Está en la página 1de 160

ISSN:0716-7334

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE


INSTITUTO DE ECONOMIA
Oficina de Publicaciones
Casilla 274 - V, Correo 21, Santiago

MODELOS DE OPTIMIZACION*
Gonzalo Edwards **
Trabajo Docente N 57

Marzo, 1994

* Este trabajo es una publicacin conjunta del Instituto de Economa (Trabajo Docente N 57), y de

la Escuela de Administracin (Trabajo Docente 194-01). Pontificia Universidad Catlica de


Chile.
** Profesor Facultad de Ciencias Econmicas y Administrativas, Pontificia Universidad Catlica
de Chile.

INDICE

Pgina
CAPITULO 1:

INTRODUCCION AL PROCESO DE
OPTIMIZACION

CAPITULO 2:

PROGRAMACION MATEMATICA:
ALGUNOS CONCEPTOS BASICOS

15

CAPITULO 3:

OPTIMIZACION SIN RESTRICCIONES

23

CAPITULO 4:

OPTIMIZACION CON RESTRICCIONES


DE NO NEGATIVIDAD

30

CAPITULO 5:

OPTIMIZACION CON RESTRICCIONES


DE IGUALDAD Y DESIGUALDAD

35

CAPITULO 6:

SUFICIENCIA DE CONDICIONES DE
KUHN-TUCKER

52

CAPITULO 7:

PROBLEMAS ADICIONALES DE
PROGRAMACION NO LINEAL

65

CAPITULO 8:

PROGRAMACION LINEAL:
INTRODUCCION

79

CAPITULO 9:

PROGRAMACION LINEAL Y EL
COMPUTADOR

93

CAPITULO 10:

PROBLEMAS ADICIONALES DE
PROGRAMACION LINEAL

107

CAPITULO 11:

VARIABLES BINARIAS

128

REFERENCIAS

157

NOTA INTRODUCTORIA
El propsito de este trabajo es servir de material complementario para aquellos
cursos que persiguen formar la capacidad de modelamiento matemtico en las reas de
economa y administracin.
El texto presenta el instrumental matemtico utilizado en el anlisis de
optimizacin de manera comprensible, tratando de desarrollar la intuicin, sin mayor
nfasis en el rigor formal. Por otra parte, el nfasis no est en la solucin de problemas
de optimizacin claramente definidos, sino que en el planteamiento de los mismos.
Para desarrollar la capacidad de plantear problemas se presentan en el texto
numerosos ejemplos, a la vez que se proponen, al final de cada captulo, problemas
adicionales para la ejercitacin del alumno.
El trabajo puede dividirse en tres partes: Programacin No Lineal, donde lo
principal es el planteamiento de problemas y la comprensin de las condiciones de
Kuhn-Tucker. La segunda parte, de Programacin Lineal, que es un caso particular de
Programacin No Lineal, presenta mltiples ejemplos de este tipo de modelos,
destacando los anlisis grficos y los problemas de planteamiento. En esta parte, se
hace uso de programas computacionales tales como el LINDO y el QSB+. Por ltimo,
en la tecera parte, se enfatizan los problemas que requieren en su planteamiento el uso
de variables binarias.
Se debe destacar que se han dejado fuera varios temas en las reas descritas
por razones de espacio y tiempo que en todo caso estn bien tratados en otros libros.
Entre estos temas excluidos se encuentran: a) El dual; b) El mtodo Simplex de
Programacin Lineal y otros algoritmos de solucin de distintos tipos de problemas de
Programacin Matemtica. Asimismo, se ha decidido excluir los problemas de
optimizacin en condiciones de incertidumbre, y los problemas de optimizacin
dinmica.
Por ltimo, como este trabajo surge de mis apuntes de clase en el
Departamento de Economa Agraria y en la Facultad de Ciencias Econmicas y
Administrativas de la Pontificia Universidad Catlica de Chile durante los ltimos diez
aos, quiero agradecer, aunque no recuerde sus nombres, a todos los alumnos que he
tenido y en especial a todos los ayudantes. De manera particular, deseo agradecer a
Guillermo Donoso, Frantz Kroeger, Oscar Melo, Guillermo Ortiz, Sol Reyna y Mara
Isabel Vial.

Modelos de Optimizacin

CAPITULO 1
INTRODUCCION AL PROCESO DE OPTIMIZACION
El objetivo principal de este texto es aprender a plantear y resolver problemas de
optimizacin. Para lograr este objetivo es conveniente expresar el problema de optimizacin
tpico en trminos de las siguientes etapas:
Entendimiento del Problema: Esta etapa consiste en entender las caractersticas esenciales
del problema. Si bien esta etapa puede parecer obvia, muchas veces el problema radica
justamente en el hecho que el problema no se entiende. En general, esta etapa no se expresa
en lenguaje matemtico.
Definicin de Variables: Las variables en juego deben ser definidas en forma clara. Por
ejemplo, cuando se define una variable X como tomates, debe quedar claro si se refiere a
kilos de tomates, hectreas de tomates, etc.
Definicin de Funcin Objetivo: Esta etapa consiste en definir, en trminos matemticos,
qu se quiere lograr. Por ejemplo, el objetivo puede ser maximizar ganancias, minimizar
costos, minimizar el riesgo de quiebra, etc.
Definicin del Conjunto de Restricciones: Esta etapa consiste en definir, nuevamente en
trminos matemticos, el espacio de lo posible. Por ejemplo, cuntas hectreas se pueden
sembrar como mximo con los distintos cultivos? de cunto dinero se dispone para llevar a
cabo la empresa? qu capacidad se tiene para manejar inventarios? etc.
Cabe advertir que muchas veces esta etapa se confunde, erradamente, con la etapa de
bsqueda de la solucin. El conjunto de restricciones se refiere al espacio de lo posible y no
a un espacio restringido donde se espera que est el ptimo. Si bien muchas veces puede
parecer preferible trabajar con un espacio ms restringido para encontrar la solucin, en la
prctica es comn que dichas restricciones dejen de hecho fuera del espacio a la verdadera
solucin ptima, sobre todo en problemas complejos.
Bsqueda de Solucin: Esta etapa representa el problema matemtico propiamente tal. Las
etapas anteriores se refieren al problema de planteamiento del problema en trminos
matemticos, mientras que esta etapa se refiere a la bsqueda del valor o de los valores de las
variables que optimizan la funcin objetivo dentro del conjunto de valores posibles que stas
pueden tomar.
Interpretacin de Resultados: Esta etapa, que parece obvia, muchas veces es
olvidada por los analistas. Un modelo no entrega resultados. Es el analista quien
se debe hacer responsable de los mismos y entregarlos. Por ejemplo, si los

Trabajo Docente N 57

resultados "entregados" por el modelo o por el computador son contrarios a todo


lo que el analista siempre ha creido, es posible que el analista deba revisar sus
teoras. Sin embargo, lo ms probable es que el modelo tenga algn problema en
el planteamiento o en el sistema de bsqueda de solucin que obligue a revisar lo
realizado. El modelo es una herramienta que permite al analista entender un
determinado problema. No es ms, aunque tampoco menos que eso.
A continuacin se presentan varios ejemplos de planteamiento con el objeto de
introducir algunos de los elementos anteriores a problemas prcticos. Se
excluyen de esta introduccin las etapas de bsqueda de soluciones y de
interpretacin de resultados.
Ejemplo 1.1:
Suponga que Ud. tiene un fundo con las siguientes caractersticas:

8.

1.

El fundo tiene 120 hectreas.

2.

Ud. est considerando la posibilidad de poner trigo, porotos, o una


combinacin de ambos cultivos.

3.

Ud. no dispone de trabajadores permanentes y debe contratarlos a 700


pesos por jornada.

4.

El trigo requiere de 5 jornadas hombre por hectrea, mientras que los


porotos requieren de 10 jornadas hombre por hectrea.

5.

Ud. dispone de un tractor y no puede tomar en arriendo ni dar en arriendo el


tractor. Esto le impone un mximo de 300 jornadas-tractor para todo el
ao. El trigo requiere de 3 JT/h, y los porotos 5 JT/h.

6.

Los costos variables por hectrea, sin contar la mano de obra, son de 50.000
pesos en el caso del trigo y 35.000 pesos en el caso de los porotos.

7.

El precio por quintal de trigo es de 3.000 pesos y por quintal de porotos,


4.000.

El rendimiento esperado por hectrea de trigo es de 60 quintales y por hectrea de


porotos es de 40 quintales.

El problema es determinar cuntas hectreas sembrar con cada cultivo.

Modelos de Optimizacin

Lo primero que hay que hacer es plantear el problema en trminos matemticos. En


este ejemplo, lo que se quiere es que las ganancias sean lo ms grandes posible. Esto se
expresa en trminos matemticos como:
Maximizar Ganancias = Ingresos Totales - Costos Totales = IT - CT
donde:
IT

3.000 x 60 x T + 4.000 x 40 x P

T, P =

Nmero de hectreas a sembrar de trigo y porotos respectivamente.

CT =

50.000 x T + 35.000 P + 700 (5 T + 10 P)

As, la funcin a maximizar es

Funcin Objetivo

f(T, P) = 126.500 T + 118.000 P

El problema son las restricciones. Como slo se cuenta con 120 hectreas, debe
cumplirse que:

T + P 120

Restriccin 1

Por otra parte, como se cuenta slo con 300 jornadas tractor como mximo, se debe
cumplir que:

3T + 5P 300

Restriccin 2

Trabajo Docente N 57

Por ltimo, estn las restricciones de no negatividad. Estas se refieren al hecho


que no se pueden sembrar cantidades negativas. Matemticamente,

T 0, P 0

Restricciones de no negatividad

Esta ltima restriccin se debe poner a pesar de ser obvia. En un planteamiento


matemtico, nada es obvio si no se explicita.
En resumen, el problema anterior se expresa como:
Maximizar f (T,P) = 126.500 T + 118.000 P
sujeto a:
T + P 120
3T + 5P 300
T 0; P 0
El modelo anterior es una simplificacin de una situacin tpica. No incorpora,
por ejemplo, el hecho de que los rendimientos y los precios son aleatorios.
Tampoco incorpora posibles restricciones de dinero o problemas de tasas de
inters. Excluye, asimismo, toda consideracin de disponibilidad de agua de
riego. Adicionalmente, no incluye posibles restricciones impuestas por el tamao
de los potreros (suponga, por ejemplo, que no se desea sembrar ms de un cultivo
en un potrero determinado). Dicho de otra forma, en un modelo slo se puede ver
lo que ste incorpora. No se puede ver lo mucho que no incorpora.
Ejemplo 1.2:
Ud. est dedicado a la produccin de dos productos cuyas funciones de
produccin son las siguientes:

Y1 = X10,7
Y2 = X10, 2 X 02,8

Modelos de Optimizacin

donde Xi e Yj se refieren a las cantidades de insumos y productos


respectivamente. Ud. sabe adems que PY1 = 10, PY2 = 15, PX1 = 2, PX2 = 3.
El problema es plantear un modelo de optimizacin que, una vez resuelto, le
permita decidir cunto producir de cada producto a fin de maximizar las
utilidades. Como dato adicional, Ud. slo dispone de 150 pesos para la compra
de insumos, y por razones tcnicas de almacenaje, Y1 no puede ser mayor al 30%
de Y2.
Nuevamente el objetivo es la maximizacin de utilidades. Tal como se dijo
anteriormente, el primer paso es la definicin de las variables en forma clara. En
este ejemplo, existen dos opciones: 1) trabajar directamente con las cantidades de
insumos, 2) trabajar simultneamente con las cantidades de producto y de
insumos. As, el problema se podra plantear, aunque erradamente por razones
que se vern ms adelante, de cualquiera de las dos formas siguientes:
Planteamiento 1:
Maximizar 10 X 0,71 + 15 X 10, 2 X 02,8 2X 1 3X 2
sujeto a:
2 X1 + 3X2 150
0
X 10,7 0,3 X 10, 2 2;1 X 02,8
X 1, X 2 0
Planteamiento 2:
Maximizar 10Y1 + 15 Y2 - 2 X1 - 3X2
sujeto a:
2X1 + 3X2 150
Y1 0,3 Y2
Y1 = X 10,7
Y2 = X 10,2 X 02,8
Y1, Y2, X1, X2 0

Trabajo Docente N 57

De los dos planteamientos anteriores, el primero tiene la ventaja de trabajar con


dos variables en lugar de cuatro, lo que resulta ms fcil en trminos de la
bsqueda de la solucin. El segundo, por otra parte, tiene la ventaja que su
solucin entrega directamente las cantidades a producir y las cantidades de
insumos por utilizar. En este sentido, en trminos del planteamiento del
problema, parece preferible el segundo, mientras que en trminos del problema
matemtico de resolucin es preferible el primero.
Cul es el error en ambos planteamientos anteriores? El problema es que la
cantidad del primer insumo, X1, se plantea como utilizable en ambos productos
simultneamente. En la realidad, una parte se puede utilizar para un producto y el
resto en el otro. No se puede usar el total de insumo en la produccin de un
producto y el total tambin en la produccin del otro.
De lo anterior, surge la necesidad de distinguir entre las cantidades del insumo
que van a uno y otro producto. Es as como los planteamientos anteriores se
reescriben como:
Planteamiento 1:
0, 7
0, 2
Maximizar 10 X 11
+ 15 X 12
X 02,8 - 2 (X11 + X12) - 3X2

sujeto a:
2(X11 + X12) + 3 X2 150
0, 7
0, 2
X 11
0,3 X 12
X 02,8
X11, X12, X2 0
Planteamiento 2:
Maximizar

10 Y1 + 15 Y2 - 2 (X11 + X12) - 3 X2

sujeto a:
2(X11 + X12) + 3 X2 150
Y1 0,3 Y2
0,7
Y1 = X11
0, 2
Y2 = X 12
X 02,8
X11, X12, X2, Y1, Y2 0

Modelos de Optimizacin

Ejemplo 1.3:
En un feedlot de engorda de novillos, se ha decidido alimentarlos con heno de
alfalfa y maz grano, que cuestan 8 y 12 pesos por kilo respectivamente. El heno
tiene, por kilo, 1,8 mkcal, 160 gramos de protena, 20 gramos de calcio y 160
gramos de fsforo. A su vez, el maz tiene 3 mkcal, 90 gramos de protena, 3
gramos de calcio y 2 gramos de fsforo por kilo. Los requerimientos de cada
novillo por da son de 12 mkcal, 1,2 kilos de protena, 100 gramos de calcio y 50
gramos de fsforo.
El problema es plantear un modelo de optimizacin que, una vez resuelto, permita
minimizar el costo de engorda diario por novillo suponiendo que por razones
tcnicas, la relacin calcio:fforo debe estar entre 1:1 y 2:1.
Definiendo H y M como las cantidades, en kilos, de heno y maz respectivamente,
el problema se puede plantear como sigue:
Minimizar f (H,M) = 8H + 12 M
sujeto a:
1,8 H + 3 M 12
160 H + 90 M 1,2
20 H + 3 M 100
160 H + 2 M 50
cantidad de calcio
1 cantidad de fsforo
H, M 0

(caloras)
(protenas)
(calcio)
(fsforo)
20 H + 3 M
= 160H+ 2 M

Ejemplo 1.4:
Se dispone de 50 unidades de un bien para vender en 2 mercados independientes.
En cada mercado, las demandas estn dadas por las ecuaciones P1 = 40 - X1 y P2
= 50 - 2 X2, donde Pi representa el precio de venta unitario en el mercado i, y Xi
la cantidad vendida en dicho mercado. El problema es plantear el problema de
optimizacin correspondiente.
Las variables de decisin en este caso son las cantidades que se deben enviar a
los distintos mercados. El problema se puede plantear de cualquiera de las
siguientes formas:

Trabajo Docente N 57

Planteamiento 1:
Maximizar P1 X1 + P2 X2
sujeto a:
X1 + X2 50
P1 = 40 - X1
P2 = 50 - 2 X2
P1, P2, X1, X2 0
Planteamiento 2:
Maximizar (40 - X1 ) X1 + (50 - 2X2 ) X2
sujeto a:
X1 + X2 50
X1, X2 0
El segundo planteamiento reemplaza las ecuaciones de demanda en la funcin objetivo.
Cabe sealar que ambos planteamientos no son equivalentes desde el punto de vista
matemtico. La razn es que en el segundo planteamiento, si bien se sustituyen los
precios en la funcin objetivo, no se sustituyeron en las restricciones de no negatividad
originales (P1 0, P2 0).
Dicho de otra forma, al segundo planteamiento falt agregar:
40 - X1 0
50 - 2X2 0
Ejemplo 1.5:
Ud. es dueo de una planta agroindustrial que produce tomates, peras y duraznos en
conserva. Ud. debe planificar la produccin del prximo mes de tal forma de
maximizar los ingreso netos.
Los costos de materia prima son 10, 15 y 20 pesos por kilo en los 3 productos
respectivamente si se abastece del abastecedor A y 15, 20 y 10 pesos por kilo si se abastece

Modelos de Optimizacin

del abastecedor B. El abastecedor A no le presenta ningn problema para venderle las


cantidades que Ud. quiera. Sin embargo, el abastecedor B lo obliga a comprar por lo menos
1 kilo de peras por cada dos kilos que le compre de duraznos y un mximo de 1 kilo de
duraznos por cada kilo de tomates que le compre.
La produccin Ud. la puede vender a la cadena de supermercados X o a la cadena Y (o a
ambos). Las demandas de X vienen dadas por las siguientes ecuaciones, donde los precios
son por kilo de materia prima equivalente:
X

Ptomates = 2.000 - 2 Qtomates


Pperas

= 1.000 - 4 Qperas

Pduraznos =

850 - 3 Qduraznos

A Y, por otro lado, le gustara que le vendiera slo a l, por lo cual le ofrece
menos precio a mayor cantidad que le enve a X. Las demandas de Y vienen
dadas por las siguientes ecuaciones:
Y

Ptomates = 2.500 - 2Qtomates - Qtomates


Pperas

= 2.000 - 3Qperas - Qperas


Y

Pduraznos = 3.000 - Qduraznos - Qduraznos


En este caso, se deber decidir acerca de cunto comprar de cada producto a
cada abastecedor, y cunto vender de cada producto en conserva a cada
supermercado. De aqu surge la siguiente definicin de variables:
i

precio y cantidad de producto j (j = tomates, peras, duraznos)


comprada al abastecedor i (i = A, B).

precio y cantidad de producto j (j = tomates, peras, duraznos)


vendido al supermercado l (l = X, Y).

Pj , Qj
Pj , Qj

Se supondr, en un primer anlisis, que se debe cobrar el mismo precio a ambos


supermercados. As el problema se puede plantear como:

10

Trabajo Docente N 57

Maximizar
X

Ptomates Qtomates + Pperas Qperas + Pduraznos Qduraznos


Y

+ Ptomates Qtomates + Pperas Qperas + P duraznos Qduraznos


A

- 10 Qtomates - 15 Qperas - 20 Qduraznos


B

- 15 Qtomates - 20 Qperas - 10 Qduraznos


sujeto a:
B

Qperas
B

0,5 Qduraznos
B

Qduraznos Qtomates
X

= 2.000 - 2 Qtomates

= 2.500 - 2 Qtomates - Qtomates

= 1.000 - 4 Qperas

Ptomates
Ptomates
Pperas
Y

Pperas

= 2.000 - 3 Qperas - Qperas

Pduraznos = 850 - 3 Qduraznos


Y

Pduraznos
X

Ptomates
X

Pperas
X

= 3.000 - Qduraznos - Qduraznos


Y

= Ptomates
Y

= Pperas
Y

Pduraznos = Pduraznos
Todas las variables mayores o iguales a cero.

Las tres ltimas restricciones son las que aseguran que se cobre un mismo precio
a ambos supermercados. Si se puede cobrar distintos precios a ambos
supermercados, se deben omitir estas restricciones.

Modelos de Optimizacin

11

Problemas Propuestos

1.1.

Ud, que es administrador de un fundo de 150 hectreas, debe programar su


produccin para el prximo ao. Los productos a considerar son trigo, maz y
remolacha.
Los coeficientes tcnicos de produccin y las disponibilidades de los distintos
recursos son lo que a continuacin se sealan:

trigo maz remolacha disponibilidad


Mano de obra
(JH/h)
15

25

85

3.000

Capital
(JM/h)

14

2.000

12

Suponiendo que los beneficios netos unitarios (expresados en trminos de pesos


por hectrea) son 500, 800 y 950 pesos para el trigo, maz y remolacha
respectivamente, plantee el problema de optimizacin correspondiente.
1.2.

En un taller se elaboran tres productos A, B, C cuyas demandas son


respectivamente 90, 110, 120 unidades semanales. En la tabla se indican las
capacidades del taller para cada mtodo y las ganancias asociadas con cada
producto y mtodo de fabricacin.
Mtodo
1
2
3

Capacidad Producto
160
120
140

Ganancia/unidad
1
2
3
A
139 140
B
201 207
C
254 255

137
210
255

Plantee el problema de optimizacin correspondiente definiendo claramente las


variables, funcin objetivo y restricciones.
1.3.

Una fbrica de muecas debe decidir cuntas muecas de cada tipo


producir para maximizar las ganancias. Cuenta con dos tipos de muecas,
tipo 1 y tipo 2. El tipo 1 llora y requiere 15 minutos de fabricacin y 15

12

Trabajo Docente N 57

minutos de acabado a mano, el tipo 2 necesita 30 minutos para su


fabricacin y 3/9 horas para el acabado a mano.
La ganancia por mueca tipo 1 es de $ 8 y la de la otra es de $ 12. La
produccin est limitada a 10 horas en el departamento de fabricacin
diariamente y el acabado a mano 8 horas/da.
Se pide:
Plantee el problema de optimizacin correspondiente.
1.4.

Ud. acaba de recibir por equivocacin un animal extico del Africa con la
siguiente nota colgada a su cuello:
Me llamo TIMBO, como nada ms que carne de lagartija y maz, necesito un
mnimo de 80 grs. de protena y 6.000 caloras diarias. Soy un animal simptico
siempre que me den las protenas y caloras que pido. Cidenme.
Depus de hacer las averiguaciones del caso, Ud. aprende que por cada kilo de
carne de lagartija, obtiene 40 grs. de protena y 4.000 caloras. Por cada kilo de
maz, obtiene un total de 30 grs. de protenas y 3.500 caloras. El precio del maz
es de 100 pesos por kilo mientras que el precio unitario de la carne de lagartija
depende de cuanto compre Ud. al da. Su carnicero amigo le dice que cada da
est ms difcil conseguirla por lo que le especifica la siguiente funcin para el
precio:
P = 50 + 200 X
donde
P = precio por kg. de la carne de lagartija
X = cantidad de carne comprada (en kgs. por da)
Se pide:
a)

1.5.

Formule el modelo de optimizacin que le permita minimizar el costo de la


racin diaria.

Para cada una de las siguientes afirmaciones escriba la o las restricciones


correspondientes definiendo claramente todas las variables.

a) La relacin calcio:fsforo en una racin debe estar entre 3:1 y 4:1

Modelos de Optimizacin

13

b) Por cada tractor que compre, debe haber por lo menos 6 trabajadores
permanentes en el fundo.
c) Juanita me ha pedido que la llame por lo menos 6 veces por cada 5 que
llame a Francisca.
d) Para hacer una cazuela, por cada papa se debe poner al menos 2 pedazos
de zapallo.
e) Por cada hectrea de maz, se necesitan 2 jornadas-hombre (JH) al ao, y
por cada hectrea de trigo se requieren 4. Se dispone de 25 JH en total para el
ao.
f) Un agricultor desea sembrar el doble de hectreas de arroz que de maz y
el triple que de porotos.
g) Del total de trigo que se produzca, la mitad se debe mandar a Santiago, no
ms de un tercio a Valparaso, y el resto a Concepcin.
h) En una fonda han dedicido regalar 2 dulces por cada litro de chicha que les
compren.
i) Un agricultor tiene 10 kg. de semilla de un cultivo super especial. Cada
kg. produce al final de la estacin 2,5 kg. de producto que puede ser
consumido o usado como semilla para la temporada siguiente. El producto en
s no puede ser almacenado de un ao para otro. Este agricultor desea tener
por lo menos 16 kg. para consumir luego de la primera cosecha y por lo menos
12 para consumir luego de la segunda. De ah para adelante la semilla ya no le
interesa.
1.6.

Ud es dueo de un restaurant y dispone para el da de hoy de 100 lechugas,


200 tomates, 35 aceitunas, 180 betarragas y 100 choclos. En su men, Ud. ha
decidido poner lo siguiente:
ENSALADAS DE HOY
LECHUGAS A LA NAPOLITANA
(1 lechuga, 2 tomates, 1 choclo)

450 pesos

BETARRAGAS A LA VIENESA
(2 lechugas, 3 betarragas, 1 aceituna)

300 pesos

CHOCLOS A LA CHILENA

650 pesos

14

Trabajo Docente N 57

(3 choclos, 1 aceituna, 4 tomates)


Se pide: Plantee un modelo que le permita maximixar sus ingresos (suponga que
lo que haga lo vende, pero que debe preparar los platos antes que lleguen
los clientes).
Se recomienda definir:
X1 = N de platos de Lechugas a la Napolitana.
X2 = N de platos de Betarragas a la Vienesa.
X3 = N de platos de Choclos a la Chilena.
1.7.

Suponga que Ud. se qued despus del 18 de septiembre, da en que puso


una fonda, con 1.000 litros de chicha y 600 litros de vino. Ud. tiene la
posibilidad de guardarlos, total o parcialmente, hasta el prximo ao y
venderlos en las fondas a un precio de 100 pesos y 150 pesos por litro de
chicha y de vino respectivamente, o venederlos hoy a un precio de 50 y 85
pesos respectivamente a una botillera. Ud. no tiene problemas con la tasa
de inters directamente, pero necesita hoy 50.000 pesos para pagar una
deuda pendiente. Por ltimo, el seor de la botillera le exige que por cada
litro de chicha que le venda debe venderle por lo menos 2 litros de vino.

Se pide: Plantee el problema de optimizacin correspondiente definiendo


claramente las variables.

Modelos de Optimizacin

15

CAPITULO 2
PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS
Los problemas vistos en el captulo anterior son todos problemas de
Programacin Matemtica (PM). Formalmente, en un problema de PM se trata
de encontrar el vector x = (x1 , x2 , ..., xn ) que, perteneciendo a un conjunto X,
llamado conjunto de oportunidades y subconjunto a su vez de Rn , o conjunto de
los nmeros reales en n dimensiones, maximice una funcin objetivo f(x1 , x2 ,
..., xn ).
Dicho de otra forma, el conjunto X no es ms que el conjunto de todos los valores
que pueden tomar las distintas variables, mientras que la funcin objetivo
representa aquello que se desea maximizar.
En trminos del ejemplo 1.1, el set X es el conjunto de todos los valores de T y P
que satisfacen las restricciones
T + P 120
3T + 5P 300
T 0; P 0
y la funcin objetivo es
f (T,P) = 126.500 T + 118.000 P
Cabe sealar que el planteamiento de un problema de Programacin Matemtica
como uno de maximizacin, en lugar de uno de minimizacin, es slo por
conveniencia. Es obvio que existen muchos problemas donde lo que se desea es
minimizar y no maximizar una funcin objetivo. Afortunadamente, todo
problema de minimizacin se puede escribir como uno de maximizacin ya que el
vector que minimiza a f(x) es el mismo que maximiza - f(x).
Dos importantes casos especiales de PM lo constituyen la Programacin No
Lineal y la Programacin Lineal. En el primero, el conjunto de oportunidades X
est caracterizado por
X = {x | g(x) b, x 0}
en que

Modelos de Optimizacin

17

de cmo transformar ciertos problemas de PM que no son estrictamente de PNL o


PL en problemas que caigan dentro de estas ltimas categoras.
Ejemplo 2.1:
Considrese el problema
Maximizar 3X1 + 2X2
sujeto a:
X1 100
2X1 + 3 X2 10
X1 , X2 0
En este caso, la segunda restriccin no es de "menor o igual" con lo cual el
problema no debe, segn la definicin anterior, considerarse como de PL. Sin
embargo, esta restriccin puede reescribirse como
-2 X1 - 3 X2 - 10
sin cambiar para nada las implicancias de la restriccin.
Ejemplo 2.2:
Considrese el problema
Maximizar X1 + X2
sujeto a:
X1 = 100
X1 + 2 X2 200
X1 , X2 0
El problema en este caso lo presenta la primera restriccin, que es de igualdad.
Esta restriccin se puede descomponer en dos partes:
X1 100
X1 100

18

Trabajo Docente N 57

Obviamente, estas restricciones implican que X1 = 100. Este sistema lleva, sin
embargo, a tratar el problema de "mayor o igual" de la misma manera que en el
ejemplo 2.1 As, el problema de PM se puede reescribir como el siguiente
problema de Programacin Lineal:
Maximizar X1 + X2
sujeto a:
- X1 - 100
X1
100
X1 + 2 X2 200
X1 , X2 0
Ejemplo 2.3
Considrese el problema:
3
Maximizar X1 + X2
sujeto a:
2 X1 + X2 100
X1 0
En este caso, la variable X2 no tiene restriccin de nonegatividad. Como en
Programacin No Lineal todas las variables deben ser nonegativas, y
reconociendo que todo nmero real, (positivo, negativo, o cero) puede expresarse
como la diferencia entre dos nmeros nonegativos, lo que se hace es reescribir la
variable X2 como
X2 = X21 - X22
donde X21 y X22 son mayores o iguales a cero. As, el problema original se
puede reescribir como el siguiente problema de Programacin No Lineal:

Modelos de Optimizacin

19

3
Maximizar X1 + X21 - X22
sujeto a:
2X1 + X21 - X22 100
X1 , X21 , X22 0
Los tres ejemplos anteriores han permitido transformar problemas de PM, que no
son problemas de PNL o de PL, en problemas que s son de PNL o PL. La
ventaja de esto es que en general, mientras ms acotada est una clase de
problemas, ms especficos se puede ser en su caracterizacin y resolucin.
Dicho de otra forma, todo lo que se pueda decir de los problemas de PM es vlido
para problemas de PNL o PL, pero no viceversa. Esto quiere decir que al
transformar, por ejemplo, un problema de PM, no PL, en uno de PL, todo lo que
es vlido para la clase de problemas de PM sigue siendo vlido para el problema
transformado, y, adems, todo lo que es vlido para problemas de PL pasa a ser
vlido luego de la transformacin.
En todo caso, se debe destacar que no siempre es posible hacer este tipo de
transformaciones, como lo demuestra el ejemplo siguiente:
Ejemplo 2.4:
Considrese el problema
Maximizar 3X1 + 2X2
sujeto a:
X1 < 40
X2 20
X1 , X2 0
El problema en este caso es la desigualdad estricta en la primera restriccin.
*

Podra pensarse que el ptimo es X1 = 39,9 y X2 = 20. Sin embargo, una


*

solucin mejor sera X1 = 39,99 o mejor an X1 = 39,999. En este caso no se


puede encontrar el ptimo, con lo cual ya no se puede maximizar de acuerdo con
la definicin del proceso de maximizacin dada al comienzo de este captulo.

20

Trabajo Docente N 57

Mximos Locales y Mximos Globales


Un punto x* es un mximo global si f(x*) f(x) para todo x, x* X. Por otro
lado, x* es un mximo global estricto si f(x*) > f(x) para todo x, x* X.
Asimismo, x* es un mximo local si x* X y f(x*) f(x) para todo x,
que perteneciendo a X, se encuentre en una vecindad de x*. Si f(x*) > f(x),
entonces x* es un mximo local estricto. El carcter geomtrico intuitivo de estas
definiciones es inmediato como lo ilustra la figura siguiente:

f(x)

x*1

x2*

x3*

x*4

x*5

x*6

X1 es un mximo local estricto, X2 es un mnimo global estricto, X3 es un


*
mximo local estricto y un mximo global (no estricto), X4 es un mnimo local
*
*
estricto, X5 es un mximo global (no estricto), X6 es un mnimo local (en un
borde del conjunto de oportunidades).

Modelos de Optimizacin

21

Problemas Propuestos

2.1.

Considere los siguientes problemas de optimizacin:


Maximizar X1 + 3 X2
sujeto a:
X1 + 2 X2 8
2X1 + 3 X2 15
X1 + X2 = 6
X1 , X2 0
Mininizar 3X1 + 2 X2
sujeto a:
X1 + 2 X2 10
X1 0
Minimizar 3 X2 + Y
sujeto a:
X + Y 10
2X + Y 15
X + 3Y = 10
X 0, Y 0

Se pide: Transforme estos problemas en problemas de Programacin


Lineal o No Lineal segn corresponda.
2.2.

Considere el siguiente problema de optimizacin.


Minimizar P1 X1 + P2 X2
sujeto a:
P1 = 100 - X1
P2 = 200 - X2
X1 + X2 20
P1, P2, X1, X2 0

22

Trabajo Docente N 57

Se pide: Transforme este problema en un problema de Programacin No


Lineal sin sustituir las variables P1 y P2 en la funcin objetivo.

Modelos de Optimizacin

23

CAPITULO 3
OPTIMIZACION SIN RESTRICCIONES

Este captulo tiene por objeto caracterizar el ptimo cuando el problema no tiene
restricciones. Es decir, cuando el conjunto de oportunidades es igual al conjunto
de los nmeros reales en n dimensiones, Rn. En primer lugar se ver el caso de
una funcin objetivo de una variable para luego generalizar al caso de una
funcin de varias variables.
Funcin objetivo de una variable

En este caso, se desea maximizar una funcin f(x). Si se supone que f(x) es
diferenciable, entonces la condicin de primer orden es que
df
dx = 0

y la condicin de segundo orden es que


d2f
dx2

< 0

cuando se evala la segunda derivada en el punto donde la primera derivada es


cero. Si un punto satisface estas condiciones, entonces dicho punto es un mximo
local.
Se debe destacar que la condicin de segundo orden es suficiente pero no
necesaria, ya que la segunda derivada podra ser cero en el mximo, como lo
demuestra el caso de la funcin
f(x) = - x2

En este ejemplo la primera derivada es cero en el punto x* = 0, y la segunda


derivada evaluada en dicho punto tambin es cero. El punto x* = 0, sin embargo,
es un mximo.
Si se sustituye la condicin de segundo orden por
d2f
dx2

24

Trabajo Docente N 57

se obtiene una condicin necesaria pero no suficiente, ya que una segunda


derivada igual a cero puede corresponder a un mximo, mnimo, o punto de
inflexin.
Para ver este punto se sugiere estudiar las funciones
a) f(x) = - x2
b) f(x) = x2
c) f(x) = x3

En los tres casos, la primera derivada es cero cuando x* = 0, y la segunda


derivada es cero tambin cuando se evala en dicho punto El caso a) corresponde
a un mximo, b) corresponde a un mnimo, y c) corresponde a un punto de
inflexin.
Para saber si un punto crtico (punto en el cual la primera derivada es cero) es un
mximo, mnimo, o punto de inflexin, se debe en primer lugar evaluar la
segunda derivada en dicho punto. Si dicha derivada es cero, se debe seguir
derivando hasta encontrar la primera derivada no cero cuando se evala en el
punto crtico. Supngase que la ensima derivada es la primera derivada distinta
de cero; entonces si n es impar, se trata de un punto de inflexin; si n es par y
dfn
dfn
es
mayor
que
cero,
se
trata
de
un
mnimo;
y
si
es
par
y
es menor que
dxn
dxn
cero, se trata de un mximo.
Para finalizar el anlisis de funciones de una variable, considrese la funcin
f(x) = 3x

df
En este caso, dx = 3, con lo cual f(x) no tiene punto crtico. En este caso no se
puede maximizar ya que el mximo es infinito, el cual no es un nmero real.

Modelos de Optimizacin

27

Ejemplo 3.1:

Considrese la matriz
-3 1 2
1 -4 -1

2 -1 -7

Esta matriz es negativa definida ya que


det (H1) = f11 = -3 < 0
f11 f12
-3 1
det (H2) = det f f = det 1 -4 = 11 > 0
21 22

-3 1 2
det (H3) = det 1 -4 -1 = - 62 < 0.
2 -1 -7
Matriz positiva definida: Una matriz es positiva definida si los determinantes
de sus submatrices no alternan de signo, con el primer determinante mayor que
cero. En otras palabras, si det (H1) > 0, det (H2) > 0, det (H3) > 0, y as
sucesivamente.
Matriz semidefinida: Para que una matriz sea negativa semidefinida o positiva
semidefinida, los requisitos de menor o mayor que cero descritos pasan a ser de
menor o igual o de mayor o igual.
Otras Matrices: Si el Hessiano evaluado en el punto crtico, es decir el punto
donde la primera derivada es cero, no corresponde a ninguna de las definiciones
anteriores, entonces el punto crtico es un punto de inflexin.

En relacin con el Hessiano, se debe destacar que, tal como se pide mostrar en el
problema propuesto 3.2., el requisito que este sea negativo definido en el caso de
un mximo obliga a que todos los miembros de la diagonal sean negativos. Esto
es equivalente a decir que el punto crtico debe ser un mximo en todas las
direcciones definidas por los ejes de las ordenadas. La razn para exigir que
adems el Hessiano sea negativo definido, lo cual implica considerar las segundas
derivadas cruzadas, es que puede darse el caso que siendo un mximo en el
sentido de X1, X2, ... no lo sea en el sentido de una combinacin de las variables.
Este punto debera quedar claro al resolver el problema propuesto 3.3.
En este punto, es conveniente destacar que si el Hessiano es semidefinido
positivo o semidefinido negativo en el punto crtico, en teora dicho punto puede

28

Trabajo Docente N 57

ser un mximo, mnimo, o punto de inflexin. En el caso de una variable, para


determinar a cul caso corresponda, se deba seguir derivando hasta llegar a la
primera derivada no cero cuando se evaluaba en el punto crtico. En el caso de
varias variables, ello significa derivar el Hessiano con respecto a cada una de las
variables; luego dicho conjunto de derivadas respecto nuevamente a cada una de
las variables, y as sucesivamente. Hacer sto, aparte de ver que significa ser
positivo o negativo en dichos conjuntos, est claramente fuera del alcance de este
texto.
Finalmente, se debe sealar que la caracterizacin del ptimo basada en las
primeras y segundas derivadas se refiere a ptimos locales, no necesariamente
globales. Sin embargo, si la segunda derivada, o el Hessiano, tiene un signo
nico para cualquier valor de la o las variables, entonces el ptimo local es
tambin global. Por otra parte, el hecho que una funcin tenga una segunda
derivada negativa, por ejemplo, para cualquier valor de la variable, no significa
que dicha funcin tenga necesariamente un mximo local y en consecuencia
global. Tal sera el caso de una funcin que converge asintticamente a un valor
dado.
Problemas Propuestos

3.1

Considere la funcin
f(X,Y,Z) = -2X2 -XY - Y2 - Y Z - Z2 + 6X+7Y+8Z - 9

a)

Encuentre un punto crtico.

b)

Es ste un mximo, mnimo o ninguno de los dos? Use las


condiciones de segundo orden.

3.2

Considere cualquier funcin f(X1, X2). Muestre que para que el Hessiano
2f(x1, x2)
sea negativo definido, es necesario que fii =
sea menor que
xi2
cero para i = 1, 2.

3.3

Considere la funcin
f(X,Y) = - 2X2 - Y2 - a XY

donde "a" es un parmetro que puede tomar cualquier valor.


Se pide:

Modelos de Optimizacin

29

a)

Demuestre que el punto (X,Y) = (0, 0) es un punto crtico.

b)

Encuentre un valor cualquiera de "a" tal que dicho punto crtico sea
un mximo.

c)

Para el valor de "a" encontrado, encuentre el valor de f(0, 0); f(0, 1);
f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; -1). Trate de imaginar la forma
de la funcin.

d)

Encuentre un valor cualquiera de "a" tal que el punto crtico sea un


punto de inflexin.

e)

Para el valor de "a" encontrado en la parte anterior, encuentre el valor


de f(0, 0); f(0, 1); f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; 1).
Nuevamente, trate de imaginar la forma de la funcin.

30

Trabajo Docente N 57

CAPITULO 4
OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD

En este captulo, el objetivo es caracterizar el ptimo cuando se impone la


condicin que las variables sean no negativas. En economa, esta es la situacin
normal. Los precios no pueden ser negativos, las cantidades a producir o
almacenar no pueden ser negativas, las cantidades de insumos tampoco, etc. Por
otra parte, como se vio en el captulo 2, en Programacin No Lineal, el problema
se define con la restriccin que todas las variables sean mayores o iguales a cero.
Al igual que en el captulo anterior, se ver en primer lugar el caso de funciones
de una variable para luego ver el caso de funciones de diversas variables.
Funcin objetivo de una variable

El problema en este caso se puede escribir como


Maximizar f(x)
sujeto a:
x 0

En relacin con este problema, el ptimo puede ser mayor o igual a cero. Si es
estrictamente mayor que cero, entonces las condiciones derivadas para el caso sin
restricciones se mantienen. Si el ptimo se encuentra donde x* es igual a cero,
entonces la derivada de la funcin evaluada en dicho punto debe ser menor o
igual a cero (nunca mayor que cero por cuanto ello implicara que existe un punto
mejor dentro de los valores positivos de la variable). El grfico siguiente muestra
las distintas situaciones posibles.

Modelos de Optimizacin

31

f(x)

f(x)

x*

(a)

x*

x
(b)

f(x)

x*
(c)

La situacin (a) ocurre cuando x* > 0. En este caso el ptimo se encuentra en un


punto interior del conjunto de oportunidades con lo que f'(x*) debe ser
necesariamente igual a cero. Las condiciones de segundo orden seran las
mismas que en el caso sin restricciones visto en el captulo anterior.
La situaciones (b) y (c) ocurren cuando el ptimo se encuentra en el borde del
conjunto de oportunidades. Es decir, cuando x* = 0. En el caso (b), f'(x*) < 0;
mientras que en (c), f'(x*) = 0.
Lo anterior se puede resumir en las siguientes condiciones de primer orden:
(1) Si x* > 0, entonces f'(x*) = 0
(2) Si x* = 0, entonces f'(x*) 0
(3) x* 0

Estas condiciones se pueden sustituir por

32

Trabajo Docente N 57

(1')

f' (x*) 0

(2')

x* f' (x*) = 0

(3')

x* 0

La razn para ello es que (1), (2) y (3) implican que necesariamente se cumple
(1'), (2') y (3'); y adems (1'), (2'), y (3') implican que necesariamente se cumple
(1), (2), y (3). Son por lo tanto expresiones igualmente vlidas para representar
las condiciones de primer orden en el caso de una variable con restriccin de no
negatividad. De aqu en adelante se trabajar con las condiciones (1'), (2') y (3').
Hasta aqu no se han discutido las condiciones de segundo orden para el caso en
que x* = 0.
Si f'(x* = 0) es igual a cero, el punto crtico x* puede ser un mximo o un
mnimo en el borde tal como se observa en el grfico siguiente. De aqu que las
condiciones de segundo orden presentadas para el caso sin restricciones se deban
mantener.
f(x)

f(x)

Por otra parte, si f'(x*=0) es estrictamente menor que cero, entonces


necesariamente se trata de un mximo local, independiente del valor de la
segunda derivada, tal como lo muestran los grficos siguientes

Modelos de Optimizacin

33

f(x)

f(x)

f''(x*) < 0

f''(x*) > 0

Funcin objetivo de varias variables

El problema en este caso se representa como


Maximizar f(x1, ....., xn)
sujeto a:
xi 0 para todo i = 1, ..., n

Las condiciones de primer orden son anlogas a aquellas presentadas para el caso
de una variable restringida a ser no negativa. Es as como debe cumplirse que
f
1) x
i

0; i = 1,...., n

f
2) x xi
i

= 0; i = 1,...., n

3) xi

0;

i = 1,...., n

34

Trabajo Docente N 57

Problemas Propuestos

4.1.

Sea Q la cantidad producida de un cierto producto. El precio unitario de


venta est dado por P = 20 - Q (funcin demanda) y el costo total de
produccin por
C = Q2 + 8Q + 2

a) Qu cantidad Q maximiza la utilidad neta y a qu precio?


b) Qu cantidad Q maximiza el ingreso total por ventas y a qu precio?

Modelos de Optimizacin

35

CAPITULO 5
OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y
DESIGUALDAD

Este captulo persigue caracterizar el mximo de un problema cuando existen


distintos tipos de restricciones, para terminar con el caso general de
Programacin No Lineal. En primer lugar, se ver el caso de restricciones de
igualdad, luego se ver el caso de restricciones de desigualdad, y finalmente se
caracterizar el mximo en el caso general de Programacin No Lineal.
Restricciones de igualdad

El problema en este caso se presenta como


Maximizar f(x1, ....., xn)
sujeto a:
g1(x1, ... , xn) = b1
.
.
.

.
.
.

gm(x1, ... , xn) = bm

Para caracterizar el ptimo se hace uso del Lagrangeano, que en este caso es igual
a
= f(x1, ... , xn) +

i (bi - gi(x1, ... ,xn))

i =1

donde i, (i = 1,.....,m), son variables auxiliares. La ventaja de usar el


Lagrangeano es que ste transforma un problema con n variables y m
restricciones de igualdad en un problema con n + m variables, pero sin
restricciones.

Las condiciones de primer orden, como en el caso sin restricciones, son

36

Trabajo Docente N 57

xi = 0 para i = 1, ... , n

= 0 para j = 1, ... , m
j
Ejemplo 5.1:

Suponga el problema
2
2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = 6

El Lagrangeano en este caso es


2
2
= - x1 - x 2

+ (6 - 2 x1 - x2 )

Las condiciones de primer orden para este problema son

x1 = - 2x1 - 2 = 0

x2 = - 2x2 - = 0

= 6 - 2 x1 - x 2 = 0

Al resolver este sistema de ecuaciones se obtiene


*

x1 = 2,4
*

x2 = 1,2
* = -2,4
*

f(x1 ; x2 ) = f(2,4; 1,2) = -7,2.


Significado de

Modelos de Optimizacin

37

Para entender el significado de la variable , a continuacin se desarrolla, por


conveniencia como se ver ms adelante, nuevamente el ejemplo anterior
alterando slo el lado derecho de la restriccin.
Ejemplo 5.2:

Suponga el problema
2
2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = b

donde b es un parmetro. El Lagrangeano sera simplemente


2
2
= - x1 - x 2

+ (6 - 2 x1 - x2 )

Las condiciones de primer orden son

x1 = - 2x1 - 2 = 0

x2 = - 2x2 - = 0

= b - 2 x1 - x 2 = 0

Al resolver este sistema de ecuaciones se obtiene


*

2b
5
*
b
x2 =
5

x1 =

* = -

2b
5

*
*
b2
2b b
f(x1 ; x2 ) = f( 5 ; 5 ) = - 5

38

Trabajo Docente N 57

Lo que se ha hecho con este ejemplo es obtener el valor de las variables en el


ptimo y el valor de la funcin objetivo en el ptimo como funcin del lado
derecho de la restriccin. Si ste vara, es fcil obtener la nueva solucin ptima.
El punto importante, sin embargo, surge del hecho que en el ptimo, se cumple
que
f*
b

-b2
( 5 )
= b
= *

Este resultado es vlido cualquiera sea el nmero de variables en la funcin


objetivo y cualquiera sea el nmero de restricciones1. El resultado general se
expresa como
*
f*
i = b
i

A modo de ejemplo, si f(x1,......, xn) representa el ingreso de una firma y bi la


*

disponibilidad de insumo i, entonces i representa cuanto cambian los ingresos


en el ptimo por unidad adicional de recurso i que se utilice.
Como las restricciones son de igualdad este valor puede ser positivo, negativo, o
cero. Por ejemplo, una unidad adicional de agua puede ser beneficiosa,
perjudicial, o no tener ningn efecto sobre la produccin si se obliga a utilizarla
(restriccin de igualdad), dependiendo del nivel de agua que se utiliza
inicialmente.
Programacin No Lineal

El problema de Programacin No Lineal, tal como se definiera en el captulo 2, es


Maximizar f(x1, ... , xn)
sujeto a:

1 En rigor, es necesario sealar que para poder encontrar el ptimo usando el mtodo del
Lagrangeano, es necesario que las restricciones cumplan con ciertas condiciones de regularidad
que permitan despejar el ptimo de las condiciones de primer orden. Estas condiciones, puede
decirse, son de inters terico ms que prctico por lo que no se analizan en este texto. El lector
interesado puede consultar las referencias al final de este texto.

Modelos de Optimizacin

39

g1(x1, ... , xn) b1


.
.
.

.
.
.

gm(x1, ... , xn) bm


x1, x2, ..., xn 0

Para derivar las condiciones de primer orden, se hace uso nuevamente del
Lagrangeano donde
= f(x1,...., xn) +

i (bi - gi(x1, ... ,xn))

i =1

La nica diferencia entre este Lagrangeano y el anterior es que el trmino que


acompaa a i, (bi - gi(x1, ... , xn)), debe ahora ser mayor o igual que cero en
lugar de igual a cero. Ello, debido a que las restricciones son ahora de
desigualdad.
As, el problema es
m

Maximizar = f(x1, ... , xn) + i (bi - gi(x1, ... ,xn))


i =1

sujeto a
x1, ... , xn 0

En otras palabras, el problema de Programacin No Lineal se puede expresar


como un problema con n + m variables con restricciones de no negatividad para
algunas de ellas.

A continuacin se presentan las condiciones de primer orden para este problema,


dejando para despus de dicha presentacin la explicacin de las mismas.

40

Trabajo Docente N 57

1) x
0;
i

2) x xi = 0;
i

3)
0;
j

4)
= 0;
j j
5) xi, j 0;

i = 1, ... , n
i = 1, ... , n
j = 1, ... , m
j = 1, ... , m
i = 1, ... , n; j = 1, ... , m

Estas condiciones se conocen como condiciones de Kuhn-Tucker.


Las condiciones (1) y (2) son anlogas a aquellas presentadas anteriormente para
el caso con restricciones de no negatividad. La condicin (3) es simplemente otra
forma de escribir la restriccin que
gi(x1, ... , xn) bi
*

La condicin (4) es anloga a la condicin (2) referida a i . Esta dice que si no


*

se usa todo el recurso, entonces i = 0, y que si i es mayor que cero es porque


se usa todo el recurso.
La condicin de no negatividad para xi era parte de las restricciones originales.
Por ltimo, la condicin que i 0 se deriva del hecho que i es en el ptimo, al
igual que antes, igual a
*
f*
i = b
i

Si aumenta la disponibilidad de recurso i, el valor de la funcin objetivo en el


ptimo debe aumentar, o bien quedar igual. No puede empeorar la situacin si
se aumenta la disponibilidad de un recurso. Este resultado es distinto de aquel
presentado para el caso con restricciones de igualdad, donde bi no representaba
disponibilidad sino que uso efectivo.
i se conoce como precio sombra del recurso e indica cunto es lo mximo que
se est dispuesto a pagar en trminos de las unidades en que est expresada la
funcin objetivo, por una unidad adicional de recurso2.
2

Al igual que en el caso de restricciones de igualdad, es necesario que las restricciones cumplan

Modelos de Optimizacin

41

A continuacin se presentan algunos ejemplos de caracterizacin del ptimo en el


caso general de Programacin No Lineal.
Ejemplo 5.2:
Considrese el problema
2
Maximizar 3X1 + 2X2
sujeto a
2 X1 + X2 6
X1, X2 0

En este caso, el Lagrangeano se puede escribir como


2
= 3X1 + 2X2 + (6 - 2X1 - X2)

Las condiciones de Kuhn-Tucker en este caso son

1) X = 6X1 - 2 0
1

2) X X1 = 0
1

3) X = 2 - 0
2

4) X X2 = 0
2

5)

= 6 - 2X1 - X2 0

6)

= 0

7) X1, X2, 0

Con esto, se ha caracterizado el ptimo. Sin embargo, lo dificil es encontrar el


ptimo a partir de dicha caracterizacin. Las ecuaciones (2), (4) y (6) definen un
sistema de 3 ecuaciones con 3 incgnitas. Una solucin inmediata es X1 = X2 =
= 0. Sin embargo, esta solucin no satisface la condicin (3), con lo que debe
buscarse otra solucin al sistema de ecuaciones.
con ciertas condiciones de regularidad, que es lo mismo que decir que estn bien comportadas,
para que el ptimo se pueda caracterizar por las condiciones de Kuhn Tucker saaladas. El lector
interesado puede consultar las referencias al final de este texto.

42

Trabajo Docente N 57

Si se supiera cules variables son iguales a cero y cules son estrictamente


mayores que cero en el ptimo, entonces el sistema se podra resolver ms
fcilmente, ya que o la variable sera igual a cero o bien el trmino entre
parntesis sera igual a cero. De aqu se desprende la necesidad de evaluar los
siguientes 8 casos:
Caso
1
2
3
4
5
6
7
8

X1
0
+
0
0
+
+
0
+

X2
0
0
+
0
+
0
+
+

0
0
0
+
0
+
+
+

Por la condicin (3), debe ser mayor o igual a 2 con lo que se descartan los
casos 1, 2, 3, y 5 de la tabla anterior. A continuacin se analizarn los casos
restantes.
Caso 4: ( X1 = X2 = 0; > 0)

En este caso se debe cumplir que


(1')
(2')
(3')
(4')
(5')
(6')
(7')

-2 0
(-2 ) 0 = 0
2- 0
(2 - ) = 0
6 0
6 = 0
X1, X2, 0

La condicin (6') implica que = 0 lo cual contradice la condicin (3').


Caso 6 (X1 > 0; X2 = 0; > 0)

En este caso se debe cumplir que

Modelos de Optimizacin

43

6 X1 - 2 = 0
(2 - ) 0
6 - 2 X1 = 0

De aqu se desprende que


X1 = 3; = 9; X2 = 0

Esta solucin satisface todas las condiciones de Kuhn-Tucker.


Caso 7: (X1 = 0; X2 > 0; > 0)

En este caso se debe cumplir que


2- = 0
6 - X2 = 0

De aqu se desprende que = 2; X2 = 6; X1 = 0. Esta solucin cumple adems


con todas las otras condiciones de Kuhn-Tucker.
Caso 8: (X1 > 0 ; X2 > 0 ; > 0)

En este caso se debe cumplir que


6 X1 - 2 = 0
2-= 0
6 - 2 X1 - X2 = 0

2
14
De aqu se desprende que = 2; X1 = 3 ; X2 = 3 . Esta solucin satisface
todas las condiciones de Kuhn-Tucker.
El problema es ahora determinar cul de los tres puntos que satisfacen las
condiciones de Kuhn-Tucker es el ptimo del problema. Para determinarlo, basta
reemplazar en la funcin objetivo:

f(3, 0) = 27

44

Trabajo Docente N 57

f(0, 6) = 12
2 14
2
f( 3 , 3 ) = 10 3

En consecuencia, el ptimo es
*

x1 = 3; x2 = 0; * = 9
*

f(x1 ; x2 ) = 27

Para terminar, es importante destacar que el nmero de casos por analizar es igual
a 2n+m, donde n es igual al nmero de variables y m es el nmero de restricciones
(cada restriccin implica considerar una variable i). Asimismo, se debe sealar
que las derivadas pueden ser expresiones no lineales en las variables, con lo que
la resolucin de los sistemas de ecuaciones se dificulta an ms.
Ejemplo 5.3:

Supngase que las lneas areas tienen una dimensin mxima para las maletas,
expresada en trminos de la suma del largo, ancho y alto. Suponga que un
fabricante de maletas ha decidido producir la Super Maleta, que maximiza el
volumen cumpliendo la restriccin de las lneas que de la suma anterior no debe
exceder 120 cm.
En trminos matemticos, el problema se puede plantear como
Maximizar xyz
sujeto a:
x + y + z 120
x, y, z 0

donde x, y, z representan el largo, ancho y alto respectivamente.


El Lagrangeano de este problema es

= x y z + (120 - x - y - z)

Modelos de Optimizacin

45

Las condiciones de Kuhn-Tucker son:

1) x = y z - 0

2) x x = (y z - ) x = 0

3) y = x z - 0

4) y y = (x z - ) y = 0

5) x = x y - 0

6) z z = (x y - ) z = 0

7)
= 120 - x - y - z 0

8)
= (120 - x - y - z) = 0

9) x, y, z, 0

En este problema, en teora se debe evaluar 24 = 16 casos, ya que n = 3 y m = 1.


Sin embargo, es claro que en el ptimo la maleta no puede tener ninguna
dimensin igual a cero. Por otra parte, dado que en el ptimo se debe cumplir
*
f*
que i = b y que obviamente si se permitiera una mayor suma de los lados,
i
se podra aumentar el volumen, debe ser estrictamente mayor que cero en el
ptimo. De lo anterior se desprende que se debe evaluar slo un caso donde
todas las variables son estrictamente positivas. As, las condiciones de KuhnTucker se pueden expresar como
yz-= 0
xz-= 0
xy-= 0
120 x - y - z = 0

De aqu se desprende de que x* = y* = z* = 40; = 1600.

Problemas Propuestos

46

Trabajo Docente N 57

5.1.

El problema es determinar las dimensiones de un tarro de conserva


cilndrico de base circular y de volumen dado, tal que se emplee el
mnimo de hojalata.

5.2.3

Se desea determinar las dimensiones para un estanque cilndrico


refrigerado de capacidad 1.000 m3, de modo que su costo sea mnimo.
Los componentes del costo son
Metales de los extremos
Metal de la pared cilndrica
Costo de la refrigeracin
(sobre la vida til de estanque)

$ 1,00 por m2
$ 0,50 por m2
$ 5,00 por m2 de superficie

Por razones de diseo, el dimetro no puede excederse de 10 mts.

5.3.

a)

Formule el problema de PM correspondiente empleando el largo L


y el dimetro D como variables de decisin.

b)

Escriba las condiciones de Kuhn-Tucker y derive una solucin a


partir de stas.

Suponga que Ud, es el nico abastecedor en Concepcin de peras


deshidratadas. Ud. tiene dos plantas deshidratadoras, en Temuco y
Rancagua, cuyos costos en materia prima, procesamiento y transporte
estn dados a continuacin.
Planta

Costo Materia Costo


Transporte
Prima
Procesamiento Concepcin
(pesos/kg.)
(pesos/kg.)
(pesos/kg.)
Temuco
30
20 + X
30
Rancagua
20
2X
10 + X

Nota: Los costos est expresados por kg. de producto final equivalente.
Ud. debe ofrecer por lo menos 100 unidades a un precio unitario de 200
pesos por kg. Ud. puede vender cuanto quiera por encima de dichas 100
unidades. Se pide:

Bruno Philippi: "Introduccin a la Optimizacin de Sistemas". Ediciones Universidad


Catlica de Chile, 1982.

Modelos de Optimizacin

5.4.

47

a)

Plantee el problema de programacin no lineal que le permita


decidir cunto debe producir en cada planta.

b)

Resuelva las condiciones de Kuhn-Tucker justificando claramente


su procedimiento.

En relacin con el ejemplo 5.3, suponga que la Super Maleta no se vende


por problemas de precio. Los clientes no estn dispuestos a pagar ms de
3.500 pesos por la maleta. Si los nicos costos pertinentes son:
i)

1 peso por cm2 de cuero.

ii) 4 pesos por cm2 de fondo (hay que poner un refuerzo para que no se
desfonde)
iii) 2.000 pesos por maleta por concepto de ganancias, pago al trabajo,
etc.
Se pide:
Plantee y resuelva el nuevo problema de optimizacin.
5.5.

Con el fin de permitir el intercambio entre dos poblados aislados se ha


decidido construir la infraestructura de transporte necesaria para
comunicarlos.
En un primer anlisis del problema, se ha definido la situacin como
sigue:
El poblado A est ubicado en una isla a 200 km. del continente y a 500
km. del poblado B que se encuentra tierra adentro, a 100 km. de la costa.
El proyecto contempla la construccin de 2 puertos, en la isla y en el
litoral, adems de una carretera entre el poblado B y el puerto del litoral.
Suponga que el costo variable por tonelada-kilometro en el transporte
terrestre es de 30 pesos, mientras que dicho costo es de 12 pesos en el
caso del transporte martimo. Se estima que habra 5000 viajes de ida y
vuelta al ao con un promedio de carga de 1,5 toneladas, y que el costo
del camino terrestre es de 500.000 pesos por km.
Adicionalmente, suponga una tasa de inters de 10% anual y que el
camino durar 10 aos.

48

Trabajo Docente N 57

El problema es plantear el problema de optimizacin correspondiente.


Grficamente la situacin se puede representar como sigue

LITORAL

200 km

400 km

100 km

El problema es dnde ubicar el puerto del litoral. En trminos del grfico


siguiente se trata de determinar X, de modo tal de minimizar el costo de
transporte entre A y B.

Modelos de Optimizacin

49

LITORAL

200 km

X
B

100 km

Se pide
Plantee el problema de optimizacin correspondiente y resuelva.
5.6

Ud. tiene un fundo de 100 hectreas y desea saber cuntas hectreas poner
con trigo y maz. Ud. sabe que la funcin de produccin de trigo es:
Q = 20 H L0,2

donde:
Q = produccin ( en qq)
L = N de trabajadores ( en jornadas hombre)
H = N de Hectreas
En el caso del maz, la funcin de produccin es:
Q = 10 H0,8L0,4

50

Trabajo Docente N 57

El precio por quintal de trigo es de 3.000 y por quintal de maz es 3.200, el


precio por jornada hombre es de 1.000 pesos en horario normal y 1.500 en
horario extra. Ud. puede contratar un mximo de 20 jornadas a horario
normal y un mximo de 1.000 en horario extra. Finalmente, suponga que
por cada hectrea de maz que siembre Ud. quiere sembrar un mnimo de
3 hectreas de trigo.
Se pide:
a)

Plantee el problema de optimizacin correspondiente, definiendo


claramente la funcin objetivo y restricciones.

b) Plantee sin resolver las condiciones de Kuhn-Tucker del problema.


5.7

Considere el problema:
Maximizar (X1 + X2)
sujeto a:
2X1 + X2 2
X1 + X2 3
X1, X2 0

a) Dibuje el set de oportunidades.


b) Cul es el ptimo? ( justifique mediante figuras)
5.8

Considere el problema
Maximizar X1+X2
sujeto a:
X1 - 2X2 = 2
X1
3
X2
4

a) Escriba las condiciones de Kuhn-Tucker para este problema.


b) Resuelva el problema.

Modelos de Optimizacin

5.9

51

Considere el problema:
Minimizar X12 - X1X2 + 0,5X22 - X1 - X2
sujeto a:
X1 +X2 3
3X1 + 2X2 6
X1 0, X2 0

a)

Escriba las condiciones de Kuhn-Tucker para este problema.

b)

Encuentre un punto ptimo en el caso en que no se consideran las


restricciones del problema (ninguna de ellas).

c)

Encuentre una solucin ptima para el problema original (con


restricciones). Indicacin: verifique si el punto encontrado en a)
satisface las restricciones del problema, estudie la convexidad o
concavidad de la funcin f(X1, X2), y utilice esta informacin al
buscar una solucin para las condiciones de Kuhn-Tucker.

52

Trabajo Docente N 57

CAPITULO 6
SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER

En el captulo anterior se vieron las condiciones de Kuhn-Tucker con el objeto de


caracterizar el ptimo. Para encontrarlo a partir de dichas condiciones fue
necesario probar todas las posibilidades. Como cada variable podra ser mayor o
igual a cero, se probaron 2n+m casos, donde n era el nmero de variables y m el
nmero de restricciones ( sin contar las de no negatividad).
Como demostr el ejemplo 5.2., el hecho que un punto satisfaga las condiciones
de Kuhn-Tucker, no implica que dicho punto sea un mximo ni siquiera local. En
otras palabras, las condiciones de Kuhn-Tucker son condiciones necesarias pero
no suficientes.
El propsito ahora es ver condiciones suficientes para garantizar que si un punto
satisface todas las condiciones de Kuhn-Tucker, entonces es tambin un mximo
global (no slo local). Para hacerlo, es necesario hablar de funciones cncavas y
convexas y de conjuntos convexos, ya que el principal resultado es que si la
funcin objetivo es cncava y las restriciones representan un conjunto convexo,
entonces todo punto que satisfaga las condiciones de Kuhn-Tucker es un mximo
global (i.e. no es necesario seguir buscando puntos crticos para maximizar).
Funciones cncavas

Una funcin es cncava si para cada par de puntos X1 y X2 y 0 1 se cumple


que
f(X1+ (1-) X2 ) f(X1) + (1-) f(X2)

El trmino
X1+ (1-) X2

es solamente un promedio ponderado de X1 y X2.


Por otra parte
f(X1 + (1-)X2)

Modelos de Optimizacin

53

es la funcin valorada en dicho punto. Suponiendo que la funcin es de una


variable, lo anterior se puede graficar como

f(x)
f( X1 +(1) X2 )

X1 X1 +(1) X 2

X2

En relacin con el lado derecho


f(X1) + (1-)f(X2)

es un promedio ponderado de f(X1) y f(X2). Graficamente


f(x)
2
f(X )
f( X1+(1- )X2)
f(X1 )+(1-)f(X2 )
f(X1 )

X1

X1+(1- )X2

X2

Lo que se requiere para que una funcin sea cncava es por lo tanto que la
funcin no pase nunca por debajo de la recta que une cualesquiera dos puntos.
Los siguientes grficos muestran casos de funciones cncavas.

54

Trabajo Docente N 57

f(x)

f(x)

f(x)

f(x)

Si la funcin es diferenciable, la definicin de concavidad se puede hacer en


trminos de la primera derivada de la funcin. En el caso de funciones de una
variable, la funcin f(x) es cncava si para cualquier par de puntos X1 y X2 se
cumple que
f(X2) f(X1) + f'(X1) (X2 - X1)

Grficamente,
f(x)
f(X1 )+f'(X1 )(X2 -X1 )
f(X2 )
f(X1 )

X1

X2

Modelos de Optimizacin

55

En otras palabras, para que una funcin diferenciable sea cncava, se requiere
que la recta tangente en cualquiera de sus puntos no est nunca por debajo de la
funcin.
Si la funcin diferenciable es de varias variables, para que sta sea cncava se
requiere que para cualquier par de puntos X1 y X2, se cumpla que
n

f(X2) f(X1) +

fi(X1) (Xi - Xi )
2

i=1

donde fj(X1) es la derivada parcial de la funcin respecto a xj evaluada en el


punto X1. Esto quiere decir que el plano tangente a la funcin en cualquiera de
sus puntos no puede estar nunca por debajo de la funcin.
Por ltimo, si la funcin es doblemente diferenciable, entonces se requiere que el
Hessiano sea negativo semidefinido para que sta sea cncava o negativo
definido para que sea estrictamente cncava.
Ejemplo 6.1:

Supngase la funcin
2
2
f(x1,x2) = - 3 x1 - 2 x2 + x1 x2

El Hessiano de esta funcin es


-6 1
H = 1 -4

el cual es negativo definido.


cncava.

Esto implica que la funcin es estrictamente

En relacin con este ejemplo, a continuacin se comprobar que tambin se


cumple la condicin de concavidad basada en la primera derivada. Supngase, a
modo de ejemplo, los puntos X1 = (2,3) y X2 = (5,1). En este caso,
f(X1) = -3.22 - 2.32 + 2.3 = -24
f(X2) = -3.52 - 2.12 + 5.1 = -72

56

Trabajo Docente N 57

Las primeras derivadas de la funcin respecto de x1 y x2 son


f1(x1,x2) = -6x1 + x2
f2(x1,x2) = -4x2 + x1

las cuales evaluadas en el punto X1 son iguales a


f1(X1) = -6.2 + 3 = -9
f2(X1) = -4.3 + 2 = -10

Por ltimo,
2

X1 - X1 = 5 - 2 = 3
X2 - X2 = 1 - 3 = -2

Reemplazando en la condicin de concavidad basada en la primera derivada, se


debe cumplir que
1
2
2
1
f(X2) f(X1) + f1(X1) (X1 - X1 ) + f2(X1) (X2 - X2 )
-72 -24 + (-9) ( 5 - 2 ) + ( -10) ( 1 - 3 )
-72 -31

Como esta desigualdad se cumple, se ha comprobado que la funcin


2
2
f(x1,x2) = - 3 x1 - 2 x2 + x1 x2

es estrictamente cncava.
Funciones convexas

Una funcin es convexa si para cada par de puntos X1 y X2 y 0 1 se


cumple que
f(X1+ (1- ) X2) f(X1) + (1-) f(X2)

Si la funcin es diferenciable, para que sta sea convexa se requiere que para
cualquier par de puntos X1 y X2, se cumpla que

Modelos de Optimizacin

57

f(X2) f(X1) +

fi(X1) (Xi - Xi )
2

i=1

donde fj(X1) es la derivada parcial de la funcin respecto a xj evaluada en el


punto X1. Esto quiere decir que el plano tangente a la funcin en cualquiera de
sus puntos no puede estar nunca por encima de la funcin.
Por ltimo, si la funcin es doblemente diferenciable, entonces se requiere que el
Hessiano sea positivo semidefinido para que sta sea convexa o positivo definido
para que sea estrictamente convexa.
Los grficos siguientes muestran distintas funciones convexas.
f(x)

f(x)

x
f(x)

x
f(x)

Claramente, la lnea recta es cncava y convexa a la vez. Por otra parte, la


funcin normal usada en estadstica, por ejemplo, no es ni cncava ni convexa.

58

Trabajo Docente N 57

Conjuntos convexos:
Definicin: El conjunto C perteneciente a los nmeros reales se dice convexo si
para cada par de puntos x1, x2 que pertenezcan al conjunto y cada nmero real
con 0 < < 1, el punto
X= X1 + (1-) X2

tambin pertenece al conjunto.


Geomtricamente el conjunto C es convexo si para cada par arbitrario de puntos
del set, la lnea que los une tambin pertenece al set. Grficamente, a
continuacin se ilustra un conjunto convexo y uno no convexo

X2

X1
CONJUNTO CONVEXO

CONJUNTO NO CONVEXO

Ejemplo 6.1:

Considrese el hiperplano
X = {x / ax = b}

donde ax = a1x1 + a2x2 + ... + anxn. A continuacin se demostrar que este es un


conjunto convexo.
Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < < 1. Luego, se
debe cumplir que
ax1 = b

Modelos de Optimizacin

59

ax2 = b

Sea el punto
x = x1 + (1-) x2

Esto implica que


ax = a(x1+(1-)x2) = ax1+ (1-)ax2 = ab+(1-a)b = b.

con lo cual el punto x = x1 + (1-) x2 tambin satisface la condicin que


ax = b

De aqu se desprende que


X = {x/ax = b}

es efectivamente un conjunto convexo.


Ejemplo 6.2:

Considrese el semiespacio
X = {x / ax b}

Este conjunto tambin es convexo, como se demuestra a continuacin.


Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < < 1. Luego, se
debe cumplir que
ax1 b
ax2 b

Sea el punto
x = x1 + (1-) x2

Esto implica que

60

Trabajo Docente N 57

aX = a (x1 + (1-) x2) = aX1 + (1-) aX2

Como el promedio ponderado de dos nmeros menores o iguales a b es tambin


menor o igual a b, quiere decir que el conjunto
X = {x/ ax b}

es tambin un conjunto convexo.


Ejemplo 6.3:

Considrese el conjunto
X = {x / g(x) b}

donde se impone el requisito que g(x) sea una funcin convexa. Este conjunto
tambin es convexo como se demostrar a continuacin. Si g(x) es una funcin
convexa entonces para cualquier par de puntos X1, X2 y 0 1, se debe
cumplir que
g(X1+(1-)X2) g( X1) + (1-) g( X2)

(1)

Por otra parte, para que X sea un conjunto convexo, se requiere que para cada par
de puntos X1 y X2 que satisfagan
g(X1) b
g(X2) b

se cumpla que
g(x) = g( X1 + (1 - ) X2) b

Ello efectivamente se cumple ya que el lado derecho de (1) es menor o igual a b


con lo que el lado izquierdo tambin debe serlo.
La importancia de este ltimo resultado es que si las gi(x) en las restricciones de
un problema de Programacin No Lineal son todas funciones convexas, el
conjunto de oportunidades X sera la intersecin de varios conjuntos convexos y
por lo mismo sera convexo tambin.

62

Trabajo Docente N 57

uno de los puntos (en este caso, como se trata de curvas de nivel, el promedio es
simplemente el valor de la funcin en dicha curva (i.e.A)).
Ahora bien, como el set X es convexo se tiene que
x2

A>B>C

(x1*,x2*)

f(x1,x2) = C
f(x1,x2) = B
f(x1,x2) = A

x1

x2

A>B>C
(x1*,x2*)
f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C

x1
En ambos casos, todo ptimo local ser global.
Un caso especial de lo anterior se muestra en el grfico siguiente.

Modelos de Optimizacin

63

x2

A>B>C

f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C
x1

Aqu, X es un conjunto convexo, y la funcin objetivo es cncava (la funcin


lineal es la nica funcin cncava y convexa a la vez). En este caso todo ptimo
local es global aunque no estricto. Sin embargo, para maximizar, basta encontrar
un mximo global para quedar satisfecho.
Ahora, la pregunta es por qu se necesita que el conjunto X sea convexo? El
grfico siguiente ilustra la respuesta.

x1

B
x2

64

Trabajo Docente N 57

El punto A es mximo local al igual que B. A es el mximo global. Lo que pasa


es que X no es un conjunto convexo. En este caso, habra que probar los 2n+m
casos y comparar todos aquellos puntos que satisfagan las condiciones de KuhnTucker.
Por ltimo es necesario destacar que el resultado es que si la funcin objetivo es
una funcin cncava y X es un conjunto convexo, todo punto que satisfaga las
condiciones de Kuhn-Tucker es un mximo global. Sin embargo, podra darse el
caso, desafortunado por cierto, que ningn punto satisfaga las condiciones de
Kuhn-Tucker. En este caso no se puede encontrar el mximo. A modo de
ejemplo, suponga el siguiente problema
Maximizar x
sujeto a:
x0

En este caso, ningn punto satisface las condiciones de Kuhn-Tucker. Este


problema no tiene punto crtico; el mximo se logra cuando x es igual a infinito,
que no es un nmero real.

Modelos de Optimizacin

65

CAPITULO 7
PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL

Este captulo presenta algunos ejemplos adicionales de planteamiento de


problemas de Programacin No Lineal en el convencimiento de que slo la
prctica permite avanzar en este campo. Por esta razn, se han dejado varios
problemas como Problemas Propuestos.
Ejemplo 7.1:4

Suponga que una empresa distribuidora cuenta con 250 unidades de un cierto
producto en Concepcin, 100 unidades en Los Angeles y 325 unidades en
Valparaso. Por otra parte debe abastecer con 140 unidades a Santiago, 220
unidades a Rancagua y 185 unidades a Teno.
Los costos de flete entre las distintas ciudades, en miles de pesos por unidad se
presentan a continuacin:
Desde:

Santiago

Concepcin
Los Angeles
Valparaso

14
30
5

Hacia:
Rancagua
6
12
7

Teno
5
11
8

Por convenios sindicales en Concepcin, la empresa ha decidido que lo que se


enva desde dicha ciudad a Santiago debe ser al menos el doble que lo que se
enva desde dicha ciudad a Rancagua. Asimismo, en Santiago, se exige que como
mximo el 30% de lo que llegue provenga de Concepcin.
Para plantear el Problema de Programacin No Lineal correspondiente, se
proceder en etapas:

Definicin de Variables:
4

La forma de plantear y resolver problemas de optimizacin no siempre es nica. En este


captulo slo se presenta una forma adecuada de hacerlo. Por otra parte, en este captulo nos
olvidaremos de los requisitos de que en un problema de Programacin No Lineal se debe
maximizar y que las restricciones deben ser de menor o igual, salvo cuando sea necesario usar las
condiciones de Kuhn-Tucker para resolver.

66

Trabajo Docente N 57

Desde:

Santiago

Concepcin
Los Angeles
Valparaso

XCS
XLS
XVS

Hacia:
Rancagua
XCR
XLR
XVR

Teno
XCT
XLT
XVT

Funcin Objetivo:

El objetivo es minimizar los costos totales de transporte, con lo cual la funcin


objetivo es
Minimizar
14XCS + 6XCR + 5XCT
+ 30XLS + 12XLR + 7XLT
+ 5XVS + 7XVR + 8XVT
Restricciones de Oferta:
XCS + XCR + XCT 250
XLS + XLR + XLT 100
XVS + XVR + XVT 325
Restricciones de Demanda:
XCS + XLS + XVS 140
XCR + XLR + XVR 220
XCT + XLT + XVT 185
Otras Restricciones:
XCS 2XCR
XCS 0,3 (XCS + XLS + XVS)
Todas las variables mayores o iguales a cero

Ejemplo 7.2:

Modelos de Optimizacin

67

Hoy es 1 de abril de 1994. Ud. est solo en una isla desierta bien grande donde puede
sembrar trigo. Asimismo, tiene 80 quintales de trigo que se pueden usar como semilla
o consumir. Su consumo anual normal de trigo es de 20 quintales.
Gracias a un diario de vida dejado por un nufrago anterior, Ud. aprende que en esta
isla, el trigo se siembra a principios de abril y se cosecha a fines de marzo del ao
siguiente. Por cada quintal de trigo que se siembra, se requieren 5 das de trabajo
durante el ao, y se cosechan tres quintales.
Por otra parte, Ud. sabe que en dos aos ms (1 de abril de 1996) pasar un barco que
le cobrar 220 quintales de trigo por el pasaje a tierra firme, lugar donde Ud. ha
decidido volver. En dicho barco Ud. no puede transportar trigo para su consumo en
tierra firme, ya que la capacidad del barco es limitada.
Ud. puede trabajar normalmente 180 das cada ao como mximo. Para aumentar la
disponibilidad de trabajo, es decir para disponer de ms de 180 das, Ud. deber
consumir 0,2 quintales de trigo por cada da de exceso (para recuperar la energa
adicional requerida).
El trigo disponible a comienzos de cada ao puede ser usado para: a) sembrar a
comienzos del ao; b) consumir durante el ao; c) ser almacenado hasta el final del
ao.
Por ltimo, suponga que su nico objetivo es minimizar el nmero de das trabajados
en exceso de los 180 das de trabajo normal anuales.
Para plantear el Problema de Programacin No Lineal correspondiente, se proceder
nuevamente en etapas.
Definicin de Variables:
TCi
TSi
TAi
THi
TFi
Ei

=
=
=
=
=
=

Trigo consumido en ao i, en quintales.


Trigo sembrado en ao i, en quintales.
Trigo que se almacena en ao i, en quintales.
Trigo cosechado a fines del ao i, en quintales.
Trigo disponible a fines del ao i, en quintales.
Das trabajados en exceso de los 180 das
normales en el ao i.

Funcin Objetivo:

68

Trabajo Docente N 57

El objetivo es minimizar los das trabajados en exceso de los 180 das normales.
Matemticamente, esto significa que la funcin objetivo es
Minimizar E1 + E2
Restricciones:
TC1 = 20 + 0,2 E1

Consumo ao 1.

TC2 = 20 + 0,2 E2

Consumo ao 2.

TC1+TS1+TA1 = 80

Disponibilidad inicial.

TA1+TH1 = TF1

Disponibilidad a fines ao 1.

TH1 = 3 TS1

Cosecha ao 1.

TC2+TS2+TA2 = TF1

Uso de trigo en ao 2.

TA2+TH2 = TF2

Disponibilidad a fines ao 2.

TH2 = 3 TS2

Cosecha ao 2.

TF2 150

Pasaje barco.

5 TS1 180 + E1

Requerimiento mano de obra en


ao 1.

5 TS2 180 + E2

Requerimiento mano de obra en


ao 2.

Todas las variables mayores o


iguales a cero.
Ejemplo 7.3:
Una empresa productora de Tarros en Conserva tiene una funcin de produccin
del tipo Cobb-Douglas
X= 30 K0,5 L0,4

donde

Modelos de Optimizacin

69

X = nmero de tarros producidos.


K = nmero de unidades de capital en horas mquina.
L = nmero de trabajadores (en hrs.hombre)

El productor enfrenta una curva de demanda por su producto igual a:


Px

= 1.000 - 2X

y una curva de oferta de trabajo igual


PL

= 10 + 0,5 L

Por ltimo, el productor puede disponer de a lo ms 100 unidades de capital a 5


pesos por unidad.
En este caso, la funcin objetivo es
Maximizar PX X - PL L - PK K =
= (1.000-2(30 K0,5 L0,4)) (30 K0,5 L0,4) - (10+ 0,5 L)L - 5K
sujeto a:
K 100
K,L 0

Problemas Propuestos

7.1.

Hoy es 1 de septiembre y Juan Prez no sabe cuntas hectreas de maz


sembrar en su fundo de 20 hectreas. El maz es el nico cultivo posible
aunque podra dejar parte de la tierra sin cultivar. Asmismo, el maz requiere
de 5 jornadas hombre por hectreas al ao y Ud. cuenta con slo 70 jornadas
hombre al ao.
El problema se complica por el siguiente aspecto:
Hoy Juan Prez tiene 20 bolsas de una semilla especial de maz que puede usar
ahora o el prximo ao. No va a poder conseguir ms el prximo ao. Esta semilla
tiene un rendimiento de 95 qq/ha. y se requiere de una bolsa por ha. Si decide
guardar parte de esta semilla, tiene una prdida del 10% de las bolsas que guarde.

70

Trabajo Docente N 57

Por otra parte, Juan Prez puede comprar una semilla corriente tanto este ao como
el prximo a 8.000 pesos por bolsa a un rendimiento de 60 qq/ha. El maz que
produzca este ao no puede ser utilizado como semilla el prximo y debe venderse
este ao (no se puede almacenar). Suponga adems que el precio del maz este ao
es de $ 2.000 y el prximo ao ser de $ 3.000 por quintal.
Finalmente, suponga que en todo lo dems los costos son iguales para ambos tipos
de semilla (15.000 pesos por hectrea de maz, ambos aos).
Se pide:
Plantee, sin resolver, el problema de programacin matemtica correspondiente
que le permita determinar cunto sembrar con cada tipo de semilla cada uno de
los dos aos.
7.2

Ud. ha sido nombrado por la Direccin del Metro para determinar la distancia
ptima entre las distintas estaciones del nuevo recorrido Plaza Italia-La Florida.
Para ello Ud. cuenta con los siguientes antecedentes.
1)

La distancia entre Plaza Italia y La Florida es de 10.000 metros.

2)

La velocidad promedio de los trenes cuando estn andando es de 600


mts/min (36km/hr).

3)

El tren se detiene en cada estacin 4 minutos.

4)

Los trenes pasarn cada 10 minutos independiente de la distancia entre


paraderos. Esto significa que en promedio los pasajeros demorarn 5
minutos desde que llegan a la estacin hasta que parte el tren. Ellos no
saben a qu hora pasan los trenes.

5)

La distancia entre estaciones no afecta el costo de la va, ya que la


distancia total es una sola. Sin embargo, afecta el nmero de estaciones,
las cuales cuestan 1.000.000 de dlares cada una de construccin y duran
20 aos. Suponga que no tienen costo de mantencin.

6)

El tiempo que demoran, en promedio, los pasajeros en llegar desde su casa


hasta la estacin ms prxima se estima en 10(x/1000)1,5 minutos, donde x
es la distancia en metros entre las estaciones. Lo mismo se demoran desde
la estacin hasta su lugar de destino. El recorrido en tren, promedio por
pasajero, se estima en 3.500 metros. Se debe destacar que este es un
supuesto simplificador, ya que obviamente el recorrido promedio en tren
depende de la distancia entre paraderos.

Modelos de Optimizacin

7)

71

Por ltimo, al Metro se suben 100.000.000 pasajeros al ao


(independientemente de la distancia entre paraderos) cuyo costo
alternativo es de 0,02 dlares por minuto.

Se pide:
Suponiendo una tasa de inters de 15%, desechando el costo de los trenes
(que debera variar segn la distancia enre estaciones), y olvidando que el
nmero de estaciones debe ser entero, plantee el problema de optimizacin
correspondiente y resuelva.
7.3

Una empresa productora de sillas tiene la siguiente funcin de produccin:


S = 400 K 0,6 L0,3

donde S es el nmero de sillas producidas por mes; K es el nmero de


unidades de maquinaria, en horas mquina; y L es el nmero de
trabajadores
El productor enfrenta una curva de demanda por sus sillas igual a:
Ps = 10.000 - 2S

y una curva de oferta de trabajo igual a


PL=3+L

Por ltimo, este fabricante de sillas puede disponer de a lo ms 150 horas


mquina por mes a 5 pesos por unidad.
Se pide:
a)
Plantee el problema de programacin matemtica de la
empresa.
b)
Escriba, SIN RESOLVER, las condiciones de KuhnTucker del problema.
7.4

Una panadera ofrece, entre otros productos, empanadas de queso y


empanadas de pino. El panadero desea programar la produccin dominical
de ambos productos. La experiencia le ha enseado que las demandas por
ambos tipos de empanadas se ajustan bastante bien a las relaciones

72

Trabajo Docente N 57

P1 = 40 - 0,1x1 - 0,03x2
P2 = 70 - 0,03x1 - 0,2x2

donde
Pi = precio unitario empanada tipo i (i = 1 (queso), i = 2 (pino)).
Xi = produccin dominical de empanadas tipo i.
Dentro de sus posibilidades de produccin el panadero sabe que el costo
unitario de producir una empanada de queso es de $10 y una de pino es de
$15.
Se pide:

7.5.

Formule un modelo que permita al panadero maximizar el beneficio


neto derivado de la venta de empanadas.

b)

Sin exigir que el nmero de empanadas a fabricar debe ser entero,


resuelva su modelo y determine la produccin ptima.

En relacin con el ejemplo 7.1, encuentre una solucin factible cualquiera


del problema, indicando el costo total de transporte asociado.
Nota: Por solucin factible se entiende una solucin que satisface todas
las restricciones.

7.6.

Ud. ha decidido viajar a Talca en su camioneta todo terreno por la


Carretera Panamericana.
El problema es que debe pasar a buscar un encargo a una casa que queda a
5.000 metros de la carretera pero sin camino que las una, con lo que debe
decidir en que punto salirse de la carretera y en que punto volver a la
misma.
Grficamente,

Modelos de Optimizacin

73

A TALCA

C.
P
A
N
A
M
E
R
I
C
A
N
A

5.000 m.

A SANTIAGO

El tiempo que demora en carretera es de 1.200 metros por minuto,


mientras que en el trayecto fuera de carretera, su velocidad se reduce a 500
metros por minuto.
Se pide:

7.7.

a)

Suponiendo que su problema es llegar a Talca lo ms rpido posible,


plantee el problema de optimizacin correspondiente. Suponga que la
casa del encargo est a mitad de camino y que la distancia entre
Santiago y Talca es de 300 kilometros.

b)

Resuelva el problema anterior.

La empresa agroindustrial SUPERARIZ es duea de una parcela de 20


hectreas y de una planta de alimento para pollos.
En la parcela se ha sembrado tpicamente maz para ser entregado a la planta,
que la usa como materia prima. El problema es que el agrnomo encargado de
la parcela, que es evaluado de acuerdo al ingreso neto que genera la parcela, ha
comenzado a alegar porque dice tener cultivos ms rentables.
Por otra parte, el ingeniero a cargo de la planta de alimentos, que es evaluado
segn los ingresos netos que deja la planta, alega que si la parcela deja de

74

Trabajo Docente N 57

producir maz, l tendra que comprarlo fuera con el consiguiente costo


"altsimo" de flete.
En este punto, el agrnomo argumenta que el alimento bien podra tener ms
harina de pescado, que sale relativamente ms barato que el maz comprado
fuera, pero algo ms caro que el propio. Obviamente, el ingeniero contraataca
diciendo que si bien algo se puede hacer en esa lnea , no es mucho, ya que los
pollos a quienes va el alimento, tendran gusto a pescado.
El director de SUPERARIZ decidi contratarlo a usted para que analice la
situacin y determine lo que es mejor para la compaa como un todo.
Para efectuar su labor, Ud solicit antecedentes de la parcela y de la
planta. Ellos son:
PARCELA

Cultivos posibles: maz, porotos


Matriz de requerimientos y disponibilidad
Maz
Mano de obra
(J/ha)
Maquinaria
(J/ha)
Rendimiento
(qq./ha.)
Ingreso Neto
(pesos/ha.)

Porotos

Disponibilidad

25

28

100

100

100

400

PLANTA

Materias primas posibles: Maz, Harina de Pescado.


Precio de venta del alimento: $6 por kilo.
Capacidad mxima de la planta: 4.000 kilos de alimento al ao.

Modelos de Optimizacin

75

Restriccin tcnica: A lo ms puede usarse un 50% de harina de pescado


en el alimento.
Matriz de requerimientos
Maz
Caloras
(Mcal./Kg.)
Protenas
(Grs./Kg.)
Precio
($/Kg.)

Harina de
Pescado

Estndar Mnimo
por Kg.

1.000

800

900

100

200

120

1-4

Nota: El precio del maz es de $1 por Kilo si viene de la parcela y $4 si


viene de fuera.

Se pide:
En base a lo anterior formule un modelo de optimizacin que le permita
desempear bien su tarea en su nuevo trabajo.
Nota: Cualquier antecedente que pudiera faltarle, invntelo.
7.8.

El Sr. Pedro Prez dispone de 200 hectreas donde puede plantar tomates,
cebollas o porotos. Asimismo, tiene la alternativa de comprar vacas a
comienzos de temporada con el objeto de producir leche y luego venderlas
a fines de temporada. Las vacas requieren de 0,5 hectreas cada una.
El problema es determinar cunto plantar de cada cultivo y cuntas vacas
comprar a comienzos de temporada.
Para resolver el problema, Ud. cuenta con los siguientes antecedentes
adicionales:
a)

Ud. dispone de 1.000 m3 de agua para la temporada. Los tomates


requieren por hectrea el doble de agua que las cebollas, y stas
requieren el triple que los porotos. Los porotos requieren 6 m3 de
agua por hectrea. La tierra dedicada a las vacas requiere de 1 m3 por
hectrea mientras que la tierra no dedicada a nada requiere de 0,1 m3
por hectrea.

76

Trabajo Docente N 57

b)

Las vacas producen 150 litros de leche por vaca al ao, la cual se
vende a 100 pesos por litro. El precio de compra es de 80.000 pesos
por vaca a comienzos de temporada, mientras que el precio de venta
es de 78.500 pesos a fines de temporada. Suponga una tasa de
descuento igual a cero.

c)

El siguiente cuadro presenta informacin que puede ser til para


resolver su problema.
Tomates Cebollas Porotos
Rendimiento
(en kg./ha.)
Costos Unitarios
(en $/ha.)
Precio de venta
(en $/kg.)

50

120

140

22.000

17.000

22.000

390

240

280

Se pide:

7.9.

a)

Formule el problema de optimizacin correspondiente.


Explcite cualquier supuesto adicional que estime necesario.

Nota:

b)

Sin resolver el problema, puede dar una buena recomendacin al Sr.


Prez que sea al menos factible?

La empresa MMM necesita determinar cunto producir de un producto en


cada uno de los siguientes dos perodos para maximizar sus ingresos
totales.
Para resolver el problema Ud. cuenta con los siguientes antecedentes:
a)

El costo medio unitario de produccin en el primer perodo es de 200


pesos mientras que en el segundo perodo, este sube a 550 pesos.

b)

La demanda para el primer perodo est dada por


P1 = 1.600 - 2 X1

Modelos de Optimizacin

77

c)

El costo de almacenamiento es de 100 pesos por unidad por mes. El


problema del almacenamiento es que el producto se deteriora y se
puede vender a slo 800 pesos por unidad en el siguiente perodo.

d)

La demanda para el segundo perodo para el producto no almacenado


se puede representar como
P2 = 2.500 - 3 X2

siempre que no se venda producto almacenado.


El problema es que el producto almacenado y no almacenado son en
alguna medida sustitutos. El precio de demanda para el producto no
almacenado reacciona de igual forma ante cambios en la cantidad de
producto no almacenado com ante cambios en la cantidad de producto
almacenado.
Se pide: Plantee el problema de optimizacin correspondiente.
7.10. La empresa "Deshidratados, S.A." dispone de 800 cajas de manzanas
deshidratadas para vender en 2 mercados independientes. En cada
mercado, las demandas por este producto estn dadas por las siguientes
ecuaciones:
P1 = 1.200 - X1 (Mercado Interno)
P2 = 1.500 - 3 X2 (Mercado de Exportacin)

donde Pi = precio de venta por caja en el mercado i; Xi = cantidad, en


cajas, vendida en el mercado i.
Por razones de embalaje y razones comerciales, en las ventas al mercado
de exportacin, slo caben 2 alternativas excluyentes: mandar 150 cajas o
mandar 300 cajas.
Se pide:
a)

Encuentre las cantidades que la empresa debe enviar a cada mercado.

b)

Cunto pagara como mximo la empresa por una caja adicional de


manzanas deshidratadas?

78

Trabajo Docente N 57

Nota: En esta pregunta, tanto en la parte a) como en la parte b), puede


usar el sistema que quiera para resolver, siempre que explicite claramente
su razonamiento.
7.11. Considere el siguiente problema de Programacin No Lineal:
Maximizar - 3 x2 + xy - 2 y2 + 50 x + 60 y
sujeto a:
2 x + y 30
x, y 0

Se pide:
a)

Escriba las condiciones de Kuhn-Tucker del este problema.

b)

Resuelva el problema justificando el carcter global de la solucin.

7.12. Ud. ha decidido correr una triatln, que consiste en 2 km. de natacin, 30
km. de ciclismo y 15 km. de trote. Su objetivo es llegar en el mnimo
tiempo posible, para lo cual debe decidir la velocidad en que correr cada
etapa. Al respecto, Ud. ha decidido que lo peor es cambiar el paso en la
mitad de una etapa porque se agota ms rpido.
Se Pide:
Plantee su problema de optimizacin definiendo y explicando claramente
las variables, funcin objetivo y restricciones.
Notas:
a)

Cuidado con cansarse en la mitad del trayecto, ya que de ah en


adelante no le quedara ms que llegar con paso de tortuga.

b)

Recuerde que mientras ms rpido se corre o se nada, ms rpido se


cansa.

79

Modelos de Optimizacin

CAPITULO 8
PROGRAMACION LINEAL: INTRODUCCION
La Programacin Lineal se defini como aquel caso de Programacin No
Lineal, en el cual la funcin objetivo y las restricciones son lineales. Esto
significa que cualquier problema de Programacin Lineal debe poder
expresarse como
Maximizar c1X1 + c2X2 + ... + cnXn
sujeto a:
a11X1 + a12X2 + ... + a1nXn b1
a21X1 + a22X2 + ... + a2nXn b2
.
.
.
am1X1 + am2X2 + ... + amnXn bm
X1, X2 ..., Xn 0
Ejemplo 8.1 1:
Se debe programar la produccin de dos productos, X1 y X2, de manera tal de
maximizar las utilidades. El siguiente cuadro resume los principales
antecedentes de este problema.
Tipo de
Mquina

Producto 1
(en hrs/unid.)

1
2
3
Precio Unitario
Costo Unitario

2
1
1
70
30

Producto 2
Disponibilidad
(en hrs/unid.) (en hrs/semana)
1
1
3

70
40
90

120
60

Adaptado del libro de B. Philippi: "Introduccin a la Optimizacin de Sistemas".


Ediciones Universidad Catlica de Chile. 1982.

80

Trabajo Docente N 57

Matemticamente, este problema se puede plantear como:


Maximizar 40X1 + 60X2
sujeto a:
(1)
(2)
(3)
(4)

2X1 + X2 70
X1 + X2 40
X1 + 3X2 90
X1, X2 0

Este problema se puede resolver de varias maneras, algunas de las cuales se vern
a continuacin.
Mtodo Grfico
Por ser el problema anterior de dos variables es posible resolverlo en forma
grfica.
En primer lugar, se representar grficamente el conjunto de oportunidades definido
por las restricciones. Las restricciones de no-negatividad indican que se puede
trabajar slo dentro del cuadrante no-negativo.
La primera restriccin, 2X1 + X2 7 0, se puede representa rcomo
X

100
90
80
70
60
50
40
30
20
10

10 20 30 40 50 6

0 70 80 90 100

X1

81

Modelos de Optimizacin

El rea A define el conjunto de puntos donde se satisfacen


simultneamente las restricciones de no-negatividad y la primera
restriccin.
El grfico siguiente presenta el conjunto de oportunidades, que es cuando
se consideran todas las restricciones.

100
90
80
70
60
50
40
30

*
(X * , X ) = (15, 25)
2
1

20
10
10 20 30 40 50 6 0 70 80 90 100

f = 2100
f =1800
f = 1200

Las lneas punteadas representan conjuntos de puntos donde el valor de la funcin


objetivo es el mismo. Se conocen tambin como curvas de nivel o curvas de isoutilidad.
En programacin lineal estas curvas son siempre rectas y paralelas entre s.
La curva de nivel, que contiene al menos un punto dentro del conjunto de oportunidades
y que hace mximo el valor de la funcin objetivo, es aquella donde f = 2.100. Este es
el mximo valor alcanzable de la funcin objetivo. Dicho valor se alcanza cuando X1
= 15 y X2 = 25.

82

Trabajo Docente N 57

Es conveniente hacer notar que en dicho punto las restricciones activas, es decir, que se
cumplen con igualdad, son las restricciones (2) y (3).
Mtodo de Kuhn-Tucker
Si bien las condiciones de Kuhn-Tucker persiguen caracterizar el ptimo ms que encontrarlo, es
posible usarlas para encontrar la solucin. Por otra parte, dado que en cualquier problema de
Programacin Lineal la funcin objetivo es cncava y las restricciones forman un conjunto
convexo, cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un ptimo global.
En el problema anterior el Lagrangeano por maximizar es:

= 40x1+60x2+1(70-2x1-x2)+2(40-x1-x2)+3(90-x1-3x2)
y las condiciones de Kuhn-Tucker son:

1) x
= 40 - 21 - 2 - 3 0
1

2) x x1 = (40 - 21 - 2 - 3) x1 = 0
1

3) x
= 60 - 1 - 2 - 33 0
2

4) x x2 = (60 - 1 - 2 - 33) x2 = 0
2

5)
= 70 - 2x1 - x2
0
1

6) 1 = (70 - 2x1 - x2) 1 = 0


1

7)
= 40 - x1 - x2 0
2

8) 2 = (40 - x1 - x2) 2 = 0
2

9)
= 90 - x1 - 3x2 0
3

10) 3 = (90 - x1 - 3x2) 3 = 0


3
11)x1, x2, 1, 2, 3 0

83

Modelos de Optimizacin

En este caso se deben analizar 25 = 32 casos, los que se resumen a


continuacin:
Caso

x1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

0
+
0
0
0
0
+
+
+
+
0
0
0
0
0
0
+
+
+
+
+
+
0
0
0
0
0
+
+
+
+
+

x2
0
0
+
0
0
0
+
0
0
0
+
+
+
0
0
0
+
+
+
0
0
0
+
+
+
0
+
0
+
+
+
+

1
0
0
0
+
0
0
0
+
0
0
+
0
0
+
+
0
+
0
0
0
+
+
+
+
0
+
+
+
0
+
+
+

2
0
0
0
0
+
0
0
0
+
0
0
+
0
+
0
+
0
+
0
+
0
+
+
0
+
+
+
+
+
0
+
+

3
0
0
0
0
0
+
0
0
0
+
0
0
+
0
+
+
0
0
+
+
+
0
0
+
+
+
+
+
+
+
0
+

Analizar 32 casos es bastante largo, con lo cual es conveniente tratar de descartar


algunos casos antes de emprender la tarea. Para ello, se analizar la funcin objetivo y
restricciones del problema.

84

Trabajo Docente N 57

Maximizar 40X1 + 60X2


sujeto a:
(1)
(2)
(3)
(4)

2X1 + X2 70
X1 + X2 40
X1 + 3X2 90
X1, X2 0

Del anlisis se puede desprender que:


a)

Dado que x1 y x2 tienen un coeficiente positivo en la funcin objetivo, ambos no


pueden ser iguales a cero en el ptimo.

b)

Si x1 es cero, x2 podra ser como mximo igual a 30, por la tercera restriccin.
En este caso la funcin objetivo tomara un valor de 1.800.
Por otra parte, si x2 es cero, x1 podra ser como mximo igual a 35, por la
primera restriccin. En este caso la funcin objetivo tomara un valor de 1.400.
De aqu se desprende que x2 no puede ser igual a cero.
Por ltimo, si x1 = 1 (cualquier valor positivo pero chico), x2 puede ser como
mximo igual a Error!, por la restriccin 3, con lo cual la funcin objetivo
tomara un valor de 1.820, mayor que 1.800. De aqu se desprende que tanto x1
como x2 deben ser positivos en el ptimo.

Del anlisis anterior se desprende que la tabla con los distintos casos se puede
simplificar de la siguiente forma:
Caso
7
17
18
19
29
30
31
32

1
0
+
0
0
0
+
+
+

2
0
0
+
0
+
0
+
+

3
0
0
0
+
+
+
0
+

Por otra parte, las condiciones de Kuhn-Tucker se pueden reescribir


como:

85

Modelos de Optimizacin

1)
2)
3)
4)
5)
6)
7)
8)
9)

d
= 40 - 21 - 2 - 3 = 0
dx1
d
= 60 - 1 - 2 - 33 = 0
dx2
d
= 70 - 2x1 - x2 0
d1
d

= (70 - 2x1 - x2 ) 1 = 0
d1 1
d
= 40 - x1 - x2 0
d2
d

= (40 - x1 - x2 ) 2 = 0
d2 2
d
= 90 - x1 - 3x2 0
d3
d

= (90 - x1 - 3x2 ) 3 = 0
d3 3
x1 , x2 , 1 , 2 , 3 0

A continuacin se analiza cada uno de los casos anteriores:


Caso 7: (x1, x2, 1, 2, 3) = (+, +, 0, 0, 0)
No puede ser por condicin 1).
Caso 17: (x1, x2, 1, 2, 3) = (+, +, +, 0, 0)
No puede ser por condiciones 1) y 2).
Caso 18: (x1, x2, 1, 2, 3) = (+, +, 0, +, 0)
No puede ser por condiciones 1) y 2).
Caso 19: (x1, x2, 1, 2, 3) = (+, +, 0, 0, +)
No puede ser por condiciones 1) y 2).
Caso 29: (x1, x2, 1, 2, 3) = (+, +, 0, +, +)

86

Trabajo Docente N 57

Las condiciones 1) y 2) implican 2 = 30 y 3 = 10. A su vez,


las condiciones 6) y 8) implican x1 = 15, x2 = 25. Como este
punto satisface todas las condiciones de Kuhn-Tucker, se
concluye que el ptimo es
* * * * *
(x1 , x2 , 1 , 2 , 3 ) = (15, 25, 0, 30, 10)
Una vez ms, es claro que, como mtodo, el uso directo de las
condiciones de Kuhn-Tucker es deficiente para encontrar la solucin a
problemas de optimizacin.
Anlisis de Sensibilidad para los Coeficientes de la Funcin Objetivo:
El anlisis de sensibilidad para los coeficientes de la funcin objetivo se
refiere a cunto puede variar cada uno de dichos coeficientes,
manteniendo los dems constantes, sin que cambie la solucin ptima.
Si se vara un coeficiente de la funcin objetivo, cambia la pendiente de
las curvas de nivel o de isoutilidad. En el ejemplo, mientras la pendiente
de la curva de nivel est entre las pendientes de las restricciones (2) y (3),
que son las restricciones activas en el ptimo, no cambiar la solucin
ptima.
A continuacin se realiza el anlisis de sensibilidad para c1 coeficiente
asociado a la variable x1 en la funcin objetivo.
La funcin objetivo, parametrizando c1, es
c1 x1 + 60 x2
La pendiente de las curvas de nivel en este caso es -c1/60. Por otra parte,
1
las pendientes de las restricciones (2) y (3) son -1 y - 3 respectivamente.
El rango de sensibilidad es por tanto
-c1
1
-1 60 - 3
o bien
20 c1 60

87

Modelos de Optimizacin

Esto quiere decir que mientras c1 est en el rango (20; 60) el ptimo
*
seguir siendo ( x1 , x* ;2 )= (15, 25).
El rango de sensibilidad para c2 se obtiene en forma anloga. En este
caso,
-40
1
-1 c
-3
2
o bien
40 c2 120
Se debe hacer notar que si bien la solucin ptima no cambia mientras los
coeficientes varan dentro del rango de sensibilidad, el valor de la funcin objetivo
en el ptimo s vara.
Anlisis de Sensibilidad para bj
El rango de sensibilidad para bj se refiere a cunto puede variar la disponibilidad,
bj, de un recurso sin que varen los precios sombra, l's, de los distintos recursos.
La importancia de este tipo de anlisis radica en que permite saber, por ejemplo,
cuntas unidades de recurso es conveniente vender (comprar) a un determinado
precio. Por ejemplo, en el caso del recurso (2), se vio que l2 = 30. Ello quiere decir
que el mximo precio que se est dispuesto a pagar por una unidad adicional de este
recurso es 30 pesos. El problema es ahora determinar cuntas unidades se est
dispuesto a comprar a dicho precio mximo. El anlisis de sensibilidad permite
encontrar la respuesta.
Si bien es posible derivar los rangos de sensibilidad para los distintos bj en forma
grfica en el caso de dos variables, este se ver para el caso general con n variables
en el captulo 9, donde se muestra el programa computacional LINDO.
Problemas Propuestos
8.1.Use el mtodo grfico para encontrar los valores de X1 y X2 que
maximizan la funcin objetivo, f(x1, x2) en cada uno de los siguientes
casos:

88

Trabajo Docente N 57

a)
b)
c)
d)

f(x1, x2) = 3x1 + 2x2


f(x1, x2) = 5x1 + 2x2
f(x1, x2) = 2x1 + 3x2
f(x1, x2) = 3x1 + 3x2

Las restricciones en todos los casos son:


2x1 + 3x2 12
4x1 + 2x2 16
x1, x2 0
8.2.

Use el mtodo grfico para resolver el siguiente problema:


Minimizar f(x1, x2) = -x1 - x2
sujeto a:
x1 + 3x2 6
-x1 + x2 1
-2x1 + x2 -4
x1, x2 0

8.3.

Suponga el siguiente problema de optimizacin:


Maximizar

4X1 + 3X2

sujeto a:
2X1 + X2 20
X1 + X2 12
X1, X2 0
Se pide:

8.4.

a)

Resuelva grficamente.

b)

Cunto est dispuesto a pagar por una unidad adicional de


recurso uno? Explique su respuesta. Nota: Puede usar las
condiciones de Kuhn-Tucker, pero no es necesario.

Ud. tiene un fundo de 20 hectreas donde puede producir trigo y/o


maz. Los requerimientos de agua para el ao son de 10 mil y

89

Modelos de Optimizacin

cinco mil metros cbicos por hectrea de trigo y maz


respectivamente. Ud. cuenta con 180 mil metros cbicos para el
ao.
Por otra parte, de su anlisis econmico de ambos rubros Ud.
obtiene la siguiente estructura de costos:

Fertilizantes
Pesticidas
Mano de Obra
Maquinaria
Rendimiento
Precio por quintal

Precio
Unitario

Requerimientos
(uds./ha.)

100
150
100
400

5
2
4
3
30
120

15
4
3
3
40
160

Se pide:

8.5.

a)

Plantee el problema de Programacin Lineal correspondiente.

b)

Usando anlisis grfico, cuntas hectreas sembrara con cada


cultivo? qu restricciones son activas? inactivas?

c)

Si el precio de la mano de obra sube de 100 a 200 pesos por


unidad, cmo cambiara su respuesta anterior? Use nuevamente
anlisis grfico.

d)

Cunto pagara como mximo por poder arrendar una hectrea


adicional? Suponga el precio original de 100 pesos por unidad de
mano de obra.

Para una encuesta telefnica, una empresa de marketing necesita contactar


150 seoras (esposas), 120 seores (esposos), 100 adultos solteros de sexo
masculino y 110 adultos solteros de sexo femenino. El costo de una llamada
en la maana es de $2 y se alcanzan los siguientes resultados:
30% de los llamados en la maana contactan una seora.
10% de los llamados en la maana contactan un seor.
25% de los llamados en la maana contactan un soltero.
35% de los llamados en la maana contactan una soltera.

90

Trabajo Docente N 57

Debido al costo de mano de obra, cuesta $5 hacer un llamado en


las tardes. Los resultados de los llamados en la tarde son los
siguientes:
30% de los llamados en la tarde contactan una seora.
30% de los llamados en la tarde contactan un seor.
20% de los llamados en la tarde contactan un soltero.
20% de los llamados en la tarde contactan una soltera.
Se pide:

8.6.

a)

Suponiendo que a lo ms la mitad de los llamados se pueden


hacer en la tarde, formule un modelo de Programacin Lineal
que pueda ser usado para minimizar el costo de esta encuesta.

b)

Resuelva grficamente el problema anterior.

Ud. es dueo de una fbrica de hamburguesas que produce 3 tipos de


hamburguesas:
Precio
por kg.
Extra
Estndar
Rasca

1.000
800
400

Cont. Grasa
Mximo
4%
10%
30%

Para producir las hamburguesas, Ud. puede comprar 4 tipos de carne, cuyos precios y
contenidos de grasa se sealan a continuacin.
Precio
por kg.
Filete
Posta Rosada
Punta de Ganso
Cazuela

450
400
250
220

Cont. Grasa
(porcentaje)
1%
4%
15%
45%

Adicionalmente, Ud. ha decidido que, por razones de imagen, no


debe producir ms de un 15% de hamburguesas tipo Rasca.

91

Modelos de Optimizacin

Finalmente, por problemas de capacidad, Ud. no puede producir


ms de 1.000 kg. de hamburguesas a la semana.
Se pide:
Plantee el Problema de programacin lineal correspondiente.
8.7.

Suponga el siguiente problema de optimizacin:


Maximizar

30X1 + 40X2

sujeto a:
X1 + X2 60
2X1 + 3X2 120
X1 + 5X2 60
3X1 + X2 80
X1, X2 0

(mquina 1)
(mquina 2)
(mquina 3)
(mquina 4)

Se pide:

8.8.

a)

Resuelva grficamente.

b)

Encuentre los precios sombra de cada una de las restricciones.


Use las condiciones de Kuhn-Tucker y su respuesta a la parte
a).

c)

Cunto puede cambiar el coeficiente asociado a X1 en la


funcin objetivo sin que cambie el programa ptimo de
produccin?

Dado el siguiente modelo de programacin lineal:


Maximizar 10X1 + 8X2
sujeto a:
3X1 + 2X2 36(departamento de ensamble)
X1 + 2X2 20(departamento de pintura)
X2 9 (departamento de marketing)
X1, X2 0

92

Trabajo Docente N 57

Se pide:
I.

El valor de X2 en el ptimo es:


a)
b)
c)
d)
e)

II.

4
6
8
9
12

El valor de la funcin objetivo en el ptimo es:


a)
b)
c)
d)
e)

128
124
90
96
Ninguna de las anteriores.

III. El precio sombra en el departamento de pintura es:


a)
b)
c)
d)
e)

1
11
-1
0
Ninguna de las anteriores.

IV. Asuma que el coeficiente de X2 no cambia, Qu cambio en


el coeficiente de X1 determinar que en la solucin ptima
slo se produzca X2?
a)
b)
c)
d)
e)

Infinito
0
8
1
Ninguna de las anteriores.

93

Modelos de Optimizacin

CAPITULO 9
PROGRAMACION LINEAL Y EL COMPUTADOR
El programa LINDO2
El programa LINDO permite resolver problemas de programacin lineal
en forma efectiva. Aparte de entregar la solucin ptima, entrega los
anlisis de sensibilidad tanto para los coeficientes de la funcin objetivo
como de los bj.
En la pgina siguiente se presenta el listado de salida del LINDO, para el
ejemplo desarrollado en los captulos anteriores. En relacin con los
resultados puede verse que:
1)

*
*
En el ptimo x1 = 15; x2 = 25

2)

Los costos reducidos son cero en ambos casos. Estos costos se


refieren a cunto cambiara la funcin objetivo si la restriccin xi
0, se reemplaza por xi 1. En rigor el costo reducido se refiere
al cambio en la funcin objetivo por unidad infinitesimal de
cambio en la restriccin xi 0.

3)

En el ptimo, existe una holgura de 15 unidades en la restriccin


(1) ("Row" 2 se refiere a la primera restriccin ya que la funcin
objetivo es considerada la "Row" 1). No hay holgura en las dems
restricciones ya que son activas en el ptimo.

4)
5)

*
*
*
Los precios sombra son 1 = 0, 2 = 30, 3 = 10.
Los rangos de sensibilidad para los coeficientes de la funcin
objetivo son:
40 + 20 c1 40 - 20
60 + 60 c2 60 - 20

Se debe hacer notar que existen adems otros programas relativamente fciles de usar
para resolver problemas de programacin lineal. Uno de ellos es el programa QSB+,
cuya salida se muestra a travs de ejemplos en los problemas propuestos al final de este
captulo. En cualquier caso, se recomienda al lector leer bien los manuales de tal forma
de aprovechar al mximo los programas.

94

Trabajo Docente N 57

OBJECTIVE FUNCTION VALUE


1)
2100.00000
VARIABLE
VALUE
x1
15.000000
x2
25.000000
ROW
2)
3)
4)

REDUCED COST
.000000
.000000

SLACK OR SURPLUS
15.000000
.000000
.000000

NO. ITERATIONS =

DUAL PRICES
.000000
30.000000
10.000000

RANGES IN WHICH THE BASIS IS UNCHANGED:


OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF
INCREASE DECREASE
x1 40.000000
20.000000
20.000000
x2 60.000000
60.000000
20.000000
RIGHTHAND SIDE RANGES
ROW CURRENT
ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
2
3
4

70.000000
40.000000
90.000000

INFINITY
6.000001
30.000000

15.000000
10.000000
30.000000

Los rangos que aqu se dan se deben interpretar por separado. As,
por ejemplo, el rango para c2 supone que c1 se mantiene en su
valor original de 40.
6)

Los rangos de sensibilidad para bj son


70 + b1 70 - 15
40 + 6 b2 40 - 10
90 + 30 b3 90 - 30
Estos rangos se deben tambin interpretar en forma separada. A
modo de ejemplo, b1 puede variar entre 55 e infinito sin que
varen los precios sombra. El precio sombra 1, es igual a cero

95

Modelos de Optimizacin

con lo cual la disponibilidad puede aumentar hasta infinito sin que


cambie su precio sombra de cero. Si b1 disminuye a 55, esta
restriccin comienza a ser activa (recordar que la holgura era igual
a 15).
Problemas Propuestos
9.1.

Una empresa produce 3 bienes X, Y y Z, cada uno de los cuales es


fabricado utilizando 4 tipos de materias primas L, P, K y T. La
informacin acerca de la materia prima necesaria para producir
una unidad de producto X, Y y Z se ha resumido en el siguiente
cuadro:

L
P
K
T

2
3
1
4

5
6
0
2

1
2
3
1

Los costos por unidad de las materias primas son $2 para L, $1


para P, $1 para K y $0 para T. Adems, existen otros costos de
fabricacin equivalentes a $2, $3 y $2 por unidad producida de X,
Y y Z respectivamente.
No es posible adquirir en el mercado ms de 30, 60, 20 y 50
unidades de materia prima L, P, K y T respectivamente por mes.
Los bienes X, Y y Z pueden ser vendidos a $12, $22 y $10. Para
decidir cunto producir de cada bien, la empresa ha diseado el
siguiente modelo de optimizacin, el cual maximiza los beneficios
netos.
Maximizar 2X + 3Y + 2Z
sujeto a:
2X + 5Y + Z
3X + 6Y + 2Z
X
+ 3Z
4X + 2Y + Z
X, Y, Z 0

30
60
20
50

96

Trabajo Docente N 57

Utilizando el "LINDO" se obtuvieron los resultados que se


presentan en la pgina siguiente.
Se pide:
a)

Explique cmo se obtuvieron los coeficientes de la funcin


objetivo en el planteamiento original.

b)

Cul es la poltica de produccin ptima? Cules son los


requerimientos de materias primas?

c)

Desde qu valor el dueo de la empresa debera esta


dispuesto a arrendarla?

d)

Cul o cules materias primas no han sido utilizadas en su


totalidad segn las posibilidades del mercado de materias
primas? Qu significa esto? Es material que se pierde?

e)

Cunto debera estar dispuesto a pagar el dueo de la


empresa por adquirir q unidad ms de cada una de las
materias primas consideradas por separado?

f)

Cunto debera estar dispuesto a pagar por obtener 5


unidades ms de la materia prima T?

g)

Por alguna razn tecnolgica, los costos de fabricacin (sin


considerar los costos de materias primas) del producto Z son
eliminados. Qu sucede con el plan de produccin y las
utilidades percibidas por la empresa?

97

Modelos de Optimizacin

OBJECTIVE FUNCTION VALUE


1)
28.22222
VARIABLE VALUE
REDUCED COST
X
11.333333
0.000000
Y
0.888889
-0.000000
Z
2.888889
-0.000000
ROW
2)
3)
4)
5)

SLACK OR SURPLUS DUAL PRICES


0.000000
0.511111
14.888889
0.000000
0.000000
0.088889
0.000000
0.222222

NO. ITERATIONS =

RANGES IN WHICH THE BASIS IS UNCHANGED:


OBJ COEFFICIENT RANGES
VARIABLE CURRENT
COEF
X 2.000000
Y 3.000000
Z 1.000000

ALLOWABLE ALLOWABLE
INCREASE DECREASE
1.333333 0.666667
2.000000 2.090909
2.000000
0.250000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE
ALLOWABLE
RHS
INCREASE
DECREASE
2
3
4
5

30.000000
60.000000
20.000000
50.000000

12.884615
INFINITY
20.000000
8.000000

3.636364
14.888889
8.125000
34.000000

98

Trabajo Docente N 57

h)

Suponga que el gerente de la empresa est considerando la


posibilidad de fabricar un nuevo producto W. Una unidad de
produccin de W requiere 2, 3, 1 y 2 unidades de materia
prima L, P, K y T respectivamente. A qu precio (mnimo)
de venta debera venderse la primera unidad de este producto
para que valga la pena producirlo?

i)

Suponga que el mercado de materias primas crece


permitiendo que las restricciones para la compra de materias
primas se amplen. Concretamente en la nueva situacin no
es posible abastecerse de ms de 33 unidades de L, 70 de P,
30 de K y 52 de T.
Cambia la poltica de produccin?
Cules son los nuevos beneficios mensuales obtenidos en la
empresa?

9.2.

Nico tiene una pequea empresa en la cual produce tres tipos de


fertilizantes para jardn mezclando, en distintas proporciones, tres
ingredientes bsicos A, B y C. ( Para proteger el negocio de Nico
no se revelarn estos tres ingredientes). Las especificaciones
tcnicas de cada mezcla son las siguentes:
Mezcla

Mximo
% de A

1
2
3

50%
15%
5%

Mnimo
% de C
25%
65%
50%

El precio de venta por kilo de mezcla 1, 2 y 3 es de $10, $8 y $6


respectivamente. Nico estima que puede vender todo lo que
produzca de cada una de las mezclas.
El costo por kilo de A, B y C es de $3, $2 y $1 respectivamente, y
la disponibilidad de B y C est limitada a 2.850 y 1.300 kilos
semanales respectivamente. Por otra parte, Nico slo tiene $
10.000 semanales para adquirir estos ingredientes bsicos para
preparar sus mezclas.

99

Modelos de Optimizacin

Si se define XIJ = kilos de ingrediente i en la mezcla j (i = A, B,


C; j = 1, 2, 3)
el problema de Nico puede formularse como
Maximizar
7 XA1 + 8 XB1 + 9 XC1 + 5 XA2 + 6 XB2 + 7 XC2 + 3 XA3 + 4
XB3 + 5 XC3
sujeto a:
0,5 XA1 - O,5 XB1 - 0,5 XC1 0
0,25 XA1 + 0,25 XB1 - 0,75 XC1 0
0,85 XA2 - 0,15 XB2 - 0,15 XC2 0
0,65 XA2 + 0,65 XB2 - 0,35 XC2 0
0,95 XA3 - 0,05 XB3 - 0,05 XC3 0
0,5 XA3 + 0,5 XB3 - 0,05 XC3 0
XB1 + XB2 + XB3 2850
XC1 + XC2 + XC3 1300
3 XA1 + 2 XB1 + XC1 + 3 XA2
+ 2 XB2 + XC2 + 3 XA3 + 2 XB3 + XC3 10000
Los resultados, usando el programa LINDO, fueron los siguientes:
1)

OBJETIVE FUNCTION VALUE


41500.0000
VARIABLE
VALUE
REDUCED COST
XA1
1000.000000 .000000
XB1
2850.000000 .000000
XC1
1300.000000 .000000
XA2
.000000 2.000000
XB2
.000000 2.000000
XC2
.000000 2.000000
XA3
.000000 4.000000
XB3
.000000 4.000000
XC3
.000000 4.000000

100

Trabajo Docente N 57

ROW
SLACK OR SURPLUS
DUAL PRICES
2)
1575.000000 .000000
3)
12.500000 .000000
4)
.000000 .000000
5)
.000000 .000000
6)
.000000 .000000
7)
.000000 .000000
8)
.000000 3.333333
9)
.000000 6.666667
10)
.000000 2.333333
NO. INTERATIONS = 3
RANGES IN WHICH THE BASIS IS UNCHANGED
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
XA1
XB1
XC1
XA2
XB2
XC2
XA3
XB3
XC3

7.000000 5.000000
8.000000 INFINITY
9.000000 INFINITY
5.000000 2.000000
6.000000 2.000000
7.000000 2.000000
3.000000 4.000000
4.000000 4.000000
5.000000 4.000000

2.000000
2.000000
2.000000
INFINITY
INFINITY
INFINITY
INFINITY
INFINITY
INFINITY

RIGHTHAND SIDE RANGES


ROW
2
3
4
5
6
7
8
9
10

CURRENT
RHS
.000000
.000000
.000000
.000000
.000000
.000000
2850.000000
1300.000000
10000.000000

ALLOWABLE ALLOWABLE
INCREASE DECREASE
INFINITY
1575.000000
INFINITY
12.500000
INFINITY
.000000
INFINITY
.000000
INFINITY
.000000
INFINITY
.000000
150.000000 1890.000000
3000.000000 15.000000
150.000000 3000.000000

101

9.3.

Modelos de Optimizacin

a)

Cul es la solucin ptima? Cul es la utilidad semanal?

b)

Cules son los porcentajes de cada ingrediente bsico en la


mezcla ptima?

c)

Es una solucin nica? Si no lo es, indique ( no calcule) cul


sera una solucin alternativa.

d)

El proveedor ofrece venderle 140 kilos adicionales de


ingrediente B a un precio mayor que el usual, hasta cunto
estara usted dispuesto a pagar?

e)

El proveedor, por otros compromisos, decide disminuir en 10


kilos la entrega de ingrediente C y para no tener problemas
con usted ofrece devolverle los $10 de su costo, Es esto
conveniente para Nico? Comente brevemente su respuesta.

f)

Mirando los resultados le recomendara usted a Nico pedir


dinero prestado para adquirir ms ingredientes? Qu
ingrediente podra adqurir? Cunto debera estar dispuesto a
pagar por cada peso prestado? Hasta cunto dinero podra
solicitar a este precio? Comente brevemente.

g)

Si el precio de venta de la mezcla 2 aumenta en un peso por


kilo cambia su programa de produccin? Y si aumenta en
tres pesos?

h)

Puede decir algo de la solucin ptima si el costo del


ingrediente A baja a $ 2,5 por kilo?.

La Gerencia de Desarrollo de Winston-Salem est tratando de


completar sus planes de inversin para los prximos tres aos. En
la actualidad la empresa cuenta con $2.000 para inversiones. En
perodos de seis meses, durante los prximos tres aos, la empresa
espera poder contar con los siguientes ingresos provenientes de
inversiones anteriores: $500 (en 6 meses ms), $400, $380, $360,
$340 y $300 (a fines del tercer ao). Los tres proyectos de
inversin considerados son los siguientes:

102

Trabajo Docente N 57

Flujos de caja por semestre

1
2
3
4
5
6
Valor al final
del tercer ao

PROYECTOS
Foster City
Housing

Disney

- $ 3.000
- $ 1.000
- $ 1.800
$ 400
$ 1.800
$ 1.800

- $2.000
- $2.000
- $1.800
$1.000
$1.000
$1.000

$ 5.500

- $1.000

- $2.000
- $ 500
$1.500
$1.500
$1.500
$ 200
$6.000

Si la empresa invierte un porcentaje del total, el retorno de la


inversin corresponde al mismo porcentaje. Es posible conseguir
fondos a una tasa del 3.5% semestral, pero a lo ms se pueden
pedir $ 2.000 cada vez ( el principal de la deuda no puede ser
mayor que $ 2.000). Por otro lado, puede invertir los excesos de
fondos a una tasa del 3% semestral. Lo que se desea es maximizar
el ingreso neto al final del tercer ao. Para lograr el plan de
inversiones la empresa formul el siguiente modelo de
programacin lineal donde las variables de decisin utilizadas
fueron:
F = porcentaje de participacin en el proyecto Foster City
M = porcentaje de participacin en el proyecto Housing
D = porcentaje de participacin en el proyecto Disney
Bi = monto solicitado como prstamo en el perodo i
Li = monto invertido (al 3%) en el perodo i

103

Modelos de Optimizacin

Maximizar 1Z
sujeto a:
1) 3000F + 2000M + 2000D - 1B1 + 1L1 = 2000
2) 1000F + 500M + 2000D + 1,035B1 - 1,03L1 - 1B2 + 1L2 = 500
3) 1800F - 1500M + 1800D + 1,035B2 - 1,03L2 - 1B3 + 1L3 = 400
4) - 400F - 1500M - 1000D + 1,035B3 - 1,03L3 - 1B4 + 1L4 = 380
5) - 1800F - 1500M - 1000D + 1,035B4 - 1,03L4 - 1B5 + 1L5 = 360
6) - 1800F - 200M - 1000D + 1,035B5 - 1,03L5 - 1B6 + 1L6 = 340
7) 1Z - 5500F + 1000M - 6000D + 1,035B6 - 1,03L6 = 300
8) 1B1 2000
9) 1B2 2000
10) 1B3 2000
11) 1B4 2000
12) 1B5 2000
13) 1B6 2000
14) 1F 1
15) 1M 1
16) 1D 1

Los resultados, usando el programa QSB+, son los siguientes:

104

Trabajo Docente N 57

No Var Solution
Cost
1
Z +7665.1787
2
F +.71434140
3
M +.63720959
4
D 0
5
B1 +1417.4434
6
L1 0
7
B2 +2000.0000
8
L2 0
9
B3 +2000.0000
10 L3 0
11 B4 +448.44897
12 L4 0
13 B5 0
14 L5 +2137.4841
15 B6 0
16 L6 +3954.8650

Opportunity Objective
Minimum
Maximum
Coefficient Obj. Coeff. Obj. Coeff.
0
1.0000000 0
+INFINITY
0
0
- 454.59485 +3043.7207
0
0
- 583.69208 +644.82007
+452.38162
0
-INFINITY +452.38162
0
0
-.40969697
+.00882163
+.00878849
0
-INFINITY +.00878849
0
0
-.32740423
+INFINITY
+.33431387
0
-INFINITY +.33431387
0
0
-.24546637
+INFINITY
+.25095651
0
-INFINITY +.25095651
0
0
-.16248728
+.00530449
+.00530449
0
-INFINITY +.00530449
+.00515000
0
-INFINITY +.00515000
0
0
-.22211158
+.00515000
+.00500000
0
-INFINITY +.00500000
0
0
-.22786446
+.00500000

Maximized OBJ = 7665.179

Const. Status
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Tight
Tight
Tight
Tight
Tight
Tight
Tight
Loose
Tight
Tight
Loose
Loose
Loose
Loose
Loose
Loose

RHS

Shadow
Slack or
Price
Surplus
=+2000.00 +1.819220 0
=+500.000 +1.757701 0
=+400.000 +1.381929 0
=+380.000 +1.098031 0
=+360.000 +1.060900 0
=+340.000 +1.030000 0
=+300.000 +1.000000 0
<+2000.00 0 +582.5566+1417.443
<+2000.00 +.3274042
0
<+2000.00 +.2454664
0
<+2000.00 0 +1551.551+448.4490
<+2000.00 0 +2000.000 0 +Infinity
<+2000.00 0 +2000.000 0 +Infinity
<+1.00000 0 +.2856586+.7143414
<+1.00000 0 +.3627904+.6372097
<+1.00000 0 +1.000000 0 +Infinity

Minimum Maximum
RHS
RHS
-526.2444
+3415.854
-1387.037
+1275.555
-542.7526
+1598.599
-1171.551
+828.4490
-1777.484
+Infinity
-3614.865
+Infinity
-7365.179
+Infinity
+Infinity
+863.9908 +2561.718
+1703.148 +3027.054
+Infinity
+Infinity
+Infinity

Se pide:
a)

Qu representa Z en la funcin objetivo?

b)

Cunto es lo que se obtendra con el plan de inversiones?

105

9.4.

Modelos de Optimizacin

c)

Cul es el flujo de caja esperado del proyecto "Housing"?

d)

Qu tendra que suceder para que fuera conveniente invertir


en el perodo 3?

e)

Qu sucedera si la tasa a la cual se puede pedir prestado


baja al 3,2% trimestral?

f)

Cunto estara la empresa dispuesta a pagar por contar con $


800 adicionales para inversin a comienzos del perodo 2?

g)

Sera conveniente para la empresa una poltica que


permitiera pedir prestados $1200 adicionales durante el
perodo 4?

Considere el siguiente problema de programacin lineal resuelto


usando el programa QSB+. En 10 lugares marcados con las letras
"XXXX(.)" se ha borrado lo que apareca en el listado original.
En cada uno de los 10 casos, escriba lo que apareca.
Maximizar 40X1 + 20X2 + 33X3 + 87X4
sujeto a:
1)
2)
3)
4)
5)

1X1 + 1X2 + 1X3 + 1X4 200


1X2 + 3X3 + 7X4 450
1X1 + 4X2 + 2X3 + 5X4 600
2X1 + 3X2 + 1X3 + 1X4 100
2X1 + 1X2 + 1X3 + 1X4 300

No Var Solution
Cost
1
X1 +117.85714
2
X2 0
3
X3 0
4
X4 XXXX(4)

Opportunity Objective
Minimum
Maximum
Coefficient Obj. Coeff. Obj. Coeff.
0
+40.0000
+17.666666 +174.00000
+9.5714293 +20.0000
+XXXX(1) XXXX(2)
XXXX(3) +33.0000
-Infinity
+48.714287
0
+87.0000
+50.333332 +Infinity

Maximized OBJ = XXXX(5)

106

Trabajo Docente N 57

Const. Status
1
2
3
4
5

Loose
Tight
Loose
Loose
Tight

RHS

Shadow
Price
<+200.00
0
<+450.000 +9.571429
<+600.000 XXXX(7)
>+100.000 0 XXXX(9)
<+300.000 XXXX(10)

Slack or
Minimum Maximum
Surplus
RHS
RHS
+17.8571 XXXX(6)
+Infinity
0
0
+700.0000
+160.714 +439.2857 XXXX(8)
-Infinity
+300.0000
0
+100.0000 +335.7143

107

Modelos de Optimizacin

CAPITULO 10
PROBLEMAS ADICIONALES DE PROGRAMACION LINEAL
Este captulo presenta algunos ejemplos adicionales de Programacin Lineal. Al
igual que en el captulo 7, se han dejado varios ejercicios como Problemas
Propuestos en el convencimiento que slo el enfrentamiento con nuevos
problemas permite el desarrollo de la habilidad de plantear en trminos
matemticos las situaciones que se presentan en la realidad.
Ejemplo 10.1:
Una empresa agroindustrial controla 2 parcelas, 3 plantas de proceso y 2 unidades
distribuidoras. Considrese uno de los productos de la empresa: sopa de tomates.
Los tomates pueden cultivarse en cualquiera de las dos parcelas a un costo de 200
y 150 pesos por tonelada respectivamente. Desde cualquier parcela es posible
enviar la produccin a cualquiera de las plantas procesadoras. Los costos de
transporte por tonelada se presentan en la Tabla N 1.
Tabla N 1: Costos de transporte desde distintas parcelas a distintas
plantas procesadoras. En pesos por tonelada.
Parcela

Planta Procesadora
1
2
3

1
2

5
15

8
6

Capacidad Parcela
(en toneladas)

11
2

290
400

Suponga que con 0,1 toneladas de tomates es posible producir una caja de sopa de
tomates. Los costos variables de procesar una caja de sopa de tomates en las
distintas plantas estn dados en la Tabla N 2.
Tabla N 2: Costos variables y capacidad de procesamiento en 3
plantas alternativas
Planta
Procesadora
1
2
3

Costos de Procesamiento
Procesamiento
(en pesos por caja)(en cajas)
25
34
17

Capacidad
Planta
800
1.500
3.000

108

Trabajo Docente N 57

Desde cualquier planta de proceso es posible enviar la produccin a cualquier


unidad distribuidora. Los costos de transporte desde las plantas procesadoras a las
unidades distribuidoras estn dadas en la Tabla N 3.
Tabla N 3: Costos de transporte desde distintas plantas
procesadoras a distintas unidades distribuidoras. En pesos por
caja.
Planta
1
2
3
Requerimientos por
Unidad Distribuidora
(en cajas)

Distribuidora
1
2
8
15
4
6
20
2
3.000

800

Con el objeto de formular el problema de optimizacin correspondiente, se seguirn


las siguientes etapas:
Definicin de variables:
Vi
Wj
Yk

Produccin de la parcela i, en toneladas (i=1,2)


Produccin de la planta j. En cajas (j=1,2,3)
Produccin distribuda por la unidad k.
En cajas (k=1,2)
Zij
Cantidad de tomates producidos en i para ser procesados
en la planta j. En toneladas.
Mjk
Cantidad procesada por la planta j y distribuda por la
unidad k. En cajas.
Funcin objetivo:
El problema es minimizar los costos totales cuyos componentes son:

109

Modelos de Optimizacin

COMPONENTES COSTOS TOTALES


Costo Produccin
Parcelas
Costo Transporte
Parcelas a Plantas
Costo Procesam.
Plantas
Costo Transporte
Plantas a Distrib.

200V1+ 150V2
5Z11+8Z12+11Z13+15Z21+6Z22+2Z23
25W1+34W2+17W3
8M11+15M12+4M21+6M22+20M31+2M32

Restricciones:
V1 290
V2 400
Z11 + Z12 + Z13 V1
Z21 + Z22 + Z23 V2
W1 10 Z11 + 10 Z21
W2 10 Z12 + 10 Z22
W3 10 Z13 + 10 Z23
W1 800
W2 1.500
W3 3000
W1 M11 + M12
W2 M21 + M22
W3 M31 + M32
Y1 M11 + M21 + M31
Y2 M12 + M22 + M32
Y1 3.000
Y2 1.800
Todas las variables 0

Capacidad parcelas.
Lo que las parcelas envan a las
plantas debe ser menor o igual a
lo que producen.
Se puede procesar en las plantas,
a lo ms, lo que llega desde las
parcelas.
Capacidad plantas.

Las plantas envan a las


distribuidoras, a lo ms, lo que
producen.
Las unidades distribuidoras
pueden distribuir, a lo ms lo
que les llega desde las plantas
procesadoras.
Requerimientos Distribuidoras.
Restricciones de no negatividad.

Para resolver este problemas, se utiliz el programa de computacin


LINDO.
El programa ptimo de produccin, procesamiento y
distribucin se resume en la Figura 1.

110

Trabajo Docente N 57

Figura 1
Programa de produccin, procesamiento y distribucin ptimo
PROCESADORA

PARCELA
1

80
Ton

80 Ton.

800
Cajas

DISTRIBUIDORES

800 cajas

1
1000cajas

2
100 Ton

400
Ton

1.000
cajas

3.000 cajas

1200 cajas

300 Ton

1.800 cajas

3.000
cajas

1800 cajas

Ejemplo 10.2:
Ud. es dueo de un fundo de 35 hectreas que puede sembrar con trigo
y/o porotos. Los coeficientes tcnicos, en jornadas por hectrea y las
disponibilidades de los distintos recursos se presentan a continuacin:
Trigo
Porotos
Disponibilidad
Sem.1 Sem.2
Sem.1 Sem.2
Sem.1 Sem.2
M. de Obra
Maquinaria
Agua
(m3/ha.)
Ut. Neta
(pesos/ha.)

2
3
3
1
2.000 3.000

4
1
2
5
3.000 5.000

40.000

35.000

60
50
70
80
200.000 50.000

111

Modelos de Optimizacin

Adicionalmente, Ud. puede almacenar agua en un tranque desde el primer


semestre hasta el segundo semestre a un costo de $3 por metro cbico.
Para plantear este problema de inventarios, se proceder en etapas.
Definicin de variables:
T = Nmero de hectreas de trigo.
P = Nmero de hectreas de porotos.
A = Cantidad de agua almacenada desde el primer
semestre al segundo, en metros cbicos.
Funcin objetivo:
Maximizar 40.000 T + 35.000 P - 3 A
Restricciones:
2T + 4P 60

Mano de obra, semestre 1.

3T + 1P 50

Mano de obra, semestre 2.

3T + 2P 70

Maquinaria, semestre 1.

1T + 5P 80

Maquinaria, semestre 2.

2.000T+3.000P 200.000-A

Agua, semestre 1.

3.000T+5.000P 50.000+A

Agua, semestre 2.

T, P, A 0
Ejemplo 10.3:
El matadero municipal de una ciudad tiene tres centros principales de
trabajo :
1.

Recepcin, inspeccin y preparacin del ganado.

2.

Matanza y preparacin de la carne.

3.

Congelacin y almacenaje intermedio.

112

Trabajo Docente N 57

El centro nmero 2 puede variar su capacidad mediante el uso de horas


extraordinarias, aumentndola hasta en un 15 por ciento.
El centro nmero 3 no presenta flexibilidad en su capacidad, ya que la
restriccin est en las instalaciones de congelacin y el horario de trabajo
abarca las 24 horas del da cualquiera sea su produccin.
Gnero

Productividad (TM/Hora)
Centro N 2

Vacuno
Cordero
Cerdo

Centro N 3

5,0
4,0
5,0

1,6
2,0
1,0

172

720

Capacidad
(horas/mes
normal)

La utilizacin de inventarios con el fin de adaptar la capacidad instalada


total a la demanda, escencialmente estacional, significa grandes costos
por capital invertido, almacenaje en fro, transporte intermedio y prdidas
de peso del gnero. Estos inventarios slo pueden ser de productos
terminados, ya que es necesario que el gnero se encuentre ya congelado
para almacenarlo en fro. En la tabla siguiente se indican los costos
involucrados en la produccin en pesos.
Costos
Gnero Prod.
Mano de obra
Inv.Prod. Term.
($/TM) Centro n 2 ($/TM/Mes Almacen.)
($/Hora normal)
Vacuno
Cordero
Cerdo

26
22
20

12
12
12

7,0
6,5
6,0

El costo de mano de obra en los centros nmero 1 y 3 son independientes


de la cantidad producida, por lo cual forman parte del costo fijo del
matadero. El costo de horas extraordinarias en el centro nmero 2 es un
50 por ciento mayor al costo de tiempo normal en ese mismo centro.

113

Modelos de Optimizacin

Las cantidades demandadas (fijas) para los prximos 2 meses, y los


inventarios al inicio del primer perodo son los que se muestran en el
cuadro siguiente:
Gnero
Vacuno
Cordero
Cerdo

Demanda (TM/Mes)
Perodo 1
Perodo 2
420
200
280

Inventario
Inicial (TM)

570
140
410

80
30
30

Para plantear este problema, es conveniente definir:


Xit

Cantidad producida de producto i (vacuno, cordero,


cerdo) en el perodo t, en toneladas mtricas.

Ii

Inventario de producto i terminado al final del


primer perodo.

Lt

Horas "normales" trabajadas en el centro nmero 2


en el perodo t.

Et

Horas "extra" trabajadas en el centro nmero 2 en


el perodo t.

A partir de estas definiciones, es posible deducir el siguiente modelo de


Programacin Lineal:
Funcin Objetivo:
El objetivo es minimizar los costos totales. Estos incluyen los costos de
produccin, los costos de mano de obra en el centro No. 2 y los costos de
mantener inventarios.3 En trminos matemticos, dichos costos se
pueden expresar como:
Costos de prod. = 26(X11+X12)+22(X21+X22)+20(X31+X32)
Costos mano de obra Centro No.2 = 12(L1+L2) + 18(E1+E2)
Costo Inventarios = 7 I1 + 6,5 I2 + 6 I3

3Se

excluyen los costos de mano de obra en los centros Nos. 1 y 3 por ser
independientes de los volmenes de produccin.

115

Modelos de Optimizacin

Programa Optimo de Produccin para el Matadero Municipal


Vacuno
340
570

Mes 1
Mes 2
Inventario al
final del Mes 1

Cordero
236,33
73,67

Cerdo
333,08
326,92

66,33

83,08

Nota: Este programa implica un uso de 21,7 y 25,8 horas


extraordinarias en el Centro No. 2 durante el primer y segundo mes
respectivamente. El mnimo costo para satisfacer las distintas
demandas es de 49.592,67 dlares.
Problemas Propuestos
10.1.3 Una planta reductora de aluminio produce dos tipos de aluminio, los cuales
se venden a $ 285 y $ 320 la tonelada, respectivamente. La compaa
dispone de dos fuentes de bauxita con las siguientes caractersticas y costos
por tonelada.

CONTENIDO DE
Bauxita
1
2

A
40%
10%

Costo/ton

30%
70%

30%
20%

$ 15
$ 20

La planta tiene una capacidad para tratar 200 tons. de bauxita a la semana. Por
contratos pendientes debe adquirir de la fuente N 1 un mnimo de 50 tons. a la
semana y de la fuente N 2 un mnimo de 65 tons. semanales.
El aluminio de $ 285 debe contener por lo menos 30% de A, no ms de 20% de
B y no ms de 25% de C. El aluminio de $ 320 debe contener un mnimo de
40% de B, no ms de 30% de A y no ms de 25% de C. En el proceso de
fabricacin se pierde un 30% de A, un 90% de B y un 85% de C.

3 Ver Philippi, B.: op. cit.

116

Trabajo Docente N 57

Qu cantidades de bauxita tipo 1 y 2 deben emplearse para maximizar las


utilidades de la planta? Formule el modelo de programacin lineal
correspondiente.
10.2. La lnea area de carga "SLOW AIR" dispone de un solo avin con tres
compartimientos. La capacidad mxima, en peso y volumen, de cada
compartimiento es la siguiente:
Compartimiento

Peso (toneladas)

1 (adelante)
2 (centro)
3 (atrs)

9
13
8

Volumen
(metros cbicos)
150
240
100

Para mantener el balance del avin es necesario que la relacin entre el peso
de la carga en cada compartimiento, y la capacidad mxima (en peso) de
dicho compartimiento, sea la misma en los tres compartimientos.
"SLOW AIR" tiene solicitudes para transportar las siguientes cuatro cargas,
con el mismo destino y, con las caractersticas que se indican:

1
2
3
4

Peso
(toneladas)
15
10
20
8

Densidad
(m3/ton)
15
25
20
12

Beneficio neto
($)
100
150
115
80

La empresa puede escoger transportar slo parte de una de estas


cargas, y desea determinar cunto debe aceptar de cada una, y
cmo debe cargar el avin, de modo de maximizar el beneficio
neto derivado del vuelo.
Formule un modelo de Programacin Lineal que permita a SLOW
AIR resolver su problema, indique claramente cules son las
restricciones y la funcin objetivo. Cuntas restricciones son?
Cuntas variables?
10.3. Un restaurant de Pomaire prepara dos tipo de cazuela, extra y
corriente. Los costos y precios de venta unitarios de cada tipo
son:

117

Modelos de Optimizacin

Costo unitario
Precio venta

Extra
150
170

Corriente
85
100

Para preparar una cazuela extra los cocineros trabajan el doble que
para una cazuela tipo corriente. Si todas las cazuelas fueran tipo
corriente, la capacidad de los cocineros sera de 1.000 cazuelas al
mes (como ste es un restaurant de mala muerte, el producto se
almacena fcilmente).
Para el prximo mes, el restaurant dispone de papas suficientes
como para hacer 800 platos de cazuela. Dispone adems de 400
trozos de filete, apropiados para la cazuela extra y 700 huesos
apropiados para la cazuela corriente.
Se pide:
a)

Con los datos disponibles, formule un modelo de


Programacin Lineal que permita determinar el programa de
produccin mensual que maximice los beneficios.

b)

Grficamente determine el conjunto de oportunidades y


encuentre el programa ptimo de produccin.

c)

Cules son las restricciones activas e inactivas?

10.4. La compaa XYZ fabrica un producto cuya demanda se ha


pronosticado para los prximos cuatro meses en 1.800, 2.200,
3.400 y 2.800 unidades respectivamente. Debido a las variaciones
en la demanda, los administradores de XYZ han encontrado que
en algunos meses existe produccin en exceso, lo cual ocasiona
grandes costos de manejo y almacenaje; en tanto que en otros
meses la compaa no est en posibiliddes de cubrir la demanda.
La compaa puede fabricar 2.400 unidades por mes en turnos
normales. Utilizando tiempo extra es posible fabricar 800
unidades mensuales adicionales. Debido a los mayores costos de
mano de obra en tiempo extra, se produce un aumento de $7 por
culquier unidad que no se produzca en tiempo normal. Los
administradores han estimado que se incurre en un costo mensual
de almacenamiento de $3 por cualquier unidad que se fabrique en
un mes determinado y que no se venda durante el mismo.

118

Trabajo Docente N 57

Se pide:
Formule un modelo de Programacin Lineal que le permita a XYZ
determinar un programa ptimo de produccin que minimice los
costos totales de produccin y almacenamiento y considere las
ventas estimadas de los prximos cuatro meses. Nota: Explicite
cualquier supuesto adicional que necesite.
10.5. Un agricultor debe comprar las siguientes cantidades de
fertilizantes:
Tipo de fertilizante
1
2
3
4
5

Cantidad requerida
(Toneladas)
185
50
50
200
185

Estas cantidades las puede comprar en 4 cooperativas distintas,


sujeto a las siguientes restricciones de tonelaje mximo que puede
comprar en cada cooperativa.
Cooperativa N
Tonelaje Mximo
(suma de las toneladas de todos
los fertilizantes comprados)
1
350
2
225
3
195
4
275
El precio de los fertilizantes por cooperativa est dado en la
siguiente tabla:
Precio por tonelada de fertilizante
Tipo
Cooperativa
1
2
3
4
1
4,5
1,39
2,90
3,19
2
4,25
1,78
3,10
3,50
3
4,75
1,99
2,40
3,25
4
4,13
1,25
3,12
2,98
Formule un P.P.L. que resuelva el problema a mnimo costo.

5
0,99
1,23
1,24
1,10

119

Modelos de Optimizacin

10.6. El administrador de un fundo de 50 hectreas cerca de Santiago le


ha pedido asesora para decidir qu sembrar el prximo ao. Los
cultivos posibles son trigo y maz. Los coeficientes tcnicos de
produccin y las disponibilidades de los distintos recursos se
presentan en el cuadro siguiente:
Mano de obra
Capital
Riego
(jor.hombre/h.) (jor.mq./h) (m3/h)
Trigo
Otoo
Invierno
Primavera
Verano

3
2
1
4

2
1
1
3

30
40
20
30

Maz
Otoo
Invierno
Primavera
Verano

0
0
3
6

0
0
4
2

0
0
45
50

Disponibilidad
Otoo
Invierno
Primavera
Verano

80
80
80
80

160
100
60
80

1200
1300
1000
1000

El margen neto (en miles de pesos por h) es de 100 en el caso del


trigo y 120 en el caso del maz.
Se pide:
(a) Formule
el
problema
correspondiente.

de

Programacin

Lineal

(b) Como el maz usa la tierra slo en primavera y verano, a Ud.


se le ha ocurrido estudiar la posibilidad de poner una hortaliza
de invierno (betarraga) que tiene un margen neto de 60 mil
pesos por hectrea, requiere de 4 jornadas hombre/h. en
invierno, 8 jornadas maquinaria/h., y 30 m3/h, tambin en
invierno.

120

Trabajo Docente N 57

Plantee nuevamente el problema de Programacin Lineal


definiendo claramente las variables, funcin objetivo y
restricciones.
(c) D una solucin factible, no necesariamente bsica u ptima,
al problema planteado en (b) que implique producir tanto
trigo como maz como betarragas.
10.7. Hoy, 1 de abril de 1996, Ud. dispone de 300 novillos que debe
vender durante el prximo ao. Las fechas posibles de venta son:
1 de abril 1996 (t=0)
1 de agosto 1996 (t=1)
1 de diciembre 1996 (t=2)
1 de abril 1997 (t=3)
Los pesos de los novillos se presentan junto a los respectivos
precios en el Cuadro N 1.
CUADRO N 1: Distribucin de los pesos de 300 novillos al
1 de abril de 1996 (en Kgs.)
Peso
300
350
400
450

Categora
segn peso
1
2
3
4

Nmero de
novillos
150
100
50
0

Precio por
novillo
3.000
4.000
5.000
8.000

Ud. sabe que los novillos aumentan 50 kgs. cada 4 meses. En


otras palabras, suben 1 categora entre las distintas fechas de
entrega.
Los novillos de 450 kgs. deben ser vendidos al matadero al
instante que alcanzan dicho peso. Suponga que tambin puede
vender novillos "chicos" (categoras 1, 2, 3) en las fechas
sealadas, a los precios indicados.
Los requerimientos y disponibilidad de forraje se presentan en el
Cuadro N 2.

121

Modelos de Optimizacin

CUADRO N 2: Requerimientos (en Kgs.) de forraje por


animal, y disponibilidad de forraje (kgs.) por perodo
Categora
Novillo
1
2
3

Perodo
Perodo
1/4/96-1/8/96 1/8/96-1/12/96
100
200
350

Disponibilidad 30.000

150
250
300

Perodo
1/12/96-1/4/97
220
220
290

50.000 25.000

Nota: No se puede almacenar forraje de un perodo a otro.


a)

Plantee el modelo de programacin lineal que le permita


decidir cuntos animales de cada peso debe vender en cada
fecha para maximizar los ingresos totales. (Nota: Suponga
que no puede comprar animales).

b) Repita lo anterior suponiendo que puede comprar forraje a 0,5


pesos/kg. hasta un mximo de 1.000 kgs. cada perodo.
(Suponga que no puede vender forraje).
Se recomienda definir:
Xij

= Stock de animales de categora i en la fecha de venta j. (i


= 1, 2, 3, 4) (j = 0, 1, 2, 3) Expresada en nmero de
novillos. (Definir como stock antes de las ventas de la
misma fecha).

Vij

= Venta de novillos de categora i en la fecha de venta j.


Expresada en nmero de novillos.

10.8. Ud. ha sido nombrado Gerente de una empresa de auditora que


tiene 20 auditores que puede trabajar 200 horas al mes cada uno,
dando un total de 4.000 horas-mes disponibles por mes, para
desempear labores de auditora propiamente tal y labores de
entrenamiento. Hoy es 10 de Diciembre y Ud., sabe que Enero,
Febrero y Marzo son meses de gran actividad. De hecho, Ud. ya
sabe que en Enero requerir de 5.000 horas de auditora
propiamente tal, en Febrero de 6.000 y en Marzo de 8.000. En
Diciembre slo se requieren 2.500 horas de este tipo pudiendo

122

Trabajo Docente N 57

usarse las 1.500 horas restantes en el entrenamiento de los


auditores nuevos.
Por cada individuo nuevo que se contrate es necesario que un
auditor antiguo (o ya entrenado) dedique 100 horas
(exclusivamente) a su entrenamiento. Dicho entrenamiento dura
un mes con lo cual hay que contratar con, al menos, un mes de
anticipacin.
Ud. sabe que al final del mes de entrenamiento el 50% de los
nuevos dejan su trabajo. Por otra parte el 5% de los auditores
antiguos se retiran cada mes. Si el costo mensual de un auditor
regular es de 50.000 pesos y el de un auditor en entrenamiento es
de 30.000, formule el problema de programacin lineal que le
permita determinar cuntos auditores contratan al comienzo de
cada mes.
Nota: Ud. no puede echar a nadie una vez contratado hasta el final
del perodo (1 de abril), en que los echa a todos.
10.9. Una planta productora de salchichas produce dos tipos de
salchichas las cuales se venden a 285 y 320 pesos por kilo
respectivamente. La compaa dispone de dos abastecedores de
materia prima con las siguientes caractersticas y costos por kilo.

Abastecedor

1
2

Carne
(kg.)

Grasa
(kg.)

Otros
(kg.)

0,4
0,1

0,3
0,7

0,3
0,2

Costo
($/kg.)
200
150

La planta tiene una capacidad para tratar 200 kgs. de materia


prima a la semana. Por contratos pendientes debe adquirir de la
fuente N 1 un mnimo de 60 kgs.
Las salchichas de 285 pesos no deben contener ms de un 50% de
grasa. Las salchichas de 320 pesos deben contener un mnimo de
30% de carne y no ms de 25% de "otros".

123

Modelos de Optimizacin

Suponiendo que en el proceso de fabricacin no se pierde materia


prima, formule un modelo lineal apropiado para maximizar las
utilidades de la planta. (Ayuda: defina Xij = cantidad de materia
prima comprada al abastecedor i para producir salchicas tipo j).
10.10. Ud. est a cargo de una planta de leche que produce leche en
polvo y queso. Para producir un kilo de leche en polvo se
requieren 6 litros de leche y para producir un kilo de queso se
requieren 9 litros de leche. La leche le cuesta 20 pesos por litro si
le compra al abastecedor A, el cual le puede entregar como
mximo 200 litros diarios, y 23 pesos si le compra al abastecedor
B, el cual le puede entregar como mximo 400 litros diarios.
Adicionalmente, Ud., tiene un maestro quesero que puede
producir como mximo 30 kgs. de queso diarios y una mquina
deshidratadora que puede producir como mximo 20 kgs. diarios
de leche en polvo.
Por otra parte, Ud. cuenta con 2 mayoristas a los cuales les puede
vender su produccin. El mayorista 1 le paga 500 pesos por kilo
de leche en polvo y 350 pesos por kilo de queso, exigiendo que
por cada kilo de queso que le vende, le venda tambin 2 kg. de
leche en polvo. El mayorista 2 le paga 400 pesos por kilo de leche
en polvo y 390 pesos por kilo de queso. Este mayorista no puede
comprarle ms de 30 kgs. diarios en total (tiene un almacn
chico).
Se pide:
Formule el problema de Programacin Lineal correspondiente.
10.11. Ud. es un agricultor que posee 100 hectreas que puede sembrar
con trigo, maz y/o porotos. Los requerimientos de maquinaria y
mano de obra por hectrea por rubro son los siguientes.
Trigo Maz
Maquinaria
(jornadas/h)
Trabajo
(jornadas/h)
Rendimiento
(qq/h)

Porotos
3

30

40

25

124

Trabajo Docente N 57

Ud. dispone de 100 jornadas de maquinaria y puede contratar


hasta un mximo de 90 jornadas-hombre a un salario de 20 pesos
por jornada. Puede pagar sobre tiempo (a $30 por jornada) hasta
un mximo de 15 jornadas adicionales.
Ud. tiene en principio dos posibilidades de comercializacin de su
producto: 1) directo a pblico, 2) a una planta procesadora.
En ambos mercados los precios son de 100, 70 y 100 pesos por
quintal de trigo, maz y porotos, respectivamente.
La planta procesadora sin embargo, le acepta comprar adems
"porogos", mezcla de trigo con porotos en partes iguales a un
precio de $110 por quintal (esta industria hace porotos con riendas
en conservas).
Se pide:
Plantee el problema de optimizacin lineal para maximizar los
ingresos netos del predio en la prxima temporada.
10.12.Un agricultor desea saber cuntas hectreas de trigo y maz
sembrar este ao en su fundo de 50 hectreas. Los requerimientos
de los distintos factores y los mrgenes por hectrea se presentan a
continuacin.

Trigo

Maz Disponibilidad

Mano de obra
(en JH por h.)

230

Maquinaria
(en JT por h.)

140

8.000

10.000

Margen neto
(en pesos por h.)

El problema se complica por el siguiente problema de agua:

125

Modelos de Optimizacin

Trigo Maz Disponibilidad


Requerimiento en invierno
(en m3 por h.)

100

300

12.000

Requerimiento en verano
(en m3 por h.)

80

120

4.000

Hoy estamos a principios de invierno, que es cuando se siembra


para cosechar a fines del verano (son dos estaciones en el ao no
ms). Ud. puede almacenar en un tranque el agua que no use en
invierno para usarla en el verano. Por ejemplo, si el tranque tiene
1.000 m3 a comienzos del verano o, Ud. tendra una disponibilidad
de 5.000 m3 para usar en el verano. El tranque tiene una
capacidad mxima de 4.000 m3, y hoy (principio de invierno)
tiene 2.500 m3. Claramente, el agua que no use en invierno y que
no almacene debe dejarla correr.
Se pide: Plantee, sin resolver, el problema de optimizacin
correspondiente.
10.13. Una empresa est planificando su plan de produccin del producto
ABC para los siguientes cuatro meses. La demanda puede ser
satisfecha por: a) la produccin del mes, b) inventario de perodos
anteriores y c) entregas atrasadas en un mes (esto significa que es
posible entregar un pedido atrasado slo en un mes). La
capacidad de produccin mensual es de 650 unidades, la demanda
mensual es de 400, 600, 500, y 750 unidades respectivamente. El
costo de produccin mensual es de $5, $6,5, $7,25 y $9
respectivamente. El costo de mantencin de inventario es igual al
20% del costo de produccin en el mes y el costo de entregar un
pedido atrasado es de $1. Por ltimo, se dispone de 100 unidades
de inventario, a comienzos del perodo 1.
Se pide:
Formule un modelo de Programacin Lineal que represente este
problema.
10.14. Una fbrica de conservas lo acaba de contratar para la
planificacin de su produccin de esprragos y arvejas en

126

Trabajo Docente N 57

conserva de los prximos 4 meses. Por estudios de mercado, Ud.


sabe que la demanda es estacional. Los precios a los que podr
vender la produccin son los siguientes:
PRECIO
(En pesos por Kg. de materia prima equivalente)
Producto

Nov. Dic.

Esprragos en conserva
Arvejas en conserva

35
28

Enero Feb.

50
37

60
100

40
80

La materia prima (esprragos y arvejas) se debe procesar en el


mes en que se compra ya que son productos perecibles. Los
costos de dicha materia prima son tambin estacionales. A
continuacin se presenta la evolucin de dichos costos.
PRECIO
(En pesos por Kg.)
Materia Prima

Nov.

Dic.

Esprragos
Arvejas

10
20

15
30

Enero
28
55

Feb.
30
60

Adicionalmente, Ud. sabe que el costo de almacenar los productos


en conserva es de 10 pesos por Kg. de materia prima equivalente
por mes en cualquiera de los dos productos.
Por ltimo, Ud. sabe que los esprragos en conserva requieren de
dos horas-mquina por Kg. de materia prima procesada y que las
arvejas requieren de 1 hora-mquina por Kg. de materia prima
procesada. La disponibilidad de horas-mquina es de 600 horas
por mes. Dicha disponibilidad se puede aumentar hasta en un
mximo de 50 horas por mes a un costo de 4 pesos por hora.
Se pide: Plantee, sin resolver, el problema de programacin lineal
correspondiente.
10.15.Ud. ha sido contratado recientemente en una sucursal de
Almacenes Pars para determinar la contratacin de vendedores
para el perodo previo a la Navidad. A continuacin se presentan
las necesidades de vendedores por horario de trabajo.

127

Modelos de Optimizacin

Horario

Nmero de vendedores

9:00 A.M. - 12:00 A.M.


12:00 A.M. - 15:00 P.M.
15:00 P.M. - 18:00 P.M.
18:00 P.M. - 21:00 P.M.
21:00 P.M. - 24:00 P.M.

30
110
35
140
50

Por otra parte, Almacenes Pars ha decidido operar en base a


turnos de 9 horas de trabajo, los cuales se presentan a
continuacin.
Turno
1
2
3
4
5

Horario

9:00 A.M.-18:00 A.M.


12:00 A.M.-21:00 P.M.
15:00 P.M.-24:00 P.M.
9:00 P.M.-12:00 P.M.; 15:00 P.M.-21:00 P.M.
12:00 A.M.-15:00 P.M.; 18:00 P.M.-24:00 P.M.

Se pide:
Formule, sin resolver, el problema de Programacin Lineal que le
permita minimizar el nmero de vendedores contratado.
Nota: No se preocupe del hecho que los nmeros de vendedores
deben ser enteros.

Modelos de Optimizacin

128

CAPITULO 11
VARIABLES BINARIAS
Las variables binarias son variables que slo pueden tomar el valor de cero o el valor
de uno. El propsito de este captulo es ver, a travs de varios ejemplos, distintos
usos que tiene este tipo de variables. Debe sealarse que la mayora de los
programas de computacin para resolver problemas de Programacin Lineal,
includo el LINDO y el QSB+, puede trabajar con este tipo de variables en
problemas que en todo lo dems son de Programacin Lineal.
Ejemplo 11.1:
Ud. tiene un fundo de 100 hectreas, donde puede sembrar trigo y maz. Al
considerar sus distintas restricciones, Ud. ha decidido plantear el problema de la
siguiente forma:
Max 20 T + 30 M
sujeto a:
2 T + 3M 220

(Horas tractor)

T + M 100

(Hectreas)

T, M 0
El problema se complica por el siguiente aspecto. Su vecino le ha ofrecido su
tractor por una semana a un costo de 350 pesos que Ud. puede tomar o dejar. Una
semana equivale a 48 HT.
En otras palabras, el tomar en arriendo el tractor del vecino le implicara a Ud.
contar con 268 HT en lugar de 220, pero tendra que pagar 350 pesos por el
arriendo.
Usando variables binarias1, este problema se puede expresar como:
Max 20 T + 30 M - 350 H
1

En el programa LINDO, este tipo de variables se conoce con el nombre de "integer", mientras que
en el programa QSB+, se llaman simplemente "binarias". Por otra parte, en este ltimo programa, las
variables "integer" son aquellas que pueden tomar valores enteros (0, 1, 2, 3, ... ).

Modelos de Optimizacin

129

sujeto a:
2 T + 3M 220 + 48 H

(Horas tractor)

T + M 100

(Hectreas)

T, M 0
Binarias: H
Si no conviene tomar en arriendo el tractor, H ser igual a cero en el ptimo. En
caso contrario, la variable H tomar un valor de uno.
Ejemplo 11.2:
Ud. dispone de 2 barras de aluminio de 10 y 15 metros respectivamente. Por otra
parte, Ud. sabe que puede vender hasta un mximo de 5 barras de 1,7 metros a un
precio de $500 cada una. Asimismo, Ud. puede vender las siguientes barras:
Tipo de
barra
1
2
3
4

Largo
Demanda
en metros Mxima
2,1
1,7
1,3
0,4

2
5
11
20

Precio
Unitario
800
500 (1)
390
60

(1) Se refiere a la demanda del prrafo anterior.


Para plantear el problema de tal forma que pueda ser resuelto usando variables
binarias, es conveniente definir las siguientes variables:
Xi1 =

Nmero de barras tipo i (i = 1, 2, 3, 4) a partir de la barra de 10


metros.

Xi2 =

Nmero de barras tipo i (i = 1, 2, 3, 4) a partir de la barra de 15


metros.

Con estas definiciones, el problema se puede plantear como:


Maximizar
800 (X11 + X12) + 500 (X21 + X22) + 390 (X31 + X32)

130

Trabajo Docente N 57

+ 60 (X41 + X42)
sujeto a:
X11 + X12 2
X21 + X22 5
X31 + X32 11
X41 + X42 20
2,1X11 + 1,7X21 + 1,3X31 + 0,4X41 10
2,1X12 + 1,7X22 + 1,3X32 + 0,4X42 15
Xij 0 para todo i,j.
Enteras: Xij para todo i,j.
Ejemplo 11.3:
Usted ha decidido hacer una comida en su casa obviamente al mnimo costo. Como
restricciones usted tiene que darles un mnimo de 10.000 caloras y un mnimo de 1.950
grs. de protenas en total. Los productos por considerar, junto con sus composiciones
unitarias, estn dados a continuacin:
Caloras
Carne (en Kgs.)
Papas (en Kgs.)
Arroz (en Kgs.)
Tomates (en Kgs.)
Huevos (en unidades)

2.000
4.000
3.000
500
80

Protenas

Precio

600
20
40
200
30

600
80
60
150
10

Adicionalmente, suponga que:


a)

Si les da carne no debe darles huevos.

b)

Si les da carne, debe darles un mnimo de 2 kgs. de tomates.

c)

Usted sabe que a sus invitados les carga el arroz con huevo.

d)

Si les da papas, debe darles como mnimo 2 Kgs.

En primer lugar se definir:

Modelos de Optimizacin

C=
P=
A=
T=
H=

131

Cantidad de carne, en kgs.


Cantidad de papas, en kgs.
Cantidad de arroz, en kgs.
Cantidad de tomates, en kgs.
Cantidad de huevos, en unidades.

Para plantear este tipo de problemas, es conveniente nuevamente usar variables


binarias. A continuacin se ver cmo plantear cada uno de los supuestos
adicionales presentados.
El supuesto "si les da carne no debe darles huevos" se puede plantear como:
C 100.000 A1
H 100.000 A5
A1 + A5 1
Binarias: A1, A5
La variable A1 tomar el valor de 1 si C es estrictamente mayor que cero, mientras
que la variable A5 tomar el valor de 1 si H es estrictamente mayor que cero. La
restriccin que la suma de A1 ms A5 sea menor o igual a 1 significa, en
consecuencia, que ambas variables no pueden ser estrictamente positivas en forma
simultnea.
El supuesto "si les da carne, debe darles un mnimo de 2 kgs. de tomates" se puede
plantear como:
T 2A1
La variable A1 tomar, tal como se vio ms arriba, el valor de 1 si C es estrictamente
mayor que cero. En dicho caso, T tendra que tomar como mnimo un valor de dos.
Se debe hacer notar que si A1 toma el valor de cero, con lo cual C sera igual a cero,
T podra tomar cualquier valor positivo.
Por otra parte, el supuesto "usted sabe que a sus invitados les carga el arroz con
huevo", lo obliga a plantear, por razones anlogas a aquellas presentadas en relacin
con el supuesto "si les da carne no debe darles huevos", las siguientes restricciones
adicionales:

A 100.000 A3
A3 + A5 1

132

Trabajo Docente N 57

Binarias: A3
Por ltimo, el supuesto "si les da papas, debe darles como mnimo 2 Kgs." se puede
plantear como:
2A2 P 100.000 A2
Binarias: A2
Si A2 es igual a cero, entonces P puede tomar slo el valor de cero. Por otra parte, si A2 es
igual a uno, entonces P puede tomar cualquier valor entre 2 y 100.000.
En resumen, este problema se puede plantear como:
Minimizar 600C + 80P + 60A + 150T + 10H
sujeto a:
2.000C + 4.000P + 3.000A + 500T + 80H 10.000
600C + 20P + 40A + 200T + 30H 1.950
C 100.000 A1
H 100.000 A5
A1 + A5 1
2A1 T
A 100.000 A3
A3 + A5 1
2A2 P 100.000 A2
Todas las variables mayores o iguales a cero.
Binarias: A1, A2, A3, A5
Ejemplo 11.4:
Usted tiene una verdulera y tiene 2 proveedores a los que puede comprar tomates,
lechugas y repollos. El costo de ir y volver a cada uno de los proveedores es el
siguiente:
Prov. 1:
Prov. 2:

$5.000
$3.000

Modelos de Optimizacin

133

Los precios a los que usted puede vender, los precios de los distintos proveedores y
la demanda mxima son:

Tomate
Lechugas
Repollos

Precio
venta

Prov. 1

Prov. 2

Demanda
Mxima

200
150
300

150
100
50

100
40
200

100
200
200

Para plantear el problema, nuevamente se usan variables binarias. Defnase:


Ti =
Li =
Ri =

Cantidad de tomates comprados al proveedor i (i=1,2).


Cantidad de lechugas comprados al proveedor i.
Cantidad de repollos comprados al proveedor i.

El problema en este caso se puede plantear como sigue:


Maximizar
200(T1 + T2) + 150(L1 + L2) + 300(R1 + R2)
- 150T1 -100L1 - 50 R1 - 100T2 - 40L2 - 200R2
- 5.000 A1 - 3.000 A2
sujeto a:
T1 + T2 100
L1 + L2 200
R1 + R2 200
T1 + L1 + R1 100.000 A1
T2 + L2 + R2 100.000 A2
Ti, Li, Ri 0
Binarias: A1, A2
Si Ti, Li, o Ri es positivo, entonces Ai sera necesariamente igual a 1, con lo cual
habra que asumir el costo de ir y voler donde el proveedor i. El valor de 100.000 en
las restricciones correspondientes es un valor arbitrario pero suficientemente alto
como para no restringir el valor que puedan tomar, en caso de ser positivas, las
variables Ti, Li, o Ri.

134

Trabajo Docente N 57

Programacin Cuadrtica
La Programacin Cuadrtica se usa cuando la funcin objetivo es cuadrtica. Es
decir, cuando la funcin objetivo se puede expresar como:
2
ci Xi + ai Xi + bij Xi Xj
En todo lo dems, el problema es igual a los problemas de Programacin Lineal. A
continuacin se ver cmo resolver este tipo de problemas usando variables binarias.
Ejemplo 11.5:
Supngase el siguiente problema de optimizacin:
2

Maximizar: 10X1 + 2X2 - 2X1 - 3X2 + X1 X2


sujeto a:
X1 + X2 20
2 X1 + 3 X2 40
X1, X2 0
El Lagrangeano de este problema es:
=

10X1 + 2X2 - 2X1 - 3X2 + X1 X2 + 1(20 - X1 - X2)


+ 2 (40 - 2X1 - 3X2)

Por otra parte, las condiciones de Kuhn-Tucker son:

Modelos de Optimizacin

135

1)X = 10 - 4X1 + X2 - 1 - 22 2) X X1 = 0
1
1
0

3) X = 2 - 6X2 + X1 - 1 - 32 4) X X2 = 0
2
2
0
5)

= 20 - X1 - X2 0

6)

7)

= 40-2X1 - 3X2 0

8)

= 0
2 2

1 = 0

9) X1, X2, 1 , 2 0
Las condiciones (1), (3), (5), (7) y (9) son restricciones tpicas de un problema de
Programacin Lineal.
Por otra parte, las condiciones (2), (4), (6) y (8) se pueden imponer usando
variables binarias. A modo de ejemplo, la condicin (2) se puede expresar como:
10 - 4X1 + X2 - 1 - 22 + Y1 = 0
Y1 100.000 A1
X1 100.000 A2
A1 + A2 1
Y1 0
Binarias: A1, A2
Se debe hacer notar que estas restricciones incluyen la restriccin (1) por el hecho
que la variable auxiliar Y1 debe ser mayor o igual que cero.
Lo anterior significa que las condiciones de Kuhn-Tucker se pueden escribir como:

136

Trabajo Docente N 57

10 - 4X1 + X2 - 1 - 22 + Y1 = 0
Y1 100.000 A1
X1 100.000 A2
A1 + A2 1
2 - 6X2 + X1 - 1 - 32 + Y2 = 0
Y2 100.000 A3
X2 100.000 A4
A3 + A4 1
20 - X1 - X2 - Y3 = 0
Y3 100.000 A5
1 100.000 A6
A5 + A6 1
40 - 2X1 - 3X2 - Y4 = 0
Y4 100.000 A7
2 100.000 A8
A7 + A8 1
X1, X2, Y1, Y2, Y3, Y4, 1, 2 0
Binarias: A1, A2, A3, A4, A5, A6, A7, A8
Si un punto cumple con todas estas restricciones, entonces cumple adems con todas
las condiciones de Kuhn-Tucker del problema original. Por otra parte, la funcin
objetivo del problema es cncava, por cuanto el Hessiano, que es igual a:
-4 1

H = 1 -6
es negativo definido. Esto quiere decir, tal como se viera en el captulo 6, que
cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un mximo global.
Todo lo anterior significa que cualquier punto que cumpla con el conjunto de
restricciones anterior, ser un mximo global del problema original. El nico
problema es que no se tiene funcin objetivo para poner este conjunto de
restricciones en un problema de Programacin Lineal con variables binarias. Para
ello se utiliza una funcin objetivo auxiliar del tipo:

Modelos de Optimizacin

137

Minimizar J
donde J es una variable cualquiera.
Problemas Propuestos
11.1. Usted est planeando su ltima gira como candidato presidencial, para lo cual
dispone de 3 das: domingo 10, lunes 11, martes 12. Usted ha decidido
reducir su lista de posibles lugares a 4: Puerto Montt, Valdivia, Temuco, y
Concepcin. Usted estima que el nmero de personas que puede convencer
est dado por la siguiente tabla:
Domingo
Puerto Montt
Valdivia
Temuco
Concepcin

1.000
3.000
800
2.000

Lunes
800
5.000
800
3.000

Martes
500
1.000
820
2.500

As, si realiza, por ejemplo, una concentracin el da martes en Temuco,


usted estima que aumentar su votacin en 820 votos. Adicionalmente, usted
considera que no debe hacer 2 concentraciones en el mismo lugar por razones
de imagen. Por ltimo, dados los problemas de traslado, usted no puede estar
en Concepcin el lunes si ha ido a Temuco el da anterior.
Se pide: Plantee el problema de optimizacin correspondiente, de tal forma
que pueda ser resuelto usando el programa LINDO o QSB+.
11.2. Suponga que el dueo de una fbrica qumica recibe el encargo de determinar
una mezcla de 1.000 kilos que contenga cobre, estao y calcio. Le dicen
adems que la mezcla debe tener a lo ms 380 kilos de cobre, por lo menos
200 kilos de estao, y por lo menos 100 kilos de calcio. Los costos de cada
componente son 2, 3, y 4 pesos por kilo respectivamente.
Se pide:
a)

Formule el problema de Programacin Lineal correspondiente.

b)

Suponga que le imponen la restriccin que las cantidades de cada uno de


los componentes deben estar expresadas en cientos (100, 200, ...).
Replantee el problema de tal forma que pueda ser resuelto con el
programa LINDO o QSB+.

138

Trabajo Docente N 57

11.3. Usted tiene una lechera que produce 100.000 litros de leche a la semana.
Debe decidir si venderlos como leche a planta A, a la planta B, o bien
venderlos como queso a pblico directamente. (Estas alternativas no son
excluyentes).
Por cada 10 litros de leche, usted puede producir 1 Kg. de queso. Para
producir queso, sin embargo, debe contratar a un maestro quesero que le
cuesta 450.000 pesos por semana. Los precios de los distintos productos son
los siguientes:
Queso:

3.000 pesos por Kg.

Leche:
Planta A: 340 pesos por litro.
Planta B: 280 pesos por litro.
Adicionalmente, usted sabe que el gerente de la planta A es un maoso y que
si le manda leche, le debe mandar entre 25 y 30 mil litros por semana.
Se pide:
a)

Plantee el problema de optimizacin correspondiente de tal forma de


poder resolverlo con el programa LINDO o QSB+.

b)

Ahora suponga que la planta B est dispuesta a comprar hasta 90.000


litros siempre que no le venda a la planta A. En caso contrario, est
dispuesta a comprarle un mximo de 45.000 litros. Cmo incorporara
estos puntos en el planteamiento del problema.

c)

Suponga que el maestro quesero ha decidido que l pide 450 mil pesos
por cualquier cantidad inferior a 4.000 Kg. de queso, pero que su precio
sube a 480 mil si le piden producir ms de 4.000 Kg. Como incorporara
este punto en el planteamiento del problema.

11.4. Ud. ha decidido presentarse a una propuesta pblica para abastecer de


alimentos a los escolares de la ciudad de Pelarco durante todo el prximo
ao. Las bases de la propuesta sealan lo siguiente:

Modelos de Optimizacin

139

1.

Cada racin consiste de un guiso (excluye pan, postre, etc.).

2.

Se deber dar raciones a 1.000 nios todos los das (5.000 raciones
semanales, ya que se excluyen sbados y domingos).

3.

Ningn guiso podr ser entregado ms de 2 veces durante la semana.

4.

Al menos 1 vez a la semana se deber dar pescado.

5.

Se podr dar guisos diferentes a los distintos escolares en un da


determinado.

6.

Se deber entregar por lo menos 2,5 millones de caloras por semana al


total de nios (equivale a 500 caloras diarias prmedio por alumno) y por
lo menos 125 kilos de protena (equivale a 25 grs. promedio por da por
alumno).

7.

Los requisitos son mnimos. En la adjudicacin se dar especial


importancia a la cantidad de protenas totales suministradas.

8.

Al cabo de un ao, habr una nueva licitacin.

En caso de ganar la propuesta Ud. ha dedicido considerar slo los siguientes


guisos cuya composicin de caloras y protenas se presenta en el Cuadro 1.
Cuadro 1: Aportes Nutritivos de Guisos Seleccionados
Nombre
Caloras Protenas
(por racin)(grs/racin) variable
unit.(1)
1
2
3
4
5
6
7
(1)

Charquicn
Pollo a la jardinera
Lentejas
Pescado con pur
Tallarines con carne
Arroz con salchicha
Salpicn de verduras

500
650
800
200
700
600
300

Costo

30
20
45
20
200
10
20

100
300
50
250
100
200
150

Incluye costos de materia prima y preparacin,


excluye inversiones que Ud. tendra que hacer.

140

Trabajo Docente N 57

Se pide:
a)

Plantee un modelo de programacin matemtica que le ayude en la


presentacin a la propuesta. Defina claramente las variables, funcin
objetivo y restricciones.

b)

Resuelva usando el programa LINDO o QSB+ y presntese a la


propuesta en forma realista indicando, entre otras cosas, el precio (un
nmero en pesos) que Ud. cobrara por racin el cual quedara fijo por el
ao completo.
Recuerde que Ud. se presenta a esta propuesta como parte de un negocio
que debe ser rentable; que hay varias empresas presentndose (que
pueden tener otra estructura de costos); que hay inversiones que hacer;
que los costos de la materia prima pueden cambiar a lo largo del ao; que
si gana la propuesta, la inversin puede o no servirle para la licitacin
del prximo ao (sobre todo cuando se considera que puede no ganarla
de nuevo); etc. Considere estos elementos cuando determine el precio
que va a cobrar por el ao.
Nota: Haga todos los supuestos adicionales que estime convenientes.

11.5. Una fbrica de galletas tiene 1800 libras de galletas de chocolate, 100 libras
de galletas de almendras y 50 libras de galletas de coco. La fbrica envasa
tres tipos de latas de 5 libras cada una, que contienen estas galletas en las
siguientes cantidades.
Lata 1: 3 libras de chocolate, 1 libra de almendras y 1 libra de coco.
Lata 2: 4 libras de chocolate, 0,5 libras de almendras y 0,5 libras de
coco.
Lata 3: 5 libras de chocolate.
El precio de venta es de 500, 400, y 600 pesos/lata respectivamente.
Se pide:
a)

Plantee el problema de Programacin Lineal correspondiente.

b)

Suponga que quiere producir a lo ms 2 tipos de lata por convenios con


los distribuidores. Plantee nuevamente el problema.

Modelos de Optimizacin

141

11.6. Ud. ha decidido instalar una botillera con los siguientes productos:
Bebidas:
Margen Neto
($/Bot.)
Coca Cola
Pepsi Cola
Limn Soda

Demanda Semanal
(Mx.)

10
12
15

250
100
400

20
10

180
130

Vinos:
Santa Rita
Casillero

Su problema es determinar qu comprar al comienzo de la semana si sabe que


no puede comprar ms de 650 botellas en total.
Se pide:
a)

Plantee el problema de optimizacin correspondiente.

b)

Cmo incorporara el hecho que sus abastecedores le exigen quedarse


con Pepsi o con Coca Cola?

c)

Adicionalmente, cmo incorporara el hecho que Santa Rita exige que


por cada botella que compre de Casillero, le compre a ellos (como
mnimo) dos botellas de Santa Rita?

d)

Cmo incorporara el hecho que Limn Soda exige para venderle, que
no le compre ms de 60 botellas a Coca Cola?

11.7. La empresa AGRINDUS S.A. le ha pedido a Ud. que la asesore en la


planificacin de las compras y produccin semanal. La empresa produce 3
productos. Ud. cuenta con la siguiente informacin:
1.

Los productos son:

a)

Duraznos en conserva: precio = 1.000 pesos/tarro, ingredientes: 0,3 Kg.


de duraznos/tarro.

142

Trabajo Docente N 57

b)

Tutti-Frutti en conserva, precio = 1.200 pesos/tarro, ingredientes: 0,1 Kg.


de duraznos/tarro y 0,2 kg. de peras por tarro.

c)

Ciruelas conserva, precio 800 pesos/tarro, ingredientes: 0,35 kg. de


ciruelas/tarro.

2.

AGRINDUS cuenta con dos abastecedores de fruta cuyos precios (en


pesos/kg.) son:
Abastecedor A
Duraznos
Peras
Ciruelas

1.600
1.200
1.300

Abastecedor B
1.400
1.600
1.500

3.

AGRINDUS puede procesar como mximo 200 kgs. de fruta por


semana.

4.

El abastecedor B le ofrece, para cada producto un descuento de 20%


sobre todo exceso por encima de los 10 kgs. que le compre. Ejemplo: si
le compra 14 kgs. de duraznos, deber pagar
1.400 * 10 + 1.400 * 0.8 * 4 = 18.420 pesos

5.

El abastecedor A le exige, para venderle a Ud. cualquier producto, que le


compre al menos 20 kgs. de duraznos.

6.

Ud. ha decidido, por razones de imagen, producir como mnimo 30 y


como mximo 90 tarros de cada producto.

Se pide:
Plantee el problema de optimizacin correspondiente, definiendo claramente
las variables.
11.8. Para distribuir uno de los diversos productos que fabrica, una empresa desea
utilizar slo 2 de los 3 depsitos de su propiedad.
En la tabla siguiente se resume cierta informacin relativa a los costos de
distribucin y capacidad de cada depsito.

Modelos de Optimizacin

Depsito
A
B
C

143

Mercado 1 Mercado 2 Capacidades


$/ton.
$/ton. ton/mes
5
7
4

8
3
10

50
30
80

Se pide:
Formule un problema de programacin matemtica que le permita identificar
los depsitos a utilizar y el programa ptimo de distribucin de acuerdo con
los antecedentes presentados y considerando que los mercados 1 y 2
requieren de 40 y 30 toneladas mensuales, respectivamente.
11.9. Ud. tiene dos parcelas de 10 y 20 hectreas cada una, las que puede sembrar
con trigo y maz. Los requerimientos de mano de obra y maquinaria son:
Trigo Maz
Mano de obra
(en jornadas/h)
Maquinaria
(en jornadas/h)
Rendimiento parcela 1
(en qq/h)
Rendimiento parcela 2
(en qq/h)
Margen neto unitario
(en pesos/qq)

10

15

20

30

60

40

60

10.000

10.000

Ud. puede disponer de 40 jornadas-hombre y 100 jornadas-maquinaria para el


ao en la parcela 1, y de 60 jornadas-hombre y 150 jornadas-mquina en la
parcela 2. Adicionalmente, Ud. podra mandar a 1 trabajador por 10 das (10
jornadas) de la parcela 1 a la parcela 2 a un costo total de 3.000 pesos. Por
ltimo, Ud. puede no sembrar nada, en cuyo caso se evitara el costo de
contratar un administrador que sirve para las 2 parcelas y que le cobrar
1.000.000 de pesos al ao (si siembra, debe contratarlo).
Se pide:
Formule un modelo de programacin matemtica, que pueda ser resuelto con
el LINDO o el QSB+, y que permita determinar:

144

Trabajo Docente N 57

i)

cunto producir en cada parcela;

ii)

si mandar o no a una persona de la parcela 1 a la 2;

iii) si contrata o no a una persona de la parcela 1 a la 2;


iv) si contrata o no al administrador.
11.10.La empresa constructora "Los Sauces" est pensando construir un condominio
en un terreno de 3000 m2, de su propiedad. Este nmero de metros es neto de
los espacios reservados para jardines. El problema consiste en determinar el
nmero ptimo de casas tipo I y de casas tipo II, de tal forma de maximizar
utilidades.
Para resolver el problema Ud. cuenta con los siguientes antecedentes:
Casas
Tipo I Tipo II
Costo de construccin (UF/casa)
Tiempo de construccin (das/casa)
Terreno requerido (en mts2/casa)
Precio de venta (U.F./casa)

1.500
40
600
1.900

1.700
60
300
2.000

Adicionalmente, Ud. sabe que por problemas del terreno, no se puede


construir ms de 6 casas tipo II. Asimismo, Ud. sabe que las casas deben
construirse una despus de la otra, y que el tiempo mximo no puede ser
superior a 400 das. Por ltimo Ud., obviamente, sabe que el nmero de
casas debe ser entero.
Se pide:
a)

Plantee el problema de optimizacin correspondiente.

b)

Use el mtodo grfico para resolver el problema. Cuntas casas


construira de cada tipo? Cul es el valor de la funcin objetivo en el
ptimo?

c)

Determine grficamente el rango en que puede variar el coeficiente


asociado al nmero de casas tipo II sin que cambie el nmero de casas a
construir de cada tipo en el ptimo.

Modelos de Optimizacin

145

11.11. Ud. es dueo de un fundo que produce 20 mil cajas de manzanas todos los
aos. El huerto est en plena produccin y se espera que dure otros 5 aos.
Las manzanas son de exportacin en un 75%.
Su problema es decidir si poner su propio packing, que vale 50.000 dlares y
que dura exactamente 5 aos, a un costo operacional anual de 1.000 dlares
independientes de la cantidad de fruta, ms 0,5 dlares por caja.
En caso de poner su propio packing, ste tendra capacidad para 35 mil cajas
al ao, con lo que podra servir a terceros a un precio de 1,2 dlares la caja.
Los precios de venta en este caso seran de 3,8 y 3,2 dlares por caja para la
fruta de exportacin y no de exportacin, respectivamente.
Si no pone packing, Ud. tiene 3 posibilidades excluyentes:
1)

Vender sus manzanas a un exportador a un precio de 3 dlares la caja.


En este caso, ellos se encargaran de separar la fruta de exportacin, con
lo que el precio anterior es vlido para toda la fruta que Ud. le entregue
de su huerto (la exportadora se pone desagradable si le manda fruta de
terceros).

2)

Vender la fruta clasificada por Ud. mismo a un precio de 3,5 dlares la


caja de exportacin y de 2,8 dlares la caja no de exportacin. El
problema es que en esta alternativa Ud. puede vender un mximo de
11,000 cajas de exportacin y el sobrante de exportacin lo tendra que
vender a otra exportadora a un precio de 2,9 dlares por caja. El costo
de clasificar es de 0,1 dlares la caja, ms un costo fijo anual de 1000
dlares.

3)

Vender 10.000 kilos de manzanas, sin clasificar, a una planta de jugos a


un precio de 2.95 dlares la caja, y vender el resto de la misma manera
que en la alternativa 2.

Se pide:
Plantee el modelo de optimizacin correspondiente del tal forma que pueda
ser resuelto con el LINDO o QSB+. Si necesita ms supuestos, invntelos.
Nota: El modelo no puede incorporar parte o partes de la solucin. Del
LINDO o QSB+ debera poder salir qu alternativa seguir, etc.

146

Trabajo Docente N 57

11.12. Imagnese en la siguiente situacin: Ud. tiene un fundo que produce 20 mil
kg. de limones al ao y desea saber si seguir vendindolos a granel sin
clasificar a un precio de 100 pesos por kilo o si clasificarlos en primera y
segunda clase antes de venderlos. Obviamente, si clasifica ya no puede
venderlos a granel.
Todo el proceso de clasificacin cuesta 200 mil pesos en total y Ud. sabe que
6.000 kilos de la produccin son de primera y los 14 mil kilos restantes son
de segunda.
El problema se complica por los siguientes aspectos: los limones de primera
Ud. los puede vender a una firma exportadora que le paga 130 pesos por kilo
hasta un mximo de 4.000 kilos, mientras que los limones de segunda puede
venderlos a un mayorista que le paga 100 pesos por kilo hasta un mximo de
3 mil kilos y/o a una verdulera que le compra hasta un mximo de 12 mil kg.
a un precio de 105 por kilo.
Por ltimo, una empresa agroindustrial est dispuesta a pagar 104 pesos por
kilo por todos los limones que Ud. desee venderle independiente de la
clasificacin, pero siempre y cuando vengan ya clasificados. Le exige, sin
embargo, que en el caso de venderle algo, le venda un mnimo de 15 mil
kilos.
Se pide:
Plantee el problema de tal forma que pueda ser resuelto por el LINDO o
QSB+. El programa debe permitirle a Ud. determinar si le conviene o no
clasificar, y adems cmo vender su produccin.

11.13. Hoy es 1 de mayo, comienzos del ao agrcola, y usted est planificando qu


producir el prximo ao en su fundo de 200 hs. Para ello ha decidido limitar
las posibilidades a trigo, maz, frejol y remolacha.
El fundo est dividido en tres potreros de 20, 140, y 40 hs., no pudiendo
sembrar ms de 2 cultivos en cualquiera de ellos (puede producir por ejemplo
trigo y maz en un potrero y maz y frejoles en otro).
En el invierno usted no tendr problemas de agua, y los requerimientos en
primavera y verano son los siguientes:

Modelos de Optimizacin

147

Requerimientos de agua en mt3 por h.


Trigo Maz Frejol Remolacha Disponib.

Primavera 2.000
Verano
1.000

4.000 3.000
3.000 2.000

5.000
1.000

400.000
300.000

Los ingresos netos por hectrea son los siguientes:


Trigo:
Maz:
Frejol:
Remolacha:

200.000
300.000
380.000
530.000

Se pide:
a)

Plantee el problema de optimizacin de tal forma que pueda ser resuelto


con el LINDO o QSB+.

b)

Suponga que usted ha decidido que cualquier cultivo que siempre debe
tener por lo menos 5 hectreas (puede no sembrar).

c) Suponga que para vender, en caso que usted decida vender, debe pagar
una comisin fija al corredor de $200.000 en el caso del trigo, y para la
remolacha de $180.000 (estas comisiones se pagan una sola vez,
independiiente del volumen de produccin).

11.14.Ud., que es administrador de un fundo de 150 hectreas, debe programar su


produccin para el prximo ao. Los productos a considerar son trigo, maz
y remolacha.
Los coeficientes tcnicos de produccin y las disponibilidades de los distintos
recursos son los que a continuacin se sealan.
trigo maz remolacha Disponibilidad

148

Trabajo Docente N 57

Mano de obra
(en j.h./h.)
Capital
(en j.m./h)

15

25

85

3.000

12

14

2.000

Se pide:
a)

Suponiendo que los beneficios netos unitarios (expresado en trminos de


pesos por hectrea) son 500, 800 y 950 pesos para el trigo, maz y
remolacha respectivamente, plantee el problema de optimizacin
correspondiente.

b)

Ahora suponga que tiene 3 potreros de 55, 65 y 30 hectreas cada uno, y


que en un potrero especfico no puede sembrar ms de un cultivo (puede
no sembrarlo con nada), cmo cambiara su respuesta anterior?
Nota: Se recomienda definir Xij = cantidad de potreros tipo i sembrado
con el cultivo j.

c)

Suponga que si produce trigo, no puede producir remolacha y s debe


producir maz. Plantee nuevamente el problema.

11.15.La empresa "FLETES, S.A." tiene 4 camiones ubicados en Rancagua y


Concepcin (2 en cada ciudad). La capacidad de los distintos camiones se
presenta a continuacin:
Camin Capacidad Ubicacin
(en m3)
1
2
3
4

5
9
12
14

Rancagua
Rancagua
Concepcin
Concepcin

La Municipalidad de Talca acaba de llamar a propuesta para trasladar 22,5


m3 de alimentos desde Talca al pueblo "Los Sauces" que queda a 45 km. de
Talca (viaje de ida y vuelta).
FLETES, S.A. lo ha contratado a Ud. para decidir cul es el mnimo precio
que debe cobrar para que le convenga participar en la propuesta. Para
realizar su tarea, Ud. cuenta adems con los siguientes antecedentes:

Modelos de Optimizacin

149

1)

Los camiones que enve a Talca para traladar alimentos a Los Sauces
deben finalmente volver a la ciudad donde se encuentran hoy los
camiones. A modo de ejemplo, si enva el camin 1, ste tendra que
seguir la siguiente ruta: Rancagua - Talca - Los Sauces - Talca Rancagua.

2)

La distancia entre Rancagua y Talca es de 80 km. (ida y vuelta), mientras


que entre Concepcin y Talca la distancia es de 100 km.

3)

El costo de combustible, desgaste, etc. es de 50 pesos por km.


independiente del camin.

4)

Ningn camin alcanza a hacer ms de un viaje entre Talca y Los


Sauces.

Se pide:
a)

Plantee, sin resolver, el problema de optimizacin correspondiente.

b)

Ahora suponga que el camin 1 alcanza a hacer hasta 2 viajes entre


Talca y Los Sauces. En este caso, la ruta sera Rancagua - Talca - Los
Sauces - Talca - Los Sauces - Talca - Rancagua. Nuevamente, plantee,
SIN RESOLVER, el problema de optimizacin correspondiente.

11.16. Para cada una de las siguientes afirmaciones escriba la o las restricciones
correspondientes definiendo claramente todas las variables. Estas deben ser
escritas de tal forma que se puedan entender en el LINDO o QSB+.
a)

Por cada 3 kilos de maz que ponga en una dieta de pollos, debo poner al
menos 2 kilos de harina de pescado.

b)

Por cada kilo de galletas de chocolate se usan 800 grs. de harina, y por
cada kilo de galletas de gengibre se usan 650 gramos de harina. Se
dispone de 6.000 grs. de harina en total.

c)

Un proveedor de tomates (proveedor A) exige que si le compro, le


compre como mnimo 15 kilos.

d)

El nmero de hectreas sembradas de maz debe ser igual a 10, 15 o 20.


Son las nicas tres posibilidades.

e)

Un agricultor ha decidido que si produce trigo, no puede producir maz,


y s debe producir porotos.

150

Trabajo Docente N 57

f)

Deseo producir exactamente 3 productos de 5 posibles.

g)

SAVORY ha decidido regalar 3 calcomanas por cada 10 helados que le


compren.

h)

Se requieren 2 jornadas-hombre (JH) por hectrea de maz y 3 JH por


hectrea de porotos. Se dispone de un mximo de 120 JH en horario
normal y de 30 JH en horario extraordinario.

i)

El abastecedor A est dispuesto a venderle como mximo 30 unidades si


Ud. le compra al abastecedor B. Si no le compra al abastecedor B,
entonces est dispuesto a venderle cualquier cantidad hasta 55 unidades.

11.17.Ud. es administrador de un fundo de 120 hectreas y debe programar su


produccin para el prximo ao. Los productos posibles son porotos, arvejas
y tomates. Los coeficientes tcnicos de produccin, las disponibilidades de
los distintos recursos, los precios y rendimientos se presentan a continuacin.
Porotos
Mano de obra
(en JH/h.)
Maquinaria
(en JM/h)
Rendimiento
(en qq/h)
Precio neto (2)
(en pesos/qq.)

Arvejas

Tomates Disponibilidad

(1)

550

60

50

30

2.000 3.000

8.000

Notas:
(1)
La disponibilidad mxima es de 400 JH en horario normal y
300 JH en horario extraordinario.
(2)
Se refiere a neto de insumos tales como semillas, fertilizantes,
etc.

Ud. sabe adems que el precio por JH en horario normal es de 2.000 pesos
por jornada trabajada, y en horario extraordinario de 2.800 pesos por jornada
trabajada.
Se pide:

Modelos de Optimizacin

151

a)

Plantee, SIN RESOLVER, el problema de optimizacin correspondiente.

b)

Asigne valores numricos en forma arbitraria a los precios sombra


asociados a la(s) restriccin(es) de mano de obra, y explique claramente
qu significan en la prctica dichos nmeros.

c)

Suponga que ha decidido sembrar como mximo 2 de los cultivos.


Cmo incorporara esta restriccin?

d)

Ahora suponga que si decide no sembrar nada, el administrador del


fundo del lado le ofrece 400.000 pesos por arrendrselo durante un ao.
Replantee, sin resolver, el problema de optimizacin correspondiente.

11.18.Usted acada de ser nombrado Gerente de Programaciones de LADECO. Su


primer trabajo, donde debe demostrar sus habilidades, consiste en programar
exactamente "un vuelo" desde Santiago a cada una de las siguientes ciudades:
Arica, Temuco y Puerto Montt.
Las horas disponibles de salida son: 8 AM y 6 PM.
LADECO no puede programar ms de dos vuelos en una misma hora de
salida.
Los datos de demanda sugieren las siguientes contribuciones a la utilidad
esperada, en funcin de la hora de salida:
Hora de salida
8 AM 6 PM
Destino
Arica
Temuco
Puerto Montt

10
13
15

8
9
23

Se pide:
Formule el modelo de optimizacin correspondiente de tal forma que pueda
ser resuelto usando el programa LINDO.

152

Trabajo Docente N 57

11.19.Suponga el siguiente problema de optimizacin:


Maximizar 220 T + 300 P + 150 M + 195 C
donde T, P, M, C, representan las hectreas a sembrar de trigo, porotos, maz,
y cebollas, respectivamente.
Las restricciones son:
T + P + M + C 200
(hectreas)
2T + 4P + 3M + 5C 500 (maquinaria, en jornadas)
Se pide:
Cmo incorporara las siguientes restricciones adicionales?
a)

Por una peste extraa, si siembra trigo, no puede sembrar ms de 2


hectreas de cebollas.

b)

Si siembra cualquier cultivo, debe sembrar mnimo 3 hectreas.

c)

Puede contratar horas extra de maquinaria a un precio de 10 pesos por


jornada, pero debe pagar el costo del transporte hasta su predio que
asciende a 1.000 pesos.

d)

Si siembra porotos, debe sembrar un mximo de 100 hectreas en el total


de los dems cultivos.

e)

Si siembra los 4 cultivos debe contratar a un segundo ingeniero


agrnomo por 10.000 pesos.

f)

En relacin con el problema original, si gana ms de 80.000 pesos


brutos, debe pagar un impuesto adicional de 1.500 pesos, aunque se pase
por 1 solo peso.

11.20.Los localidades se abastecen de dos centros mayoristas. Los costos medios de


transporte son los que a continuacin se sealan:
Mayorista
1
2

Localidad
1
3 + 2X
6+X

2
4+X
3X

Oferta
200
130

Modelos de Optimizacin

Demanda

153

110

120

donde X representa la cantidad que se transporta entre cada centro de origen


y cada centro de consumo.
Se pide:
Plantee el problema de minimizacin de costo de transporte de tal forma que
pueda ser resuelto con variables binarias.
11.21.Suponga que Ud. est sentado en este minuto frente a 100.000 melones de 1
kilo cada uno de su propiedad en su fundo en Melipilla.
Tiene la posibilidad de mandarlos ya sea a San Antonio, donde el precio de
venta es de 28 pesos, o a Santiago donde el precio de venta es de 26 pesos por
unidad.
Debido al reciente terremoto, existe un fuerte problema de transporte entre
Melipilla y San Antonio por lo que las autoridades han decidido restringir los
flujos entre ambas ciudades que no sean de emergencia (medicamentos y
materiales de construccin). Para lograrlo, han decidido poner un impuesto
unitario por kilo que transporte cualquier productor o empresa, creciente. Es
decir, mientras ms kilos Ud. decida transportar a San Antonio mayor ser el
impuesto unitario que Ud. deber pagar. El impuesto unitario promedio al
cual estar sujeto es:
T = 0,0001 X
donde X es el nmero de kilos transportados entre Melipilla y San Antonio y
T es el impuesto promedio por unidad transportada expresado en pesos.
Suponga asimismo un costo de transporte unitario, excludo el impuesto, de 5
pesos por meln, que pesan 1 kilo cada uno, entre Melipilla y San Antonio y
de 4 pesos por meln entre Melipilla y Santiago.

Se pide:
a)

Plantee el problema de programacin cuadrtica correspondiente.

b)

Escriba las condiciones de Kuhn Tucker correspondientes.

154

Trabajo Docente N 57

c)

Determine cunto debe enviar a cada mercado.

d)

Un vecino suyo le ofrece un meln en 23 pesos.


Justifique.

Se lo compra?.

11.22.Considere el siguiente problema de optimizacin:


Maximizar - X1 - 2X2 + 3X1 + X2
sujeto a:
X1 + X2 8
X1, X2 0
a)

Demuestre si la funcin objetivo es cncava, convexa, o ninguna de las


dos.

b)

Plantee el problema de Programacin Cuadrtica correspondiente.

11.23.Ud. es el nico productor en Chile de trigo de color verde y de maz colorado.


Este es un mercado muy especial, que tiene la caracterstica que hay miles de
consumidores (es decir, Ud. es un monopolista que NO enfrenta un poder
monopsnico por el lado de la demanda). Las demandas que Ud. enfrenta
son :
Ptv = 100 - Qtv
Pmc = 200 - 2Qmc
donde Ptv, Pmc, Qtv, Qmc son lo precios y cantidades vendidas de trigo de
color verde y de maz colorado respectivamente.
Los costos totales de produccin se pueden expresar como:
CT = 10 + 2Qtv + 3Qmc

Por ltimo, Ud. sabe que no puede producir ms de 30 unidades considerando


ambos productos.
Se pide:
Plantee el problema de Programacin Cuadrtica correspondiente.

Modelos de Optimizacin

155

11.24.Ud. tiene una verdulera y tiene 3 proveedores a los que puede comprar
tomates, lechugas, repollos, y zanahorias.
Los precios a los que Ud. puede vender, los precios que cobran los distintos
proveedores, junto con las cantidades mximas que puede comprarle a cada
uno, se presentan a continuacin:

Precio Prov. 1
de venta P
Q
mx.
mx.
Tomates
Lechugas
Repollos
Zanahorias

200
150
300
400

150
100
50
260

Prov. 2
P
Q
mx.

40 100
100
40
5 150
35 300

30
40
10
20

Prov. 3
P
Q

80 50
200 30
60 20
40 10

Adicionalmente, Ud. sabe que no podr vender a esos precios ms de 80, 270,
400 y 38 Kg. de tomates, lechugas, repollos, y zanahorias respectivamente.
Se pide:
a)

Plantee el problema de programacin lineal correspondiente de tal forma


de maximizar sus ingresos netos.

b)

Si el costo de ir y volver donde cada proveedor es el siguiente:


Proveedor 1:
Proveedor 2:
Proveedor 3:

1.500
6.000
12.000

Cmo incorporara este hecho en su planteamiento, de tal manera que


pueda ser resuelto con el LINDO?
c)

Ahora suponga que al proveedor 1 le carga el proveedor 2 por lo que


exige que si Ud. decide comprarle a l (proveedor 1) entonces le debe
comprar al menos el triple que al 2 en trminos de kilos totales. Cmo
incorporara este hecho en su planteamiento LINDO?

d)

En relacin con el problema planteado en (a), suponga que los tomates


del proveedor 1 son de un tipo especial donde Ud. es un monopolista que
enfrenta la siguiente curva de demanda:

156

Trabajo Docente N 57

Precio = 80 - 2Q
Plantee nuevamente el problema de tal forma que pueda ser resuelto con
el LINDO.

Modelos de Optimizacin

157

REFERENCIAS

Chiang, Alpha C.: Fundamental Methods of Mathematical Economics, 2da. Edicin,


Mc Graw-Hill Book Company 1974.
Edwards, Gonzalo: Matemticas y Estadstica en Economa, Serie Docente No. 52,
Instituto de Economa, P. Universidad Catlica de Chile, 1992.
Hillier, F. y G.J. Lieberman: Introduction to Operations Research, 3a. Edicin,
Holden-Day, San Francisco, 1980.
Intrilligator, M.D.: Mathematical Optimization and Economic Theory, PrenticeHall, New Jersey, 1971.
Philippi, Bruno: Introduccin a la Optimizacin de Sistemas,
Universidad Catlica de Chile, 1982.

Ediciones