n

Universidad de Concepcio
Facultad de Ingeniera
Departamento de Ingeniera Industrial

Apuntes para Modelaci

on de Sistemas:

Modelamiento Matem
atico
Rosa Medina D.
Este documento es una sntesis de las clases de modelamiento matematico
para la carrera de Ingeniera Civil Industrial. Comprende los temas de:
Componentes de los modelos
Modelos clasicos
Aplicaciones industriales
Se basa en apuntes de clases y libros especificados en referencias.
Cualquier observacion enviar a rosmedina@udec.cl

2015-2
v1.1

Indice
1. Introducci
on

1.1. Componentes de los modelos de decision . . . . . . . . . . . . . . . . . . . .

2. Modelos Cl
asicos

2
4

2.1. Problema de la Mochila . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Problema de Bin Packing . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Problema de Localizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4. Set Covering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5. Set P artitioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

2.6. Problema de Localizacion Capacitado . . . . . . . . . . . . . . . . . . . . . .

11

2.7. Problema de Asignacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

2.8. Problema de Transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

2.9. Problema de Flujo de Costo Mnimo . . . . . . . . . . . . . . . . . . . . . .

14

3. Aplicaciones Industriales

15

3.1. Produccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

3.1.1. Tasas de produccion . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

3.1.2. Mezcla de materias primas . . . . . . . . . . . . . . . . . . . . . . . .

17

3.1.3. Proceso productivo . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

3.1.4. M
ultiples periodos e Inventarios . . . . . . . . . . . . . . . . . . . . .

19

3.2. Personal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

3.3. Finanzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

1.

Introducci
on
Los modelos matematicos apoyan la toma de decisiones, entregando un enfoque cuan-

titativo y objetivo a la eleccion entre alternativas. Comenzaron a utilizarse fuertemente en

el contexto de la segunda guerra mundial, para apoyar las decisiones logsticas. Concluida
la guerra, algunas empresas vieron su utilidad y eficiencia, sin embargo, se pensaba que
deban ser construidos exclusivamente por especialistas matematicos debido a su complejidad; provocando que quienes estaban mas cercanos al contexto de la toma de decisiones no
participaran del proceso de modelacion, perdiendo eficacia las soluciones encontradas. Una
segunda inquietud era respecto al tiempo que se requera tanto para la modelacion como para
la resolucion de estos modelos, ya que no se contaba con la tecnologa ni las herramientas
para encontrar soluciones efectivas y oportunas.
Debido a los avances tecnologicos, los modelos matematicos ahora pueden estar a disposicion de todos los integrantes de las organizaciones para apoyar la toma de decisiones. No
es necesario ser un experto matematico para poder formularlos y existen softwares amigables
para la resolucion de grandes modelos en tiempos razonables.
No hay que olvidar que, como todos los modelos, son simplificaciones de la realidad, las
soluciones obtenidas a traves del modelo deben ser validadas con la intuicion de los tomadores de decisiones. De esta forma las organizaciones modernas cuentan con una herramienta
poderosa a la hora de tomar decisiones, de manera que la intuicion y la solucion cuantitativa
se complementan.
El objetivo de estos apuntes es conocer algunos prototipos de modelos de Programacion
Lineal y Programacion Lineal Entera utilizados en investigacion de operaciones para apoyar
la toma de decisiones. De esta forma se espera facilitar y motivar el aprendizaje de los
metodos de resolucion en cursos superiores.

1.1.

Componentes de los modelos de decisi

on

Los modelos matematicos presentados en estos apuntes apoyan la toma de decisiones.

Por ejemplo, suponga que usted desea distribuir su tiempo entre los estudios, el deporte y su
familia, para mejorar su calidad de vida, midiendo su nivel de estres. Podra decidir cuantas

horas dedicar a cada actividad, ya que cada hora que estudia le genera 5 puntos de estres, una
hora de deporte le disminuye 3 puntos de estres y una hora con su familia le genera 2 puntos
de estres. No puede cambiar, por ejemplo, el tiempo total del que dispone (ya que cada da
tiene solo 24 horas). Tambien puede observar que algunas actividades tienen limitaciones,
por ejemplo, esta obligado a un mnimo de 4 horas de estudio para rendir satisfactoriamente
en la universidad.
Los componentes de los modelos son:
variables, las decisiones que debe tomar. Cuantas horas dedicar a estudiar, al deporte
y a su familia.
objetivo, la finalidad de tomar esas decisiones. Nos permite evaluar cuando una decision es mejor que otra. Menos nivel de estres.
restricciones, los lmites que pueden tener las variables o sus combinaciones. Nos
permiten describir el entorno en que las decisiones son validas. No puede dedicar todo
el tiempo al deporte y su familia.
par
ametros, los valores (datos) que no podemos cambiar y son determinantes para el
modelo. Los puntos de estres que genera cada hora dedicada a una actividad particular.
En la formulacion del modelo, se suele comenzar por la definicion de las variables y
funcion objetivo, para luego ver las restricciones y parametros involucrados. En los modelos
de decision, la funcion objetivo buscara optimizar (maximizar o minimizar) las decisiones
tomadas.
En el ejemplo anterior, podemos especificar que la distribucion la quiere realizar en un
horizonte de un da. Por otro lado, en realidad dispone de solo 14 hrs. al da, luego de
alimentarse y dormir.
Definimos las variables como:
x: horas dedicadas a estudiar
y: horas dedicadas al deporte
z: horas dedicadas a su familia
3

Ninguna de estas variables podra tomar un valor negativo, e. g., no puede dedicar menos
dos horas a estudiar. Este tipo de restriccion se denomina de no negatividad.
Ademas, se indica que el mnimo de horas de dedicacion a estudiar es 4 hrs. Esto significa
que: x 4, y 0, z 0.
Obviamente, es deseable minimizar el nivel de estres, por lo cual la funcion objetivo sera:
M in 5x 3y + 2z
Las horas dedicadas a las actividades deben desarrollarse dentro de las 14 hrs. diarias
que tiene, es decir:
x + y + z 14
El modelo completo lo podemos expresar como:

5x 3y + 2z

M in
s.a

x + y + z 14
x 4, y 0, z 0

s.a se lee como sujeto a e indica el inicio de la lista de restricciones. En los cursos de
Optimizacion I y Optimizacion II se estudiaran los metodos para resolver estos problemas.

2.

Modelos Cl
asicos

2.1.

Problema de la Mochila

Un famoso modelo en Investigacion de Operaciones es el Problema de la Mochila, o

Knapsack Problem en ingles. En este modelo se deben decidir que objetos incluir en un
contenedor (mochila) que tiene una capacidad limitada. Los objetos tienen un peso y un
beneficio asociado, el objetivo es maximizar el beneficio de los objetos seleccionados, sin
sobrepasar el tama
no del contenedor.
Matematicamente, modelamos los objetos como un conjunto de ndices, cada uno re4

presentado a un objeto. Si tenemos n objetos, entonces nuestro conjunto de objetos es

J = {1, 2, 3, . . . , n 1, n}. Un objeto cualquiera lo representaremos como j J. El peso
de un objeto j lo podemos representar con pj . El beneficio de un objeto j lo podemos representar como bj . Tanto el peso como el beneficio corresponden a par
ametros del modelo, ya
que son datos conocidos para cada objeto.
Podemos definir las variables como la decision de llevar o no un objeto j determinado.
Esta decision es binaria, y podemos representarla con el valor 1 si el objeto es seleccionado,
y 0 si no seleccionamos el objeto.

xj =

el objeto j J es seleccionado.

en otro caso (e.o.c.)

El objetivo en este problema lo podemos modelar como la suma de la multiplicacion del

beneficio de un objeto por la variable de decision asociada a ese objeto, de esta forma, si el
objeto j NO es seleccionado (la variable es cero), no se agrega ese beneficio bj a la funcion
objetivo. Luego, la funcion objetivo sera:

M ax

n
X

b j xj

j=1

Equivalentemente, tambien podramos escribir la funcion objetivo como:

M ax

b j xj

jJ

En este problema tenemos solo una restricci

on que es no exceder la capacidad maxima
del contenedor. Podemos representar esta capacidad como C, para escribir nuestra restriccion
como que la suma de los pesos de los objetos multiplicados por la variable que representa a
ese objeto debe ser a lo mas igual que la capacidad.
n
X

p j xj C

j=1

El modelo completo se vera as:

n
P

M ax

bj x j

j=1

s.a

n
P

p j xj C

j=1

xj {0, 1}

j = 1, ..., n

Ejercicio
Modifique el modelo del Problema de la Mochila para modelar el siguiente problema.
Una persona desea invertir $5.000 durante el proximo a
no en dos tipos de inversion. La
inversion A redit
ua 5 % y la inversion B 8 %. La investigacion de mercado recomienda una
asignacion de por lo menos 25 % en A y cuanto mucho 50 % en B. Ademas, la inversi
on A
debe ser por lo menos de la mitad de la inversion B. Como deben asignarse los fondos a las
dos inversiones?

2.2.

Problema de Bin Packing

En este modelo se deben agrupar los objetos que se desean llevar en el menor n
umero
de contenedores. Los objetos tienen un peso asociado y los contenedores tienen una capacidad maxima. El peso de los objetos seleccionados para un contenedor no puede superar su
capacidad.
Supongamos que tenemos un conjunto de n objetos O, cada uno con peso wi . Tambien,
tenemos m contenedores C de capacidad C.
Para que el problema sea factible, la suma de todos los pesos de los objetos debe ser
menor que la suma de las capacidades de los contenedores disponibles.
variables

xij =

si el objeto i O se lleva en el contenedor j C.

e.o.c.

yi =

si se usa el contenedor j C

e.o.c.

objetivo
minimizar el n
umero de contenedores utilizados.
par
ametros
wi : peso de un objeto i
C: capacidad de cada contenedor.
modelo

n
P

M in

yj

j=1

s.a

m
P

xij Cyj

i=1
n
P

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

xij = 1

j=1

xij , yj {0, 1} i = 1, ..., m; j = 1, ..., n

Podemos observar que las variables xij no estan presentes en la funcion objetivo. La
primera de las restricciones permite relacionar las variables, de manera que si un contenedor
a no es utilizado (ya = 0), no podemos asignar objetos a el (xia = 0). Tambien indica que
si se asignan objetos a un contenedor, no se puede sobrepasar la capacidad maxima del
contenedor. La segunda restriccion indica que todos los objetos deben asignarse una u
nica
vez a un u
nico contenedor.
Ejercicio
Modele el siguiente problema utilizando el modelo del Problema de Bin Packing.
En un paseo de fin de a
no de un colegio, se desea contratar el menor n
umero de buses,
manteniendo unidos los alumnos de un mismo curso. Cada bus tiene una capacidad de 45
pasajeros y los tama
nos de los cursos se muestran en la siguiente tabla:
7

Curso no alumnos
1o A
23
o
2 A
25
3o A
20
o
4 A
19

2.3.

Curso no alumnos
1o B
18
o
2 B
27
3o B
22
o
4 B
24

Problema de Localizaci
on

El modelo busca localizar el mnimo n

umero de centros de servicio, dadas algunas ubicaciones preliminares, con el objetivo de servir a todos los clientes al menor costo total:
activacion del centro y servicio a cada cliente.
Se poseen m clientes y existen n posibles ubicaciones para los centros de servicio. Cada
centro de servicio tiene un costo de activacion fj . Por cada cliente i y centro de servicio j,
se conoce el costo de servicio cij asociado.
Debemos decidir cuales centros de servicio se activaran y a cuales clientes servira cada
uno.
variables
yj =

xij =

si se activa el centro de servicio j J.

e.o.c.

si el cliente i C es servido por el centro de servicio j J.

e.o.c.

objetivo
minimizar los costos de instalacion de un centro de servicio y los costos de servir a
cada cliente.
par
ametros
fj costo de instalar el centro de servicio j
cij costo de servir al cliente i desde el centro j
modelo

M in

Pn

s.a

2.4.

j=1

fj y j +
Pn

Pm Pn

j=1

j=1 cij xij

i=1

i = 1, ..., m

xij = 1

xij yj

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

xij , yj {0, 1}

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

Set Covering

Si consideramos los clientes en el problema de localizacion pueden ser servidos (a un costo

cero) o no por algunos de los centros, el modelo se transforma a decidir el mnimo n
umero
de centros de servicios que instalar a un costo fj .
variables

1 si el centro de servicio j se instala

xj

0 e.o.c.
objetivo
minimizar los costos de instalacion de los centros de servicio.
par
ametros
fj costo de instalar el centro de servicio j.
Ji los centros de servicio que pueden atender al cliente i.
modelo

M in

Pn

j=1

jJi

f j xj

xj 1

xj {0, 1}j = 1, ..., n

9

i = 1, . . . , m

Ejercicio
Modifique el modelo de Set Covering para modelar el siguiente problema.
Se desea conocer nombre, telefono, puntaje PSU ponderado, promedio curricular y cantidad de libros pedidos en la biblioteca de los alumnos en una base de datos que contiene cuatro
tablas.
La primera tabla tiene los datos anagraficos: nombre, fecha de nacimiento, nacionalidad,
direccion, telefono y estado civil. La segunda tabla tiene los datos de ingreso a la universidad:
n
umero de matrcula, nombre, telefono, direccion, plan de estudios, a
no de ingreso. La tercera
tabla tiene los datos de la PSU: n
umero de matrcula, nombre, NEM, puntaje en LyC, puntaje
en Matematica, puntaje en Ciencias y puntaje PSU ponderado. La cuarta tabla tiene los datos
de la biblioteca: n
umero de matrcula, nombre, telefono, libros en prestamo, libros pedidos,
libros devueltos.
Cuanto es el mnimo de tablas que se deben consultar y cuales son.

2.5.

Set P artitioning

Se obtiene al sustituir en la restriccion del modelo anterior las desigualdades por igualdades, es decir, no se permite un sobrecubrimiento de los clientes.

1 si el centro de servicio j se instala

variables xj

0 e.o.c.
objetivo
minimizar los costos de instalacion de los centros de servicio.
par
ametros
fj costo de instalar el centro de servicio j.
Ji los centros de servicio que pueden atender al cliente i.
modelo

10

Pn

M in

j=1

jJi

f j xj

xj = 1 i = 1, . . . , m

xj {0, 1}

j = 1, ..., n

Notar que la diferencia con el modelo anterior es el tipo de restricciones.

2.6.

Problema de Localizaci
on Capacitado

A diferencia del Problema de Localizacion, en el modelo capacitado se considera ademas

que los clientes tienen una demanda di que se debe satisfacer y que los centros de servicio
tienen una oferta oj correspondiente a su capacidad maxima de satisfacer la demanda.
variables

1 si se activa el centro de servicio j J.

yj

0 e.o.c.

1 si el cliente i C es servido por el centro de servicio j J.

xij

0 e.o.c.
objetivo
minimizar los costos de instalacion de los centros de servicio y los costos de servir a
cada cliente.
par
ametros
fj costo de instalar el centro de servicio j.
cij costo de servir al cliente i desde el centro j.
di demanda del cliente i.
oj oferta del centro de servicio j.

11

modelo

M in

Pn

j=1

fj y j +
Pn

Pm Pn

j=1

i=1

j=1 cij xij

xij = 1,

xij yj ,
Pm

i=1

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

di xij oj yj ,

j = 1, ..., m

yj , xij {0, 1}i = 1, . . . , m; j = 1, ..., n

2.7.

Problema de Asignaci
on

El modelo contempla un n
umero de tareas y un n
umero igual de maquinas que trabajan
en forma secuencial. El tiempo que tarda cada maquina en realizar cada tarea se conoce y
es distinto para cada una.
El objetivo es asignar cada tarea a una maquina, de manera que el tiempo total de realizar
todas las tareas sea mnimo.
variables

xij

1 si la tarea i se asigna a la maquina j.

0 e.o.c.

objetivo
minimizar la suma de los tiempos de las asignaciones de tareas a maquinas.
par
ametros
tij tiempo de proceso de la tarea i en la maquina j.
modelo

12

M in
s.a.

Pn Pn

j=1 tij xij

i=1

Pn

xij = 1,

j = 1, ..., n

Pn

xij = 1,

i = 1, ..., n

i=1

j=1

xij {0, 1},

2.8.

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

Problema de Transporte

El modelo considera la distribucion en una cadena de abastecimiento, en donde existen m

plantas productivas y n salas de venta. Cada planta productiva tiene una capacidad instalada
que genera la oferta oi de la planta. Cada sala de venta tiene clientes que generan la demanda
dj .
Por otra parte, existen costos unitarios cij asociados al transporte de la produccion desde
cada planta a las salas de venta. Se desea determinar la cantidad de productos que se enviaran
desde cada planta a cada sala de venta considerando no exceder las ofertas y satisfacer las
demandas. Para que el problema sea factible el total de la oferta debe igualar a la demanda.
variables
xij : unidades producidas en la planta i que son destinadas a la sala de venta j.
objetivo
minimizar los costos de transporte de los productos desde las plantas a las salas de
venta.
par
ametros
oi oferta de las plantas productivas.
dj demanda de las salas de venta.
cij costo unitario de transportar los productos desde la planta i a la sala de venta j.
modelo

13

M in
s.a.

Pm Pn
i=1

j1

cij xij

Pn

xij = oi ,

i = 1, ..., m

Pm

xij = dj ,

j = 1, ..., m

j=1

i=1

xij 0,

2.9.

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

Problema de Flujo de Costo Mnimo

El modelo supone un caso mas general que el modelo del Problema de Transporte, en
donde se incluyen p centros de distribucion que no tienen demanda, ademas de las plantas
productivas con oferta oi y las salas de venta con demanda dj .
Cada una de las conexiones (i, j) entre las plantas y los centros de distribucion o salas de
venta, tienen un costo de transporte unitario asociado cij al transporte de cada unidad de
producto que va desde i hasta j. Se debe decidir cuantas unidades se deben enviar por cada
conexion, sin sobrepasar la oferta de las plantas productivas, para satisfacer la demanda al
menor costo posible la demanda de las salas de ventas.
variables
xij : unidades de productos enviadas por la conexion (i, j).
objetivo
minimizar los costos de transporte de las unidades.
par
ametros
oi : oferta de las plantas productivas.
dj : demanda de centros de distribucion o salas de venta (cero para los centros de
distribucion).
cij : costo por unidad transportada por la conexion (i, j).
modelo

14

Pm Pn

M in
s.a

i=1

j=1 cij xij

(1)

Pn

xij = oi ,
i = 1, ..., m
Pm
Pn
i=1 xij =
k6=j,k=1 xjk + dj , j = 1, ..., n
j=1

xij 0

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

(2)
(3)
(4)

La restriccion 2, nos indica que la suma de todos los productos que salen desde una planta
productiva equivale a la oferta de la planta. La restriccion 3, nos indica que en un centro de
distribucion o sala de venta, los productos que llegan son iguales a los que salen hacia otra
sala de venta mas los que son demandados (vendidos) en ese punto. Este tipo de restricciones
se denominan conservacion de flujo.

3.

Aplicaciones Industriales

3.1.

Producci
on

El contexto de esta aplicacion suele darse en las empresas u organizaciones que deben
decidir que productos fabricar y en cuanta cantidad, mediante una eficiente asignacion de
los recursos disponibles.
Podemos considerar como recursos la materia prima, el trabajo de los empleados, el
tiempo de las maquinas, etc.
El modelo general considera que existen n tipos de productos i y m tipos de recursos j,
cada recurso con una disponibilidad, Tj .
Por cada producto i y cada recurso j, se conoce la cantidad necesaria tij del recurso
para obtener una unidad. Tambien se conoce la utilidad ci por cada tipo de producto i, de
manera que maximize la utilidad total de todos los productos, bajo el supuesto que todas
las unidades producidas seran vendidas.
Ejercicio
Identifique los componentes para el modelo descrito.

15

Ejemplo
Un carpintero produce mesas y sillas. Por cada mesa obtiene una utilidad de 5.000 y
por cada silla 3.000. Tiene disponible para trabajar (mano de obra) 40 horas semanales y se
demora en cada mesa 2 hrs. y 1 hr. en cada silla. Ademas, tiene disponible 50 paneles de
madera, de los cuales requiere 5 para fabricar una mesa y 3 para fabricar una silla. Cuantas
mesas y cuantas sillas debe producir en una semana para maximizar su utilidad.
variables
xM : unidades de mesas producidas.
xS : unidades de sillas producidas.
objetivo
Maximizar la utilidad de las mesas y sillas producidas.
par
ametros
UM =5.000 [$/mesa]: utilidad obtenida por cada mesa producida.
US =3.000 [$/silla]: utilidad obtenida por cada silla producida.
TM AN ODEOBRA =40 [Hrs.]: tiempo disponible de mano de obra para produccion.
hM =2 [hrs./mesa]: tiempo utilizado en fabricar una mesa.
hS =1 [hr./silla]: tiempo utilizado en fabricar una silla.
TP AN ELES =50 [Paneles]: paneles disponibles para fabricar mesas y sillas.
pM =5 [paneles/mesa]: paneles necesarios para fabricar una mesa.
pS =3 [paneles/silla]: paneles necesarios para fabricar una silla.
modelo

16

M ax 5.000xM + 3.000xS
s.a.

(5)

2xM + xS 40

(6)

5xM + 3xS 50

(7)

xM , xS Z+

(8)

En este problema, existen dos productos (mesas y sillas) y dos recursos (mano de obra
y paneles). La primera ecuacion corresponde a la funcion objetivo que maximiza la suma de
las utilidades de las mesas y sillas producidas. La restriccion 6 indica que el tiempo que nos
demoremos en producir las mesas y sillas no puede exceder el tiempo disponible de mano de
obra. La restriccion 7, similar a la anterior, nos indica que no podemos exceder el n
umero de
paneles disponibles. Finalmente, la restriccion 8 indica que no podemos producir cantidades
negativas de mesas o sillas y que solo podemos producir cantidades enteras de mesas y sillas.
3.1.1.

Tasas de producci
on

Una variacion en las restricciones de este modelo resulta cuando no se conoce la cantidad
de recurso por unidad de producto, sino que se conoce la cantidad maxima que se puede
producir en el periodo, por ejemplo, Si solo se pintaran mesas, entonces en una semana
se produciran 30. Si solo se pintaran sillas, entonces en una semana se produciran 20.
En este caso, la restriccion queda expresada en terminos de las tasas de pintado por cada
producto:
1
1
xM + xS 1
30
20
3.1.2.

(9)

Mezcla de materias primas

Otra variacion corresponde a la seleccion de la mezcla de materias primas utilizadas en

la produccion de los procesos. Tpicamente, la materia prima se puede obtener de diferentes
proveedores, cada uno aporta con caractersticas especiales que necesitamos en el producto
final.
17

En el ejemplo, supongamos que podemos diferenciar el tipo de panel que tenemos. De

los 50 paneles, 20 son de madera de alerce y los restantes son de pino.
Las variables definidas no diferenciaban el tipo de panel utilizado; como esta caracterstica
es relevante para el nuevo problema, debemos cambiar las variables del modelo.
variables
xij : cantidad de paneles i = {a(alerce), p(pino)} utilizados para el producto j =
{M (mesas), S(sillas)}.
Con estas nuevas variables, la cantidad total de mesas fabricadas es: xa,M + xp,M . La
cantidad total de sillas fabricadas es: xa,S + xp,S . La cantidad total de paneles de alerce
utilizados es: xa,M + xa,S ; y la cantidad total de paneles de pino utilizados es: xp,M + xp,S .
El nuevo modelo sera:
modelo

M ax 5.000(xa,M + xp,M ) + 3.000(xa,S + xp,S )

s.a.

3.1.3.

(10)

2(xa,M + xp,M ) + xa,S + xp,S 40

(11)

5(xa,M + xp,M ) + 3(xa,S + xp,S ) 50

(12)

xa,M + xa,S 20

(13)

xp,M + xp,S 30

(14)

xp,M , xa,M , xp,S , xa,S Z+

(15)

Proceso productivo

En esta variacion se obtienen diferentes productos en las distintas etapas del proceso
productivo, dadas las tasas de rendimiento y los subproductos que se pueden obtener a
partir de la materia prima.
Por ejemplo: el carpintero tiene un proceso de acabado que le permite vender las mesas
en 7.000 y las sillas en 4.000 utilizando 5 horas mas de mano de obra por cada una. Los
productos que puede producir son: mesas, sillas, mesas con acabado y sillas con acabado.
18

Las nuevas variables son:

variables
xM : unidades de mesas producidas.
xM A : unidades de mesas acabadas producidas.
xS : unidades de sillas producidas.
xSA : unidades de sillas acabadas producidas.
El nuevo modelo sera:
modelo

M ax 5.000xM + 3.000xS + 7.000xM A + 4.000xSA

s.a.

(16)

2xM + 7xM A + xS + 6xSA 40

(17)

5(xM + xM A ) + 3(xS + xSA ) 50

(18)

xM , xM A , xS , xSA Z+

(19)

En la restriccion 17 las horas de mano de obra que requieren las mesas y sillas acabadas,
incluyen tambien el tiempo que requiere una mesa o silla com
un a la cual se le dara el
acabado.
3.1.4.

M
ultiples periodos e Inventarios

Esta u
ltima variacion, nos permite considerar la produccion para satisfacer demandas
en diferentes periodos. El modelo considera que el inventario del periodo anterior mas la
produccion del periodo es igual a la demanda del periodo mas el inventario del periodo
actual.
Estos modelos ademas pueden considerar costos de produccion con horas extras y costos
de inventario.
Por ejemplo: el carpintero sabe que esta semana (semana 1) la demanda es de dos mesas,
la proxima semana (semana 2) la demanda sera de una mesa y la subsiguiente (semana 3)
19

de tres mesas. Podemos planificar su produccion de mesas, de manera que pueda adelantar
la produccion de algunas demandadas en periodos posteriores.
Las variables deben considerar la produccion por semanas y la cantidad de produccion
destinada a inventarios, as:
variables
xM i : unidades de mesas producidas en la semana i {1, 2, 3}.
xSi : unidades de sillas producidas en la semana i {1, 2, 3}.
yM i : unidades de mesas dejadas en inventario en la semana i {1, 2, 3}.
El nuevo modelo sera:
modelo

M ax
s.a.

5.000(xM 1 + xM 2 + xM 3 ) + 3.000xS

(20)

2xM 1 + xS1 40

(21)

2xM 2 + xS2 40

(22)

2xM 3 + xS3 40

(23)

5xM 1 + 3xS1 50

(24)

5xM 2 + 3xS2 50

(25)

5xM 3 + 3xS3 50

(26)

xM 1 = 2 + yM 1

(27)

yM 1 + xM 2 = 1 + yM 2

(28)

yM 2 + xM 3 = 3 + yM 3

(29)

xM 1 , xM 2 , xM 3 , xS1 , xS2 , xS3 , yM 1 , yM 2 , yM 3 Z+

(30)

Observamos que en la funcion objetivo, se considera la utilidad de las mesas en los tres
periodos. Adicionalmente, se podran considerar costos de mantencion de inventarios, si as
lo exigiese el problema o utilidades diferenciadas por periodos.
20

Las restricciones 21 - 23 corresponden a la utilizacion de mano de obra por cada semana.

Las 24 - 26 corresponden a la utilizacion de paneles por cada semana. Las restricciones 27 29 relacionan la produccion con el inventario para las tres semanas.

3.2.

Personal

En estos problemas, se busca decidir la cantidad de mano de obra o la distribucion de

mano de obra mas eficiente para aprovechar las fluctuaciones en la demanda o capacitaciones
o renovaciones o reestructuraciones de las empresas. Estas variaciones en la mano de obra
pueden ser por contratacion de mano de obra adicional, modificacion de los turnos de trabajo,
ajuste de las horas de inicio, etc.
Ejemplo1
Una tienda de departamentos opera 7 das a la semana. El gerente estima que la cantidad
mnima de vendedores requeridos para proporcionar un servicio agil es de 12 el lunes, 18 el
martes, 20 el miercoles, 28 el jueves, 32 el viernes, y 40 el sabado y domingo. Cada vendedor
trabaja cinco das a la semana, con dos das de descanso escalonados a lo largo de la semana.
Por ejemplo, si comienzan el lunes, descansan sabado y domingo; si comienzan el martes,
descansan domingo y lunes; etc. Cuantos trabajadores se necesitan y como se distribuir
an
sus das de descanso?
Uno tendera a definir cuantas personas trabajan cada da. Esto conduce a un error ya
que las variables no quedan relacionadas. El enfoque correcto indica cuantas personas por
cada tipo de turno trabajaran. Los turnos definen los das de trabajo y los das de descanso.
La tabla 1 indica por cada tipo de turno los das que trabajan.
variables
xi : n
umero de trabajadores que realizan el turno i = {1, 2, 3, 4, 5, 6, 7}.
objetivo
Minimizar el n
umero de trabajadores.
par
ametros
1

Taha, Conjunto de problemas 2.4C, C

21

Cuadro 1: Das de trabajo por cada turno

Turno
T1
T2
T3
T4
T5
T6
T7

lunes
x

x
x
x
x

martes
x
x

miercoles
x
x
x

x
x
x

jueves
x
x
x
x

x
x

viernes
x
x
x
x
x

sabado
x
x
x
x
x

domingo

x
x
x
x
x

rj : mnimo n
umero de trabajadores el da j = {1, 2, 3, 4, 5, 6, 7}
modelo

M in x1 + x2 + x3 + x4 + x5 + x6 + x7
s.a

(31)

x1 + x4 + x5 + x6 + x7 12

(32)

x1 + x2 + x5 + x6 + x7 18

(33)

x1 + x2 + x3 + x6 + x7 20

(34)

x1 + x2 + x3 + x4 + x7 28

(35)

x1 + x2 + x3 + x4 + x5 32

(36)

x2 + x3 + x4 + x5 + x6 40

(37)

x3 + x4 + x5 + x6 + x7 40

(38)

xi 0

(39)

El lado izquierdo de las restricciones nos indican por cada da los turnos que les corresponde trabajar. El lado derecho de las restricciones nos indica el n
umero mnimo de
trabajadores requeridos para cada da.

22

3.3.

Finanzas

En estos problemas se busca maximizar el rendimiento o utilidad para las empresas, al

mismo tiempo que se satisfacen las restricciones de los instrumentos utilizados, requerimientos del inversionista y del mercado.
Pueden ser utilizados en la asignacion de presupuestos para proyectos, cartera de inversion, planificacion financiera, etc. Algunos conceptos seran profundizados en otras asignaturas, como VAN, Balance, Inventario, etc.
Muchos de estos problemas utilizan restricciones referidas a porcentajes en relacion al
total de las variables.
Ejemplo2
Finco debe determinar cuanta inversion y deuda comprometer durante el proximo a
no.
Cada dolar invertido reduce el VAN de la compa
na en 10 centavos, y cada dolar de deuda
incrementa el VAN en 50 centavos (debido a la deducibilidad de los pagos de intereses).
Finco es capaz de invertir cuando mucho un millon de dolares durante el proximo a
no. La
deuda puede ser cuando mucho 40 % de la inversion. Finco tiene por ahora 800.000 dolares
disponibles en efectivo. Todas las inversiones se deben pagar del efectivo actual o de dinero
tomado a prestamo. Formule un modelo para maximizar el VAN de Finco.
variables
x: dolares de inversion.
y: dolares de deuda.
objetivo
maximizar el VAN.
par
ametros
r = 0.10: reduccion del VAN por dolar invertido.
i = 0.50: incremento del VAN por dolar de deuda.
D = 1.000.000: dolares disponibles para inversion.
2

Winston, 3.6, Problema 5

23

P = 0.4: porcentaje de deuda.

E = 800.000: dolares en efectivo disponibles.
modelo

M ax

0.1x + 0.5y

(40)

s.a.

x 1.000.000

(41)

y 0.4(x + y)

(42)

x + y 800.000

(43)

x 0, y 0

(44)

La restriccion 42 corresponde a los dolares invertidos de deuda. El lado derecho indica

que este no puede ser mayor al 40 % de la inversion total.

Referencias
[Eppen, 2000] Eppen et al. Investigacion de Operaciones en la Ciencia Administrativa Pearson, 2000.
[Hillier and Lieberman, 2006] Hillier and Lieberman. Introduccion a la Investigacion de Operaciones Mc Graw Hill Interamericana, 2006.
[Williams, 1985] Williams, H. P. Model Building in Mathematical Programming John Wiley
& Sons, 1985.
[Winston, 2005] Winston, W. L. Investigacion de Operaciones Thomson, 2005.

24