producen 3 tipos diferentes de papel de bajo grado, medio grado
y alto grado. Se tiene un contrato de venta para proveer: 16 ton. De bajo grado, 5
ton. De medio grado y 20 ton. De alto grado.
La fabrica 1, produce 8 ton de bajo grado, 1 ton de medio grado y 2 ton de alto grado
en un da de operacin. La fabrica 2 produce 2 ton de bajo grado, 1 ton de medio
grado y 7 ton de alto grado por da de operacin.
Los costos de operacin son de $1000/dia para la fabrica 1 y de $2000/dia para la
fabrica 2.
Cuantos das debe trabajar cada fabrica a fin de cumplir con el mencionado contrato
de venta en la forma ms econmica?
SOLUCION
Sean las variables de decisin:
41

Eduardo Quiroz
................................................................................................................................................................................................................................

Min (z) = 1x 1 +2x2
s.a.
8x 1 +2x2
16
1x1 +1x2
5
2x 1 +7x2 20
x 1, x2 0
Se sustraen 3 variables de exceso:
Min (z) = 1x 1 +2x2 + 0x 3 + 0x4 + 0x 5
s.a.
8x 1 +2x2 - x3
= 16
1x1 +1x2
- x4
= 5
2x 1 +7x2
- x5 = 20
x 1, x2, x3, x4, x5 0
En esta parte del simplex, se observa que al hacer qu e las 2 variables estructurales
sean iguales a cero(x 1 = x2 =0) se tendra que:
x3 = -16
x3 = -5
x3 = -20
Lo cual viola la condicin de no negatividad de las variables.
Para el caso de minimizacin, se propone una modificacin a partir de esta etapa d el
simplex. Esta consiste en hacer que las variables estructurales puedan tomar un valor
nulo en las ecuaciones precedentes, en forma tal que las variables de exceso,
permaneciendo positivas, satisfagan dichas ecuaciones. Esto se logra introduciendo
adems de las variables de exceso, las llamadas variables artificiales.
Representaremos a las variables artificiales por la letra con un subndice apropiado.
Estas variables tambin cumplen la condicin de no negatividad.
Por consiguiente nuestro programa lineal original con la sustraccin de las variables de
exceso y la adicin de las variables artificiales quedara de la siguiente manera:
Min (z) = 1x 1 +2x2 + 0x 3 + 0x4 + 0x 5 + M1 +M 1 +M1
s.a.
8x 1 +2x2 - x3
+1
= 16
1x1 +1x2
- x4
+2
= 5
2x 1 +7x2
- x5
+3 = 20
x 1, x2, x3,x4 ,x5, 1 , 2, 3
0
En este problema, las variables artificiales 1, 2 y
nmero de das imaginarios.
3 pueden interpretarse como
Cabe indicar que las variables de exceso y las variables artificiales no guardan
correspondencia con relacin a su influencia en los costos. Es decir, mientras que las
variables de exceso tienen c oeficientes nulos de costos en la funcin objetivo, cada
42

Eduardo Quiroz
................................................................................................................................................................................................................................
variable artificial recibe una asignacin de costo igual a M, siendo M una cantidad
infinitamente grande. Esto asegura que estas variables no pueden tomar parte en
ningn caso en la solucin ptima.
Si estuvisemos en un caso de maximizacin, el coeficiente asociado de beneficio de la
variable artificial recibe una asignacin de M, es decir un valor tan pequeo que la
variable correspondiente no tendra cabida en la solucin.
As mismo, se observa que las variables artificiales permiten obtener un inicio
conveniente y correcto para hallar la solucin ptima aplicando el mtodo simplex, ya
que estas variables se usan para formar o completar, segn sea el caso la matriz
identidad.
Al aplicar el simpl ex a este problema, que corresponde a un caso de minimizacin, solo
hay que tener presente el punto relacionado con la variable que entra a la base, es
decir con c j z j; esto por que mientras exista una diferencia de c j z j negativa,
habr una mejor solucin. En el caso de que existan varias diferencias negativas, se
eligira a la variable que tenga la diferencia mas negativa.
En el problema, llega a la solucin ptima cuando todas las c j z j son ceros o positiva
Pasando al tablero simplex, se tien e que:
Tablero 1
ci
M
M
M
cj
xk
1
2
3
Z
cj -
bi
16
5
20
41M
zj
1
X1
(8)
1
2
11M
111M
2
X2
2
1
7
10M
210M
0
X3
-1
0
0
-M
M
0
X4
0
-1
0
-M
M
0
X5
0
0
-1
-M
M
M
1
1
0
0
M
0
M
2
0
1
0
M
0
M
3
0
0
1
M
0
0
X4
0
-1
0
0
X5
0
0
-1
M
1
1/8
-1/8
-2/8
M
2
0
1
0
M
3
0
0
1
-M
-M
1/83/8M
-1/8
+
11/8
M
2
5
10
Tablero 2
ci
1
M
M
cj
xk
X1
2
3
Z
bi
2
3
16
2+19
M
cj - z j
1
X1
1
0
0
1
2
0
X2
X3
2/8
-1/8
6/8
1/8
(52/8 2/8
)
2/8+ 1/8+
58/8 3/8M
M
6/8 - -1/8
58/8
+
M
3/8M
8
4
2.26
43

Eduardo Quiroz
................................................................................................................................................................................................................................
Tablero 3
ci
1
M
cj
xk
X1
2
bi
72/52
60/52
1
X1
1
0
2
X2
0
0
0
X3
-7/52
5/52
0
X4
0
-1
X2
32/13
2/52
328/5
2
+60M
/52
-3/52
+
5M/5
2
-M
3/52
5M/5
2
cj - z j
0
X5
2/52
(6/52
)
-8/52
M
1
7/52
-5/52
M
2
0
1
M
3
-2/52
-6/52
-2/52
8/52
3/52 14/5 57M/5

2
2
+6M/
52
14/5 -3/52
2+
6M/5 57M/5
2
2
14/52 58M/52
14/52+
58M/52
36
10
Tablero 4
ci
1
0
2
cj
xk
bi
X1
3
X5
12
X2
2
Z
7
cj - z j
1
X1
1
0
0
1
0
2
X2
0
0
1
2
0
0
X3
-8/6
5/6
2/6
-4/6
4/6
0
X4
-1/6
-1/6
1/6
-1/6
1/6
0
X5
0
1
0
0
0
M
1
8/6
-5/6
-2/6
4/6
M4/6
M
2
1/6
1/6
-1/6
1/6
M1/6
M
3
0
-1
0
0
M
La solucin del problema es:

X1 = 3 das
X2 = 2 das
X5 = 12 tn.
Z = $7,000
Adems, x3 = x4 = 0
Esto nos indica que para cumplir con el mencionado contrato de venta, la fabrica 1,
deber trabajar 3 das, la fabrica 2 solo 2 das, lo cual nos dar un costo total de
operacin mnimo de $7,000
44

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO VI
PROGRAMACION LINEAL: USO DE LA COMPUTADORA
En el presente capitulo se exa mina como los que tienen que tomar decisiones utilizan
la computadora para resolver problemas con mucha variables y restricciones, y como
interpretan los resultados de la computadora para formular el plan ptimo.
Ahora que comprende la forma en que el a lgoritmo simplex soluciona los problemas de
programacin lineal, puede confiar en la computadora para realizar los clculos
detallados. Como pudo observar en el capitulo 5, el algoritmo simplex no solo produce
la solucin ptima, sino que tambin proporcio na informacin econmica adicional til
en el proceso de toma de decisiones, como los valores de los precios sombra, costos
reducidos, intervalos de sensibilidad y anlisis parametrico.
Todo el software para solucin de programas lineales proporciona esta informacin.
6.1 USO DEL LINDO FOR WINDOWS
S har uso del software de programacin lineal llamado LINDO ( Linear, INteractive,
and Discrete Optimizer) para resolver y analizar un problema de programacin lineal.
6.1.1. Definicin del problema
La Cia. ALFA fabrica artculos para el hogar y manufactura dos productos: A y B.
-
Maquinado
Armado
Montaje

respectivamente.
El producto
manufacturarse con el objeto de hacer el mejor empleo de los medios limitados de
6.1.2. Formulacin del problema
La combinacin de la funcin objetivo de maximizar la ganancia total y las tres
restricciones estipuladas en funcin de los recursos disponibles da como resultado el
siguiente problema de programacin lineal:
45

Eduardo Quiroz
................................................................................................................................................................................................................................
Max Z = 10 x
s.a.
+ 15 x
2x 1 + 2x 2 160
x 1 + 2x 2 120
4x 1 + 2x 2 280
x 1, x 2 0
maquinado
armado
montaje
6.1.3. solucin de computadora

El modelo de produccin puede solucionarse usando cualquier paquete de software de
programacin lineal disponible como lindo.
El primer paso es introducir los datos del modelo en el formato requerido por LINDO de
la forma como se muestra en la figura 6.1.
MAX 10 x 1 + 15 x
ST
2x 1 + 2x 2 < 160
x
+ 2x
< 120
4x
+ 2x
< 280
END
Figura 6.1. Entrada del programa
Ahora puede ordenarle a la computado ra que use LINDO para resolver el problema
usando la opcin SOLVE. La solucin, se muestra en la figura 6.2., Donde la parte (a)
del reporte representa la formulacin Del programa y la parte (b) representa en
primer lugar los valores ptimos de las varia bles estructurales. La segunda parte
proporciona informacin referente a las restricciones.
MAX
10 X1 + 15 X2
SUBJECT TO
2) 2 X1 + 2 X2 <= 160
3)
X1 + 2 X2 <= 120
4) 4 X1 + 2 X2 <= 280
END
(a)
LP OPTIMUM FOUND AT STEP
OBJECTIVE FUNCTION VALUE
1)
VARIABLE
X1
X2
1000.000
VALUE
40.000000
40.000000
ROW SLACK OR SURPLUS

2)
0.000000
3)
0.000000
4)
40.000000
NO. ITERATIONS=
2
REDUCED COST
0.000000
0.000000
DUAL PRICES
2.500000
5.000000
0.0 00000
(b)
Figura 6.2. (a) Entrada de Lindo (b) Reporte ptimo del lindo
46

Eduardo Quiroz
................................................................................................................................................................................................................................
6.2. INTERPRETACION DE LA SOLUCION OPTIMA

La computadora realizo los pasos el algoritmo simplex, como se describe en l capitulo
5, para resolver el problema de Planeacin de la produccin presentado en la seccin
6.1. los resultados se dan en la figura 6.2.
Recuerde que el algoritmo simplex esta diseado para resolver un problema en su
forma estndar. Como la entrada del programa no estaba en forma estndar, la
computadora tuvo que aadir tres variables de holgura correspondientes a las tres
restricciones de desigualdad. En la figura 6.2, la salida de la seccin (b) en la primera
parte corresponde a las dos variables originales, mientras que la segu nda parte
corresponde a las tres variables de holgura, una por cada restriccin de desigualdad.
6.2.1. Interpretacin de los valores de las variables originales.
La fila 1) representa el valor de la funcin objetivo, mientras que la columna
etiquetada como VALUE, indica que la solucin ptima a este problema es producir 40
unidades Del producto A y 40 unidades Del producto B por da, lo que nos da una
ganancia mxima de $1,000 por da.
La columna etiquetada como REDUCED COST, pertenece a los costos red ucidos de
estas dos variables.
Sin embargo, los costos reducidos tienen significado slo para las variables no bsicas
6.2.2. Interpretacin de los valores de las variables de holgura .
La segunda parte de la seccin (b) contiene informacin similar perte neciente a las
tres variables de holgura. En particular, de la columna etiquetada VALUE, los valores
ptimos de las tres variables de holgura(cuyos nombres son los de las
correspondientes tres restricciones) son 0, 0 y 40, respectivamente. Que significan
estos valores en el contexto de este problema?.
Recuerde que la variable de holgura para la restriccin 1 representa en nmero de
minutos no utilizados en el proceso de maquinado. El tener un valor 0 para esta
variable en la solucin optima de la figura 6.2 significa que no hay tiempo de holgura,
todos los minutos disponibles para este proceso se utilizan. De manera similar, todos
los minutos Del proceso de armado s utilizan por que el valor de su variable de
holgura es 0. El valor de 30 para la tercera variable de holgura correspondiente a la
restriccin 3, (proceso de montaje), indica que hay una desocupacin de 40 minutos,
es decir que el nmero de minutos disponible Del proceso de montaje para producir
ambos productos es 40 minutos menos que l limite de 280 minutos.
Por otra lado en la columna etiquetada con DUAL PRICES, proporciona los precios
duales de las variables de holgura.
Por ejemplo el precio dual para la primera variable de holgura es 2.50, lo que nos
indica que cada incremento unitario en el valor de esta variable de holgura,
manteniendo las dems variables bsica en el valor 0, tienen como resultado un
aumento de $2.50 de ganancia en la funcin objetivo. Como una unidad de esta
variable de holgura corresponde a usar un minuto mas en el pr oceso de maquinado, el
uso de 1 minuto mas aumenta las ganancias en $2.50.
De manera similar, p[ara la segunda variable de holgura, el precio dual es 5.00,
significa que cada incremento unitario en la segunda variable de holgura, manteniendo
47

Eduardo Quiroz
................................................................................................................................................................................................................................
las otras variables no bsicas en el valor 0, resulta en un aumento de $5.00 de

ganancia en la funcin objetivo. Como una unidad de esta variable de holgura
corresponde a usar un minuto mas en el proceso de armado, el uso de 1 minuto mas
aumenta las ganancias en $5.0 0.
Recuerde que los precios duales tienen significado solo para las variables no bsicas,
como las dos primeras variables de holgura no son bsicas(no son parte de la solucin
ptima). En contraste, la tercera variable de holgura es bsica, y por lo tanto , su
precio dual es 0, esto significa que el incremento Del limite de 280 minutos para el
proceso de montaje no tendr ninguna ganancia adicional. Esto tiene sentido, pues la
solucin ptima indica que solo se han usado 240 minutos del proceso de montaje, el
cual esta por debajo Del limite especificado de 280 minutos.
EJEMPLO 6.2.: PROBLEMA DE POLITICA DE PRESTAMOS
Un banco tiene $ 1 milln disponible para prestamos. Puede prestar dinero a
empresas, proporcionar hipotecas o conceder prestamos personales. Las polticas del
banco limitan los prestamos personales a un mximo del 25% de todos los prestamos,
mientras que los prestamos a empresas no pueden exceder la cantidad de hipotecas.
Tambin el banco quiere que los prestamos a empresas sean por lo menos 1 0% mas
que los prestamos personales. Los interese promedio son: 12% en prestamos
personales, 10% en prestamos a empresas y 8% sobre hipotecas. Los fondos que no
se han prestado, se invierten en valores a corto plazo al 5%. El banco quiere un
programa para maximizar el inters.
Solucin
X 1 = prestamos personales
X 2 = prestamos a empresas
X 3 = prestamos por hipotecas
X 4 = inversin en valores a corto plazo
Max (z) = 0.12 x 1 + 0.10 x 2 + 0.08 x
s.a.
X 1 + x 2 + x 3 + x 4 = 1 000,000
X
0.25 (X
x3
1.10 x
,x
,x
,x
+x
+ 0.05 x
(capital de inversin)
+ x 3)
Para la entrada del programa en el LINDO, es necesario reescribir el programa de la

siguiente manera:
Max (z) = 0.12 x
s.a.
+ 0.10 x
+ 0.08 x
+ 0.05 x
48

Eduardo Quiroz
................................................................................................................................................................................................................................
+x
0.75 x
x 2 -x
x
x
+x
- x
-x
= 1 000,000
(capital de inversin)
- 1.10 x
,x
+x
,x
,x
Aplicando el LINDO, se tiene:

MAX
0.12 X1 + 0.1 X2 + 0.08 X3 + 0.05 X4
SUBJECT TO
2) X1 + X2 + X3 + X4 = 1000000
3) 0.75 X1 - 0.25 X2 - 0.25 X3 <= 0
4) X2 - X3 <= 0
5) - 1.1 X1 + X2 >= 0
END

1)
VARIABLE
X1
X2
X3
X4
ROW
2)
3)
4)
5)
97500.00
VALUE
REDUCED COST
250000.000000
0.000000
375000.000000
0.000000
375000.000000
0.000000
0.000000
0.047500
SLACK OR SURPLUS
0.000000
0.000000
0.000000
100000.000000
DUAL PRICES
0.097500
0.030000
0.010000
0.000000
EJEMPLO 6.3.: PROBLEMA DE POLITICA DE PRESTAMOS

Una institucin financiera, ALFA BANK, se encuentra en el proceso de formular su
poltica de prstamos para el prximo trimestre. Para este fin se asigna un total de $
12 millones. Siendo una institucin de servicios integrales, esta obligada a otorgar
prestamos a diversos clientes. En la siguiente tabla, se seala los tipos de prestamos,
la tasa de inters que cobra el banco y la posibilidad de que el cliente no cubra sus
pagos, irrecuperables o incobrables, segn se estima por su experiencia.
49

Eduardo Quiroz
................................................................................................................................................................................................................................
Tipo de
prstamo
Personal
Automvil
Casa
Agrcola
Comercial
Tasa de
inters
0.140
0.130
0.120
0.125
0.100
Probabilidad
de incobrables
0.10
0.07
0.03
0.05
0.02
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto no
producen ingreso por concepto de intereses.
La competencia con otras instituciones financieras del rea requiere que el banco
asigne cuando menos el 40% de los fon dos totales a prestamos agrcolas y
comerciales. Para dar asistencia a la industria de la habitacin en la regin, los
prestamos para casa deben ser iguales cuando menos al 50% de los prestamos
personales, para automvil y para casa. El banco tiene asimism o una poltica
establecida que especifica que la relacin global de pagos irrecuperables no puede ser
superior a 0.04 .
Solucin:
X
X
X
X
X
1:
Prestamos
Prestamos
3: Prestamos
4: prestamos
5: prestamos
2:
personales en millones de $
para automviles.
para casa .
agrcolas
comerciales
El objetivo es maximizar el rendimiento neto: diferencia entre ingreso por concepto de

inters y los fondos perdidos por adeudos no cubiertos. Como los adeudos no cubiertos
son irrecuperables, tanto el inters como el principal en la funcin objetivo es:
Max(z) = 0.14(0.9 x 1) + 0.13(0.93 x 2) + 0.12(0.97 x 3) + 0.125(0.55 x 4) + 0.1(0.98
x 5)
sujeto a:
0.1 x
X 1+ X
+X
0.5(X
0.07 x
+X
+X
0.03 x
+X
0.4 (12)
1
+X
+X
12
0.05 x
0.02 x
(Fondos totales)
(prestamos comerciales y agrcolas)
(prestamos para casa)
0.1X 1 + 0.07 X 2 +0.03 X 3 +0.05 X 4 + 0.02 X 5

-------------------------------------------------------------sobre adeudos
X 1+ X 2 + X 3 + X 4 + X 5
O bien:
0.06X 1 + 0.03 X 2 - 0.01 X 3 + 0.01 X 4 - 0.02 X 5 0
0.04
(limites
no cubiertos)
X j 0 (j=1,5)
50

Eduardo Quiroz
................................................................................................................................................................................................................................
Reescribiendo el programa, se tendra:

Max(z) = 0.126 x 1 + 0.1209 x 2 + 0.1164 x 3 + 0.068875 x
0.07 x 2 0.03 x 3
0.05 x 4 0.02 x 5
+ 0.098 x
- 0.1 x
s.a.
X 1+ X
+X
0.5x
0.06X
+X
+X
+X
12
4.8
0.5 X
1
0.5 X
+ 0.03 X
- 0.01 X
+ 0.01 X
X
ij
- 0.02 X
Aplicando el LINDO, tendriamos la formulacin correspondiente y la solucin:

MAX
0.026 X1 + 0.05089999 X2 + 0.0864 X3 + 0.018875 X4

+ 0.07799999 X5
SUBJECT TO
2) X1 + X2 + X3 + X4 + X5 <= 12
3) X4 + X5 >= 4.8
4) - 0.5 X1 - 0.5 X2 + 0.5 X3 >= 0
5) 0.06 X1 + 0.03 X2 - 0.009999999 X3 + 0.009999999 X4 - 0.02 X5 <=
END

1)
0.9964800
VARIABLE
X1
X2
X3
X4
X5
VALUE
0.000000
0.000000
7.200000
0.000000
4.800000
REDUCED COST
0.060400
0.035500
0.000000
0.059125
0.000000

2)
0.000000
3)
0.000000
4)
3.600000
5)
0.168000
0.000000
NO. ITERATIONS=
DUAL PRICES
0.086400
-0.008400
0.000000
51

Eduardo Quiroz
................................................................................................................................................................................................................................
EJEMPLO 6.4.: PROBLEMA DE INVERSION

Al gerente de cartera de la AFP BUENA VIDA SE LA HA PEDIDO INVERTIR $1000,000
de un gran fondo de pensiones. El departamento de investigacin de inversiones ha
identificado seis fondos mutuos con estrategias de inversin variables, resultando en
diferentes rendimientos potenciales y riesgos asociados, como se resume en la
siguiente tabla:
Precio($/accin)
Devolucin
esperada(%)
Categora de riesgo
1
45
30
2
76
20
3
110
15
FONDO
4
17
12
5
23
10
6
22
7
Alto
Alto
Alto
Mediano
Mediano
Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los

diferentes fondos. Para este fin, la administracin de la AFP, ha especificado las
siguientes pautas:
La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y
75% de la cartera.
La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y
30% de la cartera.
La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 50%
de la cartera.
Una segunda forma de controlar el riesgo es diversifi car, esto es, esparcir el riesgo
invirtiendo en muchas alternativas diferentes. La gerencia de la AFP ha especificado
que la cantidad invertida en los fondos de alto riesgo 1,2 y 3 deben estar en la tasa
1:2:3 , respectivamente. La cantidad invertida en lo s fondos de mediano riesgo 4 y 5
debe ser 1:2 .
Con estas pautas, qu cartera debera usted, gerente de cartera, recomendar para
maximizar la tasa esperada de retorno?.
Solucin
X j : fraccin de la cartera por invertir en el per iodo j
Tasa esperada de rendimiento = rendimiento total esperado / cantidad invertida
Funcin objetivo:
Max(z) = 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6
Restricciones:
Por inversin
X1 + X 2 + X3 0.50
(mnimo alto riesgo)
52

Eduardo Quiroz
................................................................................................................................................................................................................................
X1 + X2 + X3 0.75
(mximo alto riesgo)
X4 + X 5 0.20
(mnimo mediano riesgo)
X4 + X 5 0.30
(mximo mediano riesgo)
X6 0.05
(mnimo bajo riesgo)
Debido a las proporciones:

X2 = 2 X 1
- 2 X1 + X2 = 0
(proporcin X 1 a X 2 )
X3 = 3 X 1
- 3 X1 + X3 = 0
X5 = 2 X 4
- 2 X4 + X5 = 0
Agenda Total de cartera

X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
Condicin de no negatividad:
Xj0
(j = 1,6)
Max 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6

s.a.
X1 + X 2 + X3 0.50
X1 + X 2 + X3 0.75
X4 + X 5 0.20
X4 + X 5 0.30
X6 0.05
- 2 X1 + X 2 = 0
- 3 X1 + X 3 = 0
- 2 X4 + X 5 = 0
X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
53

Eduardo Quiroz
................................................................................................................................................................................................................................
PROBLEMAS DESARROLLADOS
1.
PetroPer obtiene tres tipos de petrleo crudo de sus pozos de Talara,

Pavayacu y Trompeteros. La gasolina obtenida de estos petrleos
crudos se mezcla junto con dos aditivos para obten er el producto final.
Estos petrleos crudos y aditivos contienen azufre, plomo y fsforo,
como se muestra en la siguiente tabla:
PETROLEOS CRUDOS
ADITIVOS
Talara Pavayacu Tompeteros 1
2
Azufre(%)
0.07
0.08
0.10
--Plomo(g/gal) ---7
6
Fsforo(g/gal) ---0.052
0.02
Costo($/gal)
0.55
0.47
0.33
0.08
0.12
Debido a los residuos e impurezas, cada galn de petrleo crudo de Talara
resulta solo en 0.35 de galn del producto final, que contiene 0.07% de azufre.
De manera similar, cada galn de cr udo Pavayacu produce 0.40 de galn del
producto final que contiene 0.08% de sulfuro y cada galn de crudo de
Trompeteros resulta en 0.30 de galn del producto final que contiene 0.10% de
azufre. La gerencia ha establecido las siguientes especificaciones pa ra controlar
la cantidad de azufre, plomo y fsforo:
Cada galn debe tener a lo mas 0.07% de azufre
Cada galn debe tener entre 1.25 y 2,5 gramos de plomo
Cada galn debe tener entre 0/0025 y 0.0045 gramos de fsforo
La cantidad total de los aditivos no pu ede exceder de 1.9% de la mezcla
Como gerente de produccin, determine un plan de mezclado que produzca una
gasolina aceptable al mnimo costo.
2.
La Cia. BETA STEEL produce tres tamaos de tubos: A,B y C que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de
maquina de modelado. Cada pie de tubo B requiere 0.45 minutos y cada pie del
tubo C requiere 0.6 minutos.
Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1
onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de
los tubos A,B y C respectivamente.
Para la siguiente semana, BETA ha recibido pedidos excepcionalmente grandes
que totalizan 2000 pies de tubo A, 4000 pies de tubo B y 5000 pies de tubo C.
Como solo se dispone de 40 horas de tiempo de maquina esta semana y solo se
tienen en inventario 5500 onzas de material de soldar, el departamento de
produccin no podr satisfacer esta deman da, que requiere de un total de 97
horas de tiempo de maquina y 11,000 onzas de material de soldar. No se
espera que contine este alto nivel de demanda. En vez de expandir la
capacidad de las instalaciones de produccin, la gerencia de BETA esta
considerando la compra de algunos de estos tubos a proveedores de Japn a un
costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
54

Eduardo Quiroz
................................................................................................................................................................................................................................
TIPO PRECIO
DE
VENTA
($/ft)
A
10
B
12
C
9
DEMAND TIEMPO
DE MATERIAL
A
MAQUINA
PARA
(ft)
(min/ft)
SOLDAR
(oz/ft)
2000
0.50
1
4000
0.45
1
5000
0.60
1
COSTO DE
PRODUCCI
N
($/ft)
3
4
4
COSTO
DE
COMPRA
($/ft)
6
6
7
Como gerente del Dpto. de produccin, se le ha pedido hacer recomendaciones

respecto a la cantidad de produccin de cada tipo de tubo y la cantidad de compra a
Japn para satisfacer la demanda y maximizar las ganancias de la compaa.
Formulacin de Programas :
1. X1 : numero de
X2 : numero de
X3 : numero de
X4 : numero de
X5 : numero de
Min
s.a.
galones de petrleo crudo de Talara

galon es de petrleo crudo de Pavayacu
galones de petrleo crudo de Trompeteros
galones del aditivo 1 para hacer un galn de gasolina
galones del aditivo 2 para hacer un galn de gasolina
0.55X 1 + 0.47X 2 + 0.33X 3 + 0.08X 4 +0.12x 5

0.35X1 + 0.40X 2 + 0.30X 3 + X 4 + x5 = 1.0
0.00025X 1 + 0.00032X 2 + 0.0003X 3 0.0007
7X4
+ 6X 5
2.50
7X4
+6 X 5
1.25
0.025X 4
+0.02X 5
0.0045
0.025X 4
+0.02X 5
0.0025
X4
+ X5
0.19
Xj
2. X1 : numero de
X2 : numero de
X3 : numero de
X4 : numero de
X5 : numero de
X6 : numero de
Max
s.a.
(produccin)
(azufre)
(lim. Superior plomo)
(lim. Inferior plomo)
(lim. Superior fosforo)
(lim. inferior fosforo)
(lim. Superior en aditivos)
(j=1,2,3,4,5)
pies de tubo de tipo A por producir

pies de tubo de ti po A que comprar a Japn
pies de tubo de tipo A que comprar a Japn
pies de tubo de tipo A que comprar a Japn
7X 1 + 8X2 + 5X 3 + 4X4 +6x5 + 2X 6

X1
+ X4
+
X5
X3 +
X6
0.5X1 + 0.45X 2 + 0.6X 3
X1 +
X2 +
X3
X2
Xj
= 2000
= 4000
= 5000
2400
5500
(demanda A)
(demanda B)
(demanda C)
(tiempo de maquina)
( material para sol dar)
(j=1,2,3,4,5,6)
55

Eduardo Quiroz
................................................................................................................................................................................................................................
F) PROBLEMA 1: REPORTE DEL LINDO

7
1)
0.9494500
VARIABLE
X1
X2
X3
X4
X5
ROW
2)
3)
4)
5)
6)
7)
8)
VALUE
0.000000
1.375000
0.866666
0.140000
0.050000
REDUCED COST
0.127500
0.000000
0.000000
0.000000
0.000000
SLACK OR SURPLUS
0.000000
0.000000
1.220000
0.030000
0.000000
0.002000
0.000000
NO. ITERATIONS=
DUAL PRI CES

-1.475000
374.999878
0.000000
0.000000
8.000000
0.000000
1.195000
RANGES IN WHICH THE BASIS IS UNCHANGED:

VARIABLE
X1
X2
X3
X4
X5
ROW
2
3
4
5
6
7
8
OBJ COEFFICIENT RANGES

CURRENT
ALLOWABLE ALLOWABLE
COEF
INCREASE
DECREASE
0.550000
INFINITY
0.127500
0.470000
0.102000
0.030000
0.330000
0.022500
0.255000
0.080000
0.040000
0.298750
0.120000
0.239000
0. 040000
RIGHTHAND SIDE RANGES
CURRENT ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
1.000000
0.065000
0.110000
0.000700
0.000110
0.000052
2.500000
INFINITY
1.220000
1.250000
0.030000
INFINITY
0.004500
0.000250
0.000150
0.002500
0.002000
INFINITY
0.190000
0.035000
0.010000
56

Eduardo Quiroz
................................................................................................................................................................................................................................
PROBLEMA 2: REPORTE DEL LINDO

4
1)
55000.00
VARIABLE
X1
X2
X3
X4
X5
X6
ROW
2)
3)
4)
5)
6)
VALUE
2000.000000
0.000000
2333.333252
0.000000
4000.000000
2666.666748
REDUCED COST
0.000000
0.250000
0.000000
0.500000
0.000000
0.000000
SLACK OR SURPLUS
0.000000
0.000000
0.000000
0.000000
1166.666626
DUAL PRICES
4.500000
6.000000
2.000000
5.000000
0.000000
NO. ITERATIONS=
4
VARIABLE
X1
X2
X3
X4
X5
X6
ROW
2
3
4
5
6

CURRENT ALOWABLE ALLOWABLE
COEF
INCREASE
DECREASE
7.000000
INFINITY
0.500000
8.000000
0.250000
INFINITY
5.000000
0.600000
0. 333333
4.000000
0.500000
INFINITY
6.000000
INFINITY
0.250000
2.000000
0.333333
0.600000

CURRENT
ALLOWABLE ALLOWABLE
RHS
ICREASE
DECREASE
2000.000000
2800.000000
2000.000000
4000.000000
INFINITY
4000.000000
5000.000000
INFINITY
2 666.666748
2400.000000
700.000000
1400.000000
5500.000000
INFINITY
1166.666626
57

Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO VII
ANALISIS DE SENSIBILIDAD
En una situacin real, algunos datos de un modelo de programacin lineal pueden
cambiar con el tiempo debido a la naturaleza dinmica del negocio. Que sucede con la
solucin ptima si los precios del mercado caen? Si suben los costos de mano de obra
o de la materia prima? Si se contratan empleados adicionales en una lnea de
produccin?. El decisor ante tales situaciones deseara saber qu tan sensible es la
solucin ptima a estos valores de datos.
Las respuestas a estas preguntas pueden usarse de diversas maneras. Por ejemplo si
la solucin ptima es muy sensible a algunos coeficientes, y se espera que estos
valores flucten con el tiempo, entonces el decisor puede desear usar el modelo solo
para planeacin a corto plazo, o tal vez tenga que resolver el modelo peridicamente al
cambiar los datos.
Despus de formular y reso lver un problema de programacin lineal, un decisor debe
hacerse un nmero de preguntas importantes de la forma: Que sucede si.....? . Por
ejemplo:
1. Que le sucede a la solucin ptima y al valor de la funcin objetivo
correspondiente si un coeficiente particular de la funcin objetivo se modifica?
2. Que le sucede a la solucin ptima y al valor de la funcin objetivo
correspondiente si se modifica un valor particular del extremo derecho de las
restricciones?
Estas preguntas tienen que ver con el tema del anlisis de sensibilidad. El decisor se
pregunta qu tan sensibles son la solucin ptima y el valor de la funcin objetivo con
respecto a los cambios en los datos del problema, es decir, los coeficientes en la
funcin objetivo y las restricciones. Q ue tanto impacto tendr en la solucin un
cambio en cualquiera de los datos?.
Estas preguntas de sensibilidad son importantes para un decisor por que los datos Del
problema a menudo tienen que estimarse y por tanto estn sujetos a inexactitudes.
Antes de implantar la solucin obtenida de un programa lineal, es ventajoso para el
gerente saber lo que podra suceder si las estimaciones de los datos son ligeramente
inexactas. El anlisis de sensibilidad indica que coeficientes afectan mas
significativamente la solucin ptima.
Para ilustrar otro uso del anlisis de sensibilidad, suponga que las restricciones de un
programa lineal particular tienen que ver con la asignacin de recursos escasos, como
capita, mano de obra y materias primas. El anlisis de sensibi lidad puede ayudar a
determinar si es rentable o no adquirir cantidades adicionales de recursos.
7.1. USO DEL REPORTE DE SENSIBILIDAD DEL LINDO FOR WINDOWS
En esta parte se utiliza el paquete de programacin lineal LINDO para hallar la solucin
ptima y analizar los reportes de sensibilidad. Como se aprendi en la seccin 6.1, el
algoritmo simplex proporciona mas informacin que simplemente la solucin ptima.
58

Eduardo Quiroz
................................................................................................................................................................................................................................
EJEMPLO 7.1.: Problema de planeacin de produccin de ALFA

La Cia. ALFA fabrica artculos p ara el hogar y manufactura dos productos: A y B.
-
Maquinado
Armado
Montaje

respectivamente.
El producto
manufacturarse con el objeto de hacer el mejor empleo de los medios limitados de
Formulacin del problema
La combinacin de la funcin objetivo de maximizar la ganancia total y las tres
restricciones estipuladas en funcin de los recursos disponibles da como resultado el
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2 160
x 1 + 2x 2 120
4x 1 + 2x 2 280
x 1, x 2 0
maquinado
armado
montaje
solucin de computadora

1)
VARIABLE
X1
0.000000
X2
0.000000
ROW
2)
2.500000
3)
5.000000
4)
0.000000
1000.000
VALUE
REDUCED COST
40.000000
40.000000
SLACK OR SURPLUS
DUAL PRICES
0.000000
0.000000
40.000000
59

Eduardo Quiroz
................................................................................................................................................................................................................................
Con respecto al problema de ALFA, surgieron las siguientes preguntas de sensibilidad:

1. Debido a una competencia reciente en el mercado por el producto B, la
gerencia ha decidido disminuir la ganancia en $2 por unidad. Cmo debera
cambiar el plan de produccin par a A y B?.
2. Que sucede con el margen de ganancia de ALFA, si el tiempo disponible
para maquinado disminuye en 20 minutos?
3. Que sucede con el margen de ganancia de ALFA, si el tiempo disponible
para montaje aumenta en 40 minutos?
Utilizando el reporte de se nsibilidad del LINDO, que se muestra en la figura 6.3, se
tiene que:
La primera pregunta tiene que ver con un decremento de $2 en la ganancia del
producto B, lo cual hace que la ganancia sea ahora de $13 por unidad del producto B.
En otras palabras, Ud. d esea saber qu sucede con la solucin ptima anterior de x 1 =
40 y x 2 = 40
Cuando el coeficiente de x 2 en la funcin objetivo disminuye de 15 a 13.
La primera parte del reporte de sensibilidad(OBJ COEFFICIENT RANGES) proporciona la
respuesta. Para x 2 el coeficiente de la funcin objetivo original es 15, como se indica
en la columna titulada CURRENT COEF. Las siguientes dos columnas proporcionan los
intervalos de sensibilidad para cada uno de los coeficientes de la funcin objetivo.
Lindo proporciona es tos intervalos reportando el incremento y decremento mximos
permisibles de los valores actuales.
VARIABLE
X1
X2
ROW
2
3
4

CURRENT
ALLOWABLE
ALLOWABLE
COEF
INCREASE
DECREASE
10.000000
5.000000
2.500000
15.000000
5.000000
5.000000
CURRENT
ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
160.000000
13.333333
40.000000
120.0000 00
40.000000
20.000000
280.000000
INFINITY
40.000000
FIGURA N 6.3.
problema de ALFA
Reportes del anlisis de sensibilidad del LINDO para el
En este ejemplo mientras el coeficiente de ga nancia de x 2 permanezca en el intervalo

de 10 a 20, que el valor mnimo y mximo permisibles respectivamente, y mientras los
dems coeficientes no cambien, la solucin ptima de x 1 = 40 y x 2 = 40 no cambia. Un
valor fuera de este intervalo sin embargo, pue de ocasionar un cambio en la solucin
ptima. Como el nuevo valor de 13 para este coeficiente esta dentro Del intervalo de
10 a 20, la solucin actual sigue siendo ptima. Sin embargo, la ganancia mxima
cambia
60

Eduardo Quiroz
................................................................................................................................................................................................................................
Max Z = (10 * 40) + (13 * 40)

Max Z = $920
La segunda pregunta se refiere a un decremento en el lado derecho de la primera
restriccin de su valor original de 160 a 140. La segunda parte del reporte de la figura
6.3, titulada RIGHTHAND SIDE RANGES ayuda a contestar esta pregunta.
Recuerde que el precio dual o precio sombra de una restriccin representa la cantidad
de cambio en la funcin objetivo por unidad de incremento en el valor del lado
derecho. Para la primera restriccin, que limita los minutos totales usados en el
departamento de maq uinado a menos de 160, el precio sombra de 2.50 se da en la
seccin 6 de figura 6.2.
Sin embargo, ese precio sombra es aplicable slo si el valor del lado derecho
permanece dentro de cierto intervalo. De hecho, ese intervalo se proporciona en la
segunda parte del reporte de la figura 6.3 en las columnas rotuladas ALLOWABLE
INCREASE y DECREASE ALLOWABLE. Mientras el limite de minutos de maquinado este
entre 120 y 173.33 el precio sombra de 2.50 es vlido. Esto significa que cada minuto
adicional de maquinad o del actual nivel de 160 a 173.33 minutos incrementan la
ganancia en $2.50. de manera alternativa, cada minuto disminuido del actual nivel de
160 hasta 120 disminuye la ganancia en $2.50.
Puede usarse esta informacin para responder la segunda pregunta de la manera
siguiente. Para la primera restriccin correspondiente al proceso de maquinado, el
nuevo valor del lado derecho de la restriccin que es 140 est dentro del intervalo de
120 a 173.33, por lo que el precio sombra de 2.50 es vlido. El nuevo val or de la
funcin objetivo ptima correspondiente a 140 minutos disponibles en el proceso de
maquinado es:
Z1 = Z + (precio sombra)*(Cambio en el valor ld)
Z1 = 1000 + (2.50)*( -20)
Z1 = 950
As pues, la reduccin de 160 a 140 minutos provoca que la gan ancia ptima
disminuya de $1000 a $950.
La tercera pregunta tiene que ver con un incremento en el valor ld de la tercera
restriccin, de su valor original de 280 a 320. Usando la misma parte Del reporte de
sensibilidad de la figura 6.3, puede verse que e l nuevo valor esta dentro Del intervalo
240 a infinito, y por lo tanto, el precio sombra de 0.00 sigue siendo valido. Esto
significa que cada minuto adicional en el proceso de montaje Del actual nivel de 280
hasta el infinito, el incremento de la ganancia es nulo. De manera alternativa, cada
minuto disminuido del actual nivel de 280 hasta 240 minutos la disminucin de la
ganancia es nula.
6.4.2. Interpretacin de reportes de anlisis parametrico
En la seccin 6.4.1., el reporte de sensibilidad del lado derecho para el problema de
ALFAQUIM indica que el precio sombra de 2.50 para la restriccin (1) es valido
mientras el valor ld permanezca dentro del intervalo 120 a 173.33. De igual forma el
precio dual de 5.00 para la restriccin (2) es vlida mientras e l valor ld permanezca
dentro del intervalo 100 a 160. Sin embargo, qu sucede si un coeficiente se cambia
a un valor fuera de estos intervalos?
61

Eduardo Quiroz
................................................................................................................................................................................................................................
El anlisis parametrico proporciona la respuesta. El lindo proporciona un reporte

parametrico que se presenta e n la figura 6.4
En la figura 6.5, la seccin (A) indica lo que sucede cuando el ld de la primera
restriccin se incrementa de su valor actual de 160. La seccin (B) indica lo que
sucede cuando el ld s decrementa de su valor actual de 160. De manera sim ilar, la
figura 6.5, la seccin (C) indica lo que sucede cuando el ld de la segunda restriccin
se incrementa de su valor actual de 120. La seccin (D) indica lo que sucede cuando
el ld s decrementa de su valor actual de 120.
Las dos primeras lneas de la seccin A de la figura 6.5 confirman lo que ha aprendido
Del reporte del anlisis de sensibilidad, esto es, al incrementarse el valor ld de 160 a
173.33, el valor de la funcin objetivo se incrementa de 1000 a 1000.33 en la
proporcin Del precio sombra de 2.50. La siguiente lnea indica
que un incremento
mas all de 173.33 no tiene efectos sobre el valor ptimo de la funcin objetivo por
que l; precio sombra para este intervalo es 0.000
La seccin B proporciona informacin similar sobre el decreme nto en el valor ld. Las
dos primeras lnea establecen que al disminuir este valor ld de 160 a 120, el valor de
ptimo de la funcin objetivo decrece de 1000 a 900 en la proporcin del precio
sombra de 2.50. la siguiente lnea indica que al disminuir todav a mas este valor de ld
de 120 a 100, el valor ptimo decrece de 900 a 750 en la proporcin del nuevo precio
sombra de 7.50
RIGHTHANDSIDE PARAMETRICS REPORT FOR ROW: 2
VAR
OUT
SLK
VAR
IN
4 SLK
VAR
(B)
OUT
PIVOT
ROW
2
VAR
PIVOT
IN
ROW
X1 SLK
RHS
VAL
DUAL PRICE
BEFORE PIVOT
160.000
173.333
200.000
RHS
VAL
OBJ
VAL
2.50000
1000.00
2.50000
1033.33
0.000000E+00 1033.33
DUAL PRICE
OBJ
BEFORE PIVOT
VAL
160.000
120.000
100.000
(A)
2.50000
2.50000
7.50000
1000.00
900.000
750.000
RIGHTHANDSIDE PARAMETRICS REPORT FOR ROW: 3

VAR
OUT
VAR
IN
X1 SLK
VAR
OUT
SLK
PIVOT RHS
ROW
VAL
VAR
IN
4 SLK
PIVOT
ROW
2
DUAL PRICE
BEFORE PIVOT
120.000
160.000
200.000
OBJ (C)
VAL
5.00000
1000.00
5.00000
1200.00
0.000000E+00 1200.00
RHS
DUAL PRICE
OBJ
(D)
VAL
BEFORE PIVOT
VAL
120.000
5.00000
1000.00
100.000
5.00000
900.000
80.0000
6.66667
76 6.667
FIGURA 6.4. Reporte Parametrico
62

Eduardo Quiroz
................................................................................................................................................................................................................................
EJEMPLO 7.2.: Problema de inversin de BETA

BETA es una compaa de manejo de efectivo que esta considerando invertir $100,000
en una o ms de las siguientes acciones con la tasa anticipada de rendimiento que a
continuacin se muestra:
Inversin
Tasa de rendimiento
Proyectada (%)
Acciones preferenciales de Eastern Oil
9.00
Acciones comunes de Alask an Oil
8.00
Acciones comunes de American Steel
7.00
Bonos municipales de Cleveland
6.00
La gerencia de BETA ha impuesto las siguientes pautas de inversin:
1.
2.
La inversin en bonos municipales debe ser d e al menos $20 000.

La inversin en bonos municipales no debe exceder 20% de la inversin
total en acciones, ms $50 000.
3.
La inversin total en acciones no debe ser mayor a 60% de la inversin
total.
4.
La inversin total no debe exceder los fondos disponible s.
Como administrador de la cartera, es probable que quiera determinar la estrategia de
inversin que maximice el rendimiento total anual esperado sin violar ningn
lineamiento de inversin.
Formulacin del problema.
Usando tcnicas de formulacin del ca ptulo 2, se llega a definir las siguientes variables
de decisin:
X 1=
X 2=
X 3=
X 4=
el
el
el
el
nmero
nmero
nmero
nmero
de
de
de
de
dlares por invertir en las acciones preferentes de Eastern Oil.

dlares por invertir en las acciones comunes de Alaskan Oil.
dlares por invertir en las acciones comunes de American Steel.
dlares por invertir en los bonos municipales de Cleveland.
La combinacin de la funcin objetivo de maximizar la devolucin esperada total y las

cuatro restricciones estipulada s en las pautas de inversin dan como resultado el
Maximizar 0.09x1+ 0.08x2+0.07x3+0.06x4
Sujeto a:
-0.2x1 0.2x2 0.2x3 x4 50000
0.4x1 + 0.4x2 + 0.4x3 x4 0
x1 +
x2 +
x3 + x4 100000
x4 20000
Solucin de computadora.
El modelo de inversin puede solucionarse usando cualquier paquete de software de
programacin lineal disponible como LINDO. El primer paso es introducir los datos del
modelo en el formato requerido por LINDO. Como de ilustra en la figura 6.8(a), escriba
el problema en el mismo formato que en la formulacin.
63

Eduardo Quiroz
................................................................................................................................................................................................................................
Ahora puede ordenarle a la computadora que use LINDO para resolverle el problema
tecleando la instruccin SOLUTION. La prime ra parte del reporte proporciona los
valores ptimos de las variables originales. La segunda proporciona informacin
referente a las restricciones.
1)
7800.000
VARIABLE
VALUE
X1
60000.000000
X2
0.000000
X3
0.000000
X4
40000.000000
REDUCED COST
0.000000
0.010000
0.020000
0.000000

DUAL PRICES
2)
22000.000000
0.000000
3)
0.000000
0.030000
4)
0.000000
0.078000
5)
20000.000000
0.000000

VARIABLE
X1
X2
X3
X4
ROW
2
3
4
5

CURRENT
ALLOWABLE
COEF
INCREASE
0.090000
INFINITY
0.080000
0.010000
0.070000
0.02000 0
0.060000
0.030000
CURRENT
ALLOWABLE
RHS
INCREASE
50000.000000
INFINITY
0.000000
20000.000000
100000.000000
78571.429688
20000.000000
20000.000000
ALLOWABLE
DECREASE
0.010000
INFINITY
INFINITY
0.195000
ALLOWABLE
DECREASE
22000.000000
18333.332031
50000.00 0000
INFINITY
Sobre la base de la primera parte, su recomendacin a la gerencia de BETA es invertir

$60 000 en las acciones preferentes de Eastern Oil, nada en las acciones comunes de
Alaska Oil o American Steel y $40 000 en los bonos municipales de Cleveland. Como
lo indica el valor optimo de la funcin objetivo, esta cartera tiene un rendimiento anual
esperado de $7800, que es una tasa de devolucin de 7.8%.
En la segunda parte, las restricciones estn numeradas secuencialmente, comenzando
con el nmero 2 (el nmero se refiere a la funcin objetivo). Por ejemplo, en la fila
64

Eduardo Quiroz
................................................................................................................................................................................................................................
titulada 2, corresponde a la primera re striccin en la formulacin, el valor de 20 000

para la variable de supervit indica que el valor del lado izquierdo de esta restriccin
es 20 000 ms que el Del lado derecho. En otras palabras, los $40 000 invertidos en
los bonos municipales de Cleveland son $20 000 ms que el mnimo requerido. Ms
an, el precio dual (tambin llamado el precio sombra) para esta restriccin, mostrado
en la ltima columna, es 0.
Como otro ejemplo, en la fila titulada 5, correspondiente a la ltima restriccin en la
formulacin anterior, el valor de 0 para la variable holgada indica que esta restriccin
es obligatoria, es decir, los $10 000 son invertidos usando el plan actual. Ms an, el
precio dual de 0.078 asociado con esta restriccin indica que cada dlar adicional que
BETA puede invertir (hasta una cantidad dada en el reporte de sensibilidad, como se
muestra en la figura 6.9) gana una tasa esperada de 7.8%.
Uso de los reportes de sensibilidad
Durante la presentacin de sus resultados la gerencia formul las siguiente s
preguntas:
1. El gerente de finanzas advirti que una incertidumbre reciente en el mercado
petrolero podra bajar la tasa esperada de devolucin de las acciones de Eastern Oil
a 8%. Si esto sucede, Debera BETA reconsiderar su estrategia de inversin?
2. El presidente de BETA probablemente pueda negociar un prstamo a largo plazo
del banco local a 7%. Debera BETA intentar obtener este prstamo? . Si es as,
por que cantidad?
3. El vicepresidente de Finanzas ha estudiado el prospecto de una empresa
ligeramente ms riesgosa (comparada con las cuatro acciones y bonos bajo
consideracin) que requiere una inversin de exactamente $60,000 y ofrece una
tasa de devolucin de 8%. Debera BETA considerar esta alternativa, dejando slo
$40,000 para invertir en las acc iones y bonos bajo consideracin?
Para responder la primera pregunta, identifique el impacto que este cambio tiene en el
modelo matemtico. Si la tasa de devolucin de las acciones preferentes de Eastern Oil
desciende a 8%, el coeficiente de la variable de E-Oil en la funcin objetivo cambia de
0.09 a 0.08. para determinar si este cambio tiene como resultado un cambio en el plan
de inversin, examine el reporte de sensibilidad de la figura 6.4 obtenida del LINDO.
esta el nuevo valor de 0.08 para el coef iciente de la funcin objetivo dentro Del
intervalo donde la solucin actual sigue siendo ptima?.
La primera linea Del reporte de sensibilidad indica que el valor actual de 0.09 para este
coeficiente puede incrementarse infinitamente o disminuir en 0.01 sin cambiar la
solucin ptima. Por lo tanto el intervalo de sensibilidad para este coeficiente va desde
0.08 a + infinito. Como este nuevo valor de 0.08 para este coeficiente sta dentro Del
intervalo de 0.08 a infinito, no hay cambio en el plan de inversi n. Sin embaro la
devolucin esperada total decrece en 1% de la cantidad invertida en acciones de la E Oil, es decir:
Max(Z)= 7800 0.01(60,000)
= 7,200
Por lo tanto, una disminucin en la tasa de rendimiento de las acciones de Eastern Oil
de 8% no afecta el plan de inversin de BETA, pero disminuye la devolucin hasta
$7,200.
65

Eduardo Quiroz
................................................................................................................................................................................................................................
Para responder a la segunda pregunta, a saber, si BETA debe obtener un prstamo al

7% de inters y, si es as, por que cantidad, pregntese como afecta este cambio el
modelo matemtico. La respuesta es que la obtencin de fondos de inversin
adicionales a travs del prstamo propuesto tiene como resultado un incremento Del
lado derecho de la penltima restriccin. El precio dual de 0.078 asociado con esta
restriccin es mayor que e l costo Del prstamo como se muestra en el reporte de la
figura 6.4, indica que cada dlar adicional disponible para inversin regresa 7.8
centavos. Como esta devolucin de 7.8% es mayor que el costo Del prstamo a 7%,
realmente vale la pena que BETA aseg ure este prstamo. Pero el siguiente punto es
por qu cantidad?. Ciertamente hasta el limite para el cual este precio dual de 0.078
es valido. Puede calcularse este limite a partir de la informacin de la ltima lnea de la
segunda parte del reporte de se nsibilidad de la figura 6.4. este valor es el mximo
incremento permisible de 78,571.43 sobre el valor actual de 100,000, esto es, BETA
debera obtener un prstamo por al menos $78,571.43, pero, debera la compaa
obtener mas?.
La respuesta a esta pregu nta depende de lo que suceda al precio dual fuera de este
intervalo. Para esto se recurre al anlisis parametrico que proporciona el lindo, que se
utiliza para estudiar el impacto de cambio de este tipo.
66

Eduardo Quiroz
................................................................................................................................................................................................................................
PROBLEMAS PROPUES TOS

1.
La Compaa ALFA fbrica 3 productos de caucho: Airtex(material esponjoso),

Extendex(material elstico) y Resistex(material rgido). Los tres productos
requieren los mismos tres polmeros qumicos y una base. La cantidad de cada
ingrediente usada p or libra del producto final se muestra en la siguiente tabla:
PRODUCT
O
Airtex
Extendex
Resistex
INGREDIENTES(oz./lb de producto)
POLIMERO A POLIMERO B POLIMERO C BASE
4
3
6
2
2
3
4
2
5
6
9
2
Alfa, tiene el compromiso de producir al menos 1000 lbs. D e Airtex, 500 lbs. De
Extendex y 400 lbs. De Resistex para la prxima semana, pero la gerencia de la
Cia. Sabe que puede vender ms de cada uno de los tres productos.
Los inventarios actuales de los ingredientes son: 500 lbs. De polmero A, 425
lbs. De polmero B, 650 lbs. De polmero C y 1,100 lbs. De la base. Cada libra
de Airtex produce a la Cia. Una ganancia de $7, cada libra de Airtex una
ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del
departamento de produccin, usted nec esita determinar un plan de produccin
ptimo para esta semana.
a) Formule el programa lineal para este problema
b) Cul es el plan de produccin ptimo?
c) Con el plan de produccin actual, para cual de los tres productos se puede
cumplir con una demanda adicio nal de 5%?. Explique
d) Que coeficiente o coeficientes de ganancia podran duplicarse, mientras se
mantienen fijos todos los dems coeficientes, sin que afecte el plan de
produccin ptimo?. Explique
e) El compromiso de producir 400 libras de Resistex acaba de caer en 10%.
Que le sucede a la ganancia ptima?. Explique
f) Si la demanda de Airtex aumenta en 2%, cual es el nuevo plan de
produccin optimo?. Explique.
g) La Cia. Desea aumentar sus ganancias a $18,000 adquiriendo ms cantidad
de polimero A. Cuanto mas de polmero A se necesita?. Explique.
2.
La Cia. Gamma dirige sus gastos de venta en diversos rubros con el objeto de
producir ventas. Uno de los tipos de actividad que es efectiva es la Conferencia
Regional de Ventas. Existen 6 regiones (designadas I a VI) en las cuales estas
conferencias toman lugar semanalmente y en algunas mensualmente. Cada una
de las conferencias puede ser de un da completo o de medioda. Existe un
costo por persona y un resultado esperado de ventas para cada uno de estos
tipos de conferencias. Los tipos de conferencias disponibles, sus costos y sus
ventas resultantes se listan a continuacin.
Conferencias de Ventas
Mensual I
Semanal II
Semanal II
Semanal III
Mensual IV
- Todo el da
- Todo el da
- Medioda
- Todo el da
- Todo el da
Costo($)
120
130
80
60
100
Ventas
resultantes($)
13,000
21,500
11,500
7,500
11,800
67

Eduardo Quiroz
................................................................................................................................................................................................................................
Mensual IV
Semanal V
Semanal VI
Semanal VI
- Medioda
- Todo el da
Todo el da
- Medioda
60
200
600
350
9,500
22,000
90,000
50,000
Adems de estas actividades, un comercial de tv que cuesta $1,350 debe

producir $118,500 en ventas.
Un anuncio en un grupo de peridicos locales costar $330 y producir $59,000
en ventas.
Finalmente, el tener abierta una oficina de consultas durante un da cos tar
$180 y producir $21,800 en ventas.
A la Cia. Le gustara maximizar sus ventas manejando sus gastos de venta,
pero desea mantener algunas restricciones. El plan fue cubrir un perodo de 6
meses y para ese periodo el presupuesto de gastos de ventas es $52,500. Se
decidi que al menos la mitad del presupuesto deba ir a las conferencias
semanales y mensuales de ventas. Al menos una persona deba ser enviada a
la semanal VI y mensual I (das completos).
El comercial de tv debe ser usado al menos una vez , adems no debe enviarse
mas de una persona a las conferencias Mensual IV como a la semanal II (das
completos)
a) Explique la distribucin ptima de los gastos de venta. Dar alguna
explicacin de los resultados que aparezcan con fraccin.
b) Calcule los ingresos por dlar gastado en el plan optimo de 6 meses.
c) Cul debe ser el total de ventas ptimo si el presupuesto se elevara a
$62,500?. Dnde debe colocarse los $10,000 adicionales?. Cual es el
retorno por unidad de $10,000 extras y por qu este es diferen te del monto
obtenido en la parte b.
d) Cul seria la solucin ptima si se requieren 3 comerciales de TV?
e) Piensa usted que el requerimiento de que la mitad del presupuesto se
gaste en conferencia de ventas influye mucho en el retorno de ventas?
Explique y justifique su respuesta. Cul es el retorno de ventas si solo se
dispone de $16,500 para conferencias de ventas?
f) Si usted tuviera la oportunidad de eliminar las restricciones con respecto al
nmero de personas enviadas a semanal Vi y mensual I, Cul eli minara y
por que?
g) Cul ser el retorno de ventas si se eliminara totalmente el requerimiento
Del comercial de Tv?. Donde debe localizarse los $1250 (i.e. Cul es la
nueva solucin?)
3.
Hacker Company fabrica tableros de circuitos electrnicos para computa doras

PC. Cada tablero de fax -modem, de compresin de datos y de sintetizacin de
sonido requiere una cierta cantidad de tiempo de maquina para insertar los
chips, soldarlos, ensamblarlos y probarlos. Estos datos(en minutos), junto con
la cantidad de minut os de tiempo de maquina disponible para cada operacin,
el nmeros mnimo de produccin de cada tablero, las ganancias netas se
resumen en la tabla siguiente:
68

Eduardo Quiroz
................................................................................................................................................................................................................................
Fax -Modem
Insercin de chips
Soldado
Ensamblado
Prueba
Ganancia($)
Produccin
mnima
0.333
0.5
2.0
1.5
10
500
Tablero
Comprensin Sintetizador
de datos
de sonido
0.25
0.5
0.5
0.5
2.0
1.0
2.0
3.5
10
300
Minutos
disponibles
500
600
2000
2400
8
250
a) Cuntos tableros de cada uno debe fabricar la empresa?. Cul es la

ganancia total?
b) Que pasa con la solucin ptima, si se debe producir un mnimo de 550 fax modems?
c) Qu sucede con la solucin ptima si se tienen disponibles 400 minutos
adicionales de tiempo de maquina para el ensamblado?
d)Qu sucede con la solucin ptima, si la g anancia por cada fax -modem se
incrementa en $8?
e) Qu sucede con la solucin ptima si se tienen disponibles 200 minutos
adicionales de tiempo de insercin de chips?
f) Explique como afectan a la solucin las restricciones de disminucin del 20%
del tiempo de ensamblado y prueba?
g) Qu sucede con la solucin ptima, si la ganancia por cada sintetizador de
sonido se incrementa en $5?
h) Cul seria la solucin ptima, si se requiere producir un mnimo de 400
sintetizadores?
4.
La Cia. BETA STEEL produce tres tamaos de tubos: A,B y C que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de
maquina de modelado. Cada pie de tubo B r equiere 0.45 minutos y cada pie del
tubo C requiere 0.6 minutos.
Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1
onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de
los tubos A,B y C respectivamente.
Para la siguiente semana, BETA ha recibido pedidos excepcionalmente grandes
que totalizan 2000 pies de tubo A, 4000 pies de tubo B y 5000 pies de tubo C.
Como solo se dispone de 40 horas de tiempo de maquina esta semana y solo se
tienen en inventario 55 00 onzas de material de soldar, el departamento de
produccin no podr satisfacer esta demanda, que requiere de un total de 97
horas de tiempo de maquina y 11,000 onzas de material de soldar. No se
espera que contine este alto nivel de demanda. En vez de expandir la
capacidad de las instalaciones de produccin, la gerencia de BETA esta
considerando la compra de algunos de estos tubos a proveedores de Japn a un
costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
69

Eduardo Quiroz
................................................................................................................................................................................................................................
TIPO
A
B
C
PRECIO DE DEMANDA
VENTA
(ft)
($/ft)
10
2000
12
4000
9
5000
TIEMPO DE
MAQUINA
(min/ft)
1
1
1
MATERIAL
PARA SOLDAR
(oz/ft)
3
4
4
COSTO
DE COMPRA
($/ft)
6
6
7
a) Formule el programa lineal par a este problema

b) Cul es el plan de produccin/adquisicin ptimo para la BETA STEEL?
c) Si pudiera obtener mas material para soldar o ms tiempo de maquina, pero no
ambas cosas, cual escogera? . Explique.
d) Los japoneses acaban de aumentar el precio de sus t ubos tipo C de $7 a $8 por
pie, de que manera cambia el plan de produccin/adquisicin actual?.
Explique.
e) La Cia. puede vender su material para soldar con una ganancia de $32 por
libra. Cunto deber vender?. Explique.
f) La Cia. desea aumentar sus gananci as a $57,500. Cuantas horas mas de
tiempo de maquina se necesitan para lograr este objetivo?. Explique.
5.
Al gerente de cartera de ALFA Pension, Inc. Se la ha pedido invertir $ 1 milln

de un gran fondo de pensiones. EL Departamento de investigacin de
inversiones ha identificado seis fondos mutuos con estrategias de inversin
variables, resultando en diferentes rendimientos potenciales y riesgos
asociados, como se resume en la siguiente tabla:
Precio($/accin)
Devolucin esperada( %)
Categora de riesgo
FONDO
1
45
30
Alto
2
76
20
Alto
3
110
15
Alto
4
17
12
Median
5
23
10
Mediano
6
22
7
Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en

los diversos fondos. Para ese fin, la administracin de Alfa Pension ha
especificado las siguientes pautas:
i) La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y
75% de la cartera.
ii) La cantidad total invertida en fondos de mediano riesgo debe estar entre 20
y 30% de la cartera.
iii) La cantidad total invertida en fondo s de bajo riesgo debe ser al menos 5%
de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el
riesgo invirtiendo en muchas alternativas diferentes. La gerencia de Alfa, ha
especificado que la cantidad invertida en los fondos de alto riesgo 1,2 y 3 deben
estar en la tasa 1:2:3, respectivamente. La cantidad invertida en los fondos de
mediano riesgo 4 y 5 debe ser 1:2.
Con estas pautas, qu cartera debera usted, gerente de cartera, recomendar
para maximizar la tasa espe rada de retorno?
Utilice el LINDO para determinar la solucin ptima de ALFA y para escribir un
informe en el que usted:
a) Indique la mayor tasa de recuperacin que se puede permitir si no se invierte
en el fondo 6
70

Eduardo Quiroz
................................................................................................................................................................................................................................
b) Analice el efecto que tendra sobre la tasa ptima de recuperacin un aumento

de la cantidad que debe ser invertida en la inversin de bajo riesgo.
c) Proporcione la estrategia de inversin ptima si la cantidad invertida en el fondo
4 debe ser la misma que la invertida en el fondo 5.
d) Analice el efecto de los aumentos y disminuciones individuales en las
devoluciones esperadas de cada fondo.
71

La Investigacion de Operaciones

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

La Investigacion de Operaciones

Cargado por

Copyright:

Formatos disponibles

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

Los modelos icnicos sin muy adecuados para la descripcin de acontecimientos en un

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

MODELOS DE LA INVESTIGACION DE OPERACIONES

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

obtenerse tambin por medio del clculo, la teora de probabilidades, la programac in

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

HISTORIA DE LA PROGRAMACIN LINEAL

REVISION DE LAS APL ICACIONES DE LA PROGRAMACION LINEAL.

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

la economa agrcola, o sea, relacionada con la economa de la regin estado o

Industria del carbn

Industria del Transporte

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

Industria del Hierro y del Acero

2.2.4. Anlisis Econmico.

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

LA PROGRAMACION LINEAL EN LA ECONOMIA

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

de tal aplicacin fueron lamentables: el aparente caos de la vida econmica, llevo al

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

MODELO DE PROGRAMACION LINEAL

Sujeto a las restricciones estructurales:

y las restricciones de no negatividad

En las ecuaciones anteriores: a ij , b i y cj son valores que se asumen conocidos y el

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

a11 a12 ..........

FORMULACION DEL MODELO DE PROGRAMACION LINEAL .

SOLUCION DE UN PROGRAMA LINEAL

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

EJEMPLO 3.1.: PROBLEMA DE PLANEACION DE PRODUCCION

EJEMPLO 3.2.: PROBLEMA DE PLANEACION DE PRODUCCION

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

Min (z) = 1000x 1 +2000x 2

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

PROBLEMA3.4.: EJEMPLO DE POLITICA DE PRESTAMOS

(prestamos comerciales y agricolas)

(prestamos para casa)

0.1X1 + 0.07 X 2 +0.03 X 3 +0.05 X 4 + 0.02 X5

(limites sobre adeudos

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

PROBLEMA 3.5.: EJEMPLO DE UN PLAN DE INVERSION

El capital requerido y la utilidad se invierte n en las diversas actividades del ao correspondiente.

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

Para el segundo ao:

Para el cuarto ao:

Para el quinto ao:

PROBLEMA 3.6.: EJEMPLO DE INVERSION

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

(mnimo alto riesgo)

(mximo alto riesgo)

(mnimo mediano riesgo)

(mximo mediano riesgo)

(mnimo bajo riesgo)

Debido a las proporciones:

Agenda Total de cartera

INVESTIGACION DE OPERACIONES EN ADMINISTRACION

PROBLEMA 3.7.: EJEMPLO DE PROBLEMA DE ADMINISTRACIN DE CARTERA

1 si Gamma debe invertir en el Proyecto j (j=1,4)

si Gamma no debe invertir en el Proyecto j

INVESTIGACION DE OPERACIONES EN ADMINISTRACION