Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La Investigacion de Operaciones
La Investigacion de Operaciones
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.
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.
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
CAPITULO II
LA PROGRAMACION LINEAL
2.1.
2.2.
Industria Qumica
Las aplicaciones dentro de la industria qumica han sido, sobre todos, en los
campos de produccin y de administracin de inventarios.
B.
C.
Aviacin Comercial
Las aplicaciones en este campo esta conectado con problemas de rutas y
de administracin de lneas.
D.
E.
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.
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.
2.3.
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
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
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.
(1)
i1 x1 + a
i2 x2 + .....+ a
in xn
bi
i=1,m
j=1,n
(2)
(3)
a ij x j
= b
J=1
i=1,m
j=1,n
12
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=
........................
a m1 am2 ........... amn
3.4.
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
+ 2x 2 120
4x
+ 2x
x 1, x
280
14
= 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)
(prestamos a empresas)
Condicin de no negatividad
X
,x
,x
,x
15
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)
x3 0.5(X 1 + X2 + X3 )
O bien:
- 0.01 X
+ 0.01 X
- 0.02 X
16
Condicin de no negatividad ;
X
ij
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)
17
1A
+ X1B 10,000
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
4A
10,000 + X
1A
-x
2B
-X
3B
-X
2C
-X
3A
-X
3B
+ 0.40 x
2A
+ 0.70 X
1B
5D
10,000 - x
2C
4A
+0.40 x
- 0.70 X
3A
2B
condicin de no negatividad
X
ij
0 (variables no negativas)
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
Solucin
Variables de decisin:
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
X1 + X2 + X3 0.75
X4 + X5 0.20
X4 + X5 0.30
X6 0.05
- 2 X1 + X2 = 0
(proporcin X 1 a X2 )
X3 = 3 X 1
- 3 X1 + X3 = 0
(proporcin X 1 a X3 )
X5 = 2 X 4
- 2 X4 + X5 = 0
(proporcin X 4 a X5 )
(j = 1,6)
19
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:
Variables de decisin:
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=
Funcin Objetivo:
Max (z)= 250X 1 + 375 X 2 + 275 X 3 + 140 X 4
Restricciones:
Fondos totales invertidos en los proyectos seleccionados
20
(ao 1)
(ao 2)
(ao 3)
(ao 4)
21
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
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($/mes)
800
650
500
MAXIMO DE
VIAJES/MES
20
25
30
23
conferencias. Los tipos de conferencias disponibles, sus costos y sus ventas resultantes se listan a
continuacin.
Conferencias de Ventas
Mensual I - Todo el da
Semanal II - Todo el da
Semanal II - Medioda
Semanal III - Todo el da
Mensual IV - Todo el da
Mensual IV - Medioda
Semanal V - Todo el da
Semanal VI - Todo el da
Semanal VI - Medioda
Costo($)
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
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.
25
+ 15 x
s.a.
2x
+ 2x
160
+ 2x
120
4x
+ 2x
280
,x
X2
100
80
60
40
20
Grfica 1
l
20
l
40
l
60
l
80
x1
100
26
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
/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
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
100
80
60
40
20
l
20
l
40
l
60
l
80
l
100
l
120
x1
28
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
29
,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
(1)
(2)
(3)
(4)
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
(1)
(2)
Grfica 4.6
x1
A
3 -
(2)
2 (1)
1 -
x2
32
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
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
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
................................................
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.
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 producto debe
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:
Las variables de decisin son:
x1: nmero de unidades del producto A que se va a producir
x2: nmero de unidades del producto B que se va a producir
El programa lineal es:
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2 160
x
+ 2x
120
4x
+ 2x
280
36
x 1, x
+ 2x
4x
+ 2x
+x
+0x
+0x
= 160
= 120
+x
x 1, x 2 , x 3, x
= 280
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
37
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
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.
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:
z1
z2
z3
z4
z5
= 10 0 = 10
= 15 0 = 15
= 00= 0
= 00= 0
= 00= 0
38
39
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
Y las variables no bsicas son:
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
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
41
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
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
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
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
44
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.
EJEMPLO 6.1.: PROBLEMA DE PLANEACION DE PRODUCCION
6.1.1. Definicin del problema
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
45
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
+ 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
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
47
0.25 (X
x3
1.10 x
,x
,x
,x
+x
+ 0.05 x
(capital de inversin)
+ x 3)
(prestamos personales)
(prestamos a empresas)
(prestamos a empresas)
+ 0.10 x
+ 0.08 x
+ 0.05 x
48
+x
0.75 x
x 2 -x
x
x
+x
- x
-x
= 1 000,000
(capital de inversin)
(prestamos personales)
- 1.10 x
,x
+x
,x
,x
(prestamos a empresas)
(prestamos a empresas)
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
49
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:
Variables de decisin:
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
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)
0.04
(limites
no cubiertos)
X j 0 (j=1,5)
50
+ 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
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
DUAL PRICES
0.086400
-0.008400
0.000000
51
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
52
X1 + X2 + X3 0.75
X4 + X 5 0.20
X4 + X 5 0.30
X6 0.05
- 2 X1 + X2 = 0
(proporcin X 1 a X 2 )
X3 = 3 X 1
- 3 X1 + X3 = 0
(proporcin X 1 a X 3 )
X5 = 2 X 4
- 2 X4 + X5 = 0
(proporcin X 4 a X 5 )
(j = 1,6)
53
PROBLEMAS DESARROLLADOS
1.
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 $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
54
TIPO PRECIO
DE
VENTA
($/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
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)
+ 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
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=
56
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
RANGES IN WHICH THE BASIS IS UNCHANGED:
VARIABLE
X1
X2
X3
X4
X5
X6
ROW
2
3
4
5
6
57
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
Maquinado
Armado
Montaje
maquinado
armado
montaje
solucin de computadora
LP OPTIMUM FOUND AT STEP
1000.000
VALUE
REDUCED COST
40.000000
40.000000
SLACK OR SURPLUS
DUAL PRICES
0.000000
0.000000
40.000000
59
FIGURA N 6.3.
problema de ALFA
60
61
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
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
62
el
el
el
el
nmero
nmero
nmero
nmero
de
de
de
de
63
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.
OBJECTIVE FUNCTION VALUE
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
ALLOWABLE
DECREASE
0.010000
INFINITY
INFINITY
0.195000
ALLOWABLE
DECREASE
22000.000000
18333.332031
50000.00 0000
INFINITY
64
65
66
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($)
13,000
21,500
11,500
7,500
11,800
67
Mensual IV
Semanal V
Semanal VI
Semanal VI
- Medioda
- Todo el da
Todo el da
- Medioda
60
200
600
350
9,500
22,000
90,000
50,000
68
Fax -Modem
Insercin de chips
Soldado
Ensamblado
Prueba
Ganancia($)
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
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 $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
69
TIPO
A
B
C
PRECIO DE DEMANDA
VENTA
(ft)
($/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
($/ft)
6
6
7
Precio($/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
70
71