Está en la página 1de 78

Introduccin a la

programacin lineal
E

l desarrollo de la programacin lineal ha sido clasificado como uno de los avances cien

tficos ms importantes de mediados del siglo xx, y estamos de acuerdo con esta aseve

racin. Su efecto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de


uso normal que ha ahorrado miles o millones de dlares a muchas compaas o negocios,

incluso empresas medianas, en los distintos pases industrializados del mundo; su aplicacin
a otros sectores de la sociedad se ha ampliado con rapidez. Una proporcin muy grande de
los programas cientficos en computadoras est dedicada al uso de la programacin lineal.
Se han escrito docenas de libros de texto sobre esta materia y se cuentan por cientos los
artculos publicados que describen aplicaciones importantes.
Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede ma
nejar? El lector adquirir una nocin de este tema a medida que trabaje en los ejemplos que
se presentarn ms adelante. Sin embargo, un resumeu verbal puede permitirle elaborar una
idea. Expresado en forma breve, el tipo ms comn de aplicacin abarca el problema general
de asignar de la mejor manera posible --es decir, de folna ptima- recursos limitados a ac

tividades que compiten entre s por ellos. Con ms precisin, este problema consiste en ele

gir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizar
las. Despus, los niveles de actividad elegidos dictan la cantidad de recursos que consumir
cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es
sin duda muy grande, ya que abarca desde la asignacin de instalaciones de produccin a los
productos hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde
la seleccin de una cartera de inversiones hasta la seleccin de los patrones de envo; desde
la planeacin agrcola hasta el diseo de una terapia de radiacin, etc. No obstante, el ingre
diente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades
mediante la eleccin de los niveles de stas.
La programacin lineal utiliza un modelo matemtico para describir el problema. El ad
jetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones
lineales. En este caso, la palabra programacin no se refiere aqu a trminos computaciona
les; en esencia es sinnimo de planeacin. Por lo tanto, la programacin lineal involucra la
planeacin de las actividades para obtener un resultado ptimo; esto es, el resultado que me
jor alcance la meta especificada -de acuerdo con el modelo matemtico- entre todas las
alternativas factibles.
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la
programacin lineal tiene muchas otras posibilidades. En realidad, cualquier problema cuyo
modelo matemtico se ajuste al formato general del modelo de programacin lineal, es un
problema de programacin lineal. (Por esta razn, los problemas de programacin lineal y
sus modelos con frecuencia son llamados slo programas lineales.) An ms, se dispone de
25

26

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

un procedimiento de solucin muy eficiente llamado mtodo smplex para resolver estos
problemas lineales, incluso los de gran tamao. stas son algunas razones del tremendo efec
to de la programacin lineal en las dcadas recientes.
Por su gran importancia, hemos dedicado a la programacin lineal ste y los siguientes
seis captulos. Despus de presentar aqu las caractersticas generales de programacin li
neal, los captulos 4 y 5 se dedican al mtodo smplex. El captulo 6 analiza los problemas
de programacin lineal despus de la aplicacin inicial del mtodo smplex. El captulo 7
examina varias extensiones del mtodo smplex ampliamente usadas e introduce el algorit
mo de punto interior que en ocasiones se usa para resolver problemas de programacin li
neal an ms grandes que los que maneja el mtodo smplex. Los captulos 8 y 9 conside
ran algunos problemas especiales de programacin lineal cuya trascendencia justifica su
estudio individual.
Adems, en varios de los captulos posteriores se vern aplicaciones de programacin
lineal a otras reas de la investigacin de operaciones.
Este captulo inicia con el desarrollo de un ejemplo prototpico simplificado de un pro
blema de programacin lineal. Este ejemplo es tan pequeo que puede resolverse de mane
ra directa en una grfica. En las secciones 3.1 y 3.2 se presentan el modelo general de pro
gramacin lineal y sus supuestos bsicos. Las secciones 3.4 y 3.5 proporcionan algunos
ejemplos adicionales de programacin lineal que incluyen tres casos de estudio. L a seccin
3.6 describe cmo pueden establecerse y resolverse problemas de programacin lineal de ta
mao mediano en una hoja de clculo. Sin embargo, algunos problemas reales requieren mo
delos en verdad masivos. La seccin 3.7 ilustra cmo suelen surgir estos modelos de gran
tamao y cmo se pueden formular bien con la ayuda de lenguajes especiales de modelado
como MPL -descrito en esta seccin- o LINGO -descrito en el apndice de este cap
tulo-.

3.1

EJEMPLO PROTOTIPO
La WYNDOR GLASS CO. produce artculos de'vidrio de alta calidad, entre ellos ventanas
y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la
planta 1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.
Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar
la lnea de produccin de la compaa. Se descontinuarn varios productos no rentables y se
dejar libre una parte de la capacidad de produccin para emprender la fabricacin de dos
productos nuevos que tienen ventas potenciales grandes:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio
Producto 2: una ventana corrediza con marco de madera de 4 pies por 6
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la
planta 2. El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercia
lizacin ha concluido que la compaa puede vender todos los productos que se puedan fa
bricar en las plantas. Sin embargo, como ambos productos competiran por la misma capa
cidad de produccin en la planta 3, no est claro qu mezcla de productos sera la ms
rentable. Por lo tanto, se ha formado un equipo de ro para estudiar este problema.
El grupo comenz por realizar juntas con la alta administracin para identificar los ob
jetivos del estudio y desarrollaron la siguiente definicin del problema:
Determinar qu

tasas de produccin deben tener los dos productos con el fin de maximizar
las utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. (Cada producto se fabricar en lotes de 20 unida
des, de manera que la tasa de produccin est definida como el nmero de lotes que se pro-

3.1

27

EJEMPLO PROTOTIPO

ducen a la semana.) Se permite

cualquier combinacin de tasas de produccin que satisfaga


y elaborar todo lo que sea posi

estas restricciones, incluso no fabricar uno de los productos


ble del otro.

El equipo de 10 tambin identific los datos que necesitaba reunir:


1. Nmero de horas de produccin disponibles por semana en cada planta para estos nue
vos productos. (Casi todo el tiempo de estas plantas est comprometido con los produc
tos actuales, lo que limita la capacidad para manufacturar nuevos productos.)
2. Nmero de horas de fabricacin que emplea cada lote producido de cada artculo nuevo
en cada una de las plantas.
3. La ganancia por lote de cada producto nuevo. (Se escogi la ganancia por lote produ
cido como una medida adecuada una vez que el equipo lleg a la conclusin de que
la ganancia incremental de cada lote adicional producido sera, en esencia, constante,
sin importar el nmero total de lotes producidos. Debido a que no se incurre en cos
tos sustanciales para iniciar la produccin y la comercializacin de estos nuevos pro
ductos, la ganancia total de cada uno es aproximadamente la ganancia por lote pro
ducido multiplicada por el nmero de lotes.)

La obtencin de estimaciones razonables de estas cantidades requiri del apoyo de per


sonal clave en varias unidades de la compaa. El personal de la divisin de manufactura
proporcion los datos de la primera categora mencionada. El desarrollo de estimaciones pa
ra la segunda categora requiri un anlisis de los ingenieros de manufactura involucrados
en el diseo de los procesos de produccin para los nuevos artculos. Al analizar los datos
de costos obtenidos por estos ingenieros, junto con la decisin sobre los precios de la divi
sin de mercadotecnia, el departamento de contabilidad calcul las estimaciones para l a ter
cera categora.
La tabla 3.1 resume los datos reunidos.
De inmediato, el equipo de 10 reconoci que se trataba de un problema de programa
cin lineal del tipo clsico de mezcla de productos y procedi a la formulacin del mode
lo matemtico correspondiente.
Formulacin como un problema de programacin lineal

Para formular el modelo matemtico de programacin lineal para este problema, se define

Xl = nmero de lotes del producto 1 fabricados por semana


X2 nmero de lotes del producto 2 fabricados por semana
=

ganancia semanal total (en miles de dlares) al elaborar estos dos productos

TABLA 3.1 Datos del problema de la Wyndor Glass Co.

TIempo de produccin
por lote, horas
Producto
Planta
1
2

Ganancia por lote

1
O

O
2
2

$3000

$5000

Tiempo de produccin
disponible a la semana, horas
4
12
18
"""_"'l"""'t"\_"""""'

28

INTRODUCCiN A LA PROGRAMACiN LINEAL

CAPTULO 3

Por lo tanto, x y X2 son las variables de decisin del modelo. Si se usa el ltimo rengln de
la tabla 3.1 se obtiene
Z

3x

5X2'

El objetivo es elegir los valores de X y X2 que maximicen Z = 3x + 5X2, sujeta a las res
tricciones impuestas sobre sus valores por las capacidades de produccin limitadas disponi
bles en las tres plantas. La tabla 3.1 indica que cada lote del producto 1 que se produce por
semana emplea 1 hora de produccin en la planta 1, y slo se dispone de 4 horas semana
les. Matemticamente, esta restriccin se expresa mediante la desigualdad X :5 4. De igual
manera, la planta 2 impone la restriccin 2x2:5 12. El nmero de horas de produccin usa
das a la semana en la planta 3 que se consume al elegir x y X2 como las tasas de elabora
cin de los nuevos productos sera 3x + 2x2 Entonces, la expresin matemtica de la res
triccin de la planta 3 es 3x + 2x2:5 18. Por ltimo, como las tasas de produccin no pueden
ser negativas, es necesario restringir las variables de decisin a valores no negativos: X 2:O
y X22:0.
Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste
en seleccionar valores de X y X2 para
Maximizar

Z = 3x

5X2,

sujeta a las restricciones


:5 4
2x2 :5 12
3x + 2x2 :5 18
X

y
X2:.2.:: O.
(Obsrvese cmo la informacin de la tabla 3.1 en esencia se duplica en la distribucin de
los coeficientes de XI y X2 en el modelo de programacin linea!.)
Solucin grfica

Este pequeo problema tiene slo dos variables de decisin, esto es, slo dos dimensiones,
as que se puede usar un procedimiento grfico para resolverlo. Este procedimiento incluye
la construccin de una grfica de dos dimensiones con XI y X2 en los ejes. El primer paso es
identificar los valores de (XI, X2) permitidos por las restricciones. Este objetivo se logra di
bujando cada una de las rectas que limitan los valores permitidos por una restriccin. Para
comenzar, ntese que las restricciones de no negatividad XI 2: O Y X2 2: O exigen que el pun
to (XI> X2) se encuentre en el lado positivo de los ejes (incluso sobre cualquiera de los dos
ejes), es decir, en el primer cuadrante. Despus, debe observarse que la restriccin XI :5 4
significa que (XI> X2) no puede estar a la derecha de la recta XI
4. Estos resultados se mues
tran en la figura 3.1, en la que el rea sombreada contiene los nicos valores de (XI> X2) per
mitidos.
De manera parecida, la restriccin 2x2:5 12 (o de modo equivalente, X2:5 6) implica que
la recta 2x2 = 12 debe agregarse a la frontera de la regin permisible. La ltima restriccin,
3xI + 2x2 :5 18, se encuentra al graficar los puntos (XI> X2) tales que 3x, + 2x2 18 (otra rec
ta) para completar la frontera. (Obsrvese que los puntos que cumplen 3xI + 2x2 :5 18 son
aquellos que estn sobre o por debajo de la recta 3xI + 2x2 18, por lo que sta es la recta
que limita, y ms all de ella, la desigualdad no se satisface.) En la figura 3.2 se muestra la re
gin de valores permisibles de (XI, X2), llamada regin factible. (La demostracin llamada
Graphical Method -mtodo grfico- en el OR Tutor proporciona un ejemplo detallado de
la construccin de la regin factible.)
El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el va
lor de Z = 3xI + 5X2. Para descubrir cmo realizar este paso de manera eficiente se pueden
=

3.1

29

EJEMPLO PROTOTIPO

X2

5
4
3
2

FIGURA 3. 1
El rea sombreada muestra
los valores de (Xl' X2)
permitidos por X, <= 0,
X22::: O, Xl :5 4.

Xl

10

3Xl + 2x2 = 18

Xl = 4

---------+-- 2x2= 1 2

FIGURA 3.2
El rea sombreada muestra
los valores permitidos de
(Xl, X2), llamada la regin
factible.

Xl

intentar algunos valores por prueba y error. Por ejemplo, probar, Z 10


3x + 5X2 para
ver si existe algn valor de (Xl , X2) dentro de la regin permisible que d un valor de 10 pa
10 se puede ver que existen muchos puntos sobre es
ra Z. Si se dibuja la recta 3Xl + 5X2
ta recta que estn dentro de la regin (vase la figura 3.3). Como al intentar este valor arbi
trario de Z 10, se tiene una mejor perspectiva, debe intentarse ahora un valor arbitrario
ms grande, por ejemplo, Z 20
3x + 5X2. De nuevo, la figura 3.3 revela que un seg
mento de la recta 3x + 5X2 = 20 se encuentra dentro de la regin, de manera que el mxi
mo valor permisible de Z debe ser, por lo menos, 20.
=

30

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

X2

8
Z = 36

3x, + 5x2

20 =

3x, + 5x2

10

3x, + 5x2

FIGURA 3.3
El valor de (x" X2) que
maximiza 3x, + 5X2 es (2, 6).

10

Obsrvese abora en la figura 3.3 que las dos rectas que se acaban de graficar son para
lelas. Esto no es coincidencia, ya que cualquier recta construida de esta manera tiene la for
ma Z

3x, + 5X2 para el valor seleccionado de Z, lo que implica que 5X2

3x, + Z o,

en forma equivalente,
X2

1
3
-s-x, + Z
5

Esta ltima ecuacin, llamada forma de pendiente-ordenada al origen de la funcin objeti


vo, demuestra que la pendiente de las rectas es
x, hace que X2 cambie en

-),

d (ya que cada incremento de una unidad en

mientras que la ordenada de la recta -la interseccin con el

Z- (puesto que X2 1z cuando x, O). El hecho de que la pendiente est


-1 significa que todas las rectas construidas de esta manera son paralelas.

eje X2 es

De nuevo, si se comparan las rectas 10

3x, + 5X2

20

es posible observar que la recta que da el valor mayor de Z (Z

fija en

3x, + 5X2 en la figura 3.3,

20) se encuentra ms lejos

del origen hacia arriba que la otra recta (Z = 10). Este hecho tambin est implcito en la
forma de pendiente-ordenada al origen de la funcin objetivo, lo que indica que la intersec
cin con el eje x,

Z) aumenta cuando crece el valor seleccionado de Z.

Estas observaciones implican que el procedimiento de prueba y error para construir las
rectas de la figura 3.3 involucra slo dibujar una familia de rectas paralelas que contengan

al menos un punto en la regin factible y elegir la que corresponda al mayor valor de Z. La

figura 3.3 muestra que esta recta pasa por el punto (2, 6), lo cual indica que la solucin pti

ma es x,

Y X2

6. La ecuacin de esta recta es 3x, + 5X2

ce que el valor ptimo de Z es Z


rectas 2x2

12 Y 3x,

+ 2x2

3(2) + 5(6)

36

Z; que di

36. El punto (2, 6) se encuentra en la interseccin de las dos

18, mostradas en la figura 3.2, por lo que el punto se puede cal

cular de manera algebraica como la solucin simultnea de estas dos ecuaciones.


Una vez estudiado el procedimiento de prueba y error para encontrar el punto ptimo
(2, 6), es posible seguir los pasos de este mtodo en otros problemas. En lugar de dibujar
varias rectas paralelas, es suficiente marcar una de ellas con una regla para establecer la pen
diente y despus mover la regla con pendiente fija sobre la regin factible en la direccin en
que Z mejora. (Cuando el objetivo sea minimizar Z la regla deber moverse en la direccin
en que Z decrece.) La regla se deja de mover en el momento en que todava pasa por un pun
to de esta regin. Este punto es la solucin ptima deseada

3.1

EJEMPLO PROTOTIPO

31

Con frecuencia se hace referencia a este procedimiento como el mtodo grfico de pro
gramacin lineal. Se puede usar para resolver cualquier problema de programacin lineal con
dos variables de decisin. Con alguna dificultad es posible extender el mtodo a tres varia
bles de decisin, pero no ms de tres. (En el siguiente captulo se estudia el mtodo smplex
para resolver problemas ms grandes.)
Conclusiones

El equipo de ro utiliz este procedimiento para encontrar que la solucin ptima deseada es
6, con Z 36. Esta solucin indica que la Wyndor Glass Co. debe fabricar los
2, X2
productos 1 y 2 a una tasa de 2 y 6 lotes por semana, respectivamente, con una ganancia to
tal resultante de 36 mil dlares semanales. No existe otra mezcla de los dos productos que
sea tan redituable, de acuerdo con el modelo.
No obstante, en el captulo 2 se puso de manifiesto que un buen estudio de investiga
cin de operaciones no slo encuentra una solucin para el modelo inicial formulado. Cada
una de las seis etapas que se describieron es importante, incluso las pruebas exhaustivas del
modelo (vase la seccin 2.4) y el anlisis posptimo (seccin 2.3).
Si reconoce la totalidad de estas realidades prcticas, el equipo de ro est listo para eva
luar la validez del modelo de una manera ms crtica (esta explicacin continuar en la sec
cin 3.3), y para llevar a cabo un anlisis de sensibilidad sobre el efecto que tendra el he
cho de que las estimaciones dadas en la tabla 3 . 1 fueran diferentes debido a inexactitudes,
cambios en las circunstancias, etc. (este tema continuar en la seccin 6.7).

Xl

Continuacin del proceso de aprendizaje con OR Courseware

ste es el primero de muchos puntos en los cuales ser til emplear el OR Courseware que
se encuentra en el CD que acompaa al libro. Un programa clave en este CD es el llamado
OR Thtor que contiene un ejemplo de demostracin completo del mtodo grfico que se es
tudia en esta seccin. Esta demostracin comienza por la introduccin de un problema y la
formulacin de un modelo de programacin lineal, antes de aplicar el mtodo grfico para
resolverlo, con la intencin de proporcionar un ejemplo adicional de formulacin de un mo
delo. Al igual que muchos otros ejemplos de demostracin en otras secciones, ste resalta
los conceptos que son difciles de explicar en una pgina impresa. En el apndice 1 se pue
de consultar la documentacin sobre el software.
Si el lector desea ver ms ejemplos, puede consultar la seccin de problemas resueltos
-Worked Examples- en el CD-ROM. Esta seccin incluye unos cuantos ejemplos con
soluciones completas para casi todos los captulos, como un complemento de los ejemplos
del libro y del OR Tutor. Los ejemplos de este captulo comienzan con un problema relati
vamente directo que implica la formulacin de un pequeo modelo de programacin lineal
y la aplicacin del mtodo grfico. Los ejemplos siguientes implicarn de manera progresiva
un reto mayor.
Otra parte clave del OR Courseware es un programa llamado IOR Thtorial. ste reali
za muchos procedimientos interactivos para ejecutar los diferentes mtodos de solucin pre
sentados en el libro, lo que permite que el lector se enfoque en el aprendizaje y la ejecucin
de la lgica del mtodo en forma eficiente, mientras que la computadora realiza los clcu
los numricos. Se incluye un procedimiento interactivo para aplicar el mtodo grfico en la
programacin lineal. Una vez que se haya captado este primer procedimiento, un segundo
enfoque permite aplicar con rapidez el mtodo grfico para desarrollar anlisis de sensibili
dad sobre el efecto de cambios en los datos del problema. Despus, es posible imprimir los
trabajos y resultados como una tarea. Como los otros procedimientos del rOR Thtorial, s
tos estn especficamente diseados para proporcionar al lector una experiencia de aprendi
zaje eficiente, amena y enriquecedora mientras realiza sus tareas.
Cuando se formule un modelo de programacin lineal con ms de dos variables de de
cisin -por lo que no puede usarse el mtodo grfico-, el mtodo smplex descrito en el

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

captulo 4 permitir encontrar una solucin ptima de inmediato. Obtenerla tambin es til
para la validacin del modelo puesto que encontrar una solucin sin sentido indica que se
cometieron errores en la formulacin del modelo.
En la seccin lA se mencion que el OR Courseware es una introduccin a los tres
paquetes de software comerciales que ms se usan -Excel Solver, LINGOILINDO y
MPLlCPLEX- para resolver una variedad de modelos de 10. Los tres paquetes incluyen el
mtodo smplex para resolver problemas de programacin lineal. En la seccin 3.6 se des
cribe cmo usar Excel para formular y resolver modelos de programacin lineal en el for
mato de una hoja de clculo. Las descripciones de los otros paquetes se proporcionan en la
seccin 3.7 -MPL Y LINGO-, el apndice 3.1 -LINGO-, la seccin 4.8 -CPLEX y
LINDO- y el apndice 4. 1 -LINDO-. Adems, el OR Courseware incluye un archivo
para cada uno de los tres paquetes que muestra cmo se puede usar para resolver los ejem
plos en este captulo .

3.2

M ODELO DE PROGRAMACiN LINEAL


El problema de la Wyndor Glass Co. se dise para ilustrar un problema comn de progra
macin lineal -en versin simplificada-. Sin embargo, esta tcnica es muy verstil como
para describirla mediante un solo ejemplo. En esta seccin se presentarn las caractersticas
generales de los problemas de programacin lineal y las distintas formas legtimas del mo
delo matemtico.
Comenzaremos por establecer la terminologa y notacin bsicas. La primera columna
de la tabla 3.2 resume los componentes del problema de la Wyndor Glass Ca. La segunda
introduce trminos ms generales de estos componentes, que se ajustarn a muchos proble
mas de programacin lineal. Los trminos clave son recursos y actividades en los que m
denota el nmero de tipos de recursos que se pueden usar y n el nmero de actividades que
se consideran. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria,
equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos
especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cier
to destino. En cualquier aplicacin de programacin lineal, es posible que todas las acti
vidades sean de un tipo general (como cualquiera de los ejemplos) y entonces cada una co
rrespondera en forma individual a las alternativas especficas dentro de esta categora ge
neral.
Como se describi en la introduccin del captulo, el tipo ms usual de aplicacin de
programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad
disponible de cada recurso est Iirrtada, de forma que debe asignarse con todo cuidado. La
determinacin de esta asignacin implica elegir los niveles de las actividades que lograrn
el mejor valor posible de la medida global de efectividad.

!iI TABLA 3.2

Terminologa comn de programacin lineal

Ejemplo modelo

Problema general

Capacidad de produccin de las plantas


3 plantas

Fabricacin de productos
2 productos
Tasa de produccin del producto j, Xi
Ganancia Z

Recursos
recursos

Actividades
n actividades
Nivel de actividad j, Xj

Medida global de desempeo Z

3.2

MODELO DE PROGRAMACiN LINEAL

33

Ciertos smbolos se usan de manera convencional para denotar los diversos componentes
de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con
su interpretacin para el problema general de asignacin de recursos a actividades.
Z

valor de la medida global de efectividad.

Xj
ej

nivel de la actividadj (paraj

iucremento en Z que se obtiene al aumentar una unidad en el nivel de la activi


dadj.

bi

cantidad de recurso i disponible para asignar a las actividades (para i


2, . . . , m).

cantidad del recurso i consumido por cada unidad de la actividadj.

aij

1, 2, ... , n).

1,

El modelo plantea el problema en trminos de tomar decisiones sobre los niveles de las ac
tividades, por lo que x" X2,
, Xn se llaman variables de decisin. Como se resume en la
1, 2, . . , n) son las cons
tabla 3.3, los valores de ej' bi, y aij (para i 1, 2, . . , m yj
tantes de entrada al modelo. Las ej' bi y aij tambin se conocen como parmetros del mo
delo.
Obsrvese la correspondencia entre la tabla 3.3 y la tabla 3.1.
.

Forma estndar del modelo

Para proceder con el problema de la Wyndor Glass Ca., ahora se puede formular el modelo
matemtico del problema general de asignar recursos a actividades. En particular, este mo
delo consiste en elegir valores de x" X2,
, Xn para
.

Maximizar
sujeta a las restricciones

a llxl + a lZXZ + .. . + a lnXn


a 21x + a 2ZxZ + ... + aZnXn

:s;

b1
b2

Xz;=::: 0,

Xl ;::: 0,

. . . ,

Xn;::: O.

!!II TABLA 3.3 Datos necesarios para elaborar un modelo de programacin lineal

para manejar la asignacin de recursos a actividades


Consumo de recursos por unidad
de actividad
Actividad
1

Recurso
1

O2 ,

Contribucin a Z por
unidad de actividad

m'
e,

0'2
022

o"

"

Om2
e2

..

Cantidad de
recursos disponibles

O'n
02n

Omn
en

b,
b2

bm

CAPTULO 3

INTRODUCCIN A LA PROGRAMACIN LINEAL

sta es llamada nuestra forma estndar del problema de programacin lineal. Cualquier cir
cunstancia cuya formulacin matemtica se ajuste a este modelo es un problema de progra
macin lineal.
Obsrvese que el modelo del problema de la Wyndor Glass Ca. se ajusta a la forma es
tndar con m = 3 y n = 2.
En este momento se puede resumir la terminologa comn de los modelos de programa
cin lineal. La funcin que se desea maximizar, CX + C2X2 + . .

objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las pri

meras m restricciones (aquellas con unafunci6n de todas las variables ax + a2, >'2

an
xn
tricciones estructurales) .De manera parecida, las restricciones Xj :2: O se conocen como res
tricciones de no negatividad (o condiciones de no negatividad) .

Otras formas
Debe hacerse notar que el modelo anterior no se ajusta a la forma natural de algunos pro
blemas de programacin lineal. Las otras formas legtimas son las siguientes:

l. Minimizar en lugar de maximizar la funcin objetivo:


Minimizar

2. Algunas restricciones funcionales con desigualdad en sentido mayor o igual:


para algunos valores de i.

3. Algunas restricciones funcionales en forma de ecuacin:


para algunos valores de i.

4. Las variables de decisin sin la restriccin de no negatividad:

Xj no est restringida en su signo

para algunos valores de j.

Cualquier problema que incluye una, varias o todas estas formas con las otras partes del mo
delo anterior tambin se clasifica como un problema de programacin lineal. La interpreta
cin de las palabras asignaci6n de recursos limitados entre actividades que compiten puede
ya no aplicarse muy bien, si es que se aplica; pero sin importar cul sea la interpretacin o
el contexto, lo nico necesario es que la formulacin matemtica del problema se ajuste a
las formas permitidas.

Terminologa de las soluciones de' modelo


Puede ser que el lector est acostumbrado a que el trmino soluci6n signifique la respuesta
final a un problema, pero en programacin lineal (y sus extensiones) la convencin es bas
tante distinta. Ahora, cualquier conjunto de valores especficos de las variables de decisin

(x, X2, .. .
ra permitida. Despus se identifican los tipos de soluciones mediante el empleo de un adje
tivo apropiado.
Una solucin factible es aquella para la que todas las restricciones se satisfacen.
Una solucin no factible es una solucin para la que al menos una restriccin se

viola.

Y (4, 1) de la figura 3.2 son soluciones factibles,


Y (4, 4) son soluciones no factibles.

En el ejemplo, los puntos (2, 3)


que (-1, 3)

mientras

La regin factible es la reunin de todas las soluciones factibles.


En el ejemplo, la regin factible es toda el rea sombreada de la figura 3.2.
l

Se llama

nuestra foona estndar en lugar de la fonna estndar porque otros libros adoptan foonas distintas.

3.2

35

MODELO DE PROGRAMACiN LINEAL

Es posible que un problema

no

tenga

soluciones factibles.

Esto habra ocurrido si se

hubiera requerido que los uuevos productos tuvierau un rendimiento neto de

50 mil dlares

semanales por lo menos, para justificar la interrupcin de la fabricacin de la lnea actual.


La restriccin correspondiente,

3x,

5X2 ;" 50, hubiera eliminado por completo la regin

factible, con lo que ninguna mezcla de nuevos productos sera superior a la situacin actual.
Este caso se ilustra en la figura

3.4.

Dado que existen soluciones factibles, la meta de la programacin lineal es encontrar


una solucin factible que sea la mejor, medida por el valor de la funcin objetivo en el mo
delo.

solucin ptima es una solucin factible que proporciona el valor ms favo


rable de la funcin objetivo.

Una

El valor ms favorable significa el valor ms grande si la funcin objetivo debe maxi


mizarse, o el valor ms pequeo si la funcin objetivo debe minimizarse.
La mayor parte de los problemas tendr nada ms una solucin ptima. Sin embargo, tam
bin es posible tener ms de una. Esto ocurriria en el ejemplo si la ganancia por lote producido
del producto 2 se cambiara a 2 mil dlares. Este hecho cambiara la funcin objetivo a Z

3x,
2x2, de manera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) seran
soluciones ptimas, situacin que se ilustra en la figura 3.5. Igual que en este caso, cualquier
problema que tenga soluciones ptimas mltiples tendr un nmero infinito de ellas, todas con
=

el mismo valor de la funcin objetivo.


Otra posibilidad es que el problema

no tenga soluciones ptimas,

lo cual ocurre slo

si: 1) no tiene soluciones factibles, o 2) las restricciones no impiden que el valor de la fun
cin objetivo (Z) mejore indefinidamente en la direccin favorable (positiva o negativa). Este

caso se conoce como un problema con Z

no acotada u objetivo no acotado. El

ltimo caso

sera cierto si, por error, en el ejemplo se omitieran las ltimas dos restricciones funcionales
del modelo, lo cual se ilustra en la figura

3.6.

Ahora se introducir un tipo especial de soluciones factibles que tiene un papel impor
tante cuando el mtodo smplex trata de encontrar una solucin ptima.

FIGURA 3.4

El problema de la Wyndor
Glass Ca. no tendra
soluciones ptimas si se le
agregara la restriccin
3x, + 5x2 ;" 50.

3xI + 5X2.
Xl
:s; 4
2x2 ,;; 12
3x, + 2x2 ,;; 18
3x, + 5x2 ;" 50
xl2:: 0,
x2;:::Q

Maximizar

10

sujeta a

3x, + 5x2 ;" 50


8

X2 O
o

10

x,

36

CAPTULO 3

Z= 18 =

INTRODUCCiN A LA PROGRAMACiN LINEAL

3x + 2x2,

10

3x + 2x2,
Xl
::s; 4
2x2:5 12
3x + 2x2:5 18
X l O.
x2;:::O

MaximizarZ=
sujeta a

Todos los puntos sobre el segmento

de recta remarcado son ptimo s, cada


uno conZ= 18.

2
11 FIGURA 3.5

El problema de la Wyndor
Glass Ca. tendra soluciones
ptimas si la funcin objetivo
se cambiara a Z = 3x, + 2xz.

(4,00),Z = 00

I r

x2

(4, 10),Z= 62
,

10

11 FIGURA 3.6

El problema de la Wyndor
Glass CA, no tendra
soluciones ptimas si la nica
restriccin funcional fuera
x, :5 4, puesto que X2 podra
aumentar de modo
indefinido en la regin
factible sin llegar a un valor
mximo de Z = 3x, + 5xz.

52

(4,8),Z =

(4,6), Z= 42

(4,4),Z =

(4,2),Z= 22

MaximizarZ = 3xl + 5x2>


sujeta a
xl :::;;:4
y
xI ;:::0, x2 O

32

10

3.3

37

SUPUESTOS DE PROGRAMACiN LINEAL

X2
(0.6)f,-_

(4.3)

FIGURA 3.7
Los puntos indican las cinco
soluciones FEV para el
problema de la Wynd o r
Glass eo.

(O. O)

Una

(4. O)

xl

solucin factible en un vrtice (FEV)

es una solucin que se encuentra en

una esquina de la regin factible.


La figura

3.7 pone de relieve cinco soluciones factibles en los vrtices del ejemplo.
5 . 1 se analizarn varias propiedades tiles de las soluciones FEV

En las secciones 4.1 y

para problemas de cualquier tamao, incluso la siguiente relacin con las soluciones pti
mas.

Relacin entre las soluciones ptimas

las soluciones

FEV: Considrese cualquier pro

blema de programacin lineal con soluciones factibles y una regin factible acotada. El pro
blema debe poseer soluciones FEV y al menos una solucin ptima. Adems, la mejor solu
cin FEV debe ser una solucin ptima. Entonces, si un problema tiene exactamente una
solucin ptima, sta debe ser una solucin FEV. Si el problema tiene mltiples soluciones
ptimas, al menos dos deben ser soluciones FEV.

El ejemplo tiene exactamente una solucin ptima, (x, X2)

(2, 6), que es FEY. (Con

sidrese la forma como el mtodo grfico que conduce a la solucin ptima que es FEV.)
Cuando se modifica el ejemplo para que tenga soluciones ptimas mltiples, como se mues
tra en la figura

3.5, dos de estas soluciones ptimas

(2 6) Y (4, 3)- son soluciones fac

tibles en los vrtices.

3.3

SUPUESTOS DE PROGRAMACiN LINEAL


En realidad, todas los supuestos de programacin lineal estn implcitos en la formula
cin del modelo que se present en la seccin

3.2. En particular, desde un punto de vis

ta matemtico, los supuestos simplemente son que el modelo debe tener una funcin ob
jetivo lineal sujeta a restricciones lineales. Sin embargo, desde el punto de vista d e
modelacin, estas propiedades matemticas de u n modelo d e programacin lineal impli
can que se deben considerar ciertos supuestos acerca de las actividades y datos del pro
blema que ser modelado, incluso algunos acerca del efecto de las variaciones en el ni
vel de las actividades. Vale la pena hacer hincapi en ellas para que sea ms sencillo
evaluar si esta tcnica es adecuada para un problema dado. An ms, es necesario anali

zar por qu el equipo de 10 de la Wyndor Glass Co. concluy que la formulacin de pro
gramacin lineal proporcionaba una representacin satisfactoria del problema.

38

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

lIII TABLA 3.4

Ejemplos de proporcionalidad satisfecha o violada


Ganancia del producto 1 ($000 por semana)

Proporcionalidad
satIsfecha

X,

Proporcionalidad violada
Caso 1

Caso 2

Caso 3

O
2

8
11

12
18

O
1
2

12

Proporcionalidad

La proporcionalidad es un supuesto sobre la funcin objetivo y sobre las restricciones fun


cionales, como se resume a continuacin.

Supuesto de proporcionalidad: La contribucin de cada actividad al valor de la


funcin objetivo 2 es proporcional al nivel de la actividad xi' como lo representa el
trmino CiXj en la funcin objetivo. De manera similar, la contribucin de cada ac
tividad aliado izquierdo de cada restriccin funcional es proporcional al nivel de
la actividad Xj' como lo representa en la restriccin el trmino ajx)_ En consecuen
cia, este supuesto elimina cualquier exponente diferente de 1 para las variables en
cualquier trmino de las funciones -ya sea la funcin objetivo o la funcin en el
lado izquierdo de las restricciones funcionales- en un modelo de programacin li
neall
Para ilustrar este supuesto. considere el primer trmino (3x 1) en la funcin objetivo
3xI + 5X2) del problema de la Wyndor Olass Co. Este trmino representa la ganancia
generada por semana (en miles de dlares) cuando se fabrica el producto 1 a una tasa de XI
lotes por semana. La columna de proporcionalidad satisfecha de la tabla 3.4 muestra el
caso que se supuso en la seccin 3.1, esto es, que la ganancia sin duda es proporcional a XI
de manera que 3xI es el trmino apropiado de la funcin objetivo. Por el contrario, las si
guientes tres columnas muestran casos hipotticos diferentes en los que el supuesto de pro
porcionalidad no se cumple.
Vase primero la columna del caso 1 en la tabla 3.4. Este caso surgira si se tuvieran
costos fijos asociados al arranque de la fabricacin del producto l . Por ejemplo, es posible
que existan costos debidos a la preparacin de las instalaciones de produccin. Tambin puede
haber costos asociados con el arreglo de la distribucin del nuevo producto. Como se trata
de costos en los que se incurre una sola vez, deben amortizarse cada semana para que sean
conmensurables con 2 (ganancia en miles de dlares por semana). Supngase que se hace
esta amortizacin y que los costos de preparacin o fijos totales siguifican una reduccin de
1 en el valor de 2, la ganancia, sin considerar los costos fijos es de 3xl. Esto quiere decir
que la contribucin del producto 1 a 2 es 3xI - 1 para XI > O, mientras que la contribucin
es 3xI
O, (no hay costo fijo). Esta funcin de ganancias, 2 dada por la curva
O cuando XI
continua en la figura 3.8, sin duda no es proporcional a XI'

(2

Cuando la funcin incluye algn


do de que los

trmino de producto cruzado, la proporcionalidad debe interpretarse en el senti


cambios en el valor de la funcin son proporcionales a los cambios en cada variable (x,) en forma

individual, dados cualesquiera valores fijos para las otras variables. Por lo tanto, un trmino de producto cruzado
satisface la proporcionalidad siempre que cada variable del trmino tenga un exponente de
quier tnnino de producto cruzado viola el

1.

(Sin embargo, cual

supuesto de aditividad que se estudiar enseguida)

- 1 para toda
XI 2: 0, incluso XI = 0, entonces la cons
tante fija, -}, se podra eliminar de la funcin objetivo sin cambiar la solucin ptima y se restablecer[a la propor

2Si la contribucin del producto 1 a la funcin Z fuera 3xI

cionalidad. Sin embargo, en este caso no es posible, ya que la constante

-1 no se aplica si Xl

O.

3.3

39

SUPUESTOS DE PROGRAMACiN LINEAL

Contribucin
de X I aZ

12

Satisface
/
/
el supuesto de
/
proporcionalidad /

FIGURA 3.8

La curva continua viola el


supuesto de proporcionalidad
debido al costo fijo en que
se incurre cuando x,
aumenta desde cero. Los
valores de los puntos estn
dados en la columna del
caso 1 de la tabla 3.4.

/
/

\/
y
/

Viola el
supuesto de
proporcionalidad

Costo fijo

xI

-3

Contribucin
dexl aZ 8
1
15
12

FIGURA 3.9
La curva continua viola el

supuesto de proporcionalidad
porque su pendiente (el
rendimiento marginal del
producto 1) sigue en
aumento a medida que x,
aumenta. Los valores de los
puntos estn dados en la
columna del caso 2 de
la tabla 3.4.

Viola el
supuesto de
proporcionalidad
'-..

/
"

/
/
/

""

Satisface el
supuesto de
proporcionalidad

A primera vista, podra parecer que el caso 2 de la tabla 3.4 es bastante parecido al caso
1. Pero el hecho es que el caso 2 surge de forma muy diferente. No existe un costo fijo y la
ganancia generada por la primera unidad del producto 1 por semana, por supuesto, es de 3
dlares, como se supuso en un principio. Pero abora se tiene un rendimiento marginal cre
ciente; es decir, la pendiente de la funci6n de ganancia del producto 1 (vase la curva con
tinua de la figura 3.9) crece a medida que X, aumenta. Esta violacin de la proporcionalidad
puede ocurrir debido a economas de escala que en ocasiones se pueden lograr en niveles al
tos de produccin, por ejemplo, a travs del uso de maquinaria ms eficiente para altos
volmenes, corridas de produccin ms grandes, descuentos por cantidad por compras grandes
de materia prima y por el efecto de la curva de aprendizaje debido a la cual los trabajadores

40

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

son cada vez ms eficientes a medida que adquieren experiencia en un trabajo de produc
cin dado. Cuando el costo incremental disminuye, la ganancia incremental aumenta -si se
supone un rendimiento marginal constante-.
De nuevo, segn los datos de la tabla 3.4, el caso contrario del 2 es el caso 3, en el que
existe un rendimiento marginal decreciente.En este caso, la pendiente de la funcin de ganan
cia del producto 1 (dada por la curva continua de la figura 3.10) disminuye conforme XI
aumenta. Esta violacin de la proporcionalidad puede ocurrir debido a que los costos de comer
cializacin tengan que elevarse ms que proporcionalmente para lograr aumentos en el nivel de
1)
ventas. Por ejemplo, tal vez el producto 1 se pueda vender a una tasa de 1 por semana (x I
sin publicidad, mientras que lograr ventas que sostengan una tasa de produccin de XI
2 pue
3 es posible que sea necesaria una extensa cam
de requerir una publicidad moderada, para XI
paa publicitaria y para XI
4 puede requerirse tambin una disminucin de precios.
Los tres casos son ejemplos hipotticos de la forma en que el supuesto de proporciona
lidad puede no cumplirse. Cul es la situacin real? La ganancia real al fabricar el produc
to 1 (o cualquier otro) se deriva del ingreso por ventas menos los distintos costos directos e
indirectos. Es inevitable que algunos de estos componentes de costos no sean estrictamente
proporcionales a las tasas de produccin, tal vez por alguna de las razones ya expuestas. Sin
embargo, la pregunta importante es si despus de acumular todos los componentes de ga
nancia, la proporcionalidad es una aproximacin razonable del modelado. En el problema de
la Wyndor GIass Ca., el equipo de ro verific tanto la funcin objetivo como las restriccio
nes funcionales. La conclusin fue que sin duda poda suponerse la proporcionalidad sin dis
torsiones serias.
Qu ocurre cuando el supuesto no se cumple, ni siquiera como una aproximacin ra
zonable? En la mayor parte de los casos, esto significa que se debe emplear programacin
no lineal (vase el capitulo 12). Sin embargo, en la seccin 12.8 se seala que cierta clase
importante de falta de proporcionalidad se puede manejar mediante programacin lineal a
travs de la reelaboracin del problema de manera adecuada. An ms, si se viola el supuesto
nada ms debido a los costos fijos, existe una extensin de la programacin lineal (progra
macin entera mixta) que se puede usar, presentada en la seccin 13.3 (el problema de cos
tos fijos).
=

Adltivldad

Aunque el supuesto de proporcionalidad elimina los exponentes diferentes de uno, no pro


hibe los trminos de productos cruzados -trminos que incluyen el producto de dos o ms
variables-o El supuesto de aditividad elimina esta posibilidad, como se ve a continuacin.

Supuesto de aditividad: Cada funcin de un modelo de programacin lineal (ya


sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la
suma de las contribuciones individuales de las actividades respectivas.

111 FIGURA 3.10

La curva continua viola el su


puesto de proporcionalidad
porque su pendiente (el ren
dimiento marginal del pro
ducto 1) sigue en decadencia
a medida que X, aumenta.
Los valores de los puntos es
tn dados en la columna del
caso 3 de la tabla 3.4.

Contribucin
dex aZ
12

9
6

Satisface el
supuesto de
proporcionalidad

/
/

Viola el
supuesto de
proporcionalidad

/
/

3.3

41

SUPUESTOS DE PROGRAMACiN LINEAL

Para que esta definicin sea ms concreta y aclare por qu es necesario preocuparse por

3.5 se muestran algunos casos po


contri
buciones individuales de los productos son las que se supusieron en la seccin 3.1, es decir,
3x para el producto I y 5X2 para el producto 2. La diferencia estriba en el ltimo rengln que
da el valor de la funcin de Z cuando se fabrican los dos productos de manera conjunta. La
columna de aditividad satisfecha muestra el caso en el que este valor de la funcin se obtie
ne simplemente mediante la suma de los dos primeros renglones (3 + 5
8), es decir, Z =
3x + 5X2' como se supuso antes. Por el contrario, las columnas que siguen muestran casos
este supuesto se analizarn algunos ejemplos. En la tabla

sibles de la funcin objetivo del problema de la Wyndor Glass Co. En cada caso, las

hipotticos en los que el supuesto de aditividad queda violado -pero no el de proporcio


nalidad-.

caso 1 de la tabla 3.5, se tiene una funcin objetivo


3x + 5X2 + X X2, de manera que Z 3 + 5 + I = 9 para (x, X2) = ( 1 , 1), lo que
viola el supuesto de aditividad de que Z
3 + 5. (El supuesto de proporcionalidad todava
se satisface puesto que si se fija el valor de una variable, el incremento de Z debido a la
De acuerdo con la columna del

de Z

otra variable es proporcional al valor de esa variable.) Este caso surge si los dos productos
son

complementarios de alguna forma en que la ganancia aumenta.Por ejemplo, supnga

se que es necesaria una campaa publicitaria importante para comercializar cualquiera de


los dos productos por s solos, pero que la misma campaa puede promover de manera
eficaz ambos productos. Como se aborra un costo alto del segundo producto, la ganancia
conjunta ser algo ms que la

suma de sus ganancias individuales si se producen por sepa

rado.

caso 2 de la tabla 3.5 tambin viola el supuesto de aditividad debido al trmino


3x + 5X2 - XX2, de forma que Z 3 + 5 - I
7
para (x, X2)
(1, 1). Al contrario del primer caso, el caso 2 surge cuando los dos produc
tos son competitivos de algn modo en que su ganancia conjunta disminuye. Por ejemplo,
El

adicional en su funcin objetivo, Z

suponga que ambos productos deben usar la misma maquinaria y equipo. Si se produce
cada uno por s solo, maquinaria y equipo se dedican a este nico uso. Sin embargo, cuan
do son fabricados ambos productos, se requiere cambiar los procesos de produccin de uno
a otro, con tiempo y costos involucrados en la interrupcin temporal de la produccin de
uno y la preparacin del otro. Debido a est costo adicional importante, su ganancia conjun
ta ser algo menos que la

suma de sus ganancias individuales si se les produce por sepa

rado.
El mismo tipo de interaccin de actividades puede afectar la aditividad de las funciones
de restriccin. Por ejemplo, considrese la tercera restriccin del problema de la Wyndor Glass
Co., 3x + 2x2 "" 18. (sta es la nica restriccin que incluye ambos productos.) Esta restric

cin se refiere a la capacidad de produccin de la planta

3, en la que .se dispone de 18 horas

semanales de produccin para los dos nuevos productos, mientras que la funcin del lado iz
quierdo

(3x[

2x2) representa el nmero de horas de produccin semanales que se usaran en


aditividad satisfecha de la tabla 3.6 muestra este caso, mien

estos productos. La columna de

tras que las dos columnas siguientes exponen casos en los que la funcin tiene un trmino
adicional de producto cruzado que viola la aditividad. En las tres columnas, las

lil TABLA 3.5

contribucio- .

Ejemplos que satisfacen o violan la aditividad de la funcin objetivo


Valor de Z
Adltlvldad violada

(Xl' X2)

Adltlvldad satisfecha

Caso 1

Caso 2

(1, O)
(0, 1 )

3
5

3
5

3
5

(1 , 1 )

42

CAPTULO 3

111 TABLA 3.6

INTRODUCCiN A LA PROGRAMACiN LINEAL

Ejemplos de aditividad satisfecha o violada


de una restriccin funcional

"

Cantidad de recurso usado


Adltlvldad violada

(x" x.)

Adltlvldad satisfecha

Caso 3

Caso 4

(2 , O)
(0, 3)

6
6

6
6

6
6

(2, 3)

12

15

10.8
-

nes individuales de los productos en cuanto a! uso de la capacidad de la planta 3 son las su
puestas antes, es decir, 3x para el producto 1 y 2x2 para el producto 2. o sea, 3(2)
6, pa
6 para X2
ra X
2 Y 2(3)
3. Igual que en la tabla 3.5, la diferencia estriba en el ltimo
rengln que abara da el valor total de la funcin para el tiempo de produccin utilizado cuan
do se fabrican los dos productos de manera conjunta.
En el caso 3 (vase la tabla 3.6), el tiempo de produccin para los dos productos est da
do por la funcin 3x + 2x2 + 0.5XX2' de manera que el valor total de lafuncin es 6 + 6 + 3
1 5 cuando (x, X2) (2, 3), lo que viola el supuesto de aditividad de que el valor es slo 6
+ 6 12. Este caso puede surgir justo de la misma forma que se describi en el caso 2 (tabla
3.5): tiempo adicional desperdiciado en el cambio de procesos de produccin entre los dos pro
ductos. El tmno adicional de producto cruzado (0.5XX2) representa el tiempo de produccin
desperdiciado en esta forma. (Obsrvese que el desperdicio de tiempo al cambiar de un pro
ducto a otro da por resultado, en este caso, un trmino positivo de producto cruzado en donde
la funcin total mide el tiempo de produccin utilizado, mientras que lleva a un tm1no nega
tivo de producto cruzado en el caso 2 puesto que esa funcin total mide la ganancia.)
En el caso 4 dela tabla 3.6, la funcin de la capacidad que se usa es 3x + 2x2 - o. lx fx2
por lo que el valor de lafuncin para (x, X2) (2, 3) es 6 + 6 - 1 .2
10.8. Este caso surge
de la siguiente manera. Igual que en el caso 3, s\lpngase qe los dos productos requieren
el mismo tipo de maquinaria y equipo, pero que abara el tiempo para cambiar de un produc
to a otro es relativamente pequeo. Como cada producto pasa por una serie de operaciones,
las instalaciones de produccin individua!, que por lo general se dedican a ese producto, ten
dran algunos tiempos ociosos. Estas instalaciones podran utilizarse durante estos tiempos
en otros productos. En consecuencia, el tiempo total de produccin usado cuando se fabri
can en forma conjunta los dos productos, es menor que la suma de los tiempos de produc
cin usados por los productos individuales cuando se fabrican por separado.
Despus de analizar los tipos posibles de interaccin de los dos productos ilustrados en
estos cuatro casos, el equipo de 10 concluy que ninguno tena un papel importante en el
problema real de la Wyndor Glass Ca. Por lo tanto, el supuesto de aditividad se adopt co
mo una aproximacin razonable.
En otros problemas, si la aditividad no es un supuesto razonable, de forma que algunas
o todas las funciones matemticas del modelo necesariamente son no lineales (debido a tr
minos de producto cruzado), resulta definitiva la entrada en el mbito de la programacin no
lineal (captulo 12).
=

'

Divisibilidad

El siguiente supuesto se refiere a los valores permitidos para las variables de decisin.

Supuesto de divisibilidad: En un modelo de programacin lineal, las variables de


decisin pueden tomar cualquier valor, incluso valores no enteros, que satisfagan
las restricciones funcionales y de no negatividad. En consecuencia, estas variables
no estn restringidas a slo valores enteros. Como cada variable de decisin repre-

3.3

SUPUESTOS DE PROGRAMACiN LINEAL

43

senta el nivel de alguna actividad, se supondr que las actividades se pueden realizar
a niveles fraccionales.
En el problema de la Wyndor Olass Ca., las variables de decisin representan tasas de .
produccin (nmero de lotes de un producto fabricados a la semana). Como estas tasas pueden
tomar cualquier valor fraccional dentro de la regin factible, el supuesto de divisibilidad se
cumple.
En ciertas situaciones, el supuesto de divisibilidad no se cumple porque algunas o todas
las variables de decisin deben restringirse a valores enteros.Los modelos matemticos con
esta restriccin, que se llaman modelos de programaci6n entera, se estudiarn en el captu
lo 1 1.
Certidumbre

El ltimo supuesto se refiere a los parmetros del modelo, es decir, a los coeficientes Cj' en
la funcin objetivo, los coeficientes aij ' en las restricciones funcionales y los b, en el lado
derecho de las restricciones funcionales.

Supuesto de certidumbre: Se supone que los valores asignados a cada parmetro


de un modelo de programacin lineal son constantes conocidas.
En los problemas reales, el supuesto de certidumbre casi nunca se satisface por completo.
Por lo general se formula un modelo de programacin lineal para elegir un curso de accin
futuro. En este caso, los valores de los parmetros que se emplean estn basados en una
prediccin de las condiciones futuras, lo que es inevitable que introduzca cierto grado de in
certidumbre.
Por esta razn, siempre es importante realizar un anlisis de sensibilidad despus de
encontrar una solucin ptima de los valores supuestos de los parmetros. Como se present
en la seccin 2.3, el propsito general es identificar los parmetros sensibles (es decir, aque
llos cuyo valor no puede cambiar mucho sin cambiar la solucin ptima), ya que un cambio
mayor en el valor de un parmetro sensible de inmediato enva la seal de la necesidad de
introducir un cambio en la solucin usada.
El anlisis de sensibilidad tiene un papel importante en el problema de la Wyndor Olass
Ca., como se ver en la seccin 6.7. De cualquier manera, es necesario adquirir algunos
conocimientos adicionales antes de terminar esta historia.
En algunos casos, el grado de incertidumbre en los parmetros es demasiado grande para
que el anlisis de sensibilidad lo pueda manejar. En estas situaciones es necesario estable
cer, en forma explcita, estos parmetros como variables aleatorias. Se han desarrollado for
mulaciones de este tipo, que se pueden consultar en las secciones 23.6 y 23.7 del CD ROM.
Los supuestos en perspectiva

En la seccin 2.2 se hizo hincapi en que el modelo matemtico intenta ser slo una repre
sentacin idealizada del problema real. Por lo general se requieren aproximaciones y los su
puestos de simplificacin para que el modelo se pueda manejar. Agregar demasiados detalles
y precisin puede hacer que el modelo sea difcil de manipular para llevar a cabo un anlisis
til del problema. En realidad, todo lo que se necesita es que exista una correlacin relativa
mente alta entre la prediccin del modelo y lo que de hecho pasara en el problema real.
Este consejo sin duda es aplicable a la programacin lineal. Es muy frecuente en las
aplicaciones reales de esta tcnica que casi ninguno de los cuatro supuestos se cumpla. Ex
cepto, quiz, en el caso del supuesto de divisibilidad, deben esperarse pequeas disparidades.
Esto es cierto en especial para el supuesto de certidumbre, de manera que es normal que
deba aplicarse el anlisis de sensibilidad para compensar la violacin de este supuesto.
Sin embargo, es importante que el equipo de ro examine los cuatro supuestos en el pro
blema que se estudia y analice el tamao de las disparidades. Si cualquiera de los supuestos
es violado de manera importante, es necesario disponer de varios modelos alternativos,

44

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

como se ver en captulos posteriores de este libro. Una desventaja de estos modelos es que

los algoritmos disponibles para resolverlos no son tan poderosos como el de programacin
lineal, pero en algunos casos este inconveniente se ha solucionado. En algunas aplicaciones
se utiliza el poderoso enfoque de programacin lineal para el anlisis inicial y despus un
modelo ms complejo para perfeccionar el anlisis.
Al trabajar los ejemplos de la siguiente seccin se demostrar que el anlisis del grado
en que se cumplen los cuatro supuestos de la programacin lineal es una buena prctica.

3.4

EJEMPLOS ADICIONALES
E l problema d e l a Wyndor Glass Co. e s u n ejemplo prototpico d e programacin lineal en
varios aspectos: comprende la asignacin de recursos limitados entre actividades que com
piten por ellos, su modelo se ajusta a la forma estndar y su contexto es el tradicional de
planeacin para mejorar la administracin. Sin embargo, la aplicacin de la programacin li
neal es mucho ms extensa. Esta seccin comienza por ampliar el horizonte. Al estudiar los
siguientes ejemplos, obsrvese que se caracterizan como problemas de programacin lineal
por el modelo matemtico, ms que por su contexto. Luego, debe considerarse que el mis
mo modelo matemtico surge en muchos otros contextos con slo cambiar los nombres de
las actividades.
Estos ejemplos son versiones simplificadas de aplicaciones reales -incluso los dos que
se presentan como casos de estudio en la siguiente seccin-o Como el problema de Wyn
dor y el ejemplo de demostracin del problema grfico en el OR Tutor, el primero de estos
ejemplos tiene slo dos variables de decisin, de manera que puede ser resuelto mediante el
mtodo grfico. Ahora se trata de un problema de minimizacin y tiene una mezcla de for
mas para las restricciones funcionales. Los ejemplos subsecuentes tienen muchas ms de dos
variables de decisin y por lo tanto son ms difciles de formular. Aunque se mencionarn
las soluciones ptimas que se obtienen por medio del mtodo smplex, en esta seccin el en
foque se concentra en la manera de formular el modelo de programacin lineal para estos
problemas ms grandes. En las secciones subsecuentes y en el captulo siguiente se dar ma
yor importancia a las herramientas de software y al algoritmo (mtodo smplex) que se uti
liza para resolver dichos problemas.
Si el lector considera que requiere ejemplos adicionales de formulacin de modelos de
programacin lineal pequeos y relativamente directos antes de tratar con los ejemplos de
formulacin ms grandes, se le sugiere regresar al caso de demostracin para el mtodo gr
fico en el OR Tutor y a los ejemplos en la seccin de Worked Examples para este captulo
en el CD-ROM.

Diseo de terapia de radiacin


Acaban de diagnosticar que Mary padece cncer en una etapa bastante avanzada. Especfica
mente, tiene un tumor grande en el rea de la vejiga -una "lesin completa en la vejiga"-.
Mary recibir los cuidados mdicos ms avanzados disponibles, para proporcionarle la
mejor posibilidad de supervivencia. Estos cuidados incluyen una

terapia de radiacin ex

tensa.
La terapia implica el uso de una mquina de rayos externos que enva radiacin ioni
zante a travs del cuerpo del paciente y daa tanto los tejidos cancerosos como los sanos.
Es normal que se administren los rayos con precisin desde diferentes ngulos en un plano
de dos dimensiones. Debido a la atenuacin, cada rayo descarga ms radiacin sobre el te
jido cercano al punto de entrada que sobre el cercano al punto de salida. La dispersin tam
bin provoca que parte de la radiacin se descargue sobre tejidos que estn fuera de la tra
yectoria directa del rayo. Como las clulas del tumor casi siempre se encuentran diseminadas
entre clulas sanas, la dosis de radiacin a travs de la regin del tumor debe ser suficiente
para matar las clulas malignas que son un poco ms sensibles a sta, pero suficientemente
pequea para no matar a las clulas sanas. Al mismo tiempo, la dosis agregada que reciben

3.4

fiGURA 3.11
Corte transversal del tumor
de Mary (visto desde arriba),
cerca de tejidos crticos y de
los rayos de radiacin
usados.
Rayo 2

45

EJEMPLOS ADICIONALES

los tejidos crticos no debe exceder los niveles de tolerancia establecidos, con el objeto de
prevenir complicaciones que puedan resultar ms serias que la enfermedad misma. La dosis
completa que recibe el cuerpo sano debe minimizarse.
Debido a la necesidad de balancear con cuidado todos estos factores, el diseo de la te
rapia de radiacin es un proceso muy delicado. La meta principal de este diseo es elegir la
combinacin de rayos que se utilizar y l a intensidad de cada uno para generar la mejor dis
tribucin posible de la dosis -la fuerza de la dosis en cualquier punto del cuerpo se mide
en unidades llamadas

kilorads-. Una vez diseado el tratamiento, se administra en muchas

sesiones durante varias semanas.


En el caso de Mary, el tamao y la localizacin del tumor hacen que el diseo de su tra
tamiento sea un proceso ms delicado que lo usual. La figura 3.11 muestra un diagrama de
un corte transversal del tumor visto desde arriba, al igual que los tejidos cercanos crticos

Rayo 1

1. Vejiga y tumor

2. Recto, c6ccix,
etctera
3 . Fmur, parte de la
pelvis. etctera

que deben evitarse. Estos tejidos incluyen rganos vitales -por ejemplo, el recto- y es
tructura sea --el fmur y la pelvis- que atenuarn la radiacin. Adems, se muestra el
punto de entrada y la direccin de los nicos dos rayos que se pueden usar con un grado re
lativamente moderado de seguridad en este caso. (El ejemplo se ha simplificado en este pun
to, pero en la realidad se consideran docenas de rayos posibles.)
En el caso de cualquier rayo propuesto de una cierta intensidad, el anlisis para deter
minar cul sera la absorcin de radiacin resuItante por distintas partes del cuerpo requiere
desarrollar un difcil proceso. En resumen, con base en un anlisis anatmico cuidadoso, la
distribucin de energa dentro de un corte transversal de dos dimensiones se puede graficar
en un mapa de isodosis en el que las curvaS representan la fuerza de la dosis como un por
centaje de la fuerza de sta en el punto de entrada. Despus, se coloca una red fina sobre el
mapa de isodosis. Si se suma la radiacin absorbida en los cuadros que contienen cada tipo
de tejido, se puede calcular la dosis promedio que absorbe el tumor, los tejidos sanos y los
tejidos crticos. La absorcin de la radiacin es aditiva cuando se administra ms de un ra
yo (en forma secuencial).
Despus de un anlisis exhaustivo, el equipo mdico estim con detalle los datos nece
sarios para el diseo del tratamiento de Mary, cuyo resumen se presenta en la tabla

3.7. La

primera columna presenta una lista de las reas del cuerpo que deben considerarse y las
dos siguientes proporcionan la fraccin d la dosis de radiacin de cada rayo en el punto
de entrada que se absorbe en promedio en las reas respectivas. Por ejemplo, si el nivel de
la dosis en el punto de entrada del rayo 1 es 1 kilorad, entonces se absorbern
en

0.4 kilorad

toda la anatoma sana en el plano de dos dimensiones, un promedio de 0.3 kilorad en los

0.5 kilorad en las distintas partes del tumor y


0.6 kilorad en el centro del tumor. La ltima columna presenta las restricciones sobre la do

tejidos crticos cercanos, un promedio de

sis total de ambos rayos que se absorbe en promedio en las diferentes partes del cuerpo. En
particular, la absorcin promedio de la dosis por la anatoma sana debe ser

tan pequea co

mo sea posible, los tejidos crticos no deben exceder 2.7 kilorads, el promedio sobre todo
el tumor debe ser igual a 6 kilorads y en el centro del tumor debe ser por lo menos de 6
kilorads.

iI'I TABLA 3.7

Datos para el diseo del tratamiento de radiacin de Mary


Fraccin de la dosis
de entrada absorbida
por rea (promedio)

rea
Anatoma sana
Tejido crtico
Regin del tumor
Centro del tumor

Rayo 1

Rayo 2

0.4
0.3
0.5
0.6

0.5
0.1
0.5
0.4

Restriccin sobre la dosis


promedio total, kllorads
Minimizar
:..;; 2 . 7

6
". 6

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

Formulacin como un problema de programacin lineal. Las dos variables de de


cisin x, y X2 representan la dosis (en kilorads) en el punto de entrada de los rayos I y 2.
respectivamente. Como debe minimizarse la dosis total que llega a la anatoma sana. se
definir como Z a esta cantidad. En este punto se pueden usar los datos de la tabla 3.7 para
formular el siguiente modelo de programacin lineal.'

Minimizar

O.4x,

0.5X2.

sujeta a

O.3x,
O.5x,
0.6x,

0. lx2 :5 2.7
0.5X2 6
0.4X2 2': 6
=

y
Xl

O,

Xz ;::: O.

Obsrvense las diferencias entre este modelo y el que se present en la seccin 3.1 pa
ra la Wyndor Glass Co. Este ltimo involucraba maximizar Z, y todas las restricciones fun
cionales tenan la forma :5 . El nuevo modelo incorpora otras tres formas legtimas descritas
en la seccin 3.2; a saber: minimizar Z, restricciones funcionales de la forma
y restric
ciones funcionales de la forma 2':.
Sin embargo, ambos modelos tienen slo dos variables, de manera que este nuevo pro
blema tambin se puede resolver por el mtodo gr4fico que se ilustr en la seccin 3 . 1 . La
figura 3.12 muestra la solucin grfica. La regin factible consiste nada ms en el segmen
to entre los puntos (6, 6) Y (7.5, 4.5), ya que los puntos en este segmento son los nicos que
satisfacen todas las restricciones al mismo tiempo. (Obsrvese que la restriccin de igualdad
limita la regin factible a la recta que contiene este segmento y las otras restricciones fun
cionales determinan los puntos extremos del segmento.) La lnea punteada representa la fun
cin objetivo que pasa por la solucin ptima,(x" X2)
(7.5, 4.5) con Z 5.25. Esta solu
cin es ptima y no (6, 6) porque disminuir Z(para valores positivos de Z) empuja la funcin
objetivo hacia el origen (donde Z O). Y Z 5.25 para (7.5, 4.5) es menor que Z
5.4
para (6, 6).
En consecuencia, el diseo ptimo implica utilizar una dosis total en el punto de entrada
de 7.5 kilorads para el rayo 1 y 4.5 kilorads para el rayo 2.
=,

Planeacln regional

La Confederacin Sur de Kibbutzim est formada por tres kibbutzim (comunidades agrco
las comunales) de Israel. La planeacin global de este grupo se hace en su oficina de coor
dinacin tcnica. En la actualidad planean la produccin agrcola para el ao prximo.
La produccin agrcola est limitada tanto por la extensin de terreno disponible para
irrigacin como por la cantidad de agua que la Comisin de Aguas (una oficina del gobierno
nacional) asigna para irrigarlo. La tabla 3.8 contiene los datos.
Los tipos de cultivos adecuados para la regin incluyen remolacha, algodn y sorgo,
que son precisamente los tres que estn en estudio para la estacin venidera. Los cultivos

lEn realidad, la tabla 3.7 es una simplificacin de la situacin real, de manera que el modelo sera algo ms com
plicado que ste y tendra docenas de variables y restricciones. Si se desea conocer los detalles de ) a situacin ge
neral consulte D. Sonderman y P. G. Abrahamson, "Rdiotherapy Treatment Design Using Mathematical Program

ming Models", en

Operations Research, 33:705725, 1985 y su referencia 1 . La profesora Eva K. Lee, del Georgia

Institute of Technology, es una lder en los esfuerzos de investigacin actuales para extender an ms la aplicacin
de la programacin lineal y otras reas de l a programacin matemtica al diseo de terapias de radiacin.

3.4

47

EJEMPLOS ADICIONALES

X2
15

0.6x + 0.4x2 '" 6

10

(7.5, 4.5)

":...

FIGURA 3.12
Solucin grfica del diseo
de la terapia de radiacin de
Mary.

" Z

5.25
,

O.4X + 0.5x2

"

0.5x[
5

111 TABLA 3.8

0.5x2

10

6
x

Datos de recursos de la Confederacin Sur de Klbbutzim

Klbbutz

Terreno disponible (acres)

Asignacin de agua (pies-acre)

2
3

400
600
300

600
800
375

difieren primordialmente en su rendimiento neto esperado por acre y en su consumo de


agua. Adems, el Ministerio de Agricultura ha establecido una cantidad mxima de acres
que la Confederacin puede dedicar a estos cultivos. La tabla 3.9 muestra estas canti
dades.
Debido a la disponibilidad limitada de agua para irrigacin, la Confederacin no podr
usar todo el terreno irrigable para los cultivos de la prxima temporada. Para asegurar la
equidad entre los tres kibbutzim, han acordado que cada uno sembrar la misma proporcin
de sus tierras irrigables disponibles. Por ejemplo, si el kibbutz 1 siembra 200 de sus 400
acres disponibles, entonces el kibbutz 2 deber sembrar 300 de sus 600 acres, mientras que
el kibbutz 3 sembrara 150 acres de los 300 que tiene. Cualquier combinacin de estos cul-

48

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

!IIII TABLA 3.9 Datos de cultivos de la Confederacin Sur de Klbbutzim

Cultivo

Cantidad
mxima (acres)

Consumo de agua
(ae.....ple/aere)

Rendimiento
neto (S/aere)

600
500
325

3
2
1

1 000
750
250

Remolacha
Algodn
Sorgo

fIII TABLA 3.10

Variables de decisin del problema de la Confederacin Sur


de Kibbutzlm
Asignacin (acres)
Klbbutz

Cultivo

Remolacha
Algodn
Sorgo

X,

X,

X,

x.

X3
X6
X9

x.

x,

tivos se puede sembrar en cualquiera de las granjas. El trabajo al que se enfrenta la oficina
de coordinacin tcnica consiste en planear cuntos acres deben asignarse a cada tipo de cul
tivo en cada kibbutz, de forma que cumpla con las restricciones dadas. El objetivo es maxi
mizar el rendimiento neto total de la Confederacin Sur de Kibbutzim.
Formulacin como un problema de programacin lineal. Las cantidades sobre las
que se tomar la decisin son el nmero de acres que se dedicar a cada cultivo en cada kib
butz. Las variables de decisin Xj (j
1, 2, . . . , 9) representan estas nueve cantidades, como
se muestra en la tabla 3 . 1 0.
Como la medida de eficacia Z es el rendimiento neto total, el modelo de programacin
lineal que resulta para este problema es
=

Maximizar

1 OOO(x, + X2 + X3) + 750(X4 + X5 + X6) + 250(X7 + X8 + X9),

sujeta a las siguientes restricciones:


1. Terreno para uso en cada kibbutz:
x, + x. + X7 :5 400
X2 + X5 + X8 :5 600
X3 + X6 + X9 :5 300

2. Asignacin de agua para cada kibbutz:

3x, + 2x. + X7 :5 600


3X2 + 2x5 + X8 :5 800
3X3 + 2X6 + X9 :5 375
3. Total de acres para cada cultivo:

XI + X2 + X3 :5 600
X4 + X5 + X6 :5 500
X7 + X8 + X9 :5 325

49

3.4 EJEMPLOS ADICIONALES

lIIl TABLA 3.11

Solucin ptima del problema de la Confederacin Sur


de Klbbutzim
Mejor asignacin (acres)
Klbbutz

Cultivo
Remolacha
Algodn
Sorgo

1 33
1 00

100
250

25
1 50

4. Igual proporcin de rea plantada:

Xl + X4 + X7
400
Xz + Xs + Xs
600
X3 + X6 + X9
300
5. No negatividad:
para j

1 , 2, . . . , 9.

Esto completa el modelo, a excepcin de las igualdades que no estn en la forma apropiada
para un modelo de programacin lineal porque algunas variables estn en el lado derecho de
las ecuaciones. En consecuencia, la forma final J es
3(x + X. + X7) - 2(X2 + X, + X8)
(X2 + X, + X8) - 2(X3 + X6 + X9)
4(X3 + X6 + X9) - 3(x + X4 + X7)

=
=
=

O
O

La oficina de coordinacin tcnica formul este modelo y despus aplic el mtodo sm


plex (que se desarrolla en el captulo 4) para encontrar una solucin ptima
(X , X2, X3, X., X" X6, X7, X8, X9)

( t

133 , lOO, 25, lOO, 250, 150, O, O, O ,

como se muestra en la tabla 3 . 1 1 . El valor ptimo de la funcin objetivo que obtuvieron es


Z 633 333, es decir, un rendimiento neto total de $633 333.33.
=

Control de la contaminacin del aire


La Nori & Leets Co., una de las mayores productoras de acero del mundo occidental, est loca
lizada en la ciudad de Steeltown y es la nica empresa grande de la localidad. La comunidad

ha crecido y prosperado junto con la compaa, que de momento emplea a cerca de 50 mil resi-

lEn realidad, cualquiera de estas ecuaciones es redundante y se puede eliminar si as se desea. Debido a la fonna
de las ecuaciones. cualesquiera dos de las restricciones referentes al terreno til tambin se pueden eliminar por"
que se satisfacen de manera automtica cuando se satisfacen las restricciones restantes del terreno til y estas
ecuaciones. Sin embargo, la inclusin de restricciones no necesarias no produce problemas (excepto un esfuerzo
computacional un poco mayor), por lo que no es necesario preocuparse por identificarlas y eliminarlas del modelo
fonnulado.

50

INTRODUCCiN A LA PROGRAMACiN LINEAL

CAPTULO 3

111 TABLA J.12

Estndares de aire limpio de Norl &: leets Co.

Contaminante

Reduccin requerida de la tasa de emisin anual


(millones de libras)

Partculas
xidos de azufre
Hidrocarbonos

60
1 50
1 25

iI! TABLA

3.11 Reduccin de la tasa de emisin (en millones de libras por ao) con el
uso mximo factible del mtodo de abatimiento de Norl &: leets Co.
Chimeneas ms altas

Contaminante

Altos
hornos

Partieula,
xidos de azufre
Hidrocarbonos

12
35
37

Hornos de
corazn
abierto
9
42
53

MeJores combustibles

Filtros
Altos
hornos

Hornos de
corazn
abierto

Altos
hornos

25
18
28

20
31
24

17
56
29

Hornos de
corazn
abierto
13
49
20

dentes. La actitud de los habitantes ha sido siempre "lo que es bueno para Nori & Leets es bueno
para nosotros". Sin embargo, esta actitud est cambiando; la contaminacin no controlada del ai
re debida a los altos hornos de la planta est en camino de arruinar la apariencia de la ciudad

y de

poner en peligro la salud de sus habitantes.

Como resultado, despus de una revuelta entre los accionistas se eligi un nuevo con
sejo directivo ms responsable. Los nuevos directores han decidido seguir polticas de res
ponsabilidad social

y realizar plticas con las autoridades de la ciudad Y'con grupos de ciu

dadanos para tomar medidas respecto de la contaminacin ambiental. Juntos han establecido
estndares rigurosos de calidad del aire para la ciudad de Steeltown.
Los tres tipos principales de contaminantes son partlculas de materia, xidos de azufre
e hidrocarburos. Los nuevos estndares requiyren que la compaa reduzca su emisin anual
de estos contaminantes en las cantidades presentadas en la tabla

3.12. El consejo directivo

ha dado instrucciones a la administracin para que el personal de ingeniera determine cmo


lograr estas reducciones en la forma ms econmica.
La fabricacin de acero tiene dos fuentes principales de contaminacin: los altos hornos
para fahricar el arrabio

y los hornos a corazn abierto para transformar el hierro en acero.

En amhos casos, los ingenieros determinaron que los mtodos de abatimiento ms eficaces
!
son: 1) aumentar la altura de las chimeneas, 2) usar filtros (con trampas de gas) en ellas y

3) incluir limpiadores de alto grado en los combustibles de los hornos. Todos estos mtodos
tienen limitaciones tecnolgicas en cuanto al nivel en que pueden usarse -por ejemplo, un
incremento factible mximo de la altura de las chimeneas-, pero tambin existe una gran
flexibilidad para usar el mtodo en cualquier nivel fraccionario de su lmite tecnolgico.
La tabla

3.13 muestra la cantidad de emisin (en millones de libras anuales) que se puede

eliminar de cada tipo de horno mediante el empleo del mtodo de abatimiento al mximo

lmite tecnolgico. Para fines de anlisis, se supone que cada mtodo se puede usar a un nivel
menor para lograr cualquier fraccin de reduccin de las tasas de emisin que se presentan
en esta tabla. Ms an, las fracciones pueden ser diferentes para los hornos altos
a corazn abierto,

y los hornos

y el uso simultneo de otro mtodo no afecta de manera significativa la re

duccin de emisiones que alcanza cada uno de ellos.


Iun tiempo despus de realizado el estudio, este mtodo especfico de reduccin de contaminacin se convirti en
materia de controversia. Como su efecto es reducir la contaminacin a nivel del suelo esparciendo las emisiones a
una distancia mayor, los grupos ecologistas sostienen que este procedimiento crea ms lluvia cida pues mantiene
los xidos de azufre ms tiempo en el aire. En consecuencia, la U.S. Environmental Protection Agency adopt
nuevas reglas en

1985 para eliminar los incentivos sobre el uso de chimeneas ms altas.

3.4

51

EJEMPLOS ADICIONALES

Despus de obtener estos datos, qued claro que ningn mtodo por s solo poda lograr
las reducciones requeridas. Por otro lado, la combinacin de los tres mtodos a toda su ca
pacidad -lo que sera demasiado caro si se quiere que los productos sean competitivos en
precio-- genera un resultado mucho ms elevado de lo que se pide. Por todo esto, la con
clusin de los ingenieros fue que deban usar alguna combinacin de mtodos, tal vez con
capacidades fraccionarias, basada en sus costos relativos. An ms, debido a las diferencias
entre los altos hornos y los hornos de corazn abierto, es probable que la combinacin sea
diferente para cada tipo de horno.
Se llev a cabo un anlisis para estimar el costo total anual de cada mtodo de aba
timiento. El costo anual de un mtodo incluye el aumento de los gastos de operacin y man
tenimiento al igual que la reduccin de los ingresos debida a cualquier prdida de eficiencia
en el proceso de produccin que pueda generar el uso del mtodo. El otro costo importante
es el costo fijo inicial (el capital inicial) requerido para instalar el mtodo. Para hacer que
este costo nico fuera conmensurable con los costos anuales, se us el valor del dinero en
el tiempo para calcular el gasto anual (sobre el tiempo esperado de vida del mtodo) que
sera equivalente a este costo fijo inicial.
El anlisis proporcion estimaciones de los costos anuales totales (en millones de
dlares), que se presentan en la tabla 3. 14, en que se incurre al usar los mtodos a toda su
capacidad de abatimiento. Tambin se determin que el costo de un mtodo que se utiliza a
un nivel menor es esencialmente proporcional a la capacidad fraccional de la capacidad de
abatimiento que se logra y que se presenta en la tabla 3.13. Entonces, para cualquier frac
cin que se logre, el costo total anual sera en esencia la fraccin de la cantidad correspon
diente de la tabla 3. 14.
En esta etapa, todo est listo para desarrollar el marco general del plan de la compaa
para disminuir la contaminacin. Este plan especifica qu tipo de mtodos de reduccin de
bern emplearse y a qu fracciones de su capacidad para: 1) los altos hornos y 2) los hornos
de corazn abierto. Debido a la naturaleza combinatoria del problema de encontrar un plan
que satisfaga los requisitos con el menor costo posible, se form un equipo de investigacin
de operaciones para resolverlo. El equipo decidi enfocar el problema desde un punto de
vista de programacin lineal, y formul el modelo que se resume a continuacin.
Formulacin como un problema de programacin lineal. Este problema tiene seis
1 , 2, . . . , 6, que representan el uso de cada uno de los tres
variables de decisin, Xj' j
mtodos de reduccin en cada tipo de horno, expresado como una fracci6n de la capacidad
de reduccin (de manera que Xj no exceda de 1). En la tabla 3.15 se muestra el orden asig
nado a estas variables. Tomndose en cuenta que el objetivo es minimizar el costo total sin
=

111 TABLA 3.14

Costo total anual por el uso mximo factible del mtodo de


abatimiento de Nori 6< Leets Co. (millones de dlares)

Mtodo de abatimiento
Chimeneas ms altas
Filtros
Mejores combustibles

iII TABLA 3.1 5

Altos hornos

Hornos de corazn abierto

8
7
11

10
6
9

Variables de decisin (fraccin del uso mximo factible del mtodo


de abatimiento) de Nori 6< Leets Co.

Mtodo de abatimiento
Chimeneas ms altas
Filtros
Mejores combustibles

Altos hornos
X,

X3
X,

Hornos de corazn abierto

52

CAPTULO 3

INTRODUCCIN A LA PROGRAMACIN LINEAL

violar los requerimientos de reduccin de la emisin, los datos en las tablas 3. 1 2, 3 . 1 3 Y 3. 14


condujeron al siguiente modelo:
Minimizar

Z = 8x, + IOx2 + 7X3 + 6x4

I Ix5

9X6,

sujeta a la siguientes restricciones:


l. Reduccin de emisin:

l 2x, + 9X2 + 25x3


35x, + 42x2 + l8x3
37x, + 53x2 + 28x3

20X4 + 1 7x5 + 13x6 ;" 60


3 l x4 + 56x5 + 49x6 ;" 150
24x4 + 29x5 + 20X6 ;" 125

2. Tecnolgicas:

Xj ::5 1 ,

paraj = 1 , 2, . . . , 6

3. No negatividad:

paraj = 1 , 2, . . . , 6.
El equipo de ro us este modelo ' para encontrar el plan de costo mnimo

(x " X2, X3' X4, x" X6) = (1, 0.623, 0.343, 1 , 0.048, 1),
con Z 32. 16 (costo total anual de 32. 16 millones). Despus realiz un anlisis de sensi
bilidad para explorar el efecto de hacer los ajustes posibles en los estndares del aire que se
presentan en la tabla 3 . 1 2, y para verificar el efecto de inexactitudes en los datos de costo
dados en la tabla 3. 14. (Esta historia continuar en el caso de estudio 6 . 1 al final del cap
tulo 6.) Despus, se hizo una planeacin detallada y la administracin la aprob. Muy poco
tiempo despus el programa se puso en prctica y los habitantes de Steeltown respiraron
-ms limpio- con alivio.
=

Reciclado de desechos slidos

La Save-It Company opera un centro de reciclado que recoge cuatro tipos de material de
desecho slido y los trata para amalgamarlos en un producto que pueda lanzarse al mercado
--el tratamiento y el amalgamado son dos procesos diferentes-o Se pueden obtener tres gra
dos diferentes de este producto (vase la primera columna de la tabla 3 . 16), segn la mez
cla de materiales que se use. Aunque existe alguna flexibilidad para esta mezcla en cada
grado, los estndares de calidad especifican una cantidad mnima y una mxima de la pro
porcin de los materiales permitidos en ese grado -esta proporcin es el peso del material
expresado como un porcent'lie del peso total del producto de ese grado--. Para los dos gra
dos ms altos se especifica un porcent'lie fijo de uno de los materiales. Estas especificaciones
se presentan en la tabla 3 . 1 6 junto con el costo de amalgamado y el precio de venta de cada
grado.
El centro de reciclado recoge los materiales de desecho slido de ciertas fuentes habi
tuales por lo que casi siempre puede mantener una tasa de produccin estable para tratarlos.
En la tabla 3 . 1 7 se muestran las cantidades disponibles para la recoleccin y tratamiento se
manal, al igual que el costo del proceso de cada tipo de material.
La Save-It CO. es propiedad de Green Earth, una organizacin dedicada a asuntos ecolgi
cos, por lo que las ganancias se usan para apoyar las actividades de Green Earth. Esta organi
zacin ha logrado contribuciones y apoyos por la cantidad de 30 mil dlares semanales, que
deben usarse slo para cubrir el costo del tratamiento completo de los desechos slidos. El con
sejo directivo de Green Earth ha girado instrucciones a la administracin de Save-It para que
l

Una fonnulaci6n equivalente puede expresar cada variable de decisin en unidades naturales para su mtodo de

abatimiento; por ejemplo, Xl y X2 podran representar el nmero de pies que aumentan las alturas de las chimeneas.

3.4

53

EJEMPLOS ADICIONALES

TABLA 3.16 Datos de productos de la Save-It Co.


Amalgamado,
costo ($) por libra

Precio de venta
($) por libra

Material
Mate,ial
Mate,ial
Mate,ial

no ms de 30% del total


no menos de 40% del total
no ms de 50% del total
exactamente 20% del total

3.00

8.50

Mate,ial 1 : no ms de 50% del total


Material 2: no menos de 10% del total
Material 4: exactamente 10% del total

2.50

7.00

Mate,ial 1 : no ms de 70% del total

2.00

5.50

CrllClo

Especificacin

!!I TABLA 3.17

1:
2:
3:
4:

Datos de los materiales de desechos slidos de Save-It Co.

Material

Libra. por
semana disponible.

Costo del
tratamiento
($) por !lbra

1
2
3
4

3 000
2 000
4 000
1 000

3.00
6.00
4.00
5.00

Restricciones adicionales

1 . De cada material, deben recolectarse y


tratarse al menos la mitad de las libras
disponibles por semana.
2. Deben usarse $30 000 semanales para
tratar estos materiales.

divida este dinero entre los materiales, de manera tal que se recolecte y se trate al menos la
mitad de la cantidad disponible de cada tipo de material. Estas restricciones adicionales se enu
meran en la tabla 3.17.
Con las restricciones especificadas en las tablas 3.16 y 3.17, la administracin desea de
terminar la cantidad que debe producir de cada grado y la mezcla exacta de materiales que
usar para cada uno, de manera que se maximice la ganancia semanal neta -ingresos totales por ventas
de

menos costo total del amalgamado-, exclusivo del costo del tratamiento fijo

30 mil dlares por semana que ser cubierto por donaciones.

Formulacin como un problema de programacin lineal. Antes de intentar cons


trnir un modelo de programacin lineal debe tenerse mucho cuidado en la definicin apro
piada de las variables de decisin. Si bien muchas veces esta definicin es obvia, otras es la
parte medular de la formulacin. Despus de identificar con claridad cul es la informacin
que sirve y la forma ms conveniente de manejarla mediante las variables de decisin, se
pueden establecer la funcin objetivo y las restricciones sobre los valores de estas variables
de decisin.
En este problema especfico, las decisiones que deben tomarse estn bien definidas, pero
vale la pena pensar un poco en la manera de manejar la informacin a travs de ellas. (Se
recomienda intentar hacerlo y ver si primero se obtiene el siguiente conjunto

inapropiado de

variables de decisin.)
Como un conjunto de decisiones se refiere a la cantidad de cada grado de producto que
se debe fabricar, parecera natural definir un conjunto de variables de decisin acorde. Si
guiendo tentativamente esta lnea de pensamiento, se define

Yi = nmero de libras del producto de grado i producidas por semana


El otro conjunto de decisiones es la

(i

A, B, C).

mezcla de materiales de cada grado de producto. Esta

mezcla se identifica por la proporcin de cada material en el producto, lo que sugiere definir
el otro conjunto de variables de decisin como
zij

proporcin del material j en el producto de grado

(i

A, B, C;j

1 , 2, 3, 4).

54

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

Sin embargo, en la tabla 3 . 1 7 se proporcionan los costos del tratamiento y la disponibilidad


de los materiales por cantidad (libras) y no en proporciones y es esta informacin en canti
1,
dades la que se necesita registrar en algunas de las restricciones. Para el material j (j
2, 3, 4),
=

Cantidad en libras de material j usado por semana

ZNYA

ZBjYB

zCjYc

Por ejemplo, como la tabla 3.17 indica que se dispone de 3 000 libras del material 1 por se
mana, una restriccin del modelo sera

ZAIYA + ZBlYB

:S

ZC lYc

3 000.

Desafortunadamente, sta no es una restriccin legtima de programacin lineal. La expre


sin del lado izquierdo no es una funcin lineal porque incluye la multiplicacin de varia
bles. Por lo tanto, no se puede construir un modelo de programacin lineal con estas va
riables de decisin.
Por suerte, existe otra manera de definirlas que se '\iusta al formato de programacin li
neal. (Es posible identificar alguna manera de hacerlo?) Este objetivo se logra con slo sus
tituir cada producto de las variables de decisin anteriores por una sola variable. En otras
palabras, se define

Xij

=
=

(para i A, B, C; j
1 , 2, 3, 4)
ZijYi
nmero total de libras del material j asignadas al producto grado i por semana,
=

y despus se definen xij como las variables de decisin. Al combinar las xij en diferentes for
mas se llega a las siguientes cantidades necesarias en el modelo (para i A, B, C; j
1 , 2,
3, 4).
=

XiI

Xi2 + Xi3 + Xi4


XAj + XBj + XCj
x' ,
--"Ll
_
_
_

_
_
_

Xii + Xi2

Xi3

Xj4

=
=

nmero de libras del producto grado i fabricado por semana.


nmero de libras de material j usado por semana.
proporcin del material j en el producto de grado i.

El hecho de que esta ltima expresin sea una funcin no lineal no causa complica
ciones. Por ejemplo, considrese la primera specificacin para el producto grado A en la
tabla 3 . 1 6 (la proporcin de material 1 no debe exceder de 30%). Esta limitacin conduce a
la restriccin no lineal

Sin embargo, al multiplicar ambos lados de esta desigualdad por el denominador se llega a
la restriccin equivalente

XA I

:S

O.3(XA I + XA2

XA3

XA4),

de manera que

0.7XAI - 0.3XA2 - 0.3XA3 - 0.3XA4

:S

O,

es una restriccin legtima de programacin lineal.


Con este ajuste a las tres cantidades dadas, se determinan directamente todas las restric
ciones funcionales del modelo. La funcin objetivo se basa en la meta de la administracin de
maximizar la ganancia semanal total -ingresos totales por ventas menos costo total del amal
gamado-- obtenida por los tres grados de productos. En consecuencia, para cada grado de pro
ducto, la ganancia por libra se obtiene mediante la resta del costo del amalgamado que se pre
senta en la tercera columna de la tabla 3 . 1 6 menos el precio de venta que aparece en la cuarta
columna. Estas diferencias proporcionan los coeficientes de la funcin objetivo.
Por lo tanto, el modelo completo de programacin lineal es
Maximizar

5.5(XA I

XA2

XA3 + XA4) + 4.5(XBI + XB2 + XB3 + XB4)


+ 3.5(xcI + XC2 + XC3 + xc.),

",,,11

3.4

55

EJEMPLOS ADICIONALES

sujeta a las siguientes restricciones:

1. Especificaciones de mezcla (segunda columna de la tabla 3 . 16):

XA!

Si

0.3(XA! + XA2 + XA3

XA2

2:

O.4(XA!

XA2

XA3

(grado A, material

XA4)

(grado A , material

XA4)

(grado A, material

XA3 Si 0.5(XA! + XA2 + XA3 + XA4)


XA4

XB!

Si

0.2(XA!

4).

XB3 + XB4)

(grado B, material

1)

(grado B , material
(grado B, material

XB4 = O.I(xB! + XB2 + XB3 + XB4)


Si

3)

(grado A, material

XB2 2: O.I(XBl + XB2 + XB3 + XB4)


XC!

2)

XA4)

XA2 + XA3

0.5(XBl + XB2

1)

(grado e, material

0.7 (xc! + XC2 + XC3 + XC4)

2)
4).
1).

2. Disponibilidad de materiales (segunda columna de la tabla 3.17):

XA! + XB!
XA2

XA4

XB4

Si

3 000

(material

1)

2 000

(material

2)

4 000

(material

3)

XC4 Si I 000

(material

4).

XC!

XB2 + XC2

XA3 + XB3
+

XC3

Si

Si

3. Restricciones sobre las cantidades tratadas (lado derecho de la tabla 3. 17):

XA! + XB!

XC!

2:

I 500

(material

1)

(material

2)

XA2 + XB2

XC2 2: I 000

XA3 + XB3

XC3

XA4 + XB4

2:

2 000

(material

3)

XC4 2:

500

(material

4).

4. Restriccin sobre el costo del tratamieI!to (lado derecho de la tabla 3.17):

3(XA! + XB !

XC! ) + 6(XA2 + XB2 + XC2)


+ 5(XA4

XB4 + XC4)

+
=

4(XA3 + XB3 + XC3)


30 000.

5. Restricciones de no negatividad:

. . .,

XC4

2!

O.

Esta formulacin completa el modelo, excepto que las restricciones de las especifica
ciones de la mezcla necesitan reescribirse en la forma adecuada para un modelo de progra
macin lineal con todas las variables en el lado izquierdo y combinar los trminos:
Especificaciones de mezcla:

0.7XA ! - 0.3XA2 - 0.3XA3 - 0.3XA4

Si

-O.4XAl + 0.6xA2 - 0.4XA3 - 0.4XA4

2:

-0.5XA! - 0.5XA2

0.5XA3 - O.5XA4 Si O

-O2xA! - 02xA2 - 0.2xA3 + 0.8XA4 = O


0.5XB! - 0.5xB2 - 0.5XB3 - 0.5XB4 :5 O

-O. IXBl

0.9XB2 - 0. lxB3 - 0.lxB4 2: O

-O.lxB! - 0. lxB2 - 0.1XB3 + 0.9XB4

0.3xc! - 0.7XC2 - 0.7XC3 - 0.7XC4 :5 O

(grado A, material

(grado A , material
(grado A, material

1)
2)
3)

(grado A, material

4).

(grado B, material

1)

(grado B, material

(grado B, material

(grado e, material

2)
4).
1).

56

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

La tabla 3 . 1 8 muestra una solucin ptima para este modelo, y despus estos valores de
se usan para calcular otras cantidades de inters dadas en la misma tabla. El valor ptimo
de la funcin objetivo que se obtiene es Z = 35 109.65 (o sea, una ganancia semanal total
de $35 109.65).
El problema de la Save-It Co. es ejemplo de un problema de mezclas. El objetivo de
un problema de este tipo es encontrar la mejor mezcla de ingredientes de los productos fi
nales para cumplir con ciertas especificaciones. Algunas de las primeras aplicaciones de pro
gramacin lineal se hicieron para la mezcla de gasolina, en donde los ingredientes del pe
trleo se mezclaban para obtener varios grados de gasolina. El reconocido estudio de la en
Texaco presentado al final de la seccin 2.5 trata sobre mezcla de gasolina -aunque Texa
co us un modelo de programacin no lineal-o Otros problemas de mezclas incluyen pro
ductos finales como acero, fertilizantes y alimento para animales.

X'j

Programacin de personal

Union Airways va a agregar vuelos desde y hacia su aeropuerto base, por lo cual necesita
contratar ms agentes de servicio a clientes. Sin embargo, no est claro cuntos ms debe
contratar. La administracin reconoce la necesidad de controlar el costo y al mismo tiempo
proporcionar de manera permanente un nivel satisfactorio de servicio. Por todo esto, un equi
po de la estudia la forma de programar a los agentes para proporcionar un servicio satisfac
torio con el menor costo en personal.
Con base en la nueva programacin de vuelos, se ha realizado un anlisis del nmero
mnimo de agentes de servicio a clientes que deben encontrarse de guardia en diferentes mo
mentos del da para proporcionar un nivel satisfactorio de servicio. La columna de la derecha
j TABLA 3.18

Solucin ptima del problema de Save-It CO.


Libras usadas por semana
Material

Grado

41 2.3
(1 9.2%)
2 587.7
(50%)

B
e

Total

859.6
(40%)
51 7.5
(1 0%)
o

1 377

3 000

llII TABLA 3.19

Nmero de libras
producidas por semana

447:4
(20.8%)
1 552.6
(30%)

429.8
(20%)
51 7.5
(1 0%)

2 000

947

2 1 49
5 1 75
o

Datos del problema de programacin de personal en Union Airways


Periodos cubiertos
Tumo

Periodo
6:00 a.m. a 8:00 a.m.
8:00 a.m. a 10:00 a.m.
1 0:00 a.m. a 1 2 a.m.
1 2 a.m. a 2:00 p.m.
2:00 p.m. a 4:00 p.m.
4:00 p.m. a 6:00 p.m.
6:00 p.m. a 8:00 p.m.
8:00 p.m. a 1 0:00 p.m.
1 0:00 p.m. a 1 2:00 p.m.
1 2:00 p.m. a 6:00 a.m.

Costo diario por agente

1
1/

1/

1/

1/

1/

1/

1/

1/

$ 1 60

1/
1/

1/

"

$ 1 70

$ 1 75

"

1/

1/
1/

1/

$ 1 80

$ 1 95

1/

Nmero mnimo
necesario de agentes
48
79
65
87
64
73
82
43
52
15

3.4

57

EJEMPLOS ADICIONALES

de la tabla 3.19 muestra el nmero de agentes necesario para los periodos dados en la primera
columna. Los otros datos de la tabla reflejan uno de los acuerdos del contrato colectivo vi
gente entre la compaa y el sindicato que representa a los agentes de servicio a clientes. El
acuerdo es que cada agente trabaje un tumo de 8 horas 5 das a la semana, y los tumos au
torizados son
Thmo 1 :
Tumo 2:
Thmo 3 :
Thmo 4:
Thmo 5:

6:00 a.m. a 2:00 p.m.


8:00 a.m. a 4:00 p.m.
12:00 a.m.(medio da) a 8:00 p.m.
4:00 p.m. a 1 2 a.m.(media noche)
10:00 p.m. a 6:00 a.m.

Las marcas en el cuerpo de la tabla 3.19 muestran las horas cubiertas por los tumos respec
tivos.Como algunos tumos son menos deseables que otros, los salarios especificados en el
contrato difieren de uno a otro. En el ltimo rengln se muestra la compensacin diaria
-con las prestaciones- por cada agente para cada tumo. El problema consiste en determi
nar cuntos agentes deben asignarse a los lUmos respectivos cada da para minimizar el cos
to total de personal debido a los agentes, de acuerdo con este ltimo rengln, al mismo tiem
po que se cumplen (o se sobrepasan) los requerimientos de servicio dados en la columna de
la derecha.
Formulacin como un problema de programacin lineal.

Los problemas de pro


gramacin lineal siempre implican encontrar la mejor mezcla de los niveles de actividad. La
clave para formular este problema en particular es reconocer la naturaleza de las actividades.
Las actividndes corresponden a los tumos, donde el nivel de cada actividad es el nmero
de agentes asignados a ese tumo. Por lo tanto, este problema trata de encontrar la mejor mezcla
de tamaos de turnos. Como las variables de decisin siempre son los niveles de actividades,
las cinco variables de decisin en este caso son
Xj

nmero de agentes asignados al tumo j,

para j = 1, 2, 3, 4, 5.

La restriccin principal sobre los valores de estas variables de decisin es que el nmero
de agentes que trabaja en cada periodo debe satisfacer el requerimiento mnimo que se pre
senta en la columna de la derecha de la tabla 3.19. Por ejemplo, de las 2:00 p.m. a las 4:00
. p.m., el nmero total de agentes asignados a los tumos que cubren este periodo (tumos 2 y
3) debe ser al menos 64, de manera que

es la restriccin funcional para este periodo.


Como el objetivo es minimizar el costo total de los agentes asignados a los cinco tumos,
los coeficientes de la funcin objetivo se dan en el ltimo rengln de la tabla 3 . 1 9 .
Por lo tanto, el modelo completo de programacin lineal es
Minimizar

170x + 1 60x2 + 175x3 + 1 80x4 + 195x5,

sujeta a
X

Xl

Xl

Xl

+
+
+

X2

X2

X2 + X3

X2 + X3

X3

X3

+
+

X4

X4

X4

X4

;", 48
;", 79
;", 65
;", 87
;", 64
;", 73
;", 82
;", 43
+ x, ;", 52
X5 ;'" 15

(6-8 a.m.)
(8-1 0 a.m.)
( 1 0- 1 2 a.m.)
( 1 2 a.m.-2 p.m.)
(2-4 p.m.)
(4-6 p.m.)
(6-8 p.m.)
(8-10 p.m.)
(10-12 p.m.)
(12 p.m.-6 a.m.)

58

CAPTULO 3

INTRODUCCIN A LA PROGRAMACIN LINEAL

y
para j

1 , 2, 3, 4, 5.

Si s e observa con cuidado, s e ve que la tercera restriccin, XI + X2 2': 65, e n realidad no


es necesaria porque la segunda, XI + X2 2': 79, asegura que XI + X2 ser mayor que 65. As,
XI + X2 2': 65 es una restriccin redundante que se puede eliminar. De manera similar, la sex
ta restriccin X3 + X. 2': 73, tambin es redundante porque la sptima es X3 + X. 2': 82. (En
realidad, tres de las restricciones de no negatividad, XI 2': O, x. 2': O, X5 2': O, tambin son res
tricciones redundantes debido a la primera, la octava y la dcima: XI 2': 48, x. 2': 43 Y X5 2': 15.
Sin embargo, no se facilitan los clculos si se eliminan estas restricciones de no negativi
dad.)
La solucin ptima para este modelo es (XI, X2, X3, x., X5)
(48, 3 1 , 39, 43, 15). Esto
conduce a Z 30 610, es decir, un costo total diario de personal de $30 610.
Este problema es un ejemplo donde en realidad no se satisface el supuesto de divisibi
lidad de un modelo de programacin lineal. El nmero de agentes asignados a cada tumo
necesita ser entero. Si se habla de manera estricta, el modelo debe tener una restriccin adi
cional para cada una de las variables de decisin que especifique que sus valores deben ser
enteros. Al agregar estas restricciones, el modelo de programacin lineal se convierte en un
modelo de programacin entera (tema del captulo 1 1).
Aun sin estas restricciones, resulta que la solucin ptima dada tiene valores enteros,
por lo cual su no inclusin no gener problemas. (La fonna de las restricciones funcionales
permiti que este resultado fuera probable.) Si alguna de las variables hubiera sido no ente
ra, el enfoque ms sencillo habra sido redondearla a un valor entero. (El redondeo es fac
tible en este ejemplo porque todas las restricciones funcionales son de la fonna 2': con coe
ficientes no negativos). Cuando se redondea no necesariamente se obtiene una solucin ptima
para el modelo de programacin lineal entera, pero el error que se introduce con algunos n
meros grandes es despreciable en la mayora de las situaciones prcticas. De manera alter
nativa, se pueden usar las tcnicas de programacin entera descritas en el captulo 1 1 para
obtener una solucin ptima exacta con valores enteros.
La seccin 3.5 incluye el estudio de un caso sobre la manera como United Airlines apli
c programacin lineal para desarrollar un sistema de programacin de personal de tamao
mucho mayor que el ejemplo.
=

Distribucin de bienes a travs de una red


El problema. La Distribution Unlimited Ca. fabricar el mismo nuevo producto en dos
plantas distintas y despus tendr que enviarlo a dos almacenes de distribucin, donde cual
quiera de las dos fbricas puede abastecer a cualquiera de los dos almacenes. La red de dis
tribucin disponible para el envo de este producto se muestra en la figura 3 . 1 3, donde FI y
F2 son las dos fbricas, Al y A2 son los dos almacenes y CO es el centro de distribucin.
Las cantidades que deben enviarse desde FI y F2 se muestran a la izquierda, y las cantida
des que deben recibirse en Al y A2 se presentan a la derecha. Cada flecha representa un ca
nal factible de envo. PI puede enviar directamente a Al y tiene tres rutas posibles (FI ..... CO
..... A2, Fl ..... F2 ..... CO ..... A2, Y FI ..... A l ..... A2) para mandar bienes a A2. La fbrica F2
tiene slo una ruta a A2 (F2 ..... CO --> A2) Y una a Al (F2 ..... CO ..... A2 ..... A l ). El costo
por unidad enviada a travs de cada canal se muestra al Iado de la flecha. Tambin, junto a
FI --> F2 Y CO -> A2 se muestran las cantidades mximas que se pueden enviar por es
tos canales. Los otros canales tienen suficiente capacidad para manejar todo lo que las f
bricas pueden enviar.
La decisin que debe tomarse se refiere a qu cantidades enviar a travs de cada canal
de distribucin. El objetivo es minimizar el costo total de envo.

3.4

50 unidades

$200/unidad

40 unidades
producidas

$900/unidad

FI

producidas

FIGURA 3 . 1 3
Red de distribucin de
Distribution Unlimited Ca.

59

EJEMPLOS ADICIONALES

30 unidades
requeridas

Mximo 1 0 unidades

CD

$300/unidad

$200/unidad

60 unidades

F2

requeridas

Formulacin como un problema de programacin lineal. Con siete canales de en


vo, se necesitan siete variables de decisin (XP 1 -F2, XpI-CD, XPI_At. Xp2_CD, XCD_A2. XAI_A2.
XA2_AI ) para representar las cantidades enviadas a travs de los canales respectivos.
Existen varias restricciones sobre los valores de estas variables. Adems de las restric
ciones usuales de no negatividad, se tienen dos restricciones de cota superior, XFI_F2 :5 10 Y
XCD_A2 :5 80, impuestas por la capacidad'limitada de envo de los dos canales, Fl -> F2
Y CD -> A2. Todas las dems restricciones surgen de las cinco restricciones de flujo neto, una
para cada localidad. Estas restricciones tienen la siguiente forma.

Restriccin de flujo neto para cada localidad:


Cantidad enviada - cantidad recibida

cantidad requerida.

Como se indica en la figura 3 . 1 3, estas cantidades requeridas son 50 para Fl, 40 para F2,
-30 para A l y -60 para A2.
Cul es la cantidad requerida para CD? Todas las unidades producidas en las fbricas
se necesitan en algn momento en los almacenes, de manera que las unidades enviadas de
las fbricas a los centros de distribucin deben mandarse a los almacenes. Por 10 tanto, la
cantidad total enviada del centro de distribucin a los almacenes debe ser igual a la canti
dad total enviada desde las fbricas al centro de distribucin. En otras palabras, la diferen
cia de estas dos cantidades enviadas -la cantidad requerida para la restriccin de flujo neto
debe ser cero.
Como el objetivo es minimizar el costo total de envo, los coeficientes de la funcin ob
jetivo son directamente los costos unitarios de envo que se muestran en la figura 3 . 1 3 . Por
lo tanto, si se usan unidades monetarias en cientos de dlares en esta funcin objetivo, el
modelo completo de programacin lineal es
Minimizar

2XPI_F2 + 4XPI_CD + 9XPI_AI


+ 3XAt_A2 + 2XA2_Ah

3XP2_CD + XCD-A2

60

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

sujeta a las siguientes restricciones:

1. Restricciones de flujo neto:

XFI_F2 + XFI_CD + XFI_AI


+ XF2-CD
-XFI-F2
Xp2-CD + XOC-A2
X
- pl_CD
- XFI-AI

50 (fbrica 1 )
40 (fbrica 2)
O (centro de

+ XAI-A2 - XA2-AI
- XCD-A2 - XAI_A2 + XA2-AI

=
=

distribucin)
n 1)
(almac
- 30

-60 (almacn 2)

2. Restricciones de cota superior:

XPI-F2

::::;

XCD_A2

10,

80

3. Restricciones de no negatividad:

XpI-F2

;:=:: O,

XPI-CD

XpI_Al

;::: O,

XAI -A2

:;;:: O,

XF2-CD

XA2-Al

2:: O,

2:: O.

:=:: O ,

XCD-A2 O,

Este problema se ver de nuevo en la seccin 9.6, que est dedicada a problemas de programacin lineal de este tipo -llamados problemas de flujo de costo mnimo-o En la seccin 9.7 se obtendr su solucin ptima:

XpI_F2 = O,
XAI_A2 O,
=

XFI-CD 40,
XA2.AI = 20.
=

XFI_AI

10,

XnCD

40,

XCD.A2 = 80,

El costo total de envo resultante es de $49 mil.


Tambin se ver un caso referente a un problema mucho ms grande de este tipo al fi
nal de la siguiente seccin .

3.5

ALGUNOS CASOS DE ESTUDIO CLSICOS


Para proporcionar una mejor perspectiva del gran efecto que puede tener la programacin li
neal, se presentan abara tres casos de aplicacin real. Cada uno es una aplicacin clsica, ini
ciada a principios de los ochenta, que se ha convertido en un estndar de excelencia para apli
caciones futuras de programacin lineal. El primero tendr grandes similitudes con el problema
de la Wyndor Glass Ca., pero en una escala ms real. El segundo y el tercer casos son las ver
siones reales de los dos ltimos ejemplos presentados en la seccin 3.4 -los ejemplos de Unin
Airlines y de Distribution Unlimited-.

Eleccin de la mezcla del producto en Ponderosa Industrlal'


Antes de ser vendida en 1988, Ponderosa Industrial era fabricante de triplay con base en
Anhuac, Chihuahua, y generaba 25% del triplay de Mxico. Igual que para cualquier fa
bricante de triplay, los muchos productos de Ponderosa diferan en el espesor y la calidad de
la madera. El mercado de tri play en Mxico es competitivo, de manera que es el que esta
blece los precios de los productos. La tasacin poda fluctuar bastante de un mes a otro y
haber grandes diferencias entre los productos y la variacin' de sus costos, aun de un mes al
siguiente. Como resultado, la contribucin de cada producto a la ganancia total de Pondero
sa variaba todo el tiempo y de distintas maneras.

lA. Roy, E, E. DeFalomir y L. Lasdon, "An Oprimization-Based Decision Support Systems for a Product Mix Pro

bIem", en

lnteifaces, 12(2):26-33, abril de 1982.

ALGUNOS CASOS DE ESTUDIO CLSICOS

3.5

61

Debido a este marcado efecto sobre las ganancias, la administracin se enfrentaba al


problema crtico de elegir la mezcla de producto -cunto producir de cada artculo- men
sual. Esta eleccin era muy compleja ya que tambin deba tomar en cuenta las cantidades
disponibles de los diferentes recursos para la fabricacin de los productos. Los recursos ms
importantes eran troncos de cuatro categoras de calidad y las capacidades de produccin,
tanto en la operacin de prensado como en la de lijado.
Desde 1 980 se usaba programacin lineal cada mes, como gua para tomar una decisin
en cuanto a la mezcla de productos. El modelo de programacin lineal tena por objetivo ma
ximizar la ganancia total de los productos. Las restricciones del modelo incluan las diferen
tes restricciones de recursos al igual que otras relevantes, como la de la cantidad mnima de
un producto que debe surtirse a los clientes regulares y la cantidad mxima que se puede
vender. (Para ayudar a la planeacin de la compra de materia prima, el modelo consideraba
tambin el efecto de la decisin sobre la mezcla de productos para el mes siguiente, sobre
la produccin.) El modelo tena 90 variables de decisin y 45 restricciones funcionales.
Este modelo se usaba cada mes para encontrar la mezcla de productos para el mes si
guiente que sera ptima si los valores estimados de los distintos parmetros del modelo fue
ran exactos. Sin embargo, como algunos de estos valores cambiaban con rapidez (por ejem
plo, las ganancias unitarias de los productos), se realizaba un anlisis de sensibilidad para
determinar el efecto si los valores esperados eran inexactos. Estos resultados indicaban cun
do deba ajustarse la mezcla de productos -si el tiempo lo permita- en caso de que ocu
rrieran cambios no previstos en el mercado -y, por ende, en la ganancia unitaria- de cier
tos productos.
Una decisin mensual clave se refera al nmero de troncos de las cuatro categoras de
calidad que deban comprarse. Las cantidades disponibles para el prximo mes eran los pa
rmetros del modelo. Por lo tanto, despus de tomar la decisin de compra y determinar la
mezcla de productos ptima correspondiente, se realizaba un anlisis posptimo para inves
tigar el efecto de los ajustes en las decisiones de compra. Por ejemplo, es muy sencillo ve
rificar con programacin lineal cul sera el efecto sobre la ganancia total si se hiciera una
compra rpida de troncos adicionales de cierta categora de calidad que permitiera aumentar
la produccin el mes siguiente'.
El sistema de programacin lineal de ;'onderosa era interactivo, de manera que la admi
nistracin reciba una respuesta inmediata a sus preguntas de "qu pasa si" sobre el efecto de
encontrar valores de parmetros que difiriesen de los del modelo original. Qu pasa si se ha
ce una compra rpida de troncos de cierto tipo? Qu pasa si los precios del producto fluc
tan de cierta forma? Se puede investigar una gran variedad de escenarios de este tipo. La ad
ministracin us esta posibilidad de manera eficaz para llegar a mejores decisiones que la
mezcla de productos "ptima" del modelo original.
Se ha informado que el efecto de la programacin lineal en Ponderosa era "enorme". Tan
to as, que provoc un cambio drstico en los tipos de productos de triplay que ms produca
la compaa. Se reconoce que las mejoras en las decisiones de mezcla de productos dieron
una rentabilidad global 20% mayor para la compaa. Otras contribuciones de la programa
cin lineal incluyeron una mejor utilizacin de la materia prima, los bienes de capital y el per
sonal.
Dos factores contribuyeron al xito de esta aplicacin de programacin lineal. Uno es que
se implant un sistema de planeacin financiera de lenguaje natural ligado a los cdigos pa
ra encontrar una solucin ptima para el modelo de programacin lineal. El uso del lenguaje
natural en lugar de smbolos matemticos para desplegar los componentes del modelo y sus
resultados facilitaron la comprensin del proceso y de su significado para los administrado
res que tomaban las decisiones de mezcla de productos. Ello indica que es necesario que los
informes de la administracin estn en el lenguaje gerencial para que la aplicacin de progra
macin lineal tenga xito.
El otro factor es que el sistema de programacin lineal usado era interactivo. Como se
mencion, despus de obtener una solucin ptima para una versin del modelo, esta carac
terstica permite a los administradores hacer muchas preguntas del tipo de "qu pasa si" y

62

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

recibir respuestas inmediatas. Con frecuencia se logran mejores decisiones explorando otros
escenarios posibles, y tambin da ms confianza a la administracin saber que sus decisiones
tendrn un buen desempeo bajo las circunstancias previsibles.
En cualquier aplicacin, esta facilidad para responder con rapidez a las necesidades y
preguntas a travs del anlisis posptimo -interactivo o no- es una parte vital de un estu
dio de programacin lineal.
Programacin de personal en Unlted Alrllnes 1

A pesar de la competencia sin precedentes en esa industria, en 1 983 y 1984, United Airlines
logr un crecimiento sustancial con servicio a 48 nuevos aeropuertos. En 1984 se convirti
en la nica lnea area con servicio a ciudades en los 50 estados de la unin americana. Sus
ganancias de operacin en 1 984 llegaron a 564 millones de dlares, con un rendimiento de
6.2 mil millones, un incremento de 6% sobre 1983, mientras que los costos crecieron menos
de 2%.
El control de costos es esencial para el xito competitivo en la industria area. En 1982,
la alta administracin de United Airlines inici un estudio de ro sobre la programacin de
su personal como parte de las medidas de control de costos asociadas con la expansin de
la lnea en 1983 y 1984. La meta era programar el personal en las oficinas de reservaciones
y aeropuertos para minimizar el costo de proporcionar el servicio necesario a los clientes.
En esa poca, United Airlines tena 4 000 empleados entre representantes de ventas y
personal de apoyo en sus 1 1 oficinas de reservaciones y alrededor de 1 000 agentes de ser
vicio a clientes en los 10 aeropuertos ms grandes. Algunos trabajaban tiempo parcial, con
turnos de 2 a 8 horas; la mayora 'eran de tiempo completo, con jornadas de 8 a 10 horas.
Los turnos comenzaban con horarios diferentes. Cada oficina de reservaciones est abierta
-por telfono- las 24 horas del da, igual que los aeropuertos ms importantes. Sin em
bargo, el nmero de empleados necesatio en cada localidad para proporcionar el nivel de ser
vicio requerido, vara mucho durante el da y puede fluctuar de manera considerable entre
una media hora y la siguiente.
El intento de disear los horarios de trabajo de todos los empleados de un lugar dado
para cumplir con estos requerimientos de servicio del modo ms eficiente e s una pesadilla
de consideraciones combinatorias. Una vez que un empleado entra a trabajar, l o ella es
tarn ah todo su turno -de 2 a 10 horas, segn el empleado- excepto por un descanso
para comer o los descansos cada 2 horas. nado el nmero mnimo de empleados que deben
estar en actividad cada intervalo de media hora durante las 24 horas -donde los requeri
mientos cambian de un da para otro los 7 das de la semana-, cuntos empleados de ca
da tamao de turno deben comenzar a trabajar y en qu horario de inicio durante las 24 ho
ras del da, los 7 das de la semana? Por fortuna, la programacin lineal resuelve e stas
pesadillas combinatorias.
En realidad se usaron varias tcnicas de 10 descritas en este libro para desarrollar el sis
tema de planeacin computatizada para atacar este problema. Pronsticos (captulo 27) y l
neas de espera (captulos 17 y 26) se usaron para determinar el nmero mnimo de emplea
dos necesario cada intervalo de media hora. Programacin total (captulo 1 1) se us para
determinar las horas del da a las que se permitira el inicio de los tumos. Sin embargo, la
tarea del sistema de planeacin es de programacin lineal, que realiza la programacin real
para proporcionar el servicio con menor costo posible de la fuerza de trabajo. Se desarroll
un programa completo de trabajo para la primera semana de un mes, y despus se utiliz
nuevamente para el resto del mes. Este proceso se repiti cada mes para reflejar las condi
ciones cambiantes.
Aunque los detalles sobre el modelo de programacin lineal no se han publicado, es evi
dente que el enfoque bsico usado es el que se ilustra en el ejemplo de Unin Airways so
bre programacin de personal en la seccin 3.4. La funcin objetivo que se Rnimiza repreJT. J. Holloran y 1. E. Bryn, "United Airlines Station Manpower Planning System", en

enerofebrero de 1986.

lnteifaces, 16(1):3950,

3.5

ALGUNOS CASOS DE ESTUDIO CLSICOS

63

senta el costo total de personal para la localidad que se programa. Las restricciones funcio
nales principales requieren que el nmero de empleados en actividad durante cada periodo
no sea menor que los niveles aceptables.
No obstante, el ejemplo de la Unin Airways slo tiene cinco variables de decisin. En
contraste, el modelo de United Airlines para algunas localidades tiene ms de 20 mil! La
diferencia es que una aplicacin real debe considerar innumerables detalles importantes que
en el ejemplo de un libro se pueden pasar por alto. En consecuencia, el modelo de United
Airlines debe tomar en cuenta aspectos como los tiempos de descanso y comida asignados
a cada empleado, las diferencias en la duracin del tumo de los diferentes empleados y los
das de descanso a la semana, entre otros detalles de programacin.
Se tiene conocimiento de que esta aplicacin de programacin lineal ha tenido un "efecto
colosal no slo en la administracin de United y los miembros del grupo de planeacin de
la fuerza de trabajo, sino tambin en muchos que nunca antes haban odo hablar de ciencia
de la administracin (lO) o modelado matemtico". Se gan al aplauso de la alta adminis
tracin, de los gerentes de operacin y tambin de los empleados afectados. Por ejemplo, un
gerente describi el sistema de programacin como
Mgico, . . . justo cuando comienzan a formarse las colas [de clientes). alguien aparece en

el trabajo, y justo cuando se piensa que hay demasiado personal, la gente comienza a irse a

casa. 1

En trminos ms tangibles, se atribuye a esta aplicacin haber ahorrado a United Airlines


ms de 6 millones de dlares anuales nada ms en salarios directos y prestaciones. Otros
beneficios incluyen mejor servicio a clientes y menores necesidades de personal de apoyo.
Despus de ciertas actualizaciones a principios de la dcada de los noventa, el sistema
contina proporcionando beneficios similares.
Un factor que ayud al gran xito de esta aplicacin de programacin lineal fue "el apoyo
de los gerentes de operacin y su personal". sta fue una leccin aprendida sobre la marcha
porque el equipo de 10, en un principio, no estableci una buena comunicacin con estos

gerentes, quienes despus se resistieron a adoptar las primeras recomendaciones del equipo.
Los lderes del equipo describen su error como sigue:
La regla cardinal para ganarse la confianza

y respeto de los gerentes de operacin y el de su

personal -"involucrarlos en el proceso de desarrollo"-, haba sido violada?

Despus de este descubrimiento, el equipo trabaj mucho ms de cerca con los gerentes de
operacin, con resultados sobresalientes.

Planeacln de abastecimiento, distribucin y comercializacin


en Cltgo Petroleum Corporatlon3
Citgo Petroleum Corporation se especializa en la refinacin y comercializacin del petrleo. A
mediados de la dcada de los ochenta tena ventas anuales de varios miles de millones de d
lares, que la clasifican entre las 150 compaas industriales ms grandes de Estados Unidos.
Despus de varios aos de prdida financiera, en 1983 Citgo fue adquirida por la South
land Corporation, duea de la cadena de tiendas miscelneas 7-Eleven -cuyas ventas inclu
yen 2 mil millones de galones anuales de combustibles de calidad para motores-o Para re
vertir la situacin de prdidas financieras de Citgo, Southland cre una fuerza de trabajo
compuesta por personal propio, empleados de Citgo y consultores externos. Un eminente con
sultor de 10 que fue asignado como director del equipo de trabajo tena que reportar en for
ma directa al presidente de Citgo y al presidente del consejo de administracin de Southland.
Durante 1 984 y 1985, este equipo aplic varias tcnicas de 10 -al igual que tecnologas
de sistemas de informacin- en toda la corporacin. Los informes dicen que estas aplical

Holloran y Bryn, "United Airlines Station Manpower Planning System", p. 49.

2/bid., p. 47.
3

Vea las referencias citadas en la nota 2 al pie de la pgina

10.

64

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

ciones de la "han cambiado la manera en que Citgo hace negocios y han dado como resul
tado una mejora de 70 millones de dlares anuales en las ganancias".
Las dos aplicaciones ms importantes son los sistemas de programacin lineal (PL) que
proporcionan a los administradores un poderoso apoyo en la planeacin. Uno, llamado siste
ma PL de refinera, permiti grandes mejoras en la produccin de la refinera, reducciones sus
tanciales en el costo de la mano de obra y otros ahorros importantes. Este sistema contribuy
a aumentar las ganancias en $50 millones de dlares en 1985. (Vase la explicacin del papel
que tuvo la validacin del modelo en el desarrollo de este sistema, al final de la seccin 2.4.)
En este apartado la atencin se centrar en el otro sistema de programacin lineal, lla
mado sistema de modelado de abastecimiento. distribucin y comercializacin -o nada ms
sistema SDM, por Supply, Distribution and Marketing Modeling System-. El sistema SDM
es de particular inters porque est basado en un tipo especial de modelos de programacin
lineal que usa redes, muy parecido al ejemplo de la Distribution Unlimited presentado al fi
nal de la seccin 3.4. El modelo del sistema SDM proporciona una descripcin de toda la
red de distribucin y comercializacin de Citgo.
Cuando el equipo realiz el estudio de la, Citgo era propietaria o rentaba 36 almacenes
de productos que se abastecan desde cinco terminales mediante' una red de distribucin entu
bada, autotanques y barcos. Tambin venda productos en ms de 350 terminales de intercam
bio que comparta con otros comercializadores de petrleo. Para abastecer a sus clientes, la em
presa adquira productos en su refinera en Lake Charles, LA, o en uno de cinco puntos de
comercializacin, intercambio de productos o trueque con otros refinadores. Las decisiones de
adquisicin de productos se tomaban por da. Sin embargo, el tiempo que transcurra entre to
mar la decisin y que el producto llegara al cliente poda ser hasta de 1 1 semanas. Por lo tan
to, el modelo de programacin lineal se bas en un horizonte de planeacin de 1 1 semanas.
El sistema SDM se emplea para coordinar el abastecimiento, la distribucin y la comer
cializacin de cada uno de los productos importantes de Citgo -cuatro grados de combus
tible para motor y aceite del nmero 2- en todo Estados Unidos. La administracin utiliza
el sistema para tomar decisiones tales como dnde vender, qu precio cobrar, dnde com
prar o intercambiar, cunto comprar o intercambiar, cunto mantener en inventario, y cun
to mandar por cada modo de transporte. La programacin lineal gua estas decisiones y cun
do llevarlas a cabo para minimizar el costo total o maximizar la ganancia total. El sistema
SDM tambin se usa en sesiones de "qu pasa si", en las que los administradores hacen es
tas preguntas sobre escenarios que difieren de aquellos supuestos por el modelo original.
El modelo de programacin lineal del sistema SDM tiene la misma forma que el mode
lo del ejemplo de la Distribution Unlimited presentado al final de la seccin 3.4. De hecho,
ambos modelos se ajustan a una clase especial de problemas de programacin lineal, llama
da problema del flujo de costo mnimo que se estudiar en la seccin 9.6. Las restricciones
funcionales principales son restricciones de igualdad en donde cada una prescribe cul de
be ser el flujo neto de bienes que salen de una localidad especfica.
El modelo de la Distribution Unlimited tiene slo siete variables de decisin y cinco res
tricciones de igualdad. En contraste, el modelo de Citgo para cada producto importante tie
ne alrededor de 15 mil variables de decisin y 3 000 restricciones de igualdad!
Al final de la seccin 2.1 se describe el importante papel que tuvieron la recoleccin y
la verificacin de datos en el desarrollo de los modelos de Citgo. Con modelos tan grandes
debe reunirse una cantidad masiva de datos para determinar todos los valores de los parme
tros. Con este objetivo en mente, fue desarrollado, con tecnologa de punta, un sistem a de
administracin de la base de datos. Antes de introducir los datos al modelo se us un pro
grama de precarga para buscar errores e incongruencias. La importancia de hacerlo fue ine
ludible cuando, como se observ en la seccin 2 . 1 , la corrida inicial del programa de pre
carga gener una lista de mensajes de error de una pulgada de grueso! Era evidente que el
proceso de recoleccin de datos tena que revisarse en forma exhaustiva para asegurar que
el modelo fuera vlido.
I Vea la pgina 4 de la segunda referencia citada en la nota 2 al pie de la pgina 10.

3.6

FORMULACiN Y SOLUCiN DE MODELOS DE PROGRAMACiN

65

El sistema de programacin lineal SDM mejor en gran medida la eficiencia de las ope
raciones de abastecimiento, distribucin y comercializacin de Citgo, y permiti una reduc
cin cuantiosa de los inventarios de productos sin que los niveles de servicio se deteriora
sen. En particular, el valor de los productos de petrleo que se mantenan en inventario se
redujo en 1 16.5 millones de dlares. Esta gran reduccin del capital invertido en mantener
el inventario gener de 14 millones de dlares anuales en gastos de inters por los prsta
mos de capital, y sum 1 4 millones de dlares a las ganancias anuales de la empresa. Se es
tim que las mejoras en las decisiones de coordinacin, costeo y compra agregaron al me
nos otros 2.5 millones de dlares anuales a estas ganancias. Tambin se atribuyeron a esta
aplicacin de programacin lineal muchos beneficios indirectos que incluyen datos mejora
dos, mejores estrategias de precios y la eliminacin de terminales de productos innecesarias,
al igual que mejor comunicacin y coordinacin entre los grupos de abastecimiento, distri
bucin, comercializacin y refinacin.
Algunos de los factores que contribuyeron al xito de este estudio de lO son los mis
mos que en los dos casos anteriores. Igual que en Ponderosa Industrial, uno fue el desarro
llo de informes de resultados en el lenguaje de los administradores para satisfacer realmen
te sus necesidades. Estos informes se disearon para facilitar su comprensin y empleo por
parte de los .administradores as como para incluir los aspectos importantes para ellos. Tam
bin, igual que en Ponderosa, otro factor fue que la administracin pudo responder con ra
pidez a la dinmica de la industria usando ampliamente el sistema de programacin lineal,
en las sesiones "qu pasa si". Al igual que en muchas de las aplicaciones de la programa
cin lineal, el anlisis posptimo result ms importante que la solucin ptima inicial ob
tenida para una versin del modelo.
Igual que en el caso de United Airlines, otro factor fue el apoyo entusiasta de los geren
tes de operacin durante el desarrollo e implantacin de este sistema de programacin lineal.
Sin embargo, el factor ms importante fue el apoyo ilimitado que la alta administracin
proporcion al grupo de trabajo, desde el jefe ejecutivo hasta el director del consejo de ad
ministracin de la casa matriz de Citgo, Southland Corporation. Como se mencion, el di
rector del grupo de trabajo -un eminente consultor de 10- reportaba directamente al pre
sidente de Citgo y al del consejo directivo de Southland. Este soporte por parte de la alta
administracin incluy un fuerte apoyo organizacional y financiero.
El apoyo organizacional asumi gran variedad de formas. Un ejemplo es la creacin del
puesto de vicepresidente de coordinacin de operaciones, para evaluar y coordinar las reco
mendaciones basadas en los modelos, que poda cruzar las fronteras de la organizacin.
Cuando fueron analizados tanto este sistema de programacin lineal como otras aplica
ciones de 10 implantadas por el grupo de trabajo, los miembros del equipo describieron el
apoyo financiero de la alta administracin como sigue:
El costo total de los sistemas implantados,

20 a 30 millones de dlares, era el mayor obs

tculo para concretar este proyecto. Sin embargo, debido a la explosin de informacin en
la industria del petrleo, sta se dio cuenta de que eran esenciales muchos sistemas de infor
macin para reunir, almacenar y analizar datos. El costo incremental de agregar tecnologas
de las ciencias de la administracin (10) a estas computadoras y sistemas fue pequeo, de
hecho, muy pequeo a la luz de los enormes beneficios que proporcionaron. 1

3.6

"

FORMULACION y SOLUCION DE MODELOS DE PROGRAMACION


LINEAL EN UNA HOJA DE CLCULO
Los paquetes de hojas de clculo, como Excel, son una herramienta conocida para analizar
y resolver problemas pequeos de programacin lineal. Es sencillo introducir en una hoja de
clculo las caractersticas principales de un modelo de programacin lineal, entre ellas, too
dos sus parmetros. Sin embargo, este software puede hacer mucho ms que slo desplegar
L/bid.. p. 2 1 .

66

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

FIGURA 3.14
Hoja de clculo inicial del
problema de la Wyndor
despus de transferir los
datos de la tabla 3.1 a las
celdas de datos.

datos. Si se incluye cierta informacin adicional, la hoja de clculo se puede usar para analizar
con rapidez soluciones potenciales. Por ejemplo, se puede verificar una solucin potencial
para ver si es factible y qu valor de Z (ganancia o costo) adquiere. Una gran parte del poder
de la hoja de clculo estriba en su capacidad para apreciar de inmediato los resultados de los
cambios en la solucin.
Adems, el Exel Solver puede aplicar el mtodo smplex para encontrar una solucin
ptima para el modelo.
Para ilustrar este proceso, se considerar de nuevo el ejemplo de la Wyndor GIass de la
seccin 3. I .
Formulacin del modelo en una hoja de clculo

En la figura 3 . 14 se despliega el problema de Wyndor, slo que se transfirieron los datos de


la tabla 3 . 1 a una hoja de clculo. (Las columnas E y F han sido reservadas para introducir
otros datos que se describirn ms adelante.) En lo sucesivo se har referencia a las celdas
que contienen los datos como celdas de datos. Estas celdas estn sombreadas para distin
guirlas de las otras que integran la hoja de clculo. 1
Despus se puede observar que se ha facilitado su interpretacin mediante el empleo de
nombres de rango. Un nombre de rango es el ttulo descriptivo que se da a un conjunto de
celdas que de inmediato identifica lo que sts contienen. As, las celdas de datos en el pro
blema de Wyndor han recibido los nombres de rango OananciaUnitaria (C4:D4), HorasUsa
dasPorLoteProducido (C7:D9), y HorasDisponibles (07:09). Obsrvese que no se permiten
los espacios en los nombres de rango y que cada nueva palabra comienza con una letra ma
yscula. Aunque es opcional, el rango de celdas a las que les es dado un nombre de rango
puede especificarse entre parntesis despus del nombre. Por ejemplo, el rango C7:D9 es la
forma corta en Excel para referirse al rango desde C7 hasta D9, es decir, todo el bloque de
celdas en las columnas C a D y en los renglones 7, 8 o 9. Para introducir un nombre de ran
go, primero se debe seleccionar el rango de celdas, despus se elige NombrelDefinir del me
n Insertar y se digita un nombre de rango -{) se da clic en el cuadro de nombre a la iz
quierda de la barra de frmulas arriba de la hoja de clculo y se digita un nombre-o
Antes de iniciar el proceso de utilizacin de una hoja de clculo para formular un mo
delo de programacin lineal para el problema, es necesario contestar tres preguntas.
1. Qu decisiones deben tomarse? En este problema, las decisiones necesarias son las tasas
de produccin -nmero de lotes producidos a la semana- de los dos nuevos productos.
2. Cules son las restricciones de estas decisiones? En este caso, las restricciones son que
el nmero de horas semanales de produccin de los dos productos en las plantas respec
tivas, no puede superar el nmero de horas disponibles.
3. Cul es la medida global de desempeo de estas decisiones? La medida de desempeo
global de Wyndor es la ganancia total obtenida cada semana por los dos productos, por
lo cual el objetivo es maximizar dicha cantidad.
1Los

bordes y el sombreado de celdas se pueden modificar mediante los botones de bordes y sombreado que estn en

la barra de herramientas de Fonnato o al seleccionar "Celdas" del men "Fonnato" para despus elegir la opcin de
"Bordes" o ''Tramas''.

3.6

FORMULACiN Y SOLUCiN DE MODELOS DE PROGRAMACiN

67

En la figura 3.15 se muestra la forma como estas respuestas se pueden incorporar a una
hoja de clculo. Con base en la primera respuesta, las tasas de producci6n de los dos pro
ductos se colocan en las celdas C l 2 y D l 2 para ubicarlas en las columnas de estos produc
tos justo debajo de las celdas de datos. Como an no se sabe cules deben ser las tasas de
produccin, en este punto se introducen slo como ceros. (En realidad, se puede introducir
cualquier solucin de prueba, aunque los valores negativos se deben excluir puesto que son
imposibles). Estos nmeros cambiarn a medida que se busca la mejor mezcla de tasas de
produccin. Por ello, las celdas que contienen las decisiones a tomar se llaman celdas cam
biantes (o celdas ajustables). Para resaltar las celdas cambiantes, stas se muestran sombrea
das y con un borde. (En los archivos para hoja de clculo del OR Courseware, las celdas
cambiantes aparecen sombreadas en amarillo brillante). Las celdas cambiantes han recibido
el nombre de rango LotesProducidos (CI2:DI2).
Con base en la respuesta 2, el nmero total de horas de produccin utilizadas cada sema
na por los dos productos en las plantas respectivas se introduce en las celdas E7, ES Y E9,
justo a la derecha de las celdas de datos correspondientes. Las ecuaciones de Excel para es
tas tres celdas son
E7

C7*C12 + D7*D12

ES

CS*CI2 + DS*DI2

E9

C9*C12 + D9*D12

donde cada asterisco denota multiplicacin. Como cada una de estas celdas proporciona una
salida que depende de las celdas cambiantes (C1 2 y DI2), son llamadas celdas de salida.
Obsrvese que cada una de las ecuaciones de las celdas de salida implica la suma de
dos productos. Existe una funcin en Excel, llamada SUMAPRODUCTO, que suma el pro
ducto de los trminos individuales contenidos en dos diferentes rangos de celdas cuando
los dos rangos tienen el mismo nmero de renglones y columnas. Cada producto que se
r sumado es el producto de. un trmino del primer rango y el trmino de la ubicacin co
rrespondiente del segundo rango. Por ejemplo, considrese los dos rangos, C7:D7 y
C I2:DI2, de manera que cada rango tiene un rengln y dos columnas. En este caso,
SUMAPRODUCTO (C7:D7, C 1 2:DI2) toma cada trmino individual en el rango C7:D7,
los multiplica por el trmino correspondiente en el rango C 1 2:D12 y despus suma estos
productos individuales, tal como se muestra en la ecuacin anterior. Si se utiliza el nom
bre de rango LotesProducidos (CI2:DI 2), la frmula se convierte en SUMAPRODUCTO
(C7:D7, LotesProducidos). Aunque es opcional con ecuaciones tan pequeas, esta funcin
es til cuando se trata de capturar ecuaciones de programacin lineal ms largas.
Despus se introducen los signos .;; en las celdas F7, FS y F9 para indicar que cada
valor total a su izquierda no puede exceder al nmero correspondiente en la columna G. La
hoja de clculo permitir introducir soluciones de prueba que violan los signos .;; . Sin em-

FIGURA 3.15
Hoja de clculo completa del
problema de la Wyndor con
una solucin de prueba
inicial (ambas tasas de
produccin iguales a cero)
introducidas en las celdas
cambiantes (C12 y 01 2).

68

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

bargo, estos signos sirven como recordatorio de que tales soluciones de prueba deben ser
rechazadas si no se hacen cambios en los nmeros de la columna G,
Por ltimo, como la respuesta a la tercera pregunta es que la medida global de desem
peo es igual a la ganancia tata! obtenida por los dos productos, dicha ganancia (por sema
na) se introduce en la celda G 12. En forma parecida a los nmeros de la columna E, sta se
obtiene mediante la suma de productos,
Gl2

SUMAPRODUCTO (C4:D4, CI2:DI2)

Si se utilizan los nombres de rango GananciaTotal (GI2), GananciaPorLote (C4:D4), y Lo


tesProducidos (C 12:D 12), esta ecuacin se convierte en
GananciaTotal

SUMAPRODUCTO (GananciaPorLote, LotesProducidos)

ste es un buen ejemplo del beneficio que se obtiene cuando se utilizan los nombres de rango
para que las ecuaciones resultantes sean ms fciles de interpretar, En lugar de tener que con
sultar la hoja de clculo para ver lo que hay en las celdas G l 2, C4:D4 y CI2:D12, los nombres
de rango revelan de inmediato lo que hace la ecuacin,
GananciaTotal (GI2) es un tipo especial de celda de salida, sta es la celda particular
que tiene el objetivo de alcanzar un valor tan grande como sea posible cuando se toman las
decisiones relativas a las tasas de produccin. Por lo tanto, GananciaTotal (G 12) es referida
como la celda objetivo. Dicha celda est sombreada con un color ms oscuro que el de
las celdas cambiautes y se distingue con un borde ms grueso. (En los archivos para hoja de
clculo contenidos en el OR Courseware, esta celda aparece en color naranja.)
La esquina inferior derecha de la figura 3.16 muestra las frmulas que deben introducirse
en la columna de HorasUsadas y en la celda de GananciaTotal. Tambin se presenta un resu
men de los nombres de rango (en orden alfabtico) y las direcciones de celda correspondientes.
Lo anterior completa la formulacin del modelo en una hoja de clculo del problema de
Wyndor.
Con esta formulacin, es sencillo analizar cualquier solucin de prueba para las tasas de
produccin. Cada vez que se introducen tasas de produccin en las celdas C l 2 y 012, Ex
cel calcula de inmediato la cantidad total empleada de cada recurso y la ganancia total. Sin
embargo, no es necesario utilizar la prueba y el error. A continuacin se presenta cmo usar
Excel para encontrar en forma rpida una solucin ptima.
Uso de Excel Solver para resolver el modelo

Excel incluye una herramienta llamada Solver que aplica el mtodo smplex para encontrar
una solucin ptima. (Una versin ms poderosa de Solver, llamada Premium Solverfor Ed
ucation, est disponible en el OR Courseware.)
Para entrar a Solver por primera vez, es necesario ingresar a! men de complementos
de Excel y agregar el Solver, despus podr encontrarlo en el men de herramientas.
Para iniciar, en la figura 3.16 se ha introducido una solucin arbitraria de prueba al colo
car ceros en las celdas cambiantes. El Solver las modificar con los valores ptimos despus
de resolver el problema.
Este procedimiento inicia cuando se elige Solver del men Herramientas. El cuadro de
dilogo se muestra en la figura 3 . 1 7 .
Antes de que Solver aplique el mtodo smplex, necesita conocer con exactitud dnde
se localizan los componentes del modelo en la hoja de clculo. El cuadro de dilogo de Sol
ver se usa para introducir esta informacin. El usuario tiene la opcin de escribir los nom
bres de rango, las direcciones de las celdas o hacer clic sobre las celdas en la hoja de clcu
lo. I En la figura 3.17 se muestra el resultado de utilizar la primera opcin, por lo cual se ha
I S las celdas se seleccionan mediante un die sobre ellas, aparecern al principio en el cuadro de dilogo con sus

direcciones y signos monetarios (por ejemplo, $C$9;$O$9), los cuales pueden ignorarse. Solver reemplazar tanto

las direcciones de celda como los signos monetarios por el nombre de rango correspondiente (si es que existe al

gn nombre de rango definido para las celdas especificadas), pero slo despus de agregar una restriccin o cerrar

y reabrir el cuadro de dilogo de Solver.

3.6

FORMULACiN

69

SOLUCiN DE MODELOS DE PROGRAMACiN

f-=.
5--+__
6

__

1 1

1 2
3.16

11 FIGURA

3.17

---i

' - -----

usadas
=SUry1APRQPJ,J..QTO( C7:Q1.LotesProducic!os
=VI\J1APRODl,.LGI9JC8:D8,LotesProducid-
=SUMAPRODUCTO C9:D9, LotesProducidos

7
8
9

11 FIGURA

__Ho"-ra",,s

G
Ganancia total
=SUMAPRODUCTO GananciaPorLote LotesProducidos

_
_
_

Modelo en hoja de clculo del problema de la Wyndor que incluye las frmulas de la celda objetivo GananciaTotal (G 1 2)
y las otras celdas de salida en la columna E, donde el objetivo es maximizar la celda objetivo.

Cuadro de dilogo de Solver


donde se especifica cules
celdas de la figura 3 . 1 6 son
las celdas objetivo y cules
las que se modifican. Tam
bin se indica que la celda
objetivo ser maximizada.

Celcti\ 0bitvo: ' '

. valor de la
celda
.

'

"
'II!!J

'

GananciaTotal

Max O

Mo

Q Valores de:

rCa1lribimdo Is celdas:
I LotesProducido5
s_
fS_,uea,:
la_
re_st_
ric_c_io_ne_s_:_-,,-=::::-+-'--+"""4 . [ o. p.. CJ.OS . J..
'.
Agreg\lr J
..

..

'

CilIll).bl.r.r. . .f.
{ Re.sf..JQao. .1
EUll1i
.

[
oir '1
-_".J [ yu,lti\ tr
2.'
'W'
L================
.

.
.

70

INTRODUCCiN A LA PROGRAMACiN LINEAL

CAPTULO 3

introducido GananciaTotal (en lugar de G 1 2) para la celda objetivo y se ha escrito LotesPro


ducidos (en lugar de rango CI2:DI2) para las celdas cuyo contenido cambiar. Como el ob
jetivo es maximizar la meta de la celda objetivo, tambin se debe seleccionar Max.
Despus, deben especificarse las celdas que contienen las restricciones funcionales. Es
te objetivo se logra con un clic en el botn "agregar" en el cuadro de dilogo de Solver. con
lo que aparece el cuadro de dilogo de "agregar restriccin", que se muestra en la figura
3. 1 8. Los signos oS en las celdas F7, F8 Y F9 de la figura 3 . 1 6 son un recordatorio de que

las celdas de HorasUsadas (E7:E9) deben ser menores o iguales que las celdas correspon
dientes de HorasDisponibles (G7:G9). Estas restricciones se especitican en Solver al intro
ducir HorasUsadas (o E7:E9) en el lado izquierdo del cuadro de dilogo de Agregar Restric
cin y HorasDisponibles (o G7:G9) en el lado derecho. Para ingresar el signo entre estos dos

lados, existe un men para elegir entre los signos <= (menor o igual que),

o >= (mayor o

igual que), en el que se ha elegido <= para estas restricciones. Esta seleccin es necesaria

aun cuando antes se hayan escrito los signos oS en la columna F de la hoja de clculo, por

que Solver usa slo las restricciones funcionales que se especifican en el cuadro de dilogo
de Agregar restriccin.
Si hubiera ms restricciones funcionales que aadir, se debera hacer clic en "agregar"
para que aparezca de nuevo el cuadro de dilogo. Sin embargo, como no hay ms en este
ejemplo, el siguiente paso es hacer clic en "aceptar" para regresar al cuadro de dilogo de
Solver.
Ahora el cuadro de dilogo resume el modelo completo (vase la ligura 3. 19) en trmi
nos de la hoja de clculo de la figura 3. 16. Pero antes de pedir a Solver que resuelva el mo-

111 FIGURA 3.18

Cuadro de dilogo de
Agregar restriccin despus
de introducir el conjunto de
restricciones, HorasUsadas
(E7: E9) ,; HorasDisponibles
(G7: G9), las cuales
especifican que se requiere
que las celdas E7, E8 Y E9 de
la figura 3 . 1 6 sean menores
o iguales que las celdas
respectivas G7, G8 Y G9.

Referencia de la celda:

ra..:;s.:..LJ.:.;sac.;d..:;a:;.s_

!i

H..:;
o__
...__

Restriccin:

-,JI"'''
'''''; ,''' I< L$J f HorasDisponibles
'"

_
_
_

LCalcelar l

iIIl FIGURA 3,19

Cuadro d e dilogo de Solver


despus de especificar el
modelo compl eto en
trminos de la hoja de
clculo.

, jGananciaTotIIM

Celda dpjetiQ:
Valor de la ,
, :'
,,
celda Qbjtfvo: fl Mx Q Mn
eamb'Jando ras. eeIdas:
'

1 LotesProducidos

Sujetas a las resfricciones:


H

,
de:
el valores

..

orasU sadas<= HorasD spon bies


i

, .,

- --

--

jO

1""
' _......
-,

I , Etimar

,
[ Qpcjnes J
Agregar..)
( Cambiar.l
(Re,st. todo)
"

,.."
-

-;;
----Oo

[ Eliminar J ( Ayuda t
9t

3.6

FORMULACiN

FIGURA 3.20
Cuadro de dilogo de
Opciones de Solver despus
de elegir las opciones
"Adoptar modelo lineal" y
Asumir no negativos" para
indicar que se desea resolver
un modelo de programacin
lineal que tiene restricciones
de no negatividad.

SOLUCiN DE MODELOS DE PROGRAMACiN

71

Rrogresvas
i, >

11

Q Centrles

delo, se debe dar otro paso. Al elegir el botn "opciones", aparecer el cuadro de dilogo
que se muestra en la figura 3.20. ste permite especificar cierto nmero de opciones sobre
la manera como se resolver el modelo. Las ms importantes son las opciones "adoptar mo
delo lineal" y "asumir no negativos". Asegrese de elegir los cuadros de ambas opciones co
mo se muestra en la figura. Esto indica a Solver que es un problema de programacin lineal
con restricciones de no negatividad para todas las variables de decisin, y que el mtodo sm
plex se debe usar para resolver el problema. r En cuanto al resto de las opciones, en general
los valores preestablecidos se pueden aceptar para problemas pequeos. Con un clic en acep
tar se regresa al cuadro de dilogo de Solver.
Ahora todo est listo para hacer clic en "resolver" en el cuadro de dilogo de Solver,
con lo que se ejecutar el mtodo smplex. Despus de unos segundos (para un problema pe
queol, Solver indicar los resultados. Por lo comn sealar que encontr una solucin p
tima, como se especifica en el cuadro de dilogo de Resultados de Solver que se muestra en
la figura 3.2 1 . Si el modelo no tiene soluciones factibles o una solucin ptima, este cuadro
de dilogo lo indicar con un mensaje como "Solver no pudo encontrar una solucin factible"
o "el conjunto de valores en las celdas no converge". El cuadro de dilogo tambin presenta
la opcin de generar varios informes. Uno de ellos -el informe de sensibilidad- se analizar
con detalle en las secciones 4.7 Y 6.8.
Despus de resolver el modelo, el Solver sustituye el valor original de las variables de
decisin en la hoja de clculo por los valores ptimos, como se muestra en la figura 3.22.

Las versiones de Excel anteriores a Excel 97 no cuentan con la opcin de no negatividad, por 10 que las restric

ciones de este tipo deben aadirse en el cuadro de dilogo de Agregm- restriccin, No todos los modelos de progra
macin lineal tienen restricciones de no negatividad, pero s casi todos. En el caso de los modelos nusuales en los
que algunas de las celdas cambiantes tienen restricciones de no negatividad y otras no, estas restricciones deben in

cluirse mediante el cuadro de dilogo de Agregar restriccin en lugar de seleccionar la opcin de "Asumir no ne
gatividad" .

CAPTULO 3

72

INTRODUCCiN A LA PROGRAMACiN LINEAL

FICURA 3.21
Cuadro de dilogo de
Resultados de Solver que
indica que se encontr una
solucin ptima.

FICURA 3.22
Hoja de clculo obtenida despus de resolver el problema de la Wyndor.

Ventanas

Puertas

-Hora
--.
.
---t
Horas usadas por lote producido
,.c:1.
$3000

f-'''-.--.------..---- 1------. 1
0

3.

__

..-1

--

$5 000
O
2
2

7
8
9

ibles

,P:p1s:(SJyr
Gi!ti\dOptar modelo lineal
Iif Asumir no negativos

1 1
1 2

:2.
12.

.___

:$

:$

disponibles
.

4.

1:r ;
la "

"

li()rall.
....!a! d_.
__ ..
=Ql,J MAE..RQ-t,JCTO(C7:D7,LotsProducidos)
-",SUMAPR9-UCIQ(C8:D8,LotesPmducidosl
=SUMAPRODUCTO C9:D9,LotesProducidos)
____ ._ _

__

... _ . _ _

_ ____ ___

_ ____. _ _
___._ .

G
Ganancia total
":SUM-APRODUCTO(GananclaPorLoteLotesProducldos\ -

." C&
Nombre .. d& rartlll)
Jdall
LotesProducidos
C1g':);)r2
HorasDispohibls
GI':9 --"
Horas.Usadas
Ei7:E9
HOrsUsadasPorLoteProducido C7D9 .
.GananciaPbrLote
C4:D4 .
GananciaTotal
G12

3.7

CONSTRUCCiN DE MODELOS GRANDES DE PROGRAMACiN LINEAL

73

As, la solucin ptima es producir dos lotes de puertas y seis lotes de ventanas por sema
na, tal como se encontr mediante el mtodo grfico en la seccin 3. 1 . La hoja de clcu
lo tambin indica el nmero correspondiente en la celda objetivo -una ganancia total de
36 mil dlares por semana-, as como los nmeros en las celdas de salida HorasUsadas
(E7:E9).
En este punto, se podra verificar lo que pasa con la solucin ptima si cualquiera de
los nmeros en las celdas de datos se cambiara por otros valores posibles. Esto es fcil de
hacer porque el Solver guarda todas las direcciones de la celda objetivo, celdas cambiantes,
restricciones, etc., cuando se guarda el archivo. Todo lo que se debe hacer es realizar los
cambios que se desee en las celdas de datos y despus dar clic de nuevo sobre "resolver" en
el cuadro de dilogo del Solver. (Las secciones 4.7 y 6.8 se enfocan en este tipo de anlisis
de sensibilidad, incluso se aborda la manera de utilizar el Informe de Sensibilidad del Sol
ver para realizar el anlisis "qu pasara si".)
Para ayudar a experimentar con este tipo de cambios, el OR Courseware incluye archi
vos de Excel para ste y otros captulos que proporcionan una formulacin completa y una
solucin de los ejemplos -el problema de Wyndor y los de la seccin 3.4- en un formato
de hoja de clculo. Se recomienda "jugar" con estos ejemplos para ver qu pasa con los di
ferentes datos, distintas soluciones, etc. Estas hojas de clculo tambin pueden resultar tiles
como plantillas para resolver problemas de tarea.
Adems, se sugiere utilizar los archivos de Excel de este captulo para revisar de mane
ra cuidadosa las formulaciones en hoja de clculo para algunos de los ejemplos de la sec
cin 3.4. Este enfoque explica cmo formular modelos de programacin lineal en hojas de
clculo cuando stos son ms grandes y complicados que el del problema de Wyndor.
En captulos posteriores se vern otros ejemplos de cmo formular y resolver varios ti
pos de modelos de 10 en una hoja de clculo. Los captulos complementarios del CD-ROM
tambin incluyen un captulo completo (21 ) que est dedicado al modelado en hojas de
clculo. Ese captulo describe en detalle tanto el proceso general como las directrices bsi
cas para construir modelos en hoja de clculo. Tambin presenta algunas tcnicas para de
purar tales modelos .

3.7

CONSTRUCCiN DE MODELOS GRANDES


DE PROGRAMACiN LINEAL
Los modelos de programacin lineal son de muchos tamaos diferentes. Los ejemplos de las
secciones 3 . 1 Y 3.4 oscilan desde tres restricciones funcionales y dos variables de decisin
-para la Wyndor y la terapia de radiacin- hasta 17 restricciones funcionales y 1 2 varia
bles de decisin --en el problema de Save-lt Company-. El ltimo caso puede parecer un
modelo algo grande. Despus de todo, lleva bastante tiempo elaborar uno de este tamao.
Sin embargo, los modelos de los casos tpicos que se presentan en la seccin 3.5 son mucho
ms grandes. Por ejemplo, en el estudio del caso de Citgo se manejaron alrededor de 3 000
restricciones funcionales y 1 5 mil variables de decisin.
El tamao del modelo de Citgo no es del todo raro. Es comn que, en la prctica, los
modelos de programacin lineal tengan cientos o miles de restricciones funcionales. En rea
lidad, a veces tienen incluso millones de restricciones funcionales. Con frecuencia, el nme
ro de variables de decisin es tan grande como el nmero de restricciones funcionales, y en
ocasiones tambin llegan a ser millones.
La formulacin de modelos tan grandes puede ser una tarea desalentadora. Aun un mo
delo de "tamao medio" con mil restricciones y mil variables tiene ms de un milln de pa
rmetros -que incluyen el milln de coeficicntes de estas restricciones-o Sencillamente no
es prctico elaborar la formulacin algebraica ni introducir los parmetros en una hoja de
clculo para un modelo de este tipo.
Entonces, cmo se construyen estos modelos grandes en la prctica? Se requiere el uso
de un lenguaje de modelado.

74

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

Lenguajes de modelado

U n lenguaje de modelado de programacin matemtica es un software de diseo especial


para fonnular de modo eficiente los modelos de programacin lineal grandes, y otros rela
cionados. Incluso cuando se tienen miles de restricciones funcionales, stas relativamente
son de pocos tipos, y las del mismo tipo siguen el mismo patrn. De igual manera, las va
riables de decisin estarn dentro de unas cuantas categoras. As, si se usan grandes bloques
de datos en bases de datos, un lenguaje de modelado construir todas las restricciones del
mismo tipo a la vez, tomando en cuenta las variables de cada tipo. Este proceso se ilustrar
en breve.
Adems de formular con eficiencia los modelos grandes, un lenguaje de modelado fa
cilita las tareas de administracin del modelo, inclusive el acceso a los datos, su transfonna
cin en parmetros del modelo, la modificacin del modelo cuando se desee y el anlisis de
las soluciones. Tambin puede producir informes resumidos en el lenguaje de los tomadores
de decisiones, al igual que documentar el contenido del modelo.
Se han desarrollado varios lenguajes de modelado excelentes en las ltimas dos dca
das, entre los que se destacan AMPL, MPL, GAMS y LINGO.
La versin para estudiantes de uno de ellos, MPL (siglas de mathematical programming
language), est incluida en el disco compacto que acompaa al libro junto con amplio
material de ayuda. Se proporciona la versin para estudiantes ms reciente (5.0) que fue lan
zada justo antes de que este l ibro entrara a produccin. A medida que las versiones subse
cuentes salgan al mercado en los futuros aos, se podrn bajar del sitio de Internet maximal
software.com. MPL es un producto de Maximal Software, Ine. Una nueva caracterstica es
el gran apoyo de Excel en MPL, el cual incluye tanto la importacin como la exportacin
de conjuntos de datos de y a Exce!. Tambin se proporciona un apoyo amplio para el len
guaje de macros de Excel VBA mediante el OptiMax 2000. (La versin para estudiantes de
OptiMax 2000 se encuentra tambin en el disco compacto que acompaa al libro.) Este pro
ducto permite al usuario integrar totalmente los modelos de MPL en Excel y resolverlos con
cualquiera de los poderosos solucionadores que soporta MPL, como CPLEX (descrito en la
seccin 4.8).
LINGO es un producto de LINDO Systems, Ine. que tambin comercializa un optimi
zador tradicional llamado LINDO (descrito en el captulo 4) y otro orientado por completo
a hojas de clculo llamado What's Best que est diseado para enfrentar grandes problemas
industriales. El CD-ROM incluye una versin para estudiantes de LINGO, LINDO y What's
Bes!. La versin de prueba ms reciente de los tres paquetes de software tambin se puede
bajar del sitio de Internet, www.lindo.com. Al igual que MPL, LINGO es un poderoso len
guaje de modelado de propsito genera!. Una caracterstica notable de LINGO es su gran
flexibilidad para tratar con una amplia variedad de problemas de 10 adems de los de pro
gramacin lineal. Por ejemplo, cuando se abordan problemas complicados de programacin
no lineal (al igual que What's Best), contiene un optimizador global que obtiene una solu
cin globalmente ptima. (En la seccin l 2.10 se estudia este aspecto con mayor profundi
dad.)
El CD-ROM incluye formulaciones de MPL, LINGO, LINDO y What'sBest para casi
todos los ejemplos de este libro a los que se pueden aplicar estos lenguajes de modelado y
optimizadores.
A continuacin se presentar un ejemplo simplificado que ilustra cmo puede surgir un
modelo de programacin lineal muy grande.

Ejemplo de un problema con un modelo muy grande

La administracin de Worldwide Corporation desea resolver un problema de mezcla de pro


ductos, que es mucho ms complejo que el problema de la Wyndor presentado en la seccin
3. l . Esta corporacin tiene 10 plantas en varias partes del mundo. Cada una elabora los mis
mos 1 0 productos y despus los vende en su regin. Se conoce la demanda (potencial de vcn-

3.7

CONSTRUCCIN DE MODELOS GRANDES DE PROGRAMACIN LINEAL

75

tal de cada producto de cada planta en cada uno de los prximos 10 meses. Aunque la canti
dad de product.o vendido en un mes dado no puede exceder la demanda, la cantidad produci
da puede ser mayor, y la cantidad en exceso se debera almacenar en inventario (con un cos
to unitario por mes) para su venta posterior. Cada unidad de cada producto ocupa el mismo
espacio en almacn, y cada planta tiene un lmite superior para el nmero total de unidades
que se puede guardar (la capacidad del inventario).
Cada planta tiene los mismos 10 procesos de produccin -se har referencia a ellos co
mo mquinas--, cada uno de los cuales se puede usar para producir cualquiera de los 10
productos, Tanto el costo de produccin por unidad como la tasa de produccin de un pro
ducto -nmero de unidades producidas por da dedicado a ese producto- dependen de la
combinacin de plantas y mquinas involucradas (pero no del mes). El nmero de das h
biles (das de produccin disponibles) varia un poco de un mes a otro.
Como algunas plantas y mquinas pueden producir un producto dado ya sea a menor
costo o a una tasa ms rpida que otras plantas y mquinas, en ocasiones vale la pena en
viar algunas unidades del producto de una planta a otra para que esta ltima las venda. Exis
te cierto costo asociado con cada unidad enviada de cualquier producto de cada combina
cin de una planta que enva (planta origen) y una planta que recibe (planta destino), donde
este costo unitario es el mismo para todos los productos.
La administracin necesita determinar cuntas unidades de cada producto debe produ
cir en cada mquina de cada planta cada mes, al igual que cuntas unidades de cada produc
to debe vender cada planta cada mes y cuntas unidades de cada producto debe enviar cada
planta cada mes a cada una de las otras plantas. Si se toma en cuenta el precio en todo el
mundo de cada producto, el objetivo es encontrar el plan factible que maximice la ganancia
total -ingreso por ventas totales menos la suma de los costos totales de produccin, inven
tario y envo--.
Se debe considerar de nuevo que ste es un ejemplo simplificado en varias formas. Se
ha supuesto que el nmero de plantas, mquinas, productos y meses es exactamente el mis
mo (10). En situaciones ms reales, es probable que el nmero de productos sea mucho ms
grande y que el horizonte de planeacin sea considerablemente ms grande que 10 meses;
asimismo, el nmero de "mquinas" (tipos de procesos de produccin) debera ser menor a
10. Tambin se ha supuesto que todas las plantas tienen los mismos tipos de mquinas (pro
cesos de produccin) y que cada tipo de mquina puede fabricar todos los productos. En rea
lidad, las plantas pueden tener algunas diferencias en trminos de tipos de mquinas y de los
productos que son capaces de manufacturar. El resultado neto es que el modelo correspon
diente para algunas corporaciones puede ser ms pequeo que el de este ejemplo, pero el
modelo para otras puede ser considerablemente ms grande.
Estructura del modelo resultante

Debido a que los costos de inventario y las capacidades de almacenamiento son limitadas,
es necesario mantener un registro de la cantidad de cada producto que se guarda en cada
planta durante cada mes. En consecuencia, el modelo de programacin lineal tiene cuatro ti
pos de variables de decisin: cantidades de produccin, cantidades de inventario, cantidades
de venta y cantidades enviadas. Con 10 plantas, 10 mquinas, 10 productos y 10 meses, es
to da un total de 21 mil variables de decisin, como se describe a continuacin.
Variables de decisin

10 mil variables de produccin: una por cada combinacin de planta, mquina, producto y
mes
variables de inventario: una por cada combinacin de planta, producto y mes
000
1
1 000 variables de ventas: una por cada combinacin de planta producto y mes
9 000 variables de envo: una por cada combinacin de producto, mes, planta (planta origen,
fromplant) y otra planta (la planta destino, toplant).

76

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

Cuando se multiplica cada variable de decisin por el costo unitario o ingreso unitario co
rrespondiente y despus se suma segn cada tipo, se puede calcular la siguiente funcin objeti
vo:
Funcin objetivo

Maximizar

ganancia

ingresos totales por ventas - costo total,

donde
Costo total

costo total de produccin + costo total de inventario + costo total de envo.

Cuando se maximiza esta funcin objetivo, las 2 1 000 variables de decisin deben sa
tisfacer las restricciones de no negatividad al igual que los cuatro tipos de restricciones fun
cionales: de capacidad de produccin, de balanceo de plantas (restricciones de igualdad que
proporcionan valores adecuados para las variables de inventario), de inventario mximo y de
ventas mximas. Como se enumeran enseguida, existe un total de 3 100 restricciones fun
cionales, pero todas las restricciones de un tipo siguen el mismo patrn.
Restricciones funcionales

1 000 restricciones de capacidad de produccin (una por cada combinacin de planta,

mquina y mes):
Das de produccin usados

:5

das de produccin disponibles,

donde el lado izquierdo es la suma de 10 fracciones, una por cada producto, donde cada
fraccin es la cantidad de ese producto (una variable de decisin) dividida entre la tasa
de produccin del producto (una constante dada).
1 000 restricciones de balance de las plantas (una por cada combinacin de planta, producto

y mes):
Cantidad producida + inventario del mes pasado
inventario actual + cantidad enviada,

cantidad recibida

ventas

donde la cantidad producida es la suma de las variables de decisin que representan las
cantidades de produccin de las mquinas, la cantidad recibida es la suma de las varia
bles de decisin que representan las cantidades enviadas desde otras plantas y la canti
dad enviada es la suma de las variables de decisin correspondientes a las cantidades que
se mandan a las otras plantas.
100 restricciones de inventado mximo (una por cada combinacin de planta y mes):

Inventado total

:5

capacidad de inventario,

donde el lado izquierdo es la suma de las variables de decisin que representan las can
tidades de inventario de los productos individuales.
1 000 restricciones de ventas (una por cada combinacin de planta, producto y mes):

Ventas

:5

demanda.

Ahora se estudiar la manera en que el lenguaje de modelado MPL, un producto de Ma


ximal Software, Inc., puede formular este enorme modelo en forma muy compacta.

3.7

77

CONSTRUCCiN DE MODELOS GRANDES DE PROGRAMACiN LINEAL

Formulacin del modelo en MPL


Quien construye el modelo comienza por asignarle un ttulo y enumerar un ndice por cada
elemento del problema, como se ilustra enseguida.
TITLE
Product ionPlann ing;
INDEX
product

: =

(Al ,

month

: =

(Jan,

plant

, ( pl ,

fromp lant

! =

toplant

: =

machine

: =

A2 ,

A3 ,

Feb,
p2 ,

A4 ,

Mar,

AS ,
Apr,

A6,
May,

(mI ,

m2 ,

AS,

Jun,

A9 ,

Ju l ,

Al O ) ;
Aug,

Sep,

p3 ,

p4 ,

p5 ,

p6,

p7 ,

p8 ,

p9 ,

plOl ,

m3 ,

m4 ,

mS ,

m6,

m'? ,

ma ,

m9 ,

mI O ) ;

plant j
plant i

A7 ,

Oc t )

Excepto por los meses, los elementos del lado derecho son etiquetas arbitrarias de los res
pectivos productos, plantas y mquinas, donde las mismas etiquetas se usan en los archivos
de datos. Obsrvese que se colocan dos puntos despus del nombre de cada elemento y pun
to y coma al final de cada instruccin (pero una instruccin puede extenderse ms de un ren
gln).
El trabajo pesado en cualquier modelo grande es la recoleccin y organizacin de los dis
tintos tipos de datos en archivos de datos, los cuales pueden estar en formato denso o disper
so. En el formato denso, el archivo contiene una entrada para cada posible combinacin de
los ndices sobre los que corren los datos. Por ejemplo, supngase que el archivo de datos
contiene las tasas de produccin para elaborar los diferentes productos con las distintas m
quinas (procesos de produccin) en las diversas plantas. En formato denso, el archivo contie
ne una entrada para cada combinacin de una planta, una mquina y un producto. Sin embar
go, la entrada puede necesitar ser cero para la mayora de las combinaciones porque esa planta
en particular puede no tener esa mquina especfica o, incluso si la tiene, esa mquina indi
vidual puede no ser capaz de producir ese producto particular en esa planta en especfico. El
porcentaje de las entradas en formato denso que son distintas de cero se conoce como densi

dad del conjunto de datos. En la prctica, es comn que los conjuntos de datos tengan una
Y a veces est por debajo de 1 %. Los conjuntos de da
tos que tienen una densidad tan baja se dice que estn dispersos. En tales situaciones, resul
ta ms eficiente utilizar un archivo de datos en formato disperso. En este formato slo se in

densidad de datos por debajo de 5%

troducen al archivo de datos los valores distintos de cero (y una identificacin de los valores
ndice a los que se refieren). Por lo general, los datos se leen en formato disperso desde un
archivo de texto o de las bases de datos corporativas. La capacidad de manejar conjuntos de
datos dispersos de manera eficiente es una de las claves para el xito de la formulacin y la
resolucin de modelos de optimizacin a gran escala. MPL puede trabajar con facilidad tan
to con el formato denso como con el disperso.
En el ejemplo de la Worldwide Corp., se necesitan ocho archivos para precios de produc
tos, demandas, costos de produccin, tasas de produccin, das de produccin disponibles,

costos de inventario, capacidades de inventario y costos de envo. Se supone que estos archi
vos de datos estn disponibles en formato disperso. El siguiente paso es dar un nombre su
gestivo corto a cada uno e identificar (entre parntesis cuadrados) el ndice o ndices sobre
los que corren los datos en los archivos como se muestra a continuacin.
DATA
: :::

Price [produc t 1
Demand [ p l a n t ,

product ,

SPARSEFILE ( " Price . dat " ) ;


monthl

ProdCost [plant ,

machine,

ProdRate [ p l a n t ,

machine ,

InvtCost [plant ,

product J

InvtCapac ity l plant J


ShipCost [ fromplan t ,

product J : ='
. _

ProdDaysAvail [mon t h ]

,-

product 1 : :;;

.. _

toplant 1

SPARSRFI LF, ( " Demand , dat " ) i


SPARSEFILE ( " Produce , d a t " ,

41 ,

SPARSEFILE ( " Produce . dat " ,

51 ,

S PARSEFILE ( " ProdDays . dat " ) ;


SPARSEFILE ( " InvtCost . dat " ) i

S PARSEF ILE ( " InvtCap . dat " ) ;


.-

SPARSEFILE

( " ShipCos t . dat " ) ;

78

CAPTULO 3

INTRODUCCiN A lA PROGRAMACiN LINEAL

Para ilustrar los contenidos de estos archivos de datos, considrese el que proporciona
los costos y las tasas de produccin. Enseguida se presenta una muestra pequea de las
primeras entradas del archivo disperso produce.dat:
!

produ c e . dat

Costo y Tasa de

Produc c i n

ProdCosL: [plan t ,

machi n e ,

produc L J :

[ p l cU l t ,

mi'tchi n e ,

p coduc t l :

ProdRate

500,

73 . 3 0 ,

pI,

mI l ,

Al ,

pI ,

mI l ,

A2 ,

pl ,

mU,

A3 ,

pI,

ml 3 ,

A3 ,

52 . 9 0 ,

450,

6 '5 . 4 0 ,

550,

4 / . 6 0 ,

3 ') 0 ,

Despus, el modelador da un nombre corto a cada tipo de variable de decisin. Despus


del nombre, entre corchetes, se escribe el (los) ndice(s) sobre el (los) que corre el subn
dice.
VARIARLES
Produce [plant ,

machine,

Invento.r:y [ p lant ,
Sales [ p l a n t ,

produc t ,

Ship [ produc t ,
WHERE

produc t ,

produc t ,

monLh,

( f romp l an t.:

month 1

monl: h ]

<>

Prod;
Invt ;

,,>

Sale

rnonth]

toplant 1

fromplan t ,

>
>

Loplant l ;

En el caso de variables de decisin con nombres de ms de cuatro letras, las flechas de la


derecha sealan las abreviaturas de cuatro letras que se ajustan a las limitaciones de tamao
de varios solucionadores, La ltima lnea indica que los subndices de la planta origen y la
planta destino no pueden tener el mismo valor.
Se debe dar un paso ms antes de elaborar el modelo. A fin de que sea ms sencillo
leerlo, es til introducir primero macros que representan las sumas en la funcin objetivo.
MACROS
Total

Revenue

'T'nt" ",, 1 Pynr'[f'nst-

'T'o t a l InvtCost

:=

: = STlJlA ( r 1 'tht- ,

SUM (plan t ,

m "" h : ",,

SUM ( p l an t ,

produc e ,

produc t ,

ProdC o s t * Produce)

month:

Pr lce*Sales )

:;::- -;:'!'-.:C' ': ,

.c::c.!""" :-: :

rnon t h :

lnvtCost * l n ventory) ;
rro talShipCost

: "" SUM ( product ,

month,

'T'otalCost

: = T o t a l ProdCosl

ShipCo:: t * Sh i p l i

fromplcln t ,

toplant :

+ 'Total InvtCost + TotalSh ipCost i

Los primeros cuatro macros usan la palabra reservada SUM de MPL para ejecutar las sumas
involucradas, Despus de cada palabra S UM (entre parntesis) se coloca, primero, el (los)
ndice(s) sobre el (los) que corre la suma. Despus (enseguida de punto y coma), el vec
tor producto de un vector de datos (uno de los archivos de datos) multiplicado por un
vector variable (uno de los cuatro tipos de variables de decisin).
Ahora, este modelo con 3 100 restricciones funcionales y 2 1 000 variables de decisin
se puede escribir en la siguiente forma compacta.
MODEL
1'1.i\X

P r oL i t =

To t a l Eevcnue - Tot a l C ' o s l ;

SUBJEC'r TO
ProdCapc1c i ty [ p l a n t ,
S U M ( p y o o \ J ct- :

tndch i n c ,

mor': h l

p ,{)clucp/ P r odFatc-')

:S

->

['Cal) :

PrudDdysAvai 1 ;

3.7

CONSTRUCCiN DE MODELOS GRANDES DE PROGRAMACIN LINEAL

plantBal [plant ,

product ,

SUM (machine:

rnonthJ

Ship [ fromplant I

Sales + Inventory

Maxlnventory

Ship [ fraID pIant :

[pIant I

SUM (product :

PEal :

Produce) + Inventory

+ 3UM ( fromplant :

+ SUM ( t oplant :

->

rnont h ]

Inventory )

<=

->

79

[month - 1 ]

toplant :

pIant ,

pIant J )

topL:mt 1 ) ;

NaxI :

InvtCapacity ;

BOUNDS
Sales

<.=:

Dernand

END

Por cada uno de los cuatro tipos de restricciones, el primer rengln da el nombre del
tipo. Existe una restriccin de este tipo para cada combinacin de valores de los ndices en
los corchetes que siguen al nombre. A la derecha del parntesis, la flecha seala la abre
viatura de cuatro letras que el solucionador puede usar. Abajo de este primer rengln, se
muestra la forma general de las restricciones con el operador SUMo
Para cada restriccin de capacidad de produccin, los tlminos de la suma consisten en
una variable de decisin (la cantidad de produccin de ese producto en esa mquina en esa
planta durante ese mes) dividida entre la tasa de produccin correspondiente, que da el n
mero de das de produccin empleados. Al sumar todos los productos se obtiene el nmero
total de das de produccin usados en esa mquina de esa planta durante ese mes, de modo
que este nmero no debe exceder el nmero de das de produccin disponibles.
El propsito de la restriccin de balanceo de plantas de cada planta, producto y mes es
proporcionar el valor correcto a la variable de inventario actual, dados los valores de todas
las dems variables de decisin, incluso el nivel de inventario del mes anterior. En estas res
tricciones, cada operador SUM es slo una suma de variables de decisin ms un vector pro
ducto. Ocurre lo mismo con el operador SUM en la restriccin de inventario mximo. Por
el contrario, el lado izquierdo de las restricciones de ventas mximas es una sola variable de
decisin para cada una de las 1 000 combinaciones de planta, producto y mes. (La separa
cin de estas restricciones de cota superior sobre las variables individuales de las restriccio
nes funcionales normales tiene ventajas, debido a la eficiencia computacional que se logra
cuando se emplea la tcnica de la cota superior descrita en la seccin 7.3.) No hay restric
ciones de cota inferior porque MPL supone de modo automtico que las 21 000 variables de
decisin tienen restricciones de no negatividad a menos que especifiquen cotas inferiores
distintas de cero. En cada una de las 3 lOO restricciones funcionales, obsrvese que el lado
izquierdo es una funcin lineal de las variables de decisin y que el lado derecho es una
constante tomada del archivo de datos adecuado. Como la funcin objetivo tambin es
una funcin lineal de las variables de decisin, se trata de un modelo legtimo de programa
cin lineal.
Para resolver el modelo, MPL cuenta con varios solucionadores (paquetes de software
para resolver modelos de programacin lineal y modelos relacionados) que se pueden insta
lar en el MPL. Como se ve en la seccin 4.8, CPLEX es un solucionador en especial pode
roso. La versin de MPL en el OR CO\lrseware ya tiene instalado la versin para estudian
tes de CPLEX, que usa el mtodo smplex para resolver estos modelos. Por lo tanto, para
resolver un modelo formulado con MPL, todo lo que debe hacerse es elegir Solve CPLEX
en el men Run o seleccionar el botn Run Solve en la barra de herramientas. Despus se
puede ver el archivo con la solucin en una ventana si se oprime el botn View en la parte
inferior de la ventana Status Window.
Esta breve introduccin a MPL ilustra la facilidad con que se pueden usar los lenguajes
de modelado para formular modelos de programacin lineal muy grandes de manera clara y
concisa. Como ayuda cuando se utiliza MPL, se incluye en el CD un tutorial, que revisa to
dos los detalles de construccin del modelo de las versiones ms pequeas de los ejemplos

80

CAPTULO 3

INTRODUCCIN A LA PROGRAMACiN LINEAL

de planeacin de la produccin considerados aqu. En otro lugar del CD se puede ver cmo
se formulan con MPL y se resuelven con CPLEX todos los ejemplos de programacin lineal
en este captulo y los subsecuentes.
Lenguaje de modelado LlNGO

LINGO es otro lenguaje de modelado conocido que se presenta en este libro. La compaa
que 10 produce, LINDO Systems, tambin elabora un solucionador llamado LINDO y uno
para hoja de clculo, What'sBest; las versiones para estudiantes de los tres paquetes de soft
ware se incluyen en el CD-ROM. (Las versiones de prueba ms recientes tambin se pue
den bajar de www.lindo.com.) Los tres comparten un conjunto de solucionadores basados en
el mtodo smplex y las versiones ms avanzadas se basan en las tcnicas algortmicas in
troducidas en las secciones 4.9 y 7.4. Los solucionadores tambin incluyen algunos algorit
mos, entre los que se encuentra un optimizador global, mediante el cual se abordan los pro
blemas que caen fuera del mbito de la programacin lineal. (Se estudiar LINDO en la
seccin 4.8 y el apndice 4 . 1 . )
Como MPL, LINGO permite al modelador formular con eficiencia un modelo de progra
macin lineal grande de manera clara y concisa. Tambin se puede usar para una amplia va
riedad de otros modelos.
LINGO utiliza los conjuntos como sus bloques fundamentales de construccin. Por ejem
plo, en el problema de planeacin de la produccin de Worlwide Corp., los conjuntos de inte
rs incluyen las colecciones de productos, plantas, mquinas y meses. Cada miembro de un
conjunto puede tener uno o ms atributos asociados, como el precio de un producto, la capa
cidad del inventario de una planta, la tasa de produccin de una mquina y el nmero de das
de produccin disponible en un mes. Estos atributos proporcionan datos para el modelo. Algu
nos conjuntos de atributos, como las cantidades de produccin y cantidades enviadas, pueden
ser variables de decisin del modelo. Igual que en MPL, el operador SUM por lo comn se
usa para escribir la funcin objetivo y cada tipo de restriccin de manera compacta. Despus
de completar la formulacin, el modelo se puede resolver al elegir el comando Solve del me
n LINGO o al presionar el botn Solve en la barra de herramientas.
Un apndice de este captulo describe un poco ms de LINGO e ilustra su uso con un par
de ejemplos pequeos. Un suplemento en el CD muestra cmo se puede usar LINGO para for
mular el modelo para el ejemplo de planeacin de la produccin de Worldwide Corp. Un t,,
torial de LlNGO en el CD proporciona los detalles necesarios para realizar el modelado bsi
co con este lenguaje. Las formulaciones y soluciones de LINGO para los distintos ejemplos
tanto en este captulo como en otros tambin se incluyen en el CD-ROM .

3.8

CONCLUSIONES
La programacin lineal es una tcnica poderosa para tratar problemas de asignacin de re
cursos escasos entre actividades que compiten, al igual que otros problemas cuya formula
cin matemtica es parecida. Se ha convertido en una herramienta estndar de gran impor
tancia para muchas organizaciones industriales y de negocios. An ms, casi cualquier
organizacin social tiene el problema de asignar recursos en algn contexto y cada vez es
mayor el reconocimiento de la aplicacin tan amplia de esta tcnica.
Sin embargo, no todos los problemas de asignacin de recursos limitados se pueden for
mular de manera que se ajusten a un modelo de programacin lineal, ni siquiera como una
aproximacin razonable. Cuando no se cumplen uno o ms de los supuestos de progra
macin lineal, tal vez sea posible aplicar otro tipo de modelos matemticos, por ejemplo,
los modelos de programacin entera (captulo 1 1 ) o de programacin no lineal (captulo
12).

>

APNDICE 3.1

AP N DI CE 3 . 1

LENGUAJE DE MODELADO lINGO

81

LENGUAJE DE MODELADO LlNGO


LINGO es un lenguaje de modelado matemtico diseado en particular para formular y resolver una am
plia variedad de problemas de optimizacin, que incluyen problemas de programacin lineal, programa
cin entera (captulo 1 1) y programacin no lineal (captulo 12).
Los problemas sencillos se plantean en LINGO de una manera bastante natural. Para ilustrar, con
sidrese el siguiente problema de programacin lineal.
z

Maximizar

20x + 31y,

sujeta a
2x +

5y s; 1 6

4x - 3y

y
x =:: 0,

y '"

O.

La pantalla de la mitad superior de la figura A3.l muestra cmo se fannulara este problema en
LINGO.
La primera lnea del modelo es slo un comentario que lo describe. Obsrvese que va precedi
do de un signo de exclamacin y termina con punto y coma. ste es un requisito de todos los comen
tarios que se efectan en un programa LINGO. La segunda lnea indica la funcin objetivo (no in
cluye la variable

Z)

e indica que se va a maximizar. Ntese que las multiplicaciones se indican por

medio de un asterisco. La funcin objetivo termina con punto y coma, como cada una de las funcio
nes de restriccin en las dos lneas que siguen. Las restricciones de no negatividad no aparecen
porque LINGO supone que las variables son no negativas de modo automtico. (Si alguna varia
ble

no tiene restriccin de no negatividad, ser necesario agregar @FREE(x); al final de la formu

lacin.)
Las variables se pueden escribir en maysculas o minsculas, puesto que LINGO no lo toma en
cuenta. Por ejemplo, una variable

XL

puede ser xl o X l . De igual manera, las palabras pueden estar en

maysculas o minsculas (o una combinacin): Por claridad, se usarn maysculas para todas las pa
labras reservadas que tienen un significado predeterminado en LINGO.
Obsrvese la barra de men en la primera parte de la figura A3.1. Los elementos 'File' y 'Edil'
se comportan de la manera estndar de Windows. Para resolver el modelo una vez escrito, se hace cHc
en el icono de 'tiro al blanco' . (Si se usa una plataforma diferente a Windows para PC, se escribe el
comando GO despus de los dos puntos en el cursor y se presiona la tecla 'enter'.) Antes de intentar
resolver el modelo, LINGO verifica si las instrucciones tienen errores de sintaxis y, si es as, indica

solucionador comienza a resolver el problema, tiem


solver status. Cuando el solucionador tenni
na, aparece en la pantalla un infonne llamado Solution Report.

dnde estn. Si se supone que no hay errores, un

po durante el cual aparece una ventana de estado llamada

La mitad inferior de la figura A3.1 muestra la ventana de informe del ejemplo. La columna

Value contiene los valores ptimos de las variables de decisin. El primer elemento de la colum
na Slack or Surplus (holgura o supervit) muestra los valores correspondientes de la funcin objetivo.
Los dos elementos que siguen indican la diferencia entre los dos lados de las restricciones respectivas.
Las columnas

Reduced Cost y Dual Price proporcionan cierta informacin de anlisis de sensibilidad

para el problema. Despus de estudiar el anlisis posptirno (que incluye el anlisis de sensibilidad)
en la seccin 4.7, cuando se describa LINDO en el apndice 4 . 1 se explicar lo que son los costos
reducidos y los precios duales. Estas cantidades proporcionan slo una parte de la informacin til
del anlisis de sensibilidad. Para generar un informe del anlisis de sensibilidad completo (como el
que se muestra en el apndice 4.1 para LINDO), debe elegirse el comando

Range en el men de

L1NGO.
Como se ilustr con MPL en la seccin 3.7, LINGO est diseado para fonnular con eficiencia
modelos muy grandes pues maneja al mismo tiempo todas las restricciones o variables del mismo tipo.
Se usar el siguiente ejemplo para ilustrar cmo funciona LINGO.

. CAPTULO 3

82

INTRODUCCiN A LA PROGRAMACiN LINEAL

A ::: imple linear progreu\!;


AX

2 0 w x + 3 1 y;
2 "' x +
1 " :<

S y

3"y

<""

16)
6:

Ro"
1

Slack 01:" Surplus


1za .0000

O . OO(')lOOO
0 . 0000000

11 FIGURA A3.1
Pantallas que muestran la formulacin de
de programacin lineal.

Ejemplo.

Dual Price

1 . 0000eo

7 . 076CJ23

1 . "0 1 5 3 8

lINCO y el informe de solucin de lINCO de un programa

Considrese un

problema de mezcla de produccin

donde debe determinarse la mezcla de

cuatro productos que se fabricarn durante la prxima semana. Para cada producto, cada unidad pro
ducida requiere una cantidad conocida de tiempo de produccin en cada una de tres mquinas. Cada
mquina tiene cierto nmero de horas disponibles por semana. Cada producto proporciona cierta ga
nancia por unidad producida.
En la tabla A3 . 1 se presentan tres tipos de datos: datos relacionados con las mquinas, con los

productos y con las combinaciones de una mquina

un producto. El objetivo es detenninar cunto

producir de cada producto de manera que se maximice la ganancia total al mismo tiempo que no se
exceda la capacidad de produccin limitada de cada mquina.
En forma algebraica estndar, la estructura del modelo de programacin lineal de este problema
es elegir los niveles de produccin no negativos (nmero de unidades producidas durante la siguiente
semana) de los cuatro productos para

Maximizar
sujeta a
4

aljXj :S: hi

j- I

para

1 , 2, 3 ;

APNDICE 3.1

83

LENGUAJE DE MODELADO lINGO

111 TABLA A3.1 Datos necesarios para el ejemplo de mezcla de productos


Tiempo de produccin por unidad, horas
Producto
POl

Mquina

1 .7

P02

P03

P04

2.1

1 .4
1.7

2.4

Bobinadora
Cortadora
Soldadora

1 .1

2.5

1 .3

1 .6

0.8

Ganancia/unidad

26

35

25

37

1 .6

Tiempo de produccin
disponible por semana, horas
28
34
21

2.6

donde
Xj

niveles de produccin del producto PO}

Lj = ganancia unitaria por producto PO}

aij = tiempo de produccin en la mquina i por unidad de producto PO}


b = tiempo de produccin disponible por semana en la mquina i.
Este modelo es suficientemente pequeo con slo 4 variables de decisin y 3 restricciones fun

cionales, por lo cual sera posible escribirlas completas, trmino por tnnino, pero sera tedioso. En
aplicaciones similares, podran ser cientos de variables de decisin

y restricciones funcionales, por 10

que escribir cada semana una versin trmino por trmino de este modelo no sera prctico. LINGO
proporciona una manera de formular el problema mucho ms eficiente y compacta, comparable al re
sumen anterior del modelo, como se ver enseguida.

Formulacin del modelo en LlNGO


Este modelo es de naturaleza repetitiva. Todas las variables de decisin
cionales son del mismo tipo. LINGO usa

y todas las restricciones fun


conjuntos para describir estas repeticiones.1 Los sencillos

conjuntos de inters en este caso son


1. El conjunto de mquinas,

2.

{bobinadora, cortadora, soldadora } .

El conj unto de productos. (POI. P02. P03, P04 ) .

Los atributos de inters de los miembros de estos conjuntos son


1. Atributo de cada mquina: nmero de horas de produccin disponibles por semana.

2.

Atributos de cada producto: ganancia por unidad producida; nmero de unidades producidas por se

mana.
En consecuencia, los primeros dos tipos de atributos son los datos de entrada que se convertirn en los
parmetros del modelo, mientras que el ltimo tipo (nmero de unidades producidas por semana de los
respectivos productos) proporciona las variables de decisin para el modelo. Estos atributos se abre
vian como sigue.
mquina: ProdHoursAvail (horas de produccin disponibles)
producto: Profit, Produce (ganancia, producir).
Otro tipo clave de informacin es el nmero de horas de produccin que cada unidad de cada pro
ducto usar en las mquinas. Este nmero se puede ver como un

atributo de los miembros del conjun-

El orden est implcito en los conjuntos de UNCiO, de manera que, en sentido estricto, no existen conjuntos ver

daderos en la forma matemtica usual.

84

INTRODUCCiN A LA PROGRAMACiN LINEAL

CAPTULO 3

lo de combinaciones de un producto y una mquina. Como este conjunto se deriva de los dos conjuntos
simples, se conoce como un conjunto derivado. La fonna de abreviar este atributo de los miembros de
este conjunto es la siguiente.
MaPr (machine, product): ProdHoursUsed
Por lo comn, una formulacin LINGO tiene tres secciones.
1.

Una seccin de conjuntos. SETS, que especitica los conjuntos y sus atributos. Se puede pensar que
describe la estructura de los datos.
2. Una seccin de datos, DATA, que proporciona los datos a usar o indica dnde obtenerlos.
3. Una seccin en la que se prepara el modelo matemtico.
Primero se mostrarn las dos primeras secciones del ejemplo.
!

LINC0 3 h ;

Ejemplo d e m e z c l a d e produ c t o s ;

Not a :

s e c c J,n SE'rs no

la

nombres

de

las mqu lnas

por comp l e t o mediante

con t i ene

informaci.n sobre el nmero o

o produ c t o s .

los

datos

Esa

informacin

proporcionados

se determina

SETS :
!

Conjuntos

Prof 1. t I

Produ c t :
!

s i mp l e s ;

ProdHoursAva 1. 1 ;

Machi n e :

Produce ;

ConjunLo der L vadoi

MaPr

(Mach i n e ,

Produc t ) :

ENDSE'rs

ProdHoursU.sed

DA'1'A :

Obtener el
Mach-ine

nombre de l a s mqu.lnas para bobinar I

cortar I

soldar

Ro l l Cut Weld;

Horas disponibl es dp cada mqu i n a ;


ProdHoursAvail
Obtener
Product

28

34

l o s nombres
=

pOl

P02

21;
de productos

P03

P04 ;

Contribucin a l a ganancia por unidad;


I'r0 f i t --'--

Horas

2G

3 '1 i

necesarias por unidad de produc t o ;

ProdHoursUsed

1.7
1.1
1. 6

2.1

.S

1.3

1.4

2.4

BobLnJr:

1 .7

2.6

Cor t a r ;

1.6

0.8;

Soldar;

ENDDATA

Antes de presentar el modelo matemtico, es necesario introducir dos funciones ciclicas de con
juntos que permiten aplicar una operacin a todos los miembros del conjunto con slo una instruccin.
Una es la funcin @SUM, que calcula la suma de una expresin sobre todos los miembros del con
junto. La fonna general de @SUM es @SUM{ S12t : expre s s i. on ) . La expresin se calcula para ca
da miembro de un conjunto y despus se suman todos los clculos. Por ejemplo,
@SUM (

Product

(j ) :

P r o C i t ( j ) *produce ( j ) )

suma la expresin que sigue a los dos puntos -la ganancia unitaria de un producto multiplicada por la
tasa de produccin de ese producto----- sobre todos los miembros del conjunto que precede a los dos pun
tos. En particular, corno este conjunto es el de productos { Producto() para j 1 , 2, 3 , 4 } , la suma se
realiza sobre el ndice j. Por lo tanto, esta funcin especfica @SUM proporciona la funcin objetivo,
=

CjXj,

j=1

dada antes para e l modelo.

APNDICE 3.1

85

LENGUAJE DE MODELADO lINGO

La segunda funcin cclica de conjuntos es @FOR. Esta funcin se usa para generar restricciones
sobre los miembros de un conjunto. La forma general es @FOR (

set :

constraint ) . Por ejemplo,

@FOR ( Machine ( i ) :
@SUM (

ProdHoursUsed ( i I

Product ( i ) :

<=

j ) * Produce

ProdHoursAvai l

(i,

j )

(j ) )
i

) ;

indica que se genere la restriccin que sigue a los dos puntos para cada miembro del conjunto que les

precede. (El smbolo "menor o igual que" , s, no est en el teclado estndar, por lo que LINGO maneja

los smbolos < = como equivalentes a :::; .) ste es el conjunto de mquinas {Machine

(i) para
i = 1 , 2, 3 } , funcin que cubre el ciclo sobre el ndice i. Para cada i, la restriccin que sigue a los dos

puntos se expres antes de manera algebraica como


4

I aijXj :=; bj

j=l

Por lo tanto, una vez que se aade l a tercera seccin d e l a formulacin LINGO (el modelo
matemtico), se obtiene la formulacin completa que se muestra a continuacin:
!

LING0 3 h

E j emplo d e m e z c l a d e produc tos

SETS:
! Conjuntos

s i mples ;

Machine :

ProdHoursAva i l

Product :
! Conjunto
MaPr (

Prof i t ,

Produce

derivado ;

Mach i n e ,

Produc t ) :

ProdHoursUsed

ENDSETS
DATA :
! Obtener

el

nombre

de

las

mquinas;

Machine = Ro l l Cut f/lle l d


!

Horas

disponibles d e

ProdHoursAvail = 28
Obtener

los

34

nombres

Product = P 0 1
Contribucin
Frafit =
Horas

de productos ;

P02
la

26

cada mquina;
21;

P03

35

necesarias

P04

ganancia
25

por

unidad;

37;

por unidad de produc t o ;

ProdHoursUsed = 1 . 7

2.1

1.4

2.4

Bobinar ;

1.1

2.5

1.7

2.6

Cortar i

1.6

1.3

1.6

0 . 8;

Soldar;

ENDDATA

Maximizar

MAX = @SUM(
Para

la

contribucin

Product ( i ) :

cada mquina

@FOR (

Machine (

Horas

usadas

@SUM(

Product (

i) :

<

<=

1;

a
*

la

gananc i a ;

Produce ( i ) )

:L

horas

j) :

total

Pro f i t ( i )

disponibles;

ProdHoursused (

ProdHoursAva i l ( i ) i

i,

j)

Produce (

j ) )

El modelo se resuelve al oprimir el botn de 'tiro al blanco' en la barra de comandos de LINGO.


Presionar el botn 'x = ' en la barra de comandos produce un informe que se ve en parte como sigue:
Variable
PRODUCE (
PRODUCE (

POI)

P02 )

Value

Reduced Cost

0 . 0000000

3 . 577921

1 0 . 00000

0 . 0000000

86

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

PRODUCE {

P03 )

5 . 000000

0 . 0000000

PRODUCE {

P04 )

0 . 0000000

1 . 44 1 5 5 8

Slack

Row
1

or

Surplus

Dual

4 7 5 . 0000

Price

1 . 000000

0 . 0000000

1 5 . 2 5 974

0 . 5000000

0 . 0000000

0 . 0000000

2 . 272727

En consecuencia, deben producirse 10 unidades del producto POZ y 5 del P03, donde el rengln 1 mues
tra la ganancia total obtenida, esto es, 475. Obsrvese que esta solucin usa justamente la capacidad
disponible en la primera y tercera mquinas (puesto que los renglones 2 y 4 dan una holgura o supe
rvit de O) y deja la segunda mquina con 0.5 horas inactivas. (Se estudiarn los costos reducidos y
los precios duales en el apndice 4.1 junto con LINDO.)
La seccin de renglones de este infonne es un poco ambigua en cuanto a que es necesario recor
dar que en el rengln 1 del modelo se escribi la funcin objetivo y que los renglones subsecuentes
contienen las restricciones sobre las capacidades de las mquinas. Esta asociacin se puecJe aclarar en
el infonne si se dan nombres a cada restriccin del modelo. Esto se hace con el nombre entre [ J, colo
cado justo frente a la restriccin. Vase el siguiente fragmento modificado del modelo.
[TotprofJ
Para

MAX "'" @SUM(

cada

mquina

@FOR (

Machine (

Horas

usadas

[Cape]

Produc t :

@SUM(

Profit

Produce )

i) :

<=

horas

Product (
<=

dispon i b l e s i

j) :

ProdHoursUsed (

i,

j)

Produce (

j))

ProdHoursAva i l ;

) ;

El infonne de la solucin ahora contiene estos dos nombres de renglones.


Row

Slack

TOTPROF

or

Surplus

47 5 . 00 0 0

Dual

Price

1 . 000000

CAPC ( ROLL )

0 . 0000000

1 5 . 25974

CAPC ( WELD)

0.. 5 0 0 0 0 0 0

0 . 0000000

0 . 0000000

2 . 272727

CAPC(

CUT)

Una caracterstica importante de un modelo LINGO como ste es que e s totalmente "escalable" en
cuanto a productos y mquinas. En otras palabras, si se desea resolver otra versn de este problema de
mezcla de productos con un nmero diferente de mquinas y productos, slo habra que introducir los
nuevos datos en la seccin DATA. No sera necesario cambiar la seccin SETS o las ecuaciones. Esta
conversin puede realizarla el personal de apoyo sin conocimiento de las ecuaciones del modelo.
Importacin y exportacin de datos a una hoja de clculo con LlNGO

El ejemplo anterior es autocontenido en el sentido de que todos los datos se incorporaron de manera
directa en la fonnulacin LINGO. En algunas otras aplicaciones, se almacena un cuerpo ms grande
de datos en alguna fuente y ser necesario introducirlo al modelo desde esa fuente. Un lugar comn
para almacenar datos son las hojas de clculo.
LINGO tiene una funcin sencilla, @OLE ( ) , para recuperar y colocar datos de y a una hoja de
clculo. Para ilustrarlo, suponga que los datos originales del problema de mezcla de productos se in
trodujeron en una hoja de clculo como se muestra en la figura A3.2. Por el momento interesan slo
las reas sombreadas de las columnas A-B y E-H. Los datos de estas celdas describen por completo el
pequeo ejemplo de mezcla de productos. Se quiere evitar volver a capturar estos datos en el modelo
de LINGO. Supngase que esta hoja de clculo est almacenada en d:\dirfred7\wbest03i.xls. La nica
parte del mode"lo LINGO que necesita variar es la seccin DATA como se muestra a continuacin.
DATA :
Obtener

nombres

de

Machine = @OLE (

las

mqu i n a s ;

' d : \ d i r fred7\wbes t 0 3 i . x l s ' ) ;

3.1

Horas

DE MODELADO LlNGO

disponibles

ProdHoursAvai l
Obtener

nombres

Product

necesarias

gananc i a por

por

los

valores

de

unidad

unidad:

' d : \dirfred7 \wbes t 0 3 i . xls ' )

ProdHoursUsed = @OLE (

@OLE(

mquina ;

' d : \dir fred7 \wbes t 0 3 i . x l s ' ) ;

' d : \dirfred7 \wbest 0 3 i . x l s t )

la

Profit = @QLE (

Enviar

cada

de product o s :

@OLE (

Contribucin

Horas

en

@OLE (

87

de producto;

' d : \dirfred7 \wbest 0 3 i . x l s ' ) ;


la

solucin:

' d : \dirfred7 \wbes t 0 3 i . xl s ' ) = Produce

ENDDATA

funcin @OLE ( ) acta a manera de "plomero". Maneja el flujo de datos de la hoja de clculo ha
cia LINGO y a la inversa. La funcin llamada "enlace y empotrado de objetos" (OLE, por Object Lin
king and Embedding) es una caracterstica del sistema operativo de Windows. LINGO la usa para ha
cer un enlace entre el modelo y la hoja de clculo. Las primeras cinco aplicaciones anteriores de
@OLE ( ) ilustran que esta funcin se puede usar a la derecha de una instruccin de asignacin para re
cuperar datos de una hoja de clculo. La ltima muestra que se puede colocar a la izquierda de una
asignacin para colocar los resultados en la hoja de clculo. Obsrvese en la figura A3.2 que la solu
cin ptima se ha colocado en las celdas E6:H6. Un paso sencillo pero oculto que debe realizarse an
tes en las hojas de clculo es definir los nombres de los rangos de las distintas colecciones de celdas
que contienen datos. Los nombres de los rangos se pueden definir en Excel con el ratn y el elemen
to del men Insertar, Nombre, Definir. Por ejemplo, el conjunto de celdas A9:Al l recibi el nombre
de Machine. De la ntisma manera, al conjunto de celdas E4:H4 se les dio el de Product.
En el ejemplo anterior, la referencia @OLE ( ) contena el nombre completo de la ruta del archivo
de Excel. Si el archivo (wbest03i.xls) estuviera abierto en Excel en el momento en que el modelo de
LINGO est en ejecucin, no hay necesidad de utilizar el nombre completo de la ruta, puesto que
@OLE( 'wbe s t 0 3 1 . x l s ' ) sena suficiente. En realidad, si wbest3i.xls fuera el nico archivo abierto en
Excel, se podra incluso eliminar el nombre del archivo. En este caso, por ejemplo,
La

Profit

:::

@OLE (

) ;

obtendra de manera exitosa los datos de ganancias a partir de la hoja de clculo.

FIGURA A3.Z

antalla que muestra los


datos del problema de
mezcla de productos en una
hoja de clculo.

INTRODUCCIN A LA PROGRAMACIN LINEAL

CAPTULO 3

La conexin LINGOlhoja de clculo se puede llevar an ms all, de forma que el modelo de


LINGO se almacene en una "tabulacin" de la hoja de clculo. En consecuencia, el usuario podra pen
sar en un modelo que reside por completo en una sola hoja de clculo. De esta manera,e s posible com
binar las mejores caractersticas de una hoja de clculo y un lenguaje de modelado. (Para mayores de
talles vaose los maouales de LINGO.)

Importacin y exportacin de una base de datos con LlNGO


Otro lugar para almacenar datos en empresas graodes es una base de datos. Similar a @OLEO,LINGO
tiene una funcin de conexin,

@ODBC ( ) , para transferir datos desde y hacia una base de datos. Esta

funcin se basa en el estndar de conectividad abierta (ODBC, por Open DataBase Connectivity) con
bases de datos SQL (Structured Query Language). Las bases de datos de mayor uso, como Oracle,
Paradox,DB/2,MS Access y SQL Server,son compatibles con la convencin ODBC.
Se ilustrar la conexin ODBC para el pequeo ejemplo de mezcla de productos. Supngase que
todos los datos que describen el problema estn almacenados en una base de datos llamada acces03j.
La modificacin requerida en el modelo de LINGO es casi trivial. Slo vara la seccin DATA, como
se ilustra en el siguiente fragmento del modelo LINGO.
DATA :
Obtener

nombres

Machine,
Obtener

nombres

Produc t ,
Horas

de

mquinas

de productos

Profit ::::: @ODBC {

necesarias

por

::::: @OOBC (

Enviar valores

de

accesO 3 j

')

la
=

disponibles ;

acces 0 3 j ' )

y ganancias ;

' acces03j 1 ) ;

unidad

ProdHoursUsed

@ODBC (

y horas

ProdHoursAvai l ::::: @QOBC (

de

produc t o ;

'acces03j ' ) ;

solucin

de

regreso;

Produce ;

ENDDATA

Obsrvese que, al igual que en el modelo basado en la hoja de clculo, el tamao del modelo en
trminos del nmero de variables y restricciones se detennina por completo con lo que se encuentra
en la base de datos. El modelo LINGO ajusta de modo automtico lo que all encuentra.
Ahora se mostrar qu hay en la base de datos con la que se trabaj. Contiene tres tablas relacio
nadas. Estas tablas reciben nombres que coinciden con los del modelo de L1NGO, a saber, 'Machine' ,
con los datos relacionados con las mquinas. 'Product' para los datos relacionados con e l producto y
'MaPr'

para los relacionados con las combinaciones de mquinas y productos. Estas tablas se ven en

la paotalla parecidas a las siguientes:

Machlne

28
34
21

RolI
Cut
Weld

Product

P01
P02
P03
P04

B]
26
35
25
37

APNDICE 3.1

LENGUAJE DE MODELADO LlNGO

89

MaPr
",",, ' .

P01
P02
P03
P04
P01
P02
P03
P04
P01
P02
P03
P04

RolI
RolI
RolI
RolI
Cut
Cut
Cut
Cut
Weld
Weld
Weld
Weld

1.7
2.1
1 .4
2.4
1 .1
2.5
1 .7
2.6
1 .6
1 .3
1 .6
0.8

Obsrvese que la columna de 'Produce' est en blanco en la tabla de producto. Una vez resuelto
el modelo, las cantidades a producir se insertan en la base de datos y la tabla queda de la manera siguiente:

Product
O
10
5
O

26
35
25
37

P01
P02
P03
P04

Existe una complicacin al usar OOBC en Windows

95.

El usuario debe "registrar" la base de

datos con el administrador de ODBC de Windows. Este paso se concreta mediante la apertura (con
clics del ratn) de la ventana MiPClPanel de ControUODBC32. En ella, el usuario debe dar un nom
bre a la base de datos (que puede diferir del nombre real del archivo en que residen las tablas) y es
pecificar el directorio en donde se encuentra. Este nombre registrado es el que se debe usar en el mo
delo LINGO. Como se registran las bases de datos, no tiene que especificarse el directorio en la funcin

@ODBC

, acces

O3 j

) en el modelo de LINGO. El administrador de ODBC determina la ubi

cacin de la base de datos por slo su nombre.

M's sobre LlNGO


En este apndice slo se ilustraron algunas caractersticas de LINGO. Se pueden encontrar ms de
talles en la documentacin que acompaa a LINGO. Para obtener el manual del usuario en LINGO, se

debe bacer clic en


Help 1 Help tapies

Contents 1 Lingo Users Manual.

De manera alternativa se pueden buscar trminos especficos en el ndice al hacer cHe en


Help 1 Help tapies 1 Index.
LINGO est disponible en una variedad de tamaos. La versin que se incluye en el CD-ROM est
limitada a 150 restricciones funcionales y 300 variables de decisin. (Cuando se trata de problemas
de programacin entera en el captulo 1 1 o problemas de programacin no lineal en el captulo 12,
se permite un mximo de 30 variables enteras y 30 variables no lineales. En el caso de optimizacin
global de los problemas explicados en la seccin 12.10, el nmero total de variables de decisin no
pueden ser ms de

5.) La versin ms grande (llamada versin extendida) est limitada slo por el

espacio de almacenamiento disponible de la computadora. No es raro tener decenas de miles de res

tricciones funcionales y cientos de miles de variables. LINGO est disponible para la mayora de los
sistemas operativos ms importantes, incluso para LINUX.

90

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

Si desea ver cmo puede LINGO formular un modelo muy grande como el ejemplo de planeacin
de la produccin introducido en la seccin 3.7, un suplemento de este apndice en el CD-ROM mues
tra la formulacin de LINGO para este ejemplo. El suplemento reduce el nmero de productos, plan
tas, mquinas y meses, introduce los datos reales en la formulacin y despus muestra la solucin com
pleta. Sigue con la ilustracin de la depuracin y verificacin de este modelo grande. Adems, describe
con ms detalle cmo recuperar datos de archivos externos (incluso las hojas de clculo) y cmo in
sertar los resultados en los archivos existentes.
Adems de este suplemento, el CD incluye tanto un tutoral de LINGO como archivos de LIN
GOILINDO con numerosos ejemplos de formulaciones de LINGO. Estos archivos de LINGOILINDO
para otros captulos incluyen formulaciones de LINGO de problemas en un mbito distinto al de la
programacin lineal. Adems, en la seccin 1 2 . 1 0 se explica la caracterstica de optimizacin global
en LINGO para afrontar problemas complicados de programacin no lineal. Tambin vanse las refe
rencias seleccionadas 4 y 6 si se desea un mayor detalle en el estudio de LINGO.

REFERENCIAS SELECCIONADAS
1.

2.
3.
4.

5.
6.
7.

Anderson, D. R.. D. 1. Sweeney y T. A. Williams, An lntroduction lo Management Science, lOa. ed.,


West, Sto Paul, MN, 2003, caps. 2, 4.
Gass, S., An Illustrated Guide to Linear Programming, Dover Publications, Nueva York, 1990.
Hillier, F. S. y M. S. Hillier, Introduction to Management Science: A Modeling and Case Studies
Approach with Spreadsheets, 2a. ed., McGraw-Hill/Irwin, Burr Ridge, IL, 2003, caps. 2, 4.
L1NGO User's Guide, LINDO Systems, Inc" Chicago, IL, 2003.
Manual MPL Modeling System (Release 5.0), Maximal Software, Inc., Arlington, VA, e-mail: info
@maximalsoftware.com, 2004.
Schrage, L., Optimization Modeling with L1NGO, LINDO Systems Press, Chicago, lL, 2003.
WilIiams, H. P., Model Building in Mathematical Programming, 4a. ed., Wiley, Nueva York, 1999 .

AYUDAS DE APRENDIZAJE PARA ESTE CAPTULO EN El CD-ROM


Ejemplos resueltos:
Ejemplos del captulo 3

Ejemplo de demostracin en OR Tutor:


Mtodo grfico

Procedimientos en IOR Tutorlal:


Mtodo grfico interactivo
Mtodo grfico y anlisis de sensibilidad

Complemento de Excel:
Premium Solver for Education

"Cap. 3. Introd. a archivos LP" para resolver los ejemplos:


Archivos Excel
Archivo LINGOILINDO
Archivo MPLlCPLEX

Glosarlo del captulo 3

91

PROBLEMAS
Suplemento del apndice 3.1:

Ms acerca de LINGO.

Vase el apndice 1 de la documentacin del software .

P ROBLEMAS
Los smbolos a la izquierda de algunos problemas (o de sus incisos)
significan lo siguiente:
El ejemplo de demostracin indicado puede ser til.

D:

1:

El uso del procedimiento correspondiente en IOR Thtorial

C:

Utilice la computadora para resolver el problema con el mtodo

Xl + X2 :$ 1 8
3x, + X2 :5 44
y

puede resultar til (la impresin registra su trabajo).


smplex. Las opciones de software disponibles incluyen Excel

3.6). MPUCPLEX (seccin


3 .7), LINGO (apndice 3.1) y LINDO (apndice 4.1), pero siga
Solver o Premium Solver (seccin

las instrucciones de su profesor sobre esto.

XI O,
D,!

1:

IOx, + 20X2,

-Xl + 2x2 :s; 15


Xl + X2 :S; 12
5x, + 3X2 :5 45

Para cada una de las siguientes restricciones, dibuje una

..

sujeta a

se da al menos una respuesta parcial.

3.1

Utilice el mtodo grfico para resolver el problema:

Maximizar

Un asterisco en el nmero del problema indica que al final del libro

3.1-5.

grfica individual para mostrar las soluciones no negativas que las


satisfacen.

a) x, + 3X2 :5 6
b) 4x, + 3X2 :5 12
e) 4x, + X2 :5 8
d) Ahora combine

estas restricciones ' en una sola grfica para

mostrar la regin factible del conjunto completo de restricciones


funcionales ms las de no negatividad.
D

3.12.

Considere la siguiente funcin objetivo de un modelo de

programacin lineal:
MaximizarZ

a)
b)

2x1 + 3X2

Dibuje en una grfica las rectas correspondientes a la funcin


objetivo deZ

6, Z 12 yZ 18.

Encuentre la forma ordenada-pendiente de la ecuacin de estas


tres rectas de la funcin objetivo. Compare las pendientes y las
intercepciones con el eje X2.

3.1-3.

a)
b)

3.1-6.

$60 por cda ventana con marco de ma


$30 por cada una con marco de aluminio. Doug hace mar
cos de madera y puede terminar 6 al da. Linda hace 4 marcos de alu
minio por da. Bob forma y corta el vidrio y puede hacer 48 pies
aluminio. La ganancia es de

dera y de

cuadrados de vidrio por da. Cada ventana con marco de madera em


plea 6 pies cuadrados de vidrio y cada una de aluminio,

Encuentre la forma pendiente-ordenada de esta ecuacin.


Use esta forma para identificar la pendiente y la intercepcin de

La compaa desea determinar cuntas ventanas de cada tipo


debe producir al da para maximizar la ganancia total.

a)

3.1. Despus construya y lle


3.1 de este problema, e identifique

Co. que se present en la seccin

b)

las actividades y los recursos.


Formule un modelo de programacin lineal.

e) Use el mtodo grfico para resolver el modelo.


I ti) Un nuevo competidor tambin produce ventanas con marco de

D.!

madera. Esta circunstancia puede forzar a la compaa a redu


cir el precio y por ende la ganancia debida a este tipo de ven

e) Use la informacin del inciso b) para dibujar una grfica de la

tanas. Cmo cambiara la solucin ptima (si cambia) si la ga

recta.
D,!

Describa la analoga entre este problema y el de Wyndor Glass


ne una tabla como la tabla

esta lnea con el eje X2-

3.1-4.'

8 pies cuadra

dos.

Considere la siguiente ecuacin de una recta:

2Ox, + 4OX2 400

La empresa Whitt Window tiene slo tres empleados que hacen

dos tipos de ventanas a mano: con marco de madera y con marco de

$60 a $40? y
$60 a $20? (Puede resultar til emplear el procedimiento de

nancia por ventana de madera disminuyera de


de

Utilice el mtodo grfico para resolver el problema:

Maximizar
sujeta a

X2 :$ 10
2x, + 5X2 :5 60

1 e)

anlisis grfico y anlisis de sensibilidad en el lOR Thtorial.)


Doug piensa reducir sus horas de trabajo, lo cual reducira el n
mero de ventanas de madera que produce por da. Cmo carn
birua la solucin ptima si hace slo

5 marcos diarios? (Puede

resultar til emplear el procedimiento de anlisis grfico y an


lisis de sensibilidad en el IOR Tutorial.)

CAPTULO 3

92

3.1-7.

INTRODUCCiN A LA PROGRAMACiN LINEAL

La compaa WorldLight produce dos dispositivos para lm

paras (productos

I y 2) que requieren partes de metal y componen

tes elctricos. La administracin desea detenninar cuntas unidades

de cada producto fabricar para maximizar la ganancia. Por cada uni


dad del producto

I se requieren I unidad de partes de metal y 2

unidades de componentes elctricos. Por cada unidad del producto

2 se necesitan 3 unidades de partes de metal y 2 unidades de com


200 unidades de partes de
metal y 300 de componentes elctricos. Cada unidad del producto I
da una ganancia de $1 y cada unidad del producto 2, hasta 60 uni
dades, da una ganancia de $2. Cualquier exceso de 60 unidades del
producto 2 no genera ganancia, por lo que fabricar ms de esa can

3.1-10:

La compaa manufacturera Omega descontinu la pro

duccin de cierta lnea de productos no redituable. Esta medida cre

un exceso considerable de capacidad de produccin. La adminis


tracin quiere dedicar esta capacidad a uno o ms de tres productos,
llamados productos l .

2 Y 3. En la siguiente tabla se resume la ca

pacidad disponible de cada mquina que puede limitar la produc


cin:

ponentes elctricos. La compaa tiene

tidad est fuera de consideracin.

a)

D.!

Formule un modelo de programacin lineal.

b)

Utilice el mtodo grfico para resolver este modelo. Cul es

Tiempo disponible
(en horas-mquina por semana)

Tipo de mquina

Fresadora
Torno
Rectificadora

500
350
150

la ganancia total que resulta?

3.1-8.

La compaa de seguros Primo est en proceso de introducir

El nmero de horas-mquina requeridas para elaborar cada unidad de

dos nuevas lneas de productos: seguro de riesgo especial e hipotecas.

los productos respectivos es

$2 por unidad de hipoteca.

Coeficiente de productividad
(en horas-mquina por unidad)

La ganancia esperada es de

$5 por el seguro de riesgo especial y de

La administracin desea establecer las cuotas de venta de las


nuevas lneas para maximizar la ganancia total esperada. Los reque
rimientos de trabajo son los siguientes:

Horas-hombre
por unidad
Departamento

Riesgo especial

Suscripciones
Administracin
Reclamaciones

3
O
2

Hipoteca

Tipo de mquina

Producto 1

Producto 2

9
5
3

3
4
O

Fresadora
Torno
Rectificadora
Horas-hombre
disponibles

2
1
O

2 400
800
1 200

Producto 3

5
O
2

El departamento de ventas indica que las ventas potenciales de

los productos 1 y 2 exceden la tasa mxima de produccin y que las

ventas potenciales del producto

3 son de 20 unidades por semana.


$20 y $25, para los pro

La ganancia unitaria respectiva sera de $50,


ductos

1, 2 Y 3. El objetivo es determinar cuntos productos de cada

tipo debe producir la compaa para maximizar la ganancia.

a)

D,!

e)

a)

Fonnule un modelo de programacin lineal.

b)

Use el mtodo grfico para resolver el modelo.

Verifique el valor exacto de su solucin ptima del inciso b) con


la solucin algebraica de las dos ecuaciones simultneas rele

3.1-11.

Considere el siguiente problema, donde el valor de

Maximizar

Weenies and Buns es una planta procesadora de alimentos

que fabrica hot dogs y pan para hot dogs. Muelen su propia harina
para el pan a una tasa mxima de . 200 libras por semana. Cada
pan requiere

Utilice una computadora para resolver este modelo mediante

el mtodo smplex.

todava no s e ha establecido.

vantes.

3.1 ..9.

Formule un modelo de programacin lineal.

b)

lunes. Cada hot dog requiere

ambos productos. Por ltimo, la mano de obra consiste en

5 em

(40 horas por semana). Cada hot dog


3 minutos de trabajo y cada pan 2 minutos de este insu
mo. Cada hot dog proporciona una ganancia de $0.20 y cada pan
$0.10.

exl + Xz,

Xl + x2 ::; 6
XI + 2x2 '" 10

de libra de producto de puerco. Se

cuenta con suficiente cantidad del resto de los ingredientes de

sujeta a

0.1 libras. TIenen un contrato con Pigland, Inc., que


800 libras de productos de puerco cada

especifica la entrega de

pleados de tiempo completo


requiere

Weenies and Buns desea saber cuntos hot dogs y cuntos panes

deben producir cada semana para lograr la ganancia ms alta posi


ble.

a)

D,I

Use el mtodo grfico para determinar la(s) solucin(es) ptima(s)

de (x1 , X2) para los diferentes valores posibles de e l ( - 00


D

3.1-12.

Considere el siguiente problema, donde el valor de

dava no se ha establecido.

Fonnule un modelo de programacin lineal.

b)

Use el mtodo grfico para resolver el modelo.

< e l < 00).

Maximizar

Z=

XI + 2x"

k to

93

PROBLEMAS

sujeta a

-Xl + X2 :s; 2
X2 :s; 3
kx + X2 :5 2k + 3,

x,

donde k 2: O

Xl 2: O,
La solucin que se usa por ahora es Xl

2, X2 = 3. Utilice el anli
sis grfico para determinar los valores de k tales que esta solucin
=

..J _ "'-':c...-'-'''''"'--'
(O, O) ...."'""--"'""'-'-"'-" ""'-'-"--.::.""-'

sea de hecho ptima.


D 3.1-13. Considere el siguiente problema para el que no se han de
terminado los valores de el Y e2'

Maximizar
sujeta a
2x + X2 :5 1 1
-Xl + 2x2 :S; 2
y

Utilice el mtodo grfico para determinar la o las soluciones p


timas de (Xi> X2) para los diferentes valores posibles de el Y e2'
(Sugerencia: separe los casos en los cuales e2 = O, e2 > O Y e2
< O. En los dos ltimos casos centre su atencin en la razn el
para C2')
3.2-1. La siguiente tabla resume los hechos importantes sobre dos

productos, A y B, los recursos, Q, R Y S, requeridos para producir


los.

Recursos utilizados
por unidad de producto
Recurso

Producto

Q
R
S

2
1
3

Ganancia por
unidad

Producto B

Cantidad
de recursos
disponibles

1
2
3

2
2
4

Todos los supuestos de programacin lineal se cumplen.

a) Fonnule un modelo de programacin lineal.


D,I b) Resuelva este modelo en forma grfica.
e) Verifique el valor exacto de la solucin ptima en b) mediante

4>-___
(6, O) X

_
_

Diga si cada una de las siguientes afirmaciones es falsa o verdadera


y despus justifique su respuesta con base en el mtodo grfico. En
cada caso d un ejemplo de una funcin objetivo que ilustre su res
puesta.
a) Si (3, 3) produce un valor ms grande de la funcin objetivo
que (O, 2) Y (6, 3), entonces (3, 3) debe ser una solucin p
tima.
b) Si (3, 3) es una solucin ptima y existen soluciones ptimas
mltiples. entonces uno de los dos, (O, 2) o (6, 3), tambin
debe ser una solucin ptima.
e) El punto (O, O) no puede ser una solucin ptima.
3.2-3.

'"

Hoy es su da de suerte. Acaba de ganar un premio de


$10 000. Dedicar $4 000 a impuestos y diversiones, pero ha deci
dido invertir los otros $6 000. Al or esta noticia, dos amigos le han
ofrecido una oportunidad de convertirse en socio en dos empresas
distintas, cada una planeada por uno de ellos. En ambos casos, la
inversin incluye dedicar parte de su tiempo el siguiente verano
y dinero en efectivo. Para ser un socio pleno en el caso del primer
antigo debe .invertir $5 000 y 400 horas, y su ganancia estimada
(sin tomar en cuenta el valor del dinero en el tiempo) sera de $4 500.
Las cifras correspondientes para el segundo caso son $4 000 y
500 horas, con una ganancia estimada de $4 500. Sin embargo, am
bos amigos son flexibles y le permitiran participar con cualquier
fraccin de participacin que quiera. Si elige una participacin par
cial, todas las cifras dadas para la sociedad plena (inversin de di
nero y tiempo, y la ganancia) se pueden multiplicar por esta frac
cin.
Como de todas formas usted busca un trabajo de verano in
teresante (mximo 600 horas), ha decidido participar en una o am
bas empresas en alguna combinacin que maximice su ganancia to
tal estimada. Usted debe resolver el problema de encontrar la mejor
combinacin.
a) Describa la analoga entre este problema y el de la Wyndor Glass,
Co. que se present en la seccin 3.1. Despus construya y lle
ne una tabla como la 3.1 para manejar este problema, e identi
fique las actividades y los recursos.
b) Formule un modelo de programacin lineal.
D,I e) Use el mtodo grfico para resolver el modelo. Cul es su
ganancia total estimada?

la solucin algebraica de las dos ecuaciones relevantes.


3.2..2. El rea sombreada de la siguiente grfica representa la regin

factible de un problema de programacin lineal cuya funcin obje


tivo debe maximizarse.

D,I 3.2-4. Use el mtodo grfico para encontrar todas las soluciones

ptimas del siguiente modelo:


Maximizar

5OOx + 3OOx,.

94

CAPTULO 3

INTRODUCCIN A LA PROGRAMACIN LINEAL

ma que los valores de Z para los valores posiblemente factibles de


(XI. X2) son los que se dan en la siguiente tabla:

sujeta a
15x + 5x, ,,; 300
IOx + 6X2 "; 240
&xl + 12x, ,,; 450

X.
X,

o
1
2

o
3
6

4
8
12

8
13
18

y
Xl 2: 0,

X2 ;::: O.

D 3.2-5. Utilice el mtodo grfico para demostrar que el siguiente


modelo no tiene soluciones factibles.
Maximizar

z=

5x + 7x,.

sujeta a
2x, - x2 ::5 - 1
-Xl + 2x2 :5 1
-

y
X2 2: O.

D 3.2-6. Suponga que se proporcionaron las siguientes restricciones


de un modelo de programacin lineal.
-Xl + 3X2 :5 30
-3x + x2 :5 30
y
Xl 2: 0,

a) Demuestre que la regin factible es no acotada.


b) Si el objetivo es maximizar Z = -Xl + X2, tiene el modelo una
solucin ptima? Si es as, encuntrela. Si no, explique las razones de ello.
e) Repita el inciso b) cuando el objetivo es maximizar Z = XI
- X2'
ti) En las funciones objetivo con las que el modelo no tiene solu
cin ptima, significa esto que no existen buenas soluciones se
gn el modelo? Explique. Qu es probable que est mal en la
formulacin del modelo?
3.3-1. Reconsidere el problema 3.2-3. Indique por qu cada uno
de los cuatro supuestos de programacin lineal (seccin 3.3) pare
ce que se satisface de modo razonable. Es algn supuesto ms du
doso que los otros? Si es aS, qu debe hacerse para tomar esto
en cuenta?
3.32. Considere un problema con dos variables de decisin, XI y
X2, que representan los niveles de las actividades l y 2, respectiva
mente. Los valores permitidos para cada variable son O, 1 Y 2, en
donde las combinaciones factibles de estos valores de las dos varia
bles estn detennnadas por una serie de restricciones. El objetivo
es maximizar cierta medida de desempeo denotada por Z. Se esti-

Con base en esta informacin indique si este problema satisfa


ce por completo cada uno de los supuestos de programacin lineal.
Justifique sus respuestas.

3.4-t: En cada uno de los cuatro supuestos de programacin lineal


de la seccin 3.3, escriba un anlisis de un prrafo sobre la medida en
que se aplican correctamente a los siguientes ejemplos que se presen
taron en la seccin 3.4:
a) Diseo de terapia de radiacin (Mary).
b) Planeacin regional (Southern Confederation of Kibbutzim).
c) Control de contaminacin del aire (Nori & Leets Co.).
3.4-2. En cada uno de los cuatro supuestos de programacin lineal
de la seccin 3.3. escriba un anlisis de un prrafo sobre la medida
en que se aplican correctamente a los siguientes ejemplos que se pre
sentaron en la seccin 3.4.
a) Reciclado de desechos slidos (Save-It Co.).
b) Programacin de personal (Unin Airways).
e) Distribucin de bienes a travs de una red (Distribution Unlim
ited Co.).
D,I

3.4-3. Utilice el mtodo grfico para resolver el problema:


Minimizar

Z=

15x + 20X2'

sujeta a
Xl + 2x2 ==: I D
3X2 S 6
Xl + X2 ==: 6

2x I

y
XI ==: O,

X2 ==: O.

D,I 3.44. Utilice el mtodo grfico para resolver este problema:


Minimizar

Z=

sujeta a
XI + 2x2 ::s 12
2x + 3x, = 12
2x1 + X2 8
y
XI ;;:':: O,

X2 =:-: O.

3x + Zx"

9S

PROBLEMAS

3.4-5. Considere el siguiente problema. donde el valor de c, no


se ha determinado.
D

Maximizar

CIX + 2x2

sujeta a
4x + X2 :s:: 12
Xl - X2 2
y

Use el mtodo grfico para determinar la(s) solucin(es) de


(XI> x,) para los valores posibles de c"
D,!

3.4-6. Considere el siguiente modelo:


Minimizar

40x, + 50x"

sujeta a

Ralph quiere determinar el nmero de porciones diarias (pueden ser


fraccionales) de res y papas que cumpliran con estos requerimien
tos a un costo mnimo.
a) Formule un modelo de programacin lineal.
D,! b) Use el mtodo grfico para resolver el modelo.
e e) Utilice una computadora para resolver este modelo por el
mtodo smplex.

3.4-8. Web Mercantile vende muchos productos para el hogar me


diante un catlogo en lnea. La compaa necesita un gran espacio
para almacenar los productos. En la actualidad planea rentar espacio
para los siguientes 5 meses. Se sabe cunto espacio necesitar cada
mes, pero como el mismo vara mucho, puede ser ms econmico
rentar slo la cantidad necesaria cada mes con contratos mensuales.
Por otro lado, el costo adicional de rentar espacio para meses adicio
nales es menor que para el primero, y puede ser menos costoso ren
tar el espacio mximo los 5 meses. Otra opci6n es el enfoque inter
medio de cambiar la cantidad total de espacio rentado (con un nuevo
contrato y/o la terminaci6n del anterior) al menos una vez pero no
cada mes.
El espacio requerido y los costos de los periodos de arren
damiento son los siguientes:

3X2 ." 30
XI + Xl 2': 12
2>:, + X2 '" 20
2>:, +

Mes

y
XI 2': O,

a) Use el mtodo grfico para resolver este modelo.


b) Cmo vara la solucin ptima si la funcin objetivo cambia
Z
40x, + 7Ox2? (Puede resultar til emplear el procedimien
to de anlisis grfico y anlisis de sensibilidad mediante el IOR
Thtorial.)
e) Cmo vara la solucin ptima si la tercera restriccin funcio
na! cambia a 2>:, + X2 ." 15? (Puede resultar til emplear el pro
cedimiento de anlisis grfico y anlisis de sensibilidad ll1l'<Iian
te el IOR Thtorial.)
=

3.4-7. La carne con papas es el plato favorito de Ralph Edmund.


Por eso decidi hacer una dieta continua de s610 estos dos alimen
tos (ms algunos lquidos y suplementos de vitaminas) en todas sus
comidas. Ralph sabe que sa no es la dieta ms sana y quiere ase
gurarse de que toma las cantidades adecuadas de los dos alimentos
para satiSfacer los requerimientos nutricionales. Cuenta con la si
guiente infonnaci6n nutricional y de costo:

Gramos de
Ingrediente
por porcin

1
2
3
4
5

Espacio
requerido
(ft2)

30 000
20 000
40 000
1 0 000
50 000

Res

Papas

Requerimiento diario
(gramos)

Carbohidratos
Protefnas
Grasa

5
20
15

15
5
2

;::: 50
40
$ 60

Costo por porcin

$4

$2

Costo por fe
arrendado

$ 65
$ 1 00
$ 1 35
$ 1 60
$ 1 90

2
3
4
5

El objetivo es minimizar el costo total de arrendamiento para cumplir


con los requerimientos.
a) Formule un modelo de programaci6n lineal.
e b) Resuelva este modelo por el mtodo smplex.

3.4-9. Larry Edison es el director del centro de cmputo de Buckly


College, en donde debe programar las horas de trabajo del personal
del centro. Abre de las 8 a.m. a la media noche. Larry estudi el uso
del centro en las diferentes horas del da y determin los siguientes
nmeros de asesores en computacin necesarios:

Hora

Ingrediente

Periodo de
arrendamiento
(meses)

8 a.m.-1 2 p.m.
1 2 p.m.-4 p.m.
4 p.m.-8 p.m.
8 p.m.-12 a.m.

Nmero mnimo de asesores


requeridos

4
8
10
6

Puede contratar dos tipos de asesores: de tiempo completo y de


tiempo parciaL Los primeros trabajan 8 horas consecutivas en cual
quiera de los siguientes turnos: matutino (8 a.m.-4 p.m.), vespertino

CAPTULO 3

96

INTRODUCCiN A LA PROGRAMACiN LINEAL

(12 p.m.-8 p.m.) y nocturno (4 p.m.-12 a.m.). Estos asesores ganan


$14 por hora.
Los asesores de tiempo parcial pueden trabajar cualquiera de
los cuatro tumos enumerados en la tabla anterior y ganan $12 por
hora.
Un requisito adicional es que durante todos los periodos debe
haber al menos dos asesores de tiempo completo por cada uno de
tiempo parcial.
Larry desea detennioar cuntos asesores de tiempo completo y
cuntos de tiempo parcial debe haber en cada tumo para cumplir con
los requisitos a un costo mnimo.
a) Formule un modelo de programacin lineal.
e b) Resuelva este modelo por el mtodo simplex.

3.4-10: La Medequip Company produce equipos de precisin de


diagnstico mdico en dos fbricas. Se han recibido pedidos de tres
centros mdicos para la produccin de este mes. La tabla muestra el
costo unitario de envo desde cada fbrica a cada centro. Adems,
muestra el nmero de unidades que se producirn en cada fbrica y
el nmero de unidades ordenadas por cada cliente.

Fbrica 1
Fbrica 2

Tamao de
la orden

Costo unitario de envo


Cliente 1

Cliente 2

Cliente 3

Produccin

$600
$400

$800
$900

$700
$600

400 unidades
500 unidades

300
unidades

200
unidades

400
unidades

Ahora debe tomar la decisin sobre el plan de cuntas unidades


enviar de cada fbrica a cada cliente.
a) Fonnule un modelo de programacin lineal.
e b) Resuelva el modelo por el mtodo simplex.

3.4-11: Al Fertis tiene $60 000 que desea invertir ahora para usar
lo que se acumule en la compra de un fondo de retiro dentro de
5 aos. Despus de consultar a su asesor financiero, le ofrecieron
cuatro tipos de inversiones de ingreso fijo, las inversiones A, B, e
y O.
Las inversiones A y B estn disponibles al principio cada uno
de los siguientes 5 aos (aos 1 a 5). Cada dlar invertido en A
al iniciar el ao redita $1.40 (ganancia de $0.40) 2 aos despus
(a tiempo para invertir de inmediato). Cada dlar invertido en B da
$1.70 tres aos despus.
Las inversiones e y D estarn disponibles una sola vez en el fu
turo. Cada dlar invertido en C al principio del ao 2 genera $1 .90
al final del 5. Cada dlar invertido en O al principio del ao 5 pro
duce $1.30 al final de ese ao.
Al desea saber cul plan de inversin maximiza la cantidad de
dinero acumulada al principio del ao 6.
a) Todas las restricciones funcionales de este problema se pueden
expresar como igualdades. Para hacerlo, sean At, Bt, et y Dt las
cantidades respectivas invertidas en A. B, e y D al principio del
ao t si la inversin est disponible y llegar a su madurez al fi
nal del ao 5. Tambin sea Rt la cantidad de dinero disponible

no invertida al principio del ao t (tambin disponible para in


vertir en un ao psterior). As, la cantidad invertida al princi
pio del ao t ms R, debe ser igual a la cantidad disponible pa
ra inversin en ese tiempo. Escriba una ecuacin en trminos de
las variables relevantes para el inicio de cada uno de los 5 aos
para obtener las cinco restricciones funcionales de este proble
ma.
b) Formule un modelo de programacin lineal completo.
e e) Resuelva este modelo por el mtodo simplex.

3.4-12. Metalco Company desea hacer una nueva aleacin con 40%
de aluminio, 35% de zinc y 25% de plomo a partir de varias alea
ciones disponibles que tienen las siguientes propiedades:

Aleacin
Propiedad

Porcentaje de aluminio
Porcentaje de zinc
Porcentaje de plomo

60
10
30

25
15
60

45
45
10

20
50
30

50
40
10

Costo ($/Iibra)

22

20

25

24

27

El objetivo es detenninar las proporciones de estas aleaciones que


deben mezclarse para producir la nueva aleacin a un costo mnimo.
a) Formule un modelo de programacin lineal.
e b) Resuelva este modelo por el mtodo smplex.

3.4-13'" Un avin de carga tiene tres compartimientos para almace


nar: delantero, central y trasero. Estos compartimientos tienen un
lmite de capacidad tanto de peso como de espacio. Los datos se re
sumen enseguida;

Compartimiento

Delantero
Central
Trasero

Capacidad
de peso
(ton)

Capacidad
de espacio
(ft')

12
18
10

7 000
9 000
5 000

Ms an, para mantener el avin balanceado, el peso de la carga en


los respectivos compartimientos debe ser proporcional a su capaci
dad.
Se tienen ofertas para cuatro cargamentos en un vuelo prximo
ya que se cuenta con espacio:

Peso
(ton)

Volumen

Carga

(ft'/ton)

Ganancia
(S/ton)

1
2
3
4

20
16
25
13

500
700
600
400

320
400
360
290

97

PROBLEMAS

se-J!U"de aceptar cualquier fraccin de estas cargas. El objetivo es

detenninar qu cantidad de cada carga debe aceptarse (si se acepta)


para maximizar la ga
y c6mo distribuirla en los compartimientos
nancia del vuelo.

a ) Fonnule un modelo de programacin lineal.


una
e b) Resuelva el modelo por el mtodo smplex para encontrar
de sus soluciones ptimas mltiples.

3.4-14. Oxbridge University tiene una computadora grande para uso


de acadmicos, estudiantes de doctorado y ayudantes de investiga
cin. Durante las horas hbiles debe haber un trabajador para ope

rar y

dar mantenimiento a la computadora y realizar algunos servi

cios de programacin. Beryl Ingram, director del centro de cmputo,

coordina la operacin.

Caloras Caloras Vitamina C Protena Costo


de grasa totales
(mg)
(4)
(g)

Ingredientes
Pan (1 rebanada)
Mantequilla
de manf
(1 cuch.)
Mermelada
de fresa
(1 cuch.)
Galleta
(1 pieza)
Leche (1 taza)
Jugo (1 taza)

10

70

75

1 00

50

20
70
O

60
1 50
100

O
2
1 20

1
8
1

8
15
35

Al principio del semestre de otoo, Beryl se enfrenta al proble

ma de asignar horas de trabajo distintas a sus operadores. Debido a


que sto son estudiantes de la universidad, estn disponibles para
el trabajo s610 un nmero limitado de horas al da, como se mues
tra en la tabla.

Los requerimientos nutritivos son los siguientes. Cada nio de


be recibir de 400 a 600 caloras. No ms de 30% de las caloras to
tales deben venir de grasas. Cada nio debe consumir al menos

60

mg de vitamina e y 12 g de protena. Todava ms, por razones prc

ticas, cada nio necesita 2 rebanadas de pan (para un sndwich). al

Mximo de horas disponibles


Operadores

K. C.
D. H.
H. B.

S.

C.
K. S.
N. K.

Tasa salarial

Lun.

Mar.

Mi.

lue.

Vle.

S1 0.00/hora
S 10.1 O/hora
S 9.90/hora
S 9.80/hora
S10.80/hora
S l 1 .30/hora

6
O
4
5
3
O

O
6
8
5
O
O

6
O
4
5
3
O

O
6
O
O
8
6

6
O
4
5
O
2

menos el doble de mantequilla de man que de mennelada y al me


nos una tasa de lquido (leche y/o jugo de naranja).
Joyce y Marvin desean seleccionar las opciones de alimento pa
ra cada nio que minimice el costo mientras cumple con los reque
rimientos establecidos.

a) Fonnule un modelo de programacin lineal.


e b) Resuelva el modelo por el mtodo smplex.
3.51. Lea el artculo citado al pie de pgina en la seccin 3.5 que

describe el caso de estudio presentado en ella: "Choosing the Prod


uct Mix at Ponderosa Industrial".

Hay seis operadores (cuatro de licenciatura y dos de pos

grado). Todos tienen salarios diferentes segn su experiencia con


computadoras y su aptitud para programar. La tabla muestra estos

a) Describa dos factores que. segn el artculo, con frecuencia impi


b)

den que 10s administradores usen modelos de optimizacin.


La seccin

3.5 indica sin profundizar que el uso de programacin

lineal en Ponderosa "provoc un cambio drstico en los tipos de

salarios junto con el nmero mximo de horas al da que cada uno

productos de triplay ms importantes de la compaa". Identifique

Se garantiza a cada operador un nmero mnimo de horas de

e) Debido al xito de esta. aplicacin. la administracin estaba im

puede trabajar.

trabajo a la semana que lo mantendrn con un conocimiento adecua


do de la operacin. Este nivel se estableci de modo arbitrario en

8 horas por semana para licenciatura (K. C.; D. H., H. B . Y S. C.) y


7 horas por semana para posgrado (K. S. y N. K).
El centro de cmputo debe abrir de 8 a.m. a 10 p.m. de lunes

a viernes con un operador de guardia en este horario. Sbados y


domingos. otras personas lo operan.

Debido al presupuesto reducido, Beryl tiene que minimizar el


costo. Ella quiere detenninar el J).mero de horas que debe asignar

a cada operador cada da.

a) Fonnule un modelo de programacin lineal.


e b) Resuelva este modelo por el mtodo smplex.
3.4-15. Joyce y Marvin tienen una guardera. Ellos intentan decidir
qu dar a Is nios de almuerzo. Desean mantener sus costos bajos,
pero tambin deben cumplir con los requeriIIentos nutritivos para ni

os. Ya decidieron darles sndwiches de mantequilla de man y mer


melada y alguna combinacin de galletas, leche y jugo de naranja. El
contenido nutritivo de cada alimento y su costo se presenta en la si
guiente tabla.

este cambio.

paciente por usar la optimizacin tambin en otros problemas.

Identifique esos otros problemas.

) Obtenga una fotocopia de las dos pginas del apndice con la


formulacin matemtica del problema y la estructura del mode
lo de programacin lineal.

3.5-2. Lea el artculo citado al pie de pgina en la seccin 3.5 que

describe el caso de United Airlines presentado en esa seccin: " Per


sonnel Scheduling at United Airlines".

a) Describa cmo preparaba United Airlines los cambios de tumo

en aeropuertos y oficinas de reservaciones antes del estudio de

10.
b) Al inicio del estudio, la definici6n del problema especific cinco
necesidades de proyectos. Identifiquelas.

e) Al final de la presentacin del ejemplo correspondiente en la


seccin 3.4 (programacin de personal de Unin AirwaysJ, se
hizo notar que el supuesto de divisibilidad no se cumpla para
este tipo de aplicacin. Se necesita una solucin entera. pero la

programacin lineal puede proporcionar una solucin ptima no


entera. Cmo manej este problema United Airlines?

CAPTULO 3

98

INTRODUCCiN A LA PROGRAMACiN LINEAL

ti) Describa la flexibilidad con que se construy el sistema de pro


gramacin para satisfacer la cultura del grupo en cada oficina.

de eada parte requiere procesamiento en dos mquinas, con los si


guientes tiempos de procesado (en horas):

Por qu era necesaria esta flexibilidad?

e) Describa brevemente los beneficios tangibles e intangibles que

Parte

resultaron de este estudio.

3_5.3_ Lea el artculo de 1986 citado al pie de pgina en la seccin


2.1 que describe el tercer caso de estudio presentado en la seccin 3.5:
"Planning Supply, Distribution, and Marketing at Citgn Petroleum

Mquina

1
2

0.02
0.05

0.03
0.02

0.05
0.04

Corporation".

a) Qu ocurri durante los aos que precedieron este estudio de


10 que hizo que fuera mucho ms importante controlar la can

tidad comprometida en inventario?

b) Qu rea geogrfica cubren la red de tubedas de distribucin,

Cada mquina est disponible 40 horas al mes. La ganancia unitaria


de cada parte fabricada est dada por:

los autotanques y los barcos de Citgo? En dnde comercializa

Parte

Citgo sus productos?

e) Qu periodos estn incluidos en el modelo?


ti) Qu computadora us Citgo para resolver el modelo? Cules
eran los tiempos de corrida nanuales?

e) Cules son los cuatro tipos de usuarios del modelo? Cmo lo


usa cada uno?
/)

Enumere los tipos de informes ms importantes generados por


el sistema SDM.

g)

Cules fueron los retos ms grandes durante la implantacin de


este estudio?

h) Enumere los beneficios directos e indirectos obtenidos de este


estudio.

Ganancia

$50

$40

$30

Ed quiere determinar la mezcla de refacciones que debe producir


para maximizar la ganancia total.

a) Formule un modelo de programacin lineal.


b) Despliegue el modelo en una hoja de Excel.
e) Realice tres estimaciones de la solucin ptima. Use la hoja de
clculo para verificar la factibilidad de cada una y, si es factible,
encuentre el valor de la funcin objetivo. Qu estimacin tiene

3.6-1. Se tienen \os siguientes datos de un problema de progra


>11

macin lineal cuyo objetivo es maximixar la ganancia de asignar tres


recursos a dos actividades no negativas.

el mejor valor de la funcin objetivo?

ti) Utilice Excel Solver para resolver este modelo por el mtodo
smplex.

3.6-3. Usted cuenta con los siguientes datos de un problema de pro


gramacin lineal cuyo objetivo es minimizar el costo de realizar dos
actividades no negativas para lograr tres beneficios que nunca estn

Uso de recursos por


unidad de cada actividad
Recuno

Actividad

por debajo de ciertos niveles mnimos.

Cantidad de
Actividad 2 recursos disponible
1

1
2
3

2
3
2

3
4

Contribucin
por unidad

$20

$30

10
20
20

Contribucin por unidad = ganania por unidad de la actividad.

a) Fonnule un modelo de programacin lineal.


D,I b) Use el mtodo grfico para resolver este modelo.
e) Despliegue el modelo en una hoja de clculo.
ti) Use la hoja de clculo para verificar las siguientes soluciones:
(Xl, X2) = (2, 2) , (3 , 3), (2, 4), (4, 2), (3, 4), (4, 3). Cules son
factibles? Cul de las soluciones factibles tiene el mejor valor
de la funcin objetivo?

e e) Utilice el Excel Solver para resolver el modelo por el mtodo


smplex.

Contribucin al beneficio por


unidad de actividad
Beneficio

Actividad

1
2
3

Actividad 2

5
2

3
2

$60

$50

Costo unitario

Nivel
mnimo
aceptable
60
30
126

a) Formule un modelo de programacin lineal.


D,! b) Utilice el mtodo grfico para resolver este modelo.
e) Despliegue el modelo en una hoja de Excel.
ti) Use la hoja de clculo para verificar las siguientes soluciones:
(Xl , X2) (7, 7), (7, 8), (8, 7), (8, 8), (8, 9), (9, 8). Cules solu
=

ciones son factibles? Cul de ellas tiene el mejor .valor obje


tivo?

e e) Use el Excel Solver para resolver el modelo por el mtodo sm


plex.

3.6-2. Ed Buder es gerente de produccin de Bileo Corporacin, que

3.6-4. Fred Jonasson administra la granja de su familia. Para com

produce tres tipos de refacciones para automviles. La manufactura

plementar varios alimentos que se cultivan en la granja, Fred tam-

>11

PROBLEMAS

99

. bin cra cerdos para venta y desea detenninar las cantidades de los
ditintos tipos de alimento disponibles (maz, grasas y alfalfa) que
debe dar a cada cerdo. Como stos se comern cualquier mezcla de
estos tipos de alimento, el objetivo es detenninar qu mezcla cumple
ciertos requisitos nutritivos a un costo m(nimo. En la siguiente tabla
se presentan las unidades de cada tipo de ingrediente nutritivo bsico
contenido en 1 kilogramo de cada tipo de alimento, junto con los
requisitos de nutricin diarios y los costos de los alimentos:

ingrediente
nutritivo

KIlogramo Kilogramo Kilogramo Requerimiento


minlmo
de
de
de
maz
nutrfmento .If.lfa
dIario

Carbohidratos
Protefna
Vitaminas

90
30
10

20
80
20

40
60
60

Costo ()

84

72

60

200
1 80
1 50

a) Formule el modelo de programacin lineal.


b) Despliegue el modelo en una hoja de Excel.
e) Utilice la hoja de clculo para verificar: si (XI> X2, x,) (1, 2,
2) es factible y, si lo es, cul sera el costo diario de esta dieta.
Cuntas unidades de cada ingrediente nutritivo proporciona al
=

Maureen desea detenninar la mezcla de inversiones en estas acciones


que cubrir los requerimientos de efectivo y que minimizar la can
tidad total invertida.
a) Formule un modelo de programacin lineal.
b) Despliegue el modelo en una hoja de clculo.
e) Utilice la hoja de clculo para verificar la posibilidad de com
prar 100 unidades de la accin 1, 100 de la accin 2 y 200 de
la 3. Cunto efectivo generar esta mezcla de inversiones den
tro de 5, 10 Y 20 aos, respectivamente? Cul ser la cantidad
total invertida?
ti) Utilice el enfoque de prueba y error con la hoja de clculo para
obtener su mejor solucin ptima. Cul es la inversin total
para su solucin?
e e) Use Excel Solver para resolver el modelo por el mtodo sm
plex.

3.7-1. La Philbrick Company tiene dos plantas en lados opuestos de


Estados Unidos. Cada planta produce los mismos dos productos y
los vende a distribuidores en su mitad del pas. Ya se recibieron las
rdenes de los distribuidores para los prximos 2 meses (febrero y
marzo); el nmero de unidades requeridas se muestra en la tabla. (La
compafta no est obligada a cumplir totalmente estas rdenes, pero
lo har, si puede, sin disminuir sus ganancias.)

Planta 1

da esta dieta?

ti) Tome unos minutos para usar un enfoque de prueba y error con
la hoja de clculo a fin de obtener la mejor estimacin de la solu
cin ptima. Cul es el costo diario de su solucin?
e e) Use el Excel Solver para resolver el modelo por el mtodo sm
plexo

Producto
1
2

Planta 2

Febrero

Marzo

Febrero

Marzo

3 600
4 500

6 300
5 400

4 900
5 1 00

4 200
6 000

3.6-5. Maureen Laird es directora de inversiones de Alva Electric


Ca., empresa importante en el medio oeste. La compaa ha pro
gramado la construccin de nuevas plantas hidroelctricas a 5, 10
Y 20 aos para cumplir con las necesidades de la creciente pobla
cin en la regin que sirve. Manreen debe invertir parte del dine
ro de la compaa para cubrir sus necesidades de efectivo futuras.
Puede comprar slo tres tipos de acciones, cada una de las cuales
cuesta $1 miU6n por unidad. Se pueden comprar unidades fraccio
narias. Las acciones producen ingresos a 5, 1 0 Y 20 aos, y el in
greso se necesita para cubrir requerimientos mnimos de flujos de
efectivo en esos aos. (Cualquier ingreso arriba del mnimo reque
rido para cada periodo se usar para incrementar el pago de divi
dendos a los accionistas en lugar de ahorrarlo para ayudar a cum
plir con los requerimientos mnimos de efectivo del siguiente
periodo.) La tabla que se presenta a continuacin muestra la can
tidad de ingreso generada por cada unidad de acciones y la canti
dad mnima de ingreso requerida para cada periodo futuro en que
se construir una nueva planta.

Ingresos por accin

Ailo
5
10
20

Accin 1

Accin 2

AccIn 3

S2 millones
$0.5 millones
Sl milln
SO.5 millones SO.5 millones
$1 milln
O
$1 .5 millones $2 millones

Flujo de
efectIvo
requerIdo
$400 millones
$1 00 millones
$300 millones

Cada planta 'tiene 20 das de produccin disponibles en febrero y


23 en marzo para producir y enviar los productos. Los inventarios
se agotan al final de enero, pero cada planta tiene suficiente capa
cidad de inventario para I 000 unidades en total de los dos pro
ductos, si se produce un exceso en febrero para venta en marzo.
En cualquier planta, el costo de mantener inventario de esta mane
ra es de $3 por unidad del producto I y $4 por unidad del produc
to 2.
Cada planta tiene los mismos dos procesos de produccin que
se pueden usar para producir cualquiera de estos productos. El cos
to de produccin por unidad producida se muestra en la tabla para
cada proceso en cada planta.

Planta 2

Planta 1
Producto Proceso 1
1

$62
$78

Proceso 2

Proceso 1

Proceso 2

$59
$85

$61
$89

$65
$86

La tasa de produccin de cada producto (nmero de unidades pro


ducidas por da dedicado a ese producto) tambin se da para cada
proceso en cada planta en la pgina 100.

CAPTULO 3

100

Planta 1
Producto Proceso 1
1

1 00
120

INTRODUCCiN A LA PROGRAMACiN LINEAL

Planta

Proceso 2

Proceso 1

140
150

1 30
1 60

e 3.7-5. Reconsidere el problema 3.6-4.


a) Use MPUCPLEX para formular y resolver el modelo para este

Proceso

110
1 30

problema.

b) Use LINGO para formular y resolver este modelo.


e 3.7-6. Reconsidere el problema 3.6-5.
a) Use MPUCPLEX para formular y resolver el modelo para este
problema.

El ingreso neto por ventas (precio de venta menos costos de en

b) Use LINGO para formular y resolver este modelo.

vo normal) que recibe la compaa cuando una planta vende los pro
ductos a sus propios clientes (distribuidores en su mitad del pas) es
de $83 por unidad del producto

1 y $ I I 2 por unidad del producto

3.7-7. Una fbrica grande de papel, la Quality Paper Cotporation,


tiene 10 molinos de papel para surtir a 1 000 clientes. Usa tres tipos

2. Sin embargo, tambin es posible (y en ocasiones deseable) que

alternativos de mquinas y cuatro tipos de materia prima para hacer

una planta haga un envio a la otra mitad del pas para ayudar a sa

cinco tipos diferentes de papel. Por lo tanto, la compaa debe de

tisfacer la venta de la otra. Cuando esto ocurre, se incurre en un cos

to adicional de

$9 para el producto 1 y $7 para el producto 2.

sarrollar un plan detallado para distribuir mensualmente la produc


cin, con el objeto de minimizar el costo total de producir y distri

La administracin debe determinar cunto producir de cada pro

buir el papel durante el mes. En particular, es necesario determinar

ducto en cada proceso de cada planta cada mes, al igual que cun

conjuntamente la cantidad de cada tipo de papel que debe producir

to debe vender cada planta de cada producto cada mes y cunto de

en cada planta, en cada tipo de mquina y la cantidad de cada tipo

be enviar cada planta de cada producto cada mes a los clientes de la

de papel que debe enviar de cada planta a cada cliente.

otra planta. El objetivo es determinar el plan factible que maximice


la ganancia total (ingresos netos por venta menos la suma de los cos

Los datos relevantes se pueden expresar simblicamente como


sigue:

tos de prcxlucci6n. de inventario y los costos adicionales de envo).

a) Formule un modelo completo de programacin lineal en forma


algebraica para mostrar las restricciones individuales y las va
riables de decisin.

e b) Formule el mismo modelo en una hoja de Excel. Despus use

Djk

rktm

pus use CPLEX de MPL para resolverlo.

e ti) Use LINGO para formular el modelo en forma compacta. Des


pus use LINGO para resolverlo.

e 3.7-2. Reconsidere el problema 3.1-10.


a) Use MPUCPLEX para formular y resolver el modelo para este
problema.

el cliente j,

= nmero de unidades de materia prima

necesarias pa

ra producir 1 unidad del tipo de papel k en la mquina

Excel Solver para resolverlo.

e e) Use MPL para formular el modelo en forma compacta. Des

nmero de unidades del tipo de papel k demandadas por

tipo 1,

Rim = nmero de unidades de materia prima m disponibles en


la planta i,
Ckl = nmero de unidades de capacidad de la mquina tipo 1

que producirn una unidad de papel tipo k,

C"

n'1'ero de unidades de capacidad de la mquina tipo 1


disponibles en la planta i.

b) Use LINGO para formular y resolver este modelo.

Pikl = costo de produccin de cada unidad de papel tipo k pro

e 3.7-3. Reconsidere el problema 3.4-10.


a) Use MPUCPLEX para formular y resolver el modelo para este

Tjk

problema.

ducida en la mquina tipo 1 en la planta i,

costo de transporte de cada unidad de papel tipo k en


viada de la planta

i al cliente j.

b) Use LINGO para formular y resolver este modelo.

a) Utilice estos smbolos para formular a mano un modelo de pro

e 3.7-4. Reconsidere el problema 3.4-14.


a) Use MPUCPLEX para formular y resolver el modelo para este

b) Cuntas restricciones funcionales y variables de decisin tiene

problema.

b) Use LINGO para formular y resolver este modelo.

gramacin lineal para este problema.

este modelo?

e e) Use MPL para formular este problema.


e ti) Use LINGO para formular este problema.

CASOS

CASO 3.1

Ensamble de automviles

Automobile Alliance, una gran compaa manufacturera de


automviles, organiza los vehculos que fabrica en tres fami
lias: camiones, automviles pequeos y una familia de autos
medianos y de luj o. Una planta fuera de Detroit, MI, ensam-

bla dos modelos de la familia de autos medianos y de lujo.


El primer modelo, el Thrillseeker. es un sedn cuatro puertas
con asientos de vinil, interiores de plstico, caractersticas es
tndar y un excelente rendimiento. Se comercializa como una
buena compra para familias de clase media con presupuestos
reducidos. Cada Thrillseeker vendido genera una ganancia

CASOS

modesta de $3 600 para la compaa. El segundo modelo, el


Classy Cruiser, es un sedn de lujo de dos puertas con asien
tos de piel, interiores de madera, caractersticas personaliza
das y capacidades de navegacin. Se vende como un smbo
lo de opulencia a familias de clase media-alta y cada uno
genera una buena ganancia de $5 400.
Rachel Rosencrantz, gerente de la planta de ensamble,
debe decidir el programa de produccin del prximo mes. En
especial, debe determinar cuntos Thrillseekers y cuntos
Classy Cruisers ensamblar en la planta para maximizar la ga
nancia de la compala. Sabe que la planta tiene una capaci
dad de 48 000 horas de mano de obra al mes. Tambin que
ensamblar un Thrillseeker lleva 6 horas-hombre y un Cruise
Classy 10.5 horas-hombre.
Como en la planta slo se ensambla, las partes requeri
das para los dos modelos no se producen en ella. En su lu
gar, se envan de otras plantas ubicadas en el rea de Michi
gano Por ejemplo, llantas, volantes, ventanas, asientos y
puertas llegan de varias plantas proveedoras. Para el prximo
mes, Rachel sabe que podr obtener slo 20 000 puertas
(10 000 izquierdas y 10 000 derechas) del proveedor de estas
partes. Una huelga de trabajadores reciente forz el cierre de
esa fbrica durante varios das, y no podr cumplir con su
programa de produccin para el siguiente mes. Tanto el Th
rillseeker como el CIassy Cruiser usan la misma puerta.
Adems, un pronstico reciente de la compaa sobre la
demanda del mes de los diferentes modelos sugiere que la
venta del Classy Cruiser se limitara a 3 500 autos. No exis
te un tope a la demanda del Thrillseeker dentro de los lmi
tes de capacidad de la planta de ensamble.
a) Fonnule y resuelva un problema de programacin lineal para de
tenninar el nmero de autos Thrillseeker y de Classy Cruiser que
deben ensamblarse.

Antes de tomar las decisiones de produccin finales, Rachel


planea explorar los siguientes aspectos por separado, excepto
donde se indica otra cosa.
b) El departamento de mercadotecnia sabe que puede intentar una
campaa de publicidad de $500 000 que elevar la demanda del
Classy Cruiser 20% el prximo mes. Debe realizarse la cam
paa?

e) Rachel sabe que puede aumentar la capacidad de produccin de la


planta el prximo mes si usa tiempo extra. El incremento de horas-

101

hombre puede ser de 25%. Con la nueva capacidad, cuntos mo


delos Thrillseeker y cuntos Classy Cruiser deben ensamblarse?

el) Rachel sabe que el tiempo extra genera un costo adicional. Cul
es la mxima cantidad que debe estar dispuesta a pagar por todo
el tiempo extra adicional al costo del tiempo normal? Exprese su
respuesta como una sola suma.

e) Rachel estudia la opcin de usar tanto la campaa de publicidad


como las horas de tiempo extra. La campara eleva 20% la de
manda del Classy Cruiser y el tiempo extra aumenta la capaci
dad de la planta 25%. Cuntos modelos Thtillseeker y cuntos
Classy Cruiser deben ensamblarse con la campaa publicitaria

las horas extra si cada Classy Cruiser vendido mantiene su con


tribucin de 50% ms que la venta de un Thtillseeker?
j) Si se sabe que la campaa de publicidad cuesta $500 000 y el uso
mximo de horas-trabajo de tiempo extra cuesta $ 1 600 000 ms
que el tiempo normal, la solucin encontrada en el inciso e) es
adecuada comparada con la solucin del inciso a)?

g) Automobile Alliance ha determinado que, en realidad, los distri


buidores hacen grandes descuentos al precio del Thrillseeker pa
ra sacarlo del lote. Por un acuerdo de ganancias compartidas con
los distribuidores, la compaa no obtendr la ganancia de $3 600
en el Thtillseeker sino que ganar slo $2 800. Determine el n
mero de autos Thrillseeker y de Classy Cruiser que deben ensam
blarse dado este nuevo precio con descuento.

h) La compaa descubri problemas de calidad en el Thrillseeker


mediante pruebas aplicadas a unidades aleatorias al final de la l
nea de ensamble. Los inspectores detectaron que en ms de 60%
de los casos, dos de las cuatro puertas del automvil no sellaban
bien. Como el porcentaje de autos Thrillseeker defectuosos de
terminado por el muestreo aleatorio es tan alto, el supervisor de
planta decidi realizar pruebas de control de calidad a todos los
vehculos al final de la lnea. Debido a las pruebas adicionales,
el tiempo para ensamblar un auto aument de 6 a 7.5 horas. De
termine

d nmero de unidades de cada modelo que deben en

samblarse dado este nuevo tiempo de ensamble.

i) El consejo directivo de Alliance desea captar un mayor porcentaje


de mercado para el sedn de lujo y quisiera cumplir con toda la
demanda del Classy Cruiser. Por ello, pidieron a Rachel que de
termine cunto disminuira la ganancia de su planta de ensamble
comparada con la ganancia del inciso a). Pueden pedirle que
cumpla con toda la demanda de este modelo s6lo si la disminu

cin de la ganancia no supera los $2 000 000.

j) Rachel quiere tomar la decisin final combinando todas las con


sideraciones de los incisosf), g) y

h). Cules son sus decisiones

finales respecto de la campaa publicitaria, las horas extra y el


nmero de autos Thrillseeker y Classy Cruiser que se deben en
samblar?

102

CAPTULO 3

INTRODUCCiN A LA PROGRAMACiN LINEAL

RESUMEN D E LOS CASOS ADICIONALES EN EL CD-ROM

CASO 3.2

Disminucin de costos
en una cafetera

Este caso se enfoca en cierto problema que tiene un inters


especial para muchos estudiantes. Cmo puede el adminis
trador de una cafetera universitaria elegir los ingredientes de
un platillo para darle un sabor suficientemente bueno para los
estudiantes, al mismo tiempo que disminuye sus costos? En
este caso, se pueden utilizar modelos de programacin lineal
con slo dos variables de decisin para abordar siete diferen
tes aspectos a los que se tiene que enfrentar el administrador.

CASO 3.3 Asignacin de personal


en un centro de llamadas
El California Children's Hospital ha recibido numerosas que
jas de clientes debido a su confuso proceso descentralizado
de citas y registro. Por lo tanto, se ha decidido centralizar el
proceso con el establecimiento de un centro de llamadas de
dicado slo a citas y registro. El administrador del hospital
debe desarrollar un plan que le ayude a decidir cuntos em
pleados de cada tipo (de tiempo completo o de medio tiem
po, que hablen ingls, espaol o que sean bilinges) se deben
contratar para cada uno de los posibles turnos de trabajo. Se
requiere de programacin lineal para encontrar un plan que
minimice el costo total de proporcionar un nivel de servicio
satisfactorio a lo largo de las 14 horas que el centro de lla
madas estar abierto todos los das de la semana. El modelo

requiere ms de dos variables de decisin, por lo cual se ne


cesitar algn paquete de software como los descritos en las
secciones 3.6 y 3.7 o en el apndice 3 . 1 para resolver las dos
versiones del modelo.

CASO 3.4

Promocin de un cereal
para el desayuno

El vicepresidente de comercializacin de la Super Grain Cor


poration necesita desarrollar una campaa promocional para
el nuevo cereal para el desayuno que ha lanzado su compaa.
Se han elegido tres medios de comunicacin para la campaa,
pero ahora se deben tomar las decisiones acerca de cunto se
utilizar en cada medio. Las restricciones incluyen lmites a
los presupuestos para publicidad y planeacin, el limitado n
mero de anuncios de televisin que se pueden realizar, as co
mo ciertos requerimientos para llegar a dos audiencias objeti
vo especiales (nios pequeos y sus padres) y para hacer uso
completo de un programa de rebajas. El modelo de programa
cin lineal correspondiente requiere ms de dos variables de
decisin, por lo que se necesitar algn paquete de software
como los descritos en las secciones 3.6 y 3.7 o en el apndi
ce 3.1 para resolver el modelo. En este caso tambin se pide
un anlisis para determinar en qu medida satisface el proble
ma los cuatro supuestos de la programacin lineal. La pro
gramacin lineal en realidad proporciona una base racional pa
ra tomar decisiones gerenciales en esta situacin? (El caso 12.3
proporcionar una continuacin de ste.)