Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos de Optimizacion PDF
Modelos de Optimizacion PDF
MODELOS DE OPTIMIZACION*
Gonzalo Edwards **
Trabajo Docente Nº 57
Marzo, 1994
* Este trabajo es una publicación conjunta del Instituto de Economía (Trabajo Docente Nº 57), y de
la Escuela de Administración (Trabajo Docente 194-01). Pontificia Universidad Católica de
Chile.
** Profesor Facultad de Ciencias Económicas y Administrativas, Pontificia Universidad Católica
de Chile.
INDICE
Página
REFERENCIAS 157
NOTA INTRODUCTORIA
Se debe destacar que se han dejado fuera varios temas en las áreas descritas
por razones de espacio y tiempo que en todo caso están bien tratados en otros libros.
Entre estos temas excluidos se encuentran: a) El dual; b) El método Simplex de
Programación Lineal y otros algoritmos de solución de distintos tipos de problemas de
Programación Matemática. Asimismo, se ha decidido excluir los problemas de
optimización en condiciones de incertidumbre, y los problemas de optimización
dinámica.
CAPITULO 1
Entendimiento del Problema: Esta etapa consiste en entender las características esenciales
del problema. Si bien esta etapa puede parecer obvia, muchas veces el problema radica
justamente en el hecho que el problema no se entiende. En general, esta etapa no se expresa
en lenguaje matemático.
Definición de Variables: Las variables en juego deben ser definidas en forma clara. Por
ejemplo, cuando se define una variable X como tomates, debe quedar claro si se refiere a
kilos de tomates, hectáreas de tomates, etc.
Cabe advertir que muchas veces esta etapa se confunde, erradamente, con la etapa de
búsqueda de la solución. El conjunto de restricciones se refiere al espacio de lo posible y no
a un espacio restringido donde se espera que esté el óptimo. Si bien muchas veces puede
parecer preferible trabajar con un espacio más restringido para encontrar la solución, en la
práctica es común que dichas restricciones dejen de hecho fuera del espacio a la verdadera
solución óptima, sobre todo en problemas complejos.
Búsqueda de Solución: Esta etapa representa el problema matemático propiamente tal. Las
etapas anteriores se refieren al problema de planteamiento del problema en términos
matemáticos, mientras que esta etapa se refiere a la búsqueda del valor o de los valores de las
variables que optimizan la función objetivo dentro del conjunto de valores posibles que éstas
pueden tomar.
Ejemplo 1.1:
6. Los costos variables por hectárea, sin contar la mano de obra, son de 50.000
pesos en el caso del trigo y 35.000 pesos en el caso de los porotos.
donde:
IT = 3.000 x 60 x T + 4.000 x 40 x P
El problema son las restricciones. Como sólo se cuenta con 120 hectáreas, debe
cumplirse que:
T + P ≤ 120 Restricción 1
Por otra parte, como se cuenta sólo con 300 jornadas tractor como máximo, se debe
cumplir que:
3T + 5P ≤ 300 Restricción 2
4 Trabajo Docente Nº 57
T ≥ 0, P ≥ 0 Restricciones de no negatividad
sujeto a:
T + P ≤ 120
3T + 5P ≤ 300
T ≥ 0; P ≥ 0
Ejemplo 1.2:
Y1 = X10,7
Y2 = X10, 2 X 02,8
Modelos de Optimización 5
Planteamiento 1:
Maximizar 10 X 0,71 + 15 X 10, 2 X 02,8 − 2X 1 − 3X 2
sujeto a:
2 X1 + 3X2 ≤ 150
0
X 10,7 ≤ 0,3 X 10, 2 2;1 X 02,8
X 1, X 2 ≥ 0
Planteamiento 2:
sujeto a:
Planteamiento 1:
0, 7 0, 2
Maximizar 10 X 11 + 15 X 12 X 02,8 - 2 (X11 + X12) - 3X2
sujeto a:
Planteamiento 2:
sujeto a:
Ejemplo 1.3:
En un feedlot de engorda de novillos, se ha decidido alimentarlos con heno de
alfalfa y maíz grano, que cuestan 8 y 12 pesos por kilo respectivamente. El heno
tiene, por kilo, 1,8 mkcal, 160 gramos de proteína, 20 gramos de calcio y 160
gramos de fósforo. A su vez, el maíz tiene 3 mkcal, 90 gramos de proteína, 3
gramos de calcio y 2 gramos de fósforo por kilo. Los requerimientos de cada
novillo por día son de 12 mkcal, 1,2 kilos de proteína, 100 gramos de calcio y 50
gramos de fósforo.
Minimizar f (H,M) = 8H + 12 M
sujeto a:
1,8 H + 3 M ≥ 12 (calorías)
160 H + 90 M ≥ 1,2 (proteínas)
20 H + 3 M ≥ 100 (calcio)
160 H + 2 M ≥ 50 (fósforo)
cantidad de calcio 20 H + 3 M
1 ≤ cantidad de fósforo = 160H+ 2 M ≤ 2
H, M ≥ 0
Ejemplo 1.4:
Las variables de decisión en este caso son las cantidades que se deben enviar a
los distintos mercados. El problema se puede plantear de cualquiera de las
siguientes formas:
8 Trabajo Docente Nº 57
Planteamiento 1:
Maximizar P1 X1 + P2 X2
sujeto a:
X1 + X2 ≤ 50
P1 = 40 - X1
P2 = 50 - 2 X2
P1, P2, X1, X2 ≥ 0
Planteamiento 2:
sujeto a:
X1 + X2 ≤ 50
X1, X2 ≥ 0
Cabe señalar que ambos planteamientos no son equivalentes desde el punto de vista
matemático. La razón es que en el segundo planteamiento, si bien se sustituyen los
precios en la función objetivo, no se sustituyeron en las restricciones de no negatividad
originales (P1 ≥ 0, P2 ≥ 0).
40 - X1 ≥ 0
50 - 2X2 ≥ 0
Ejemplo 1.5:
Ud. es dueño de una planta agroindustrial que produce tomates, peras y duraznos en
conserva. Ud. debe planificar la producción del próximo mes de tal forma de
maximizar los ingreso netos.
Los costos de materia prima son 10, 15 y 20 pesos por kilo en los 3 productos
respectivamente si se abastece del abastecedor A y 15, 20 y 10 pesos por kilo si se abastece
Modelos de Optimización 9
X
Pperas = 1.000 - 4 Qperas
X
Pduraznos = 850 - 3 Qduraznos
A Y, por otro lado, le gustaría que le vendiera sólo a él, por lo cual le ofrece
menos precio a mayor cantidad que le envíe a X. Las demandas de Y vienen
dadas por las siguientes ecuaciones:
Y X
Ptomates = 2.500 - 2Qtomates - Qtomates
Y X
Pperas = 2.000 - 3Qperas - Qperas
Y X
Pduraznos = 3.000 - Qduraznos - Qduraznos
Maximizar
X X X X X X
Ptomates Qtomates + Pperas Qperas + Pduraznos Qduraznos
Y Y Y Y Y Y
+ Ptomates Qtomates + Pperas Qperas + P duraznos Qduraznos
A A A
- 10 Qtomates - 15 Qperas - 20 Qduraznos
B B B
- 15 Qtomates - 20 Qperas - 10 Qduraznos
sujeto a:
B B
Qperas ≥ 0,5 Qduraznos
B B
Qduraznos ≤ Qtomates
X X
Ptomates = 2.000 - 2 Qtomates
Y Y X
Ptomates = 2.500 - 2 Qtomates - Qtomates
X X
Pperas = 1.000 - 4 Qperas
Y Y X
Pperas = 2.000 - 3 Qperas - Qperas
X X
Pduraznos = 850 - 3 Qduraznos
Y Y X
Pduraznos = 3.000 - Qduraznos - Qduraznos
X Y
Ptomates = Ptomates
X Y
Pperas = Pperas
X Y
Pduraznos = Pduraznos
Las tres últimas restricciones son las que aseguran que se cobre un mismo precio
a ambos supermercados. Si se puede cobrar distintos precios a ambos
supermercados, se deben omitir estas restricciones.
Modelos de Optimización 11
Problemas Propuestos
Mano de obra
(JH/há) 15 25 85 3.000
Capital
(JM/há) 12 14 4 2.000
1.3. Una fábrica de muñecas debe decidir cuántas muñecas de cada tipo
producir para maximizar las ganancias. Cuenta con dos tipos de muñecas,
tipo 1 y tipo 2. El tipo 1 llora y requiere 15 minutos de fabricación y 15
12 Trabajo Docente Nº 57
Se pide:
1.4. Ud. acaba de recibir por equivocación un animal exótico del Africa con la
siguiente nota colgada a su cuello:
Me llamo TIMBO, como nada más que carne de lagartija y maíz, necesito un
mínimo de 80 grs. de proteína y 6.000 calorías diarias. Soy un animal simpático
siempre que me den las proteínas y calorías que pido. Cúidenme.
Depués de hacer las averiguaciones del caso, Ud. aprende que por cada kilo de
carne de lagartija, obtiene 40 grs. de proteína y 4.000 calorías. Por cada kilo de
maíz, obtiene un total de 30 grs. de proteínas y 3.500 calorías. El precio del maíz
es de 100 pesos por kilo mientras que el precio unitario de la carne de lagartija
depende de cuanto compre Ud. al día. Su carnicero amigo le dice que cada día
está más difícil conseguirla por lo que le especifica la siguiente función para el
precio:
P = 50 + 200 X
donde
Se pide:
1.5. Para cada una de las siguientes afirmaciones escriba la o las restricciones
correspondientes definiendo claramente todas las variables.
b) Por cada tractor que compre, debe haber por lo menos 6 trabajadores
permanentes en el fundo.
c) Juanita me ha pedido que la llame por lo menos 6 veces por cada 5 que
llame a Francisca.
d) Para hacer una cazuela, por cada papa se debe poner al menos 2 pedazos
de zapallo.
h) En una fonda han dedicido regalar 2 dulces por cada litro de chicha que les
compren.
ENSALADAS DE HOY
Se pide: Plantee un modelo que le permita maximixar sus ingresos (suponga que
lo que haga lo vende, pero que debe preparar los platos antes que lleguen
los clientes).
Se recomienda definir:
X1 = Nº de platos de Lechugas a la Napolitana.
X2 = Nº de platos de Betarragas a la Vienesa.
X3 = Nº de platos de Choclos a la Chilena.
1.7. Suponga que Ud. se quedó después del 18 de septiembre, día en que puso
una fonda, con 1.000 litros de chicha y 600 litros de vino. Ud. tiene la
posibilidad de guardarlos, total o parcialmente, hasta el próximo año y
venderlos en las fondas a un precio de 100 pesos y 150 pesos por litro de
chicha y de vino respectivamente, o venederlos hoy a un precio de 50 y 85
pesos respectivamente a una botillería. Ud. no tiene problemas con la tasa
de interés directamente, pero necesita hoy 50.000 pesos para pagar una
deuda pendiente. Por último, el señor de la botillería le exige que por cada
litro de chicha que le venda debe venderle por lo menos 2 litros de vino.
CAPITULO 2
Dicho de otra forma, el conjunto X no es más que el conjunto de todos los valores
que pueden tomar las distintas variables, mientras que la función objetivo
representa aquello que se desea maximizar.
T + P ≤ 120
3T + 5P ≤ 300
T ≥ 0; P ≥ 0
y la función objetivo es
X = {x | g(x) ≤ b, x ≥ 0}
en que
Modelos de Optimización 17
Ejemplo 2.1:
Considérese el problema
sujeto a:
X1 ≤ 100
2X1 + 3 X2 ≥ 10
X1 , X2 ≥ 0
-2 X1 - 3 X2 ≤ - 10
Ejemplo 2.2:
Considérese el problema
Maximizar X1 + X2
sujeto a:
X1 = 100
X1 + 2 X2 ≤ 200
X1 , X2 ≥ 0
X1 ≥ 100
X1 ≤ 100
18 Trabajo Docente Nº 57
Obviamente, estas restricciones implican que X1 = 100. Este sistema lleva, sin
embargo, a tratar el problema de "mayor o igual" de la misma manera que en el
ejemplo 2.1 Así, el problema de PM se puede reescribir como el siguiente
problema de Programación Lineal:
Maximizar X1 + X2
sujeto a:
- X1 ≤ - 100
X1 ≤ 100
X1 + 2 X2 ≤ 200
X1 , X2 ≥ 0
Ejemplo 2.3
Considérese el problema:
3
Maximizar X1 + X2
sujeto a:
2 X1 + X2 ≤ 100
X1 ≥ 0
X2 = X21 - X22
donde X21 y X22 son mayores o iguales a cero. Así, el problema original se
puede reescribir como el siguiente problema de Programación No Lineal:
Modelos de Optimización 19
3
Maximizar X1 + X21 - X22
sujeto a:
Los tres ejemplos anteriores han permitido transformar problemas de PM, que no
son problemas de PNL o de PL, en problemas que sí son de PNL o PL. La
ventaja de esto es que en general, mientras más acotada está una clase de
problemas, más específicos se puede ser en su caracterización y resolución.
Dicho de otra forma, todo lo que se pueda decir de los problemas de PM es válido
para problemas de PNL o PL, pero no viceversa. Esto quiere decir que al
transformar, por ejemplo, un problema de PM, no PL, en uno de PL, todo lo que
es válido para la clase de problemas de PM sigue siendo válido para el problema
transformado, y, además, todo lo que es válido para problemas de PL pasa a ser
válido luego de la transformación.
En todo caso, se debe destacar que no siempre es posible hacer este tipo de
transformaciones, como lo demuestra el ejemplo siguiente:
Ejemplo 2.4:
Considérese el problema
sujeto a:
X1 < 40
X2 ≤ 20
X1 , X2 ≥ 0
f(x)
* * *
X1 es un máximo local estricto, X2 es un mínimo global estricto, X3 es un
*
máximo local estricto y un máximo global (no estricto), X4 es un mínimo local
* *
estricto, X5 es un máximo global (no estricto), X6 es un mínimo local (en un
borde del conjunto de oportunidades).
Modelos de Optimización 21
Problemas Propuestos
Maximizar X1 + 3 X2
sujeto a:
X1 + 2 X2 ≤ 8
2X1 + 3 X2 ≥ 15
X1 + X2 = 6
X1 , X2 ≥ 0
Mininizar 3X1 + 2 X2
sujeto a:
X1 + 2 X2 ≤ 10
X1 ≥ 0
Minimizar 3 X2 + Y
sujeto a:
X + Y ≤ 10
2X + Y ≥ 15
X + 3Y = 10
X ≥ 0, Y ≥ 0
Minimizar P1 X1 + P2 X2
sujeto a:
P1 = 100 - X1
P2 = 200 - X2
X1 + X2 ≤ 20
P1, P2, X1, X2 ≥ 0
22 Trabajo Docente Nº 57
CAPITULO 3
Este capítulo tiene por objeto caracterizar el óptimo cuando el problema no tiene
restricciones. Es decir, cuando el conjunto de oportunidades es igual al conjunto
de los números reales en n dimensiones, Rn. En primer lugar se verá el caso de
una función objetivo de una variable para luego generalizar al caso de una
función de varias variables.
En este caso, se desea maximizar una función f(x). Si se supone que f(x) es
diferenciable, entonces la condición de primer orden es que
df
dx = 0
d2f
< 0
dx2
f(x) = - x2
d2f
≤ 0
dx2
24 Trabajo Docente Nº 57
a) f(x) = - x2
b) f(x) = x2
c) f(x) = x3
f(x) = 3x
df
En este caso, dx = 3, con lo cual f(x) no tiene punto crítico. En este caso no se
puede maximizar ya que el máximo es infinito, el cual no es un número real.
Modelos de Optimización 27
Ejemplo 3.1:
Considérese la matriz
-3 1 2
1 -4 -1
2 -1 -7
f11 f12
det (H2) = det f f = det 1 -4 = 11 > 0
-3 1
21 22
-3 1 2
det (H3) = det 1 -4 -1 = - 62 < 0.
2 -1 -7
Matriz semidefinida: Para que una matriz sea negativa semidefinida o positiva
semidefinida, los requisitos de menor o mayor que cero descritos pasan a ser de
menor o igual o de mayor o igual.
En relación con el Hessiano, se debe destacar que, tal como se pide mostrar en el
problema propuesto 3.2., el requisito que este sea negativo definido en el caso de
un máximo obliga a que todos los miembros de la diagonal sean negativos. Esto
es equivalente a decir que el punto crítico debe ser un máximo en todas las
direcciones definidas por los ejes de las ordenadas. La razón para exigir que
además el Hessiano sea negativo definido, lo cual implica considerar las segundas
derivadas cruzadas, es que puede darse el caso que siendo un máximo en el
sentido de X1, X2, ... no lo sea en el sentido de una combinación de las variables.
Este punto debería quedar claro al resolver el problema propuesto 3.3.
Problemas Propuestos
3.2 Considere cualquier función f(X1, X2). Muestre que para que el Hessiano
∂2f(x1, x2)
sea negativo definido, es necesario que fii = sea menor que
∂xi2
cero para i = 1, 2.
f(X,Y) = - 2X2 - Y2 - a XY
Se pide:
Modelos de Optimización 29
b) Encuentre un valor cualquiera de "a" tal que dicho punto crítico sea
un máximo.
c) Para el valor de "a" encontrado, encuentre el valor de f(0, 0); f(0, 1);
f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; -1). Trate de imaginar la forma
de la función.
CAPITULO 4
Maximizar f(x)
sujeto a:
x≥ 0
En relación con este problema, el óptimo puede ser mayor o igual a cero. Si es
estrictamente mayor que cero, entonces las condiciones derivadas para el caso sin
restricciones se mantienen. Si el óptimo se encuentra donde x* es igual a cero,
entonces la derivada de la función evaluada en dicho punto debe ser menor o
igual a cero (nunca mayor que cero por cuanto ello implicaría que existe un punto
mejor dentro de los valores positivos de la variable). El gráfico siguiente muestra
las distintas situaciones posibles.
Modelos de Optimización 31
f(x) f(x)
x* x x* x
(a) (b)
f(x)
x* x
(c)
(3) x* ≥ 0
(3') x* ≥ 0
La razón para ello es que (1), (2) y (3) implican que necesariamente se cumple
(1'), (2') y (3'); y además (1'), (2'), y (3') implican que necesariamente se cumple
(1), (2), y (3). Son por lo tanto expresiones igualmente válidas para representar
las condiciones de primer orden en el caso de una variable con restricción de no
negatividad. De aquí en adelante se trabajará con las condiciones (1'), (2') y (3').
Hasta aquí no se han discutido las condiciones de segundo orden para el caso en
que x* = 0.
f(x) f(x)
x x
f(x) f(x)
x x
sujeto a:
Las condiciones de primer orden son análogas a aquellas presentadas para el caso
de una variable restringida a ser no negativa. Es así como debe cumplirse que
∂f
1) ∂x ≤ 0; i = 1,...., n
i
∂f
2) ∂x xi = 0; i = 1,...., n
i
3) xi ≥ 0; i = 1,...., n
34 Trabajo Docente Nº 57
Problemas Propuestos
C = Q2 + 8Q + 2
CAPITULO 5
Restricciones de igualdad
sujeto a:
Para caracterizar el óptimo se hace uso del Lagrangeano, que en este caso es igual
a
m
£ = f(x1, ... , xn) + ∑
i =1
λi (bi - gi(x1, ... ,xn))
∂£
∂xi = 0 para i = 1, ... , n
∂£
= 0 para j = 1, ... , m
∂λj
Ejemplo 5.1:
Suponga el problema
2 2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = 6
2 2
£ = - x1 - x 2 + λ (6 - 2 x1 - x2 )
∂£
∂x1 = - 2x1 - 2λ = 0
∂£
∂x2 = - 2x2 - λ = 0
∂£
= 6 - 2 x1 - x 2 = 0
∂λ
*
x1 = 2,4
*
x2 = 1,2
λ* = -2,4
* *
f(x1 ; x2 ) = f(2,4; 1,2) = -7,2.
Significado de λ
Modelos de Optimización 37
Ejemplo 5.2:
Suponga el problema
2 2
Maximizar - x1 - x2
sujeto a
2 x1 + x2 = b
2 2
£ = - x1 - x 2 + λ (6 - 2 x1 - x2 )
∂£
∂x1 = - 2x1 - 2λ = 0
∂£
∂x2 = - 2x2 - λ = 0
∂£
= b - 2 x1 - x 2 = 0
∂λ
* 2b
x1 =
5
* b
x2 =
5
2b
λ* = - −
5
* * 2b b b2
f(x1 ; x2 ) = f( 5 ; 5 ) = - 5
38 Trabajo Docente Nº 57
El punto importante, sin embargo, surge del hecho que en el óptimo, se cumple
que
-b2
∂( 5 )
∂f*
∂b = ∂b = λ*
* ∂f*
λi = ∂b
i
Como las restricciones son de igualdad este valor puede ser positivo, negativo, o
cero. Por ejemplo, una unidad adicional de agua puede ser beneficiosa,
perjudicial, o no tener ningún efecto sobre la producción si se obliga a utilizarla
(restricción de igualdad), dependiendo del nivel de agua que se utiliza
inicialmente.
Programación No Lineal
sujeto a:
1 En rigor, es necesario señalar que para poder encontrar el óptimo usando el método del
Lagrangeano, es necesario que las restricciones cumplan con ciertas condiciones de regularidad
que permitan despejar el óptimo de las condiciones de primer orden. Estas condiciones, puede
decirse, son de interés teórico más que práctico por lo que no se analizan en este texto. El lector
interesado puede consultar las referencias al final de este texto.
Modelos de Optimización 39
Para derivar las condiciones de primer orden, se hace uso nuevamente del
Lagrangeano donde
m
£ = f(x1,...., xn) + ∑
i =1
λi (bi - gi(x1, ... ,xn))
Así, el problema es
m
Maximizar £ = f(x1, ... , xn) + ∑ λi (bi - gi(x1, ... ,xn))
i =1
sujeto a
x1, ... , xn ≥ 0
∂£
1) ∂x ≤ 0; i = 1, ... , n
i
∂£
2) ∂x xi = 0; i = 1, ... , n
i
∂£
3) ≥ 0; j = 1, ... , m
∂λj
∂£
4) λ = 0; j = 1, ... , m
∂λj j
5) xi, λj ≥ 0; i = 1, ... , n; j = 1, ... , m
Las condiciones (1) y (2) son análogas a aquellas presentadas anteriormente para
el caso con restricciones de no negatividad. La condición (3) es simplemente otra
forma de escribir la restricción que
*
La condición (4) es análoga a la condición (2) referida a λi . Esta dice que si no
* *
se usa todo el recurso, entonces λi = 0, y que si λi es mayor que cero es porque
se usa todo el recurso.
* ∂f*
λi = ∂b
i
λi se conoce como precio sombra del recurso e indica cuánto es lo máximo que
se está dispuesto a pagar en términos de las unidades en que esté expresada la
función objetivo, por una unidad adicional de recurso2.
2 Al igual que en el caso de restricciones de igualdad, es necesario que las restricciones cumplan
Modelos de Optimización 41
Ejemplo 5.2:
Considérese el problema
2
Maximizar 3X1 + 2X2
sujeto a
2 X1 + X2 ≤ 6
X1, X2 ≥ 0
2
£ = 3X1 + 2X2 + λ (6 - 2X1 - X2)
∂£ ∂£
1) ∂X = 6X1 - 2 λ ≤ 0 2) ∂X X1 = 0
1 1
∂£ ∂£
3) ∂X = 2 - λ ≤ 0 4) ∂X X2 = 0
2 2
∂£ ∂£
5) = 6 - 2X1 - X2 ≥ 0 6) λ= 0
∂λ ∂λ
7) X1, X2, λ ≥ 0
con ciertas condiciones de regularidad, que es lo mismo que decir que estén bien comportadas,
para que el óptimo se pueda caracterizar por las condiciones de Kuhn Tucker sañaladas. El lector
interesado puede consultar las referencias al final de este texto.
42 Trabajo Docente Nº 57
Caso X1 X2 λ
1 0 0 0
2 + 0 0
3 0 + 0
4 0 0 +
5 + + 0
6 + 0 +
7 0 + +
8 + + +
Por la condición (3), λ debe ser mayor o igual a 2 con lo que se descartan los
casos 1, 2, 3, y 5 de la tabla anterior. A continuación se analizarán los casos
restantes.
Caso 4: ( X1 = X2 = 0; λ > 0)
(1') -2 λ ≤ 0
(2') (-2 λ) • 0 = 0
(3') 2-λ ≤ 0
(4') (2 - λ) = 0
(5') 6≥ 0
(6') 6λ = 0
(7') X1, X2, λ ≥ 0
6 X1 - 2λ = 0
(2 - λ) ≤ 0
6 - 2 X1 = 0
X1 = 3; λ = 9; X2 = 0
2-λ = 0
6 - X2 = 0
6 X1 - 2λ = 0
2-λ= 0
6 - 2 X1 - X2 = 0
2 14
De aquí se desprende que λ = 2; X1 = 3 ; X2 = 3 . Esta solución satisface
todas las condiciones de Kuhn-Tucker.
El problema es ahora determinar cuál de los tres puntos que satisfacen las
condiciones de Kuhn-Tucker es el óptimo del problema. Para determinarlo, basta
reemplazar en la función objetivo:
f(3, 0) = 27
44 Trabajo Docente Nº 57
f(0, 6) = 12
2 14 2
f( 3 , 3 ) = 10 3
En consecuencia, el óptimo es
* *
x1 = 3; x2 = 0; λ* = 9
* *
f(x1 ; x2 ) = 27
Para terminar, es importante destacar que el número de casos por analizar es igual
a 2n+m, donde n es igual al número de variables y m es el número de restricciones
(cada restricción implica considerar una variable λi). Asimismo, se debe señalar
que las derivadas pueden ser expresiones no lineales en las variables, con lo que
la resolución de los sistemas de ecuaciones se dificulta aún más.
Ejemplo 5.3:
Supóngase que las líneas aéreas tienen una dimensión máxima para las maletas,
expresada en términos de la suma del largo, ancho y alto. Suponga que un
fabricante de maletas ha decidido producir la Super Maleta, que maximiza el
volumen cumpliendo la restricción de las líneas que de la suma anterior no debe
exceder 120 cm.
Maximizar xyz
sujeto a:
x + y + z ≤ 120
x, y, z ≥ 0
£ = x y z + λ (120 - x - y - z)
Modelos de Optimización 45
∂£
1) ∂x = y z - λ ≤ 0
∂£
2) ∂x • x = (y z - λ) x = 0
∂£
3) ∂y = x z - λ ≤ 0
∂£
4) ∂y • y = (x z - λ) y = 0
∂£
5) ∂x = x y - λ ≤ 0
∂£
6) ∂z • z = (x y - λ) z = 0
∂£
7) = 120 - x - y - z ≥ 0
∂λ
∂£
8) • λ = (120 - x - y - z) λ = 0
∂λ
9) x, y, z, λ ≥ 0
yz-λ= 0
xz-λ= 0
xy-λ= 0
120 − x - y - z = 0
Problemas Propuestos
46 Trabajo Docente Nº 57
Nota: Los costos está expresados por kg. de producto final equivalente.
Ud. debe ofrecer por lo menos 100 unidades a un precio unitario de 200
pesos por kg. Ud. puede vender cuanto quiera por encima de dichas 100
unidades. Se pide:
5.4. En relación con el ejemplo 5.3, suponga que la Super Maleta no se vende
por problemas de precio. Los clientes no están dispuestos a pagar más de
3.500 pesos por la maleta. Si los únicos costos pertinentes son:
ii) 4 pesos por cm2 de fondo (hay que poner un refuerzo para que no se
desfonde)
iii) 2.000 pesos por maleta por concepto de ganancias, pago al trabajo,
etc.
Se pide:
El poblado A está ubicado en una isla a 200 km. del continente y a 500
km. del poblado B que se encuentra tierra adentro, a 100 km. de la costa.
200 km A
LITORAL
400 km
B
100 km
200 km
A
LITORAL
X
B 100 km
Se pide
5.6 Ud. tiene un fundo de 100 hectáreas y desea saber cuántas hectáreas poner
con trigo y maíz. Ud. sabe que la función de producción de trigo es:
Q = 20 H L0,2
donde:
Q = producción ( en qq)
L = Nº de trabajadores ( en jornadas hombre)
H = Nº de Hectáreas
Q = 10 H0,8L0,4
50 Trabajo Docente Nº 57
Se pide:
sujeto a:
2X1 + X2 ≤ 2
X1 + X2 ≤ 3
X1, X2 ≥ 0
Maximizar X1+X2
sujeto a:
X1 - 2X2 = 2
X1 ≤3
X2 ≤4
b) Resuelva el problema.
Modelos de Optimización 51
sujeto a:
X1 +X2 ≤ 3
3X1 + 2X2 ≥ 6
X1 ≥ 0, X2 ≥ 0
CAPITULO 6
Como demostró el ejemplo 5.2., el hecho que un punto satisfaga las condiciones
de Kuhn-Tucker, no implica que dicho punto sea un máximo ni siquiera local. En
otras palabras, las condiciones de Kuhn-Tucker son condiciones necesarias pero
no suficientes.
Funciones cóncavas
El término
αX1+ (1-α) X2
f(αX1 + (1-α)X2)
Modelos de Optimización 53
f(x)
f(α X1 +(1−α) X2 )
X1 α X1 +(1−α) X 2 X2 x
αf(X1) + (1-α)f(X2)
f(x)
2
f(X )
f(α X1+(1- α )X2)
α f(X1 )+(1-α)f(X2 )
f(X1 )
X1 α X1+(1- α )X2 X2 x
Lo que se requiere para que una función sea cóncava es por lo tanto que la
función no pase nunca por debajo de la recta que une cualesquiera dos puntos.
Los siguientes gráficos muestran casos de funciones cóncavas.
54 Trabajo Docente Nº 57
f(x) f(x)
x x
f(x) f(x)
x x
Gráficamente,
f(x)
f(X1 )+f'(X1 )(X2 -X1 )
f(X2 )
f(X1 )
X1 X2 x
Modelos de Optimización 55
En otras palabras, para que una función diferenciable sea cóncava, se requiere
que la recta tangente en cualquiera de sus puntos no esté nunca por debajo de la
función.
n
∑ fi(X1) (Xi - Xi )
2 1
f(X2) ≤ f(X1) +
i=1
Ejemplo 6.1:
Supóngase la función
2 2
f(x1,x2) = - 3 x1 - 2 x2 + x1 x2
-6 1
H = 1 -4
f1(x1,x2) = -6x1 + x2
f2(x1,x2) = -4x2 + x1
f1(X1) = -6.2 + 3 = -9
f2(X1) = -4.3 + 2 = -10
Por último,
2 1
X1 - X1 = 5 - 2 = 3
2 1
X2 - X2 = 1 - 3 = -2
2 1 2 1
f(X2) ≤ f(X1) + f1(X1) (X1 - X1 ) + f2(X1) (X2 - X2 )
-72 ≤ -24 + (-9) ( 5 - 2 ) + ( -10) ( 1 - 3 )
-72 ≤ -31
2 2
f(x1,x2) = - 3 x1 - 2 x2 + x1 x2
es estrictamente cóncava.
Funciones convexas
Si la función es diferenciable, para que ésta sea convexa se requiere que para
cualquier par de puntos X1 y X2, se cumpla que
Modelos de Optimización 57
n
∑ fi(X1) (Xi - Xi )
2 1
f(X2) ≥ f(X1) +
i=1
f(x) f(x)
x x
f(x) f(x)
x x
Conjuntos convexos:
X= αX1 + (1-α) X2
1
X2 X
2
X
X1
CONJUNTO CONVEXO CONJUNTO NO CONVEXO
Ejemplo 6.1:
Considérese el hiperplano
X = {x / ax = b}
Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < α < 1. Luego, se
debe cumplir que
ax1 = b
Modelos de Optimización 59
ax2 = b
Sea el punto
x = αx1 + (1-α) x2
ax = b
X = {x/ax = b}
Ejemplo 6.2:
Considérese el semiespacio
X = {x / ax ≤ b}
Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < α < 1. Luego, se
debe cumplir que
ax1 ≤ b
ax2 ≤ b
Sea el punto
x = αx1 + (1-α) x2
X = {x/ ax ≤ b}
Ejemplo 6.3:
Considérese el conjunto
X = {x / g(x) ≤ b}
donde se impone el requisito que g(x) sea una función convexa. Este conjunto
también es convexo como se demostrará a continuación. Si g(x) es una función
convexa entonces para cualquier par de puntos X1, X2 y 0 ≤ α ≤ 1, se debe
cumplir que
Por otra parte, para que X sea un conjunto convexo, se requiere que para cada par
de puntos X1 y X2 que satisfagan
g(X1) ≤ b
g(X2) ≤ b
se cumpla que
uno de los puntos (en este caso, como se trata de curvas de nivel, el promedio es
simplemente el valor de la función en dicha curva (i.e.A)).
x2
A>B>C
f(x1,x2) = C
(x1*,x2*) f(x1,x2) = B
f(x1,x2) = A
x1
x2 A>B>C
(x1*,x2*)
f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C
x1
x2
A>B>C
f(x1,x2) = A
f(x1,x2) = B
f(x1,x2) = C x1
x1
x2
64 Trabajo Docente Nº 57
Maximizar x
sujeto a:
x≥0
CAPITULO 7
Ejemplo 7.1:4
Suponga que una empresa distribuidora cuenta con 250 unidades de un cierto
producto en Concepción, 100 unidades en Los Angeles y 325 unidades en
Valparaíso. Por otra parte debe abastecer con 140 unidades a Santiago, 220
unidades a Rancagua y 185 unidades a Teno.
Los costos de flete entre las distintas ciudades, en miles de pesos por unidad se
presentan a continuación:
Hacia:
Desde: Santiago Rancagua Teno
Concepción 14 6 5
Los Angeles 30 12 11
Valparaíso 5 7 8
Definición de Variables:
Hacia:
Desde: Santiago Rancagua Teno
Función Objetivo:
Minimizar
14XCS + 6XCR + 5XCT
+ 30XLS + 12XLR + 7XLT
+ 5XVS + 7XVR + 8XVT
Restricciones de Oferta:
Restricciones de Demanda:
Otras Restricciones:
XCS ≥ 2XCR
XCS ≤ 0,3 (XCS + XLS + XVS)
Todas las variables mayores o iguales a cero
Ejemplo 7.2:
Modelos de Optimización 67
Hoy es 1 de abril de 1994. Ud. está solo en una isla desierta bien grande donde puede
sembrar trigo. Asimismo, tiene 80 quintales de trigo que se pueden usar como semilla
o consumir. Su consumo anual normal de trigo es de 20 quintales.
Gracias a un diario de vida dejado por un náufrago anterior, Ud. aprende que en esta
isla, el trigo se siembra a principios de abril y se cosecha a fines de marzo del año
siguiente. Por cada quintal de trigo que se siembra, se requieren 5 días de trabajo
durante el año, y se cosechan tres quintales.
Por otra parte, Ud. sabe que en dos años más (1 de abril de 1996) pasará un barco que
le cobrará 220 quintales de trigo por el pasaje a tierra firme, lugar donde Ud. ha
decidido volver. En dicho barco Ud. no puede transportar trigo para su consumo en
tierra firme, ya que la capacidad del barco es limitada.
Ud. puede trabajar normalmente 180 días cada año como máximo. Para aumentar la
disponibilidad de trabajo, es decir para disponer de más de 180 días, Ud. deberá
consumir 0,2 quintales de trigo por cada día de exceso (para recuperar la energía
adicional requerida).
El trigo disponible a comienzos de cada año puede ser usado para: a) sembrar a
comienzos del año; b) consumir durante el año; c) ser almacenado hasta el final del
año.
Por último, suponga que su único objetivo es minimizar el número de días trabajados
en exceso de los 180 días de trabajo normal anuales.
Definición de Variables:
Función Objetivo:
68 Trabajo Docente Nº 57
El objetivo es minimizar los días trabajados en exceso de los 180 días normales.
Matemáticamente, esto significa que la función objetivo es
Minimizar E1 + E2
Restricciones:
Ejemplo 7.3:
Una empresa productora de Tarros en Conserva tiene una función de producción
del tipo Cobb-Douglas
X= 30 K0,5 L0,4
donde
Modelos de Optimización 69
Px = 1.000 - 2X
PL = 10 + 0,5 L
Maximizar PX X - PL L - PK K =
sujeto a:
K ≤ 100
K,L ≥ 0
Problemas Propuestos
Hoy Juan Pérez tiene 20 bolsas de una semilla especial de maíz que puede usar
ahora o el próximo año. No va a poder conseguir más el próximo año. Esta semilla
tiene un rendimiento de 95 qq/ha. y se requiere de una bolsa por ha. Si decide
guardar parte de esta semilla, tiene una pérdida del 10% de las bolsas que guarde.
70 Trabajo Docente Nº 57
Por otra parte, Juan Pérez puede comprar una semilla corriente tanto este año como
el próximo a 8.000 pesos por bolsa a un rendimiento de 60 qq/ha. El maíz que
produzca este año no puede ser utilizado como semilla el próximo y debe venderse
este año (no se puede almacenar). Suponga además que el precio del maíz este año
es de $ 2.000 y el próximo año será de $ 3.000 por quintal.
Finalmente, suponga que en todo lo demás los costos son iguales para ambos tipos
de semilla (15.000 pesos por hectárea de maíz, ambos años).
Se pide:
7.2 Ud. ha sido nombrado por la Dirección del Metro para determinar la distancia
óptima entre las distintas estaciones del nuevo recorrido Plaza Italia-La Florida.
Para ello Ud. cuenta con los siguientes antecedentes.
Se pide:
Ps = 10.000 - 2S
PL=3+L
Por último, este fabricante de sillas puede disponer de a lo más 150 horas
máquina por mes a 5 pesos por unidad.
Se pide:
P1 = 40 - 0,1x1 - 0,03x2
P2 = 70 - 0,03x1 - 0,2x2
donde
Se pide:
7.5. En relación con el ejemplo 7.1, encuentre una solución factible cualquiera
del problema, indicando el costo total de transporte asociado.
Nota: Por solución factible se entiende una solución que satisface todas
las restricciones.
El problema es que debe pasar a buscar un encargo a una casa que queda a
5.000 metros de la carretera pero sin camino que las una, con lo que debe
decidir en que punto salirse de la carretera y en que punto volver a la
misma.
Gráficamente,
Modelos de Optimización 73
A TALCA
C.
P
A
N
5.000 m.
A
M
E
R
I
C
A
N
A
A SANTIAGO
Se pide:
En este punto, el agrónomo argumenta que el alimento bien podría tener más
harina de pescado, que sale relativamente más barato que el maíz comprado
fuera, pero algo más caro que el propio. Obviamente, el ingeniero contraataca
diciendo que si bien algo se puede hacer en esa línea , no es mucho, ya que los
pollos a quienes va el alimento, tendrían gusto a pescado.
PARCELA
Mano de obra 2 1 25
(J/ha)
Maquinaria 1 2 28
(J/ha)
Rendimiento 100 100
(qq./ha.)
Ingreso Neto 100 400
(pesos/ha.)
PLANTA
Matriz de requerimientos
Se pide:
7.8. El Sr. Pedro Pérez dispone de 200 hectáreas donde puede plantar tomates,
cebollas o porotos. Asimismo, tiene la alternativa de comprar vacas a
comienzos de temporada con el objeto de producir leche y luego venderlas
a fines de temporada. Las vacas requieren de 0,5 hectáreas cada una.
b) Las vacas producen 150 litros de leche por vaca al año, la cual se
vende a 100 pesos por litro. El precio de compra es de 80.000 pesos
por vaca a comienzos de temporada, mientras que el precio de venta
es de 78.500 pesos a fines de temporada. Suponga una tasa de
descuento igual a cero.
Se pide:
P1 = 1.600 - 2 X1
Modelos de Optimización 77
P2 = 2.500 - 3 X2
Se pide:
Maximizar - 3 x2 + xy - 2 y2 + 50 x + 60 y
sujeto a:
2 x + y ≤ 30
x, y ≥ 0
Se pide:
7.12. Ud. ha decidido correr una triatlón, que consiste en 2 km. de natación, 30
km. de ciclismo y 15 km. de trote. Su objetivo es llegar en el mínimo
tiempo posible, para lo cual debe decidir la velocidad en que correrá cada
etapa. Al respecto, Ud. ha decidido que lo peor es cambiar el paso en la
mitad de una etapa porque se agota más rápido.
Se Pide:
Notas:
CAPITULO 8
sujeto a:
Ejemplo 8.1 1:
1 2 1 70
2 1 1 40
3 1 3 90
sujeto a:
(1) 2X1 + X2 ≤ 70
(2) X1 + X2 ≤ 40
(3) X1 + 3X2 ≤ 90
(4) X1, X2 ≥ 0
Este problema se puede resolver de varias maneras, algunas de las cuales se verán
a continuación.
Método Gráfico
Por ser el problema anterior de dos variables es posible resolverlo en forma
gráfica.
X
2
100
90
80
70
60
50
40
30
20 A
10
X1
10 20 30 40 50 6 0 70 80 90 100
81 Modelos de Optimización
X
2
100
90
80
70
60
50
*
40 (X * , X ) = (15, 25)
1 2
30
20
10
10 20 30 40 50 6 0 70 80 90 100 X
1
f = 2100
f =1800
f = 1200
La curva de nivel, que contiene al menos un punto dentro del conjunto de oportunidades
y que hace máximo el valor de la función objetivo, es aquella donde f = 2.100. Este es
el máximo valor alcanzable de la función objetivo. Dicho valor se alcanza cuando X1
= 15 y X2 = 25.
82 Trabajo Docente Nº 57
Es conveniente hacer notar que en dicho punto las restricciones activas, es decir, que se
cumplen con igualdad, son las restricciones (2) y (3).
Método de Kuhn-Tucker
Si bien las condiciones de Kuhn-Tucker persiguen caracterizar el óptimo más que encontrarlo, es
posible usarlas para encontrar la solución. Por otra parte, dado que en cualquier problema de
Programación Lineal la función objetivo es cóncava y las restricciones forman un conjunto
convexo, cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un óptimo global.
£ = 40x1+60x2+λ1(70-2x1-x2)+λ2(40-x1-x2)+λ3(90-x1-3x2)
∂£
1) ∂x = 40 - 2λ1 - λ2 - λ3 ≤ 0
1
∂£
2) ∂x x1 = (40 - 2λ1 - λ2 - λ3) x1 = 0
1
∂£
3) ∂x = 60 - λ1 - λ2 - 3λ3 ≤ 0
2
∂£
4) ∂x x2 = (60 - λ1 - λ2 - 3λ3) x2 = 0
2
∂£
5) ∂λ = 70 - 2x1 - x2 ≥ 0
1
∂£
6) ∂λ λ1 = (70 - 2x1 - x2) λ1 = 0
1
∂£
7) ∂λ = 40 - x1 - x2 ≥ 0
2
∂£
8) ∂λ λ2 = (40 - x1 - x2) λ2 = 0
2
∂£
9) ∂λ = 90 - x1 - 3x2 ≥ 0
3
∂£
10)∂λ λ3 = (90 - x1 - 3x2) λ3 = 0
3
11)x1, x2, λ1, λ2, λ3 ≥ 0
83 Modelos de Optimización
Caso x1 x2 λ1 λ2 λ3
1 0 0 0 0 0
2 + 0 0 0 0
3 0 + 0 0 0
4 0 0 + 0 0
5 0 0 0 + 0
6 0 0 0 0 +
7 + + 0 0 0
8 + 0 + 0 0
9 + 0 0 + 0
10 + 0 0 0 +
11 0 + + 0 0
12 0 + 0 + 0
13 0 + 0 0 +
14 0 0 + + 0
15 0 0 + 0 +
16 0 0 0 + +
17 + + + 0 0
18 + + 0 + 0
19 + + 0 0 +
20 + 0 0 + +
21 + 0 + 0 +
22 + 0 + + 0
23 0 + + + 0
24 0 + + 0 +
25 0 + 0 + +
26 0 0 + + +
27 0 + + + +
28 + 0 + + +
29 + + 0 + +
30 + + + 0 +
31 + + + + 0
32 + + + + +
(1) 2X1 + X2 ≤ 70
(2) X1 + X2 ≤ 40
(3) X1 + 3X2 ≤ 90
(4) X1, X2 ≥ 0
b) Si x1 es cero, x2 podría ser como máximo igual a 30, por la tercera restricción.
En este caso la función objetivo tomaría un valor de 1.800.
Por otra parte, si x2 es cero, x1 podría ser como máximo igual a 35, por la
primera restricción. En este caso la función objetivo tomaría un valor de 1.400.
De aquí se desprende que x2 no puede ser igual a cero.
Por último, si x1 = 1 (cualquier valor positivo pero chico), x2 puede ser como
máximo igual a ¡Error!, por la restricción 3, con lo cual la función objetivo
tomaría un valor de 1.820, mayor que 1.800. De aquí se desprende que tanto x1
como x2 deben ser positivos en el óptimo.
Del análisis anterior se desprende que la tabla con los distintos casos se puede
simplificar de la siguiente forma:
Caso λ1 λ2 λ3
7 0 0 0
17 + 0 0
18 0 + 0
19 0 0 +
29 0 + +
30 + 0 +
31 + + 0
32 + + +
d£
1) dx1 = 40 - 2λ1 - λ2 - λ3 = 0
d£
2) dx2 = 60 - λ1 - λ2 - 3λ3 = 0
d£
3) = 70 - 2x1 - x2 ≥ 0
dλ1
d£
4) λ = (70 - 2x1 - x2 ) λ1 = 0
dλ1 1
d£
5) = 40 - x1 - x2 ≥ 0
dλ2
d£
6) λ = (40 - x1 - x2 ) λ2 = 0
dλ2 2
d£
7) = 90 - x1 - 3x2 ≥ 0
dλ3
d£
8) λ = (90 - x1 - 3x2 ) λ3 = 0
dλ3 3
9) x1 , x2 , λ1 , λ2 , λ3 ≥ 0
* * * * *
(x1 , x2 , λ1 , λ2 , λ3 ) = (15, 25, 0, 30, 10)
Una vez más, es claro que, como método, el uso directo de las
condiciones de Kuhn-Tucker es deficiente para encontrar la solución a
problemas de optimización.
c1 x1 + 60 x2
La pendiente de las curvas de nivel en este caso es -c1/60. Por otra parte,
1
las pendientes de las restricciones (2) y (3) son -1 y - 3 respectivamente.
El rango de sensibilidad es por tanto
-c1 1
-1 ≤ 60 ≤ - 3
o bien
20 ≤ c1 ≤ 60
87 Modelos de Optimización
Esto quiere decir que mientras c1 esté en el rango (20; 60) el óptimo
*
seguirá siendo ( x1 , x* ;2 )= (15, 25).
-40 1
-1 ≤ c ≤ -3
2
o bien
40 ≤ c2 ≤ 120
Se debe hacer notar que si bien la solución óptima no cambia mientras los
coeficientes varían dentro del rango de sensibilidad, el valor de la función objetivo
en el óptimo sí varía.
La importancia de este tipo de análisis radica en que permite saber, por ejemplo,
cuántas unidades de recurso es conveniente vender (comprar) a un determinado
precio. Por ejemplo, en el caso del recurso (2), se vio que l2 = 30. Ello quiere decir
que el máximo precio que se está dispuesto a pagar por una unidad adicional de este
recurso es 30 pesos. El problema es ahora determinar cuántas unidades se está
dispuesto a comprar a dicho precio máximo. El análisis de sensibilidad permite
encontrar la respuesta.
Si bien es posible derivar los rangos de sensibilidad para los distintos bj en forma
gráfica en el caso de dos variables, este se verá para el caso general con n variables
en el capítulo 9, donde se muestra el programa computacional LINDO.
Problemas Propuestos
2x1 + 3x2 ≤ 12
4x1 + 2x2 ≤ 16
x1, x2 ≥ 0
sujeto a:
x1 + 3x2 ≤ 6
-x1 + x2 ≤ 1
-2x1 + x2 ≥ -4
x1, x2 ≥ 0
sujeto a:
2X1 + X2 ≤ 20
X1 + X2 ≤ 12
X1, X2 ≥ 0
Se pide:
a) Resuelva gráficamente.
8.4. Ud. tiene un fundo de 20 hectáreas donde puede producir trigo y/o
maíz. Los requerimientos de agua para el año son de 10 mil y
89 Modelos de Optimización
Precio Requerimientos
Unitario (uds./ha.)
Fertilizantes 100 5 15
Pesticidas 150 2 4
Mano de Obra 100 4 3
Maquinaria 400 3 3
Rendimiento 30 40
Precio por quintal 120 160
Se pide:
8.5. Para una encuesta telefónica, una empresa de marketing necesita contactar
150 señoras (esposas), 120 señores (esposos), 100 adultos solteros de sexo
masculino y 110 adultos solteros de sexo femenino. El costo de una llamada
en la mañana es de $2 y se alcanzan los siguientes resultados:
Se pide:
Extra 1.000 4%
Estándar 800 10%
Rasca 400 30%
Para producir las hamburguesas, Ud. puede comprar 4 tipos de carne, cuyos precios y
contenidos de grasa se señalan a continuación.
Filete 450 1%
Posta Rosada 400 4%
Punta de Ganso 250 15%
Cazuela 220 45%
Se pide:
sujeto a:
X1 + X2 ≤ 60 (máquina 1)
2X1 + 3X2 ≤ 120 (máquina 2)
X1 + 5X2 ≤ 60 (máquina 3)
3X1 + X2 ≤ 80 (máquina 4)
X1, X2 ≥ 0
Se pide:
a) Resuelva gráficamente.
sujeto a:
Se pide:
a) 4
b) 6
c) 8
d) 9
e) 12
a) 128
b) 124
c) 90
d) 96
e) Ninguna de las anteriores.
a) 1
b) 11
c) -1
d) 0
e) Ninguna de las anteriores.
a) Infinito
b) 0
c) 8
d) 1
e) Ninguna de las anteriores.
93 Modelos de Optimización
CAPITULO 9
El programa LINDO2
* *
1) En el óptimo x1 = 15; x2 = 25
* * *
4) Los precios sombra son λ1 = 0, λ2 = 30, λ3 = 10.
40 + 20 ≥ c1 ≥ 40 - 20
60 + 60 ≥ c2 ≥ 60 - 20
2 Se debe hacer notar que existen además otros programas relativamente fáciles de usar
para resolver problemas de programación lineal. Uno de ellos es el programa QSB+,
cuya salida se muestra a través de ejemplos en los problemas propuestos al final de este
capítulo. En cualquier caso, se recomienda al lector leer bien los manuales de tal forma
de aprovechar al máximo los programas.
94 Trabajo Docente Nº 57
NO. ITERATIONS = 2
Los rangos que aquí se dan se deben interpretar por separado. Así,
por ejemplo, el rango para c2 supone que c1 se mantiene en su
valor original de 40.
70 + ∞ ≥ b1 ≥ 70 - 15
40 + 6 ≥ b2 ≥ 40 - 10
90 + 30 ≥ b3 ≥ 90 - 30
Problemas Propuestos
X Y Z
L 2 5 1
P 3 6 2
K 1 0 3
T 4 2 1
Maximizar 2X + 3Y + 2Z
sujeto a:
2X + 5Y + Z ≤ 30
3X + 6Y + 2Z ≤ 60
X + 3Z ≤ 20
4X + 2Y + Z ≤ 50
X, Y, Z ≥ 0
96 Trabajo Docente Nº 57
Se pide:
NO. ITERATIONS = 3
9.2. Nico tiene una pequeña empresa en la cual produce tres tipos de
fertilizantes para jardín mezclando, en distintas proporciones, tres
ingredientes básicos A, B y C. ( Para proteger el negocio de Nico
no se revelarán estos tres ingredientes). Las especificaciones
técnicas de cada mezcla son las siguentes:
1 50% 25%
2 15% 65%
3 5% 50%
Maximizar
sujeto a:
PROYECTOS
Foster City Housing Disney
Maximizar 1Z
sujeto a:
1) 3000F + 2000M + 2000D - 1B1 + 1L1 = 2000
2) 1000F + 500M + 2000D + 1,035B1 - 1,03L1 - 1B2 + 1L2 = 500
3) 1800F - 1500M + 1800D + 1,035B2 - 1,03L2 - 1B3 + 1L3 = 400
4) - 400F - 1500M - 1000D + 1,035B3 - 1,03L3 - 1B4 + 1L4 = 380
5) - 1800F - 1500M - 1000D + 1,035B4 - 1,03L4 - 1B5 + 1L5 = 360
6) - 1800F - 200M - 1000D + 1,035B5 - 1,03L5 - 1B6 + 1L6 = 340
7) 1Z - 5500F + 1000M - 6000D + 1,035B6 - 1,03L6 = 300
8) 1B1 ≤ 2000
9) 1B2 ≤ 2000
10) 1B3 ≤ 2000
11) 1B4 ≤ 2000
12) 1B5 ≤ 2000
13) 1B6 ≤ 2000
14) 1F ≤ 1
15) 1M ≤ 1
16) 1D ≤ 1
Se pide:
sujeto a:
CAPITULO 10
Ejemplo 10.1:
1 5 8 11 290
2 15 6 2 400
Suponga que con 0,1 toneladas de tomates es posible producir una caja de sopa de
tomates. Los costos variables de procesar una caja de sopa de tomates en las
distintas plantas están dados en la Tabla Nº 2.
1 25 800
2 34 1.500
3 17 3.000
108 Trabajo Docente Nº 57
Planta Distribuidora
1 2
1 8 15
2 4 6
3 20 2
Requerimientos por
Unidad Distribuidora 3.000 800
(en cajas)
Definición de variables:
Función objetivo:
Costo Producción
Parcelas 200V1+ 150V2
Costo Transporte
Parcelas a Plantas 5Z11+8Z12+11Z13+15Z21+6Z22+2Z23
Costo Procesam.
Plantas 25W1+34W2+17W3
Costo Transporte
Plantas a Distrib. 8M11+15M12+4M21+6M22+20M31+2M32
Restricciones:
Figura 1
1 80 Ton. 800
80 1
Cajas 800 cajas
Ton
1
3.000 cajas
1000cajas
2 1.000
100 Ton cajas
1200 cajas
2 400 2
Ton 300 Ton
1.800 cajas
Ejemplo 10.2:
M. de Obra 2 3 4 1 60 50
Maquinaria 3 1 2 5 70 80
Agua 2.000 3.000 3.000 5.000 200.000 50.000
(m3/ha.)
Ut. Neta 40.000 35.000
(pesos/ha.)
111 Modelos de Optimización
Definición de variables:
Función objetivo:
Restricciones:
3T + 2P ≤ 70 Maquinaria, semestre 1.
1T + 5P ≤ 80 Maquinaria, semestre 2.
T, P, A ≥ 0
Ejemplo 10.3:
Centro Nº 2 Centro Nº 3
Capacidad
Costos
Género Prod. Mano de obra Inv.Prod. Term.
($/TM) Centro nº 2 ($/TM/Mes Almacen.)
($/Hora normal)
Vacuno 26 12 7,0
Cordero 22 12 6,5
Cerdo 20 12 6,0
Función Objetivo:
3Se excluyen los costos de mano de obra en los centros Nos. 1 y 3 por ser
independientes de los volúmenes de producción.
115 Modelos de Optimización
Inventario al
final del Mes 1 0 66,33 83,08
Problemas Propuestos
10.1.3 Una planta reductora de aluminio produce dos tipos de aluminio, los cuales
se venden a $ 285 y $ 320 la tonelada, respectivamente. La compañía
dispone de dos fuentes de bauxita con las siguientes características y costos
por tonelada.
CONTENIDO DE
Bauxita A B C Costo/ton
La planta tiene una capacidad para tratar 200 tons. de bauxita a la semana. Por
contratos pendientes debe adquirir de la fuente Nº 1 un mínimo de 50 tons. a la
semana y de la fuente Nº 2 un mínimo de 65 tons. semanales.
10.2. La línea aérea de carga "SLOW AIR" dispone de un solo avión con tres
compartimientos. La capacidad máxima, en peso y volumen, de cada
compartimiento es la siguiente:
1 (adelante) 9 150
2 (centro) 13 240
3 (atrás) 8 100
Para mantener el balance del avión es necesario que la relación entre el peso
de la carga en cada compartimiento, y la capacidad máxima (en peso) de
dicho compartimiento, sea la misma en los tres compartimientos.
"SLOW AIR" tiene solicitudes para transportar las siguientes cuatro cargas,
con el mismo destino y, con las características que se indican:
Extra Corriente
Costo unitario 150 85
Precio venta 170 100
Para preparar una cazuela extra los cocineros trabajan el doble que
para una cazuela tipo corriente. Si todas las cazuelas fueran tipo
corriente, la capacidad de los cocineros sería de 1.000 cazuelas al
mes (como éste es un restaurant de mala muerte, el producto se
almacena fácilmente).
Se pide:
Se pide:
Trigo
Otoño 3 2 30
Invierno 2 1 40
Primavera 1 1 20
Verano 4 3 30
Maíz
Otoño 0 0 0
Invierno 0 0 0
Primavera 3 4 45
Verano 6 2 50
Disponibilidad
Otoño 80 160 1200
Invierno 80 100 1300
Primavera 80 60 1000
Verano 80 80 1000
El margen neto (en miles de pesos por há) es de 100 en el caso del
trigo y 120 en el caso del maíz.
Se pide:
10.7. Hoy, 1º de abril de 1996, Ud. dispone de 300 novillos que debe
vender durante el próximo año. Las fechas posibles de venta son:
Se recomienda definir:
Nota: Ud. no puede echar a nadie una vez contratado hasta el final
del período (1º de abril), en que los echa a todos.
10.10. Ud. está a cargo de una planta de leche que produce leche en
polvo y queso. Para producir un kilo de leche en polvo se
requieren 6 litros de leche y para producir un kilo de queso se
requieren 9 litros de leche. La leche le cuesta 20 pesos por litro si
le compra al abastecedor A, el cual le puede entregar como
máximo 200 litros diarios, y 23 pesos si le compra al abastecedor
B, el cual le puede entregar como máximo 400 litros diarios.
Adicionalmente, Ud., tiene un maestro quesero que puede
producir como máximo 30 kgs. de queso diarios y una máquina
deshidratadora que puede producir como máximo 20 kgs. diarios
de leche en polvo.
Por otra parte, Ud. cuenta con 2 mayoristas a los cuales les puede
vender su producción. El mayorista 1 le paga 500 pesos por kilo
de leche en polvo y 350 pesos por kilo de queso, exigiendo que
por cada kilo de queso que le vende, le venda también 2 kg. de
leche en polvo. El mayorista 2 le paga 400 pesos por kilo de leche
en polvo y 390 pesos por kilo de queso. Este mayorista no puede
comprarle más de 30 kgs. diarios en total (tiene un almacén
chico).
Se pide:
10.11. Ud. es un agricultor que posee 100 hectáreas que puede sembrar
con trigo, maíz y/o porotos. Los requerimientos de maquinaria y
mano de obra por hectárea por rubro son los siguientes.
Maquinaria
(jornadas/há) 2 3 1
Trabajo
(jornadas/há) 1 4 5
Rendimiento
(qq/há) 30 40 25
124 Trabajo Docente Nº 57
Se pide:
Mano de obra
(en JH por há.) 4 7 230
Maquinaria
(en JT por há.) 6 3 140
Se pide:
PRECIO
(En pesos por Kg. de materia prima equivalente)
Espárragos en conserva 35 50 60 40
Arvejas en conserva 28 37 100 80
PRECIO
(En pesos por Kg.)
Espárragos 10 15 28 30
Arvejas 20 30 55 60
Turno Horario
Se pide:
CAPITULO 11
VARIABLES BINARIAS
Las variables binarias son variables que sólo pueden tomar el valor de cero o el valor
de uno. El propósito de este capítulo es ver, a través de varios ejemplos, distintos
usos que tiene este tipo de variables. Debe señalarse que la mayoría de los
programas de computación para resolver problemas de Programación Lineal,
incluído el LINDO y el QSB+, puede trabajar con este tipo de variables en
problemas que en todo lo demás son de Programación Lineal.
Ejemplo 11.1:
Ud. tiene un fundo de 100 hectáreas, donde puede sembrar trigo y maíz. Al
considerar sus distintas restricciones, Ud. ha decidido plantear el problema de la
siguiente forma:
Max 20 T + 30 M
sujeto a:
T + M ≤ 100 (Hectáreas)
T, M ≥ 0
Max 20 T + 30 M - 350 H
1En el programa LINDO, este tipo de variables se conoce con el nombre de "integer", mientras que
en el programa QSB+, se llaman simplemente "binarias". Por otra parte, en este último programa, las
variables "integer" son aquellas que pueden tomar valores enteros (0, 1, 2, 3, ... ).
Modelos de Optimización 129
sujeto a:
T + M ≤ 100 (Hectáreas)
T, M ≥ 0
Binarias: H
Ejemplo 11.2:
1 2,1 2 800
2 1,7 5 500 (1)
3 1,3 11 390
4 0,4 20 60
Para plantear el problema de tal forma que pueda ser resuelto usando variables
binarias, es conveniente definir las siguientes variables:
Maximizar
+ 60 (X41 + X42)
sujeto a:
X11 + X12 ≤ 2
X21 + X22 ≤ 5
X31 + X32 ≤ 11
X41 + X42 ≤ 20
2,1X11 + 1,7X21 + 1,3X31 + 0,4X41 ≤ 10
2,1X12 + 1,7X22 + 1,3X32 + 0,4X42 ≤ 15
Ejemplo 11.3:
Usted ha decidido hacer una comida en su casa obviamente al mínimo costo. Como
restricciones usted tiene que darles un mínimo de 10.000 calorías y un mínimo de 1.950
grs. de proteínas en total. Los productos por considerar, junto con sus composiciones
unitarias, están dados a continuación:
c) Usted sabe que a sus invitados les carga el arroz con huevo.
El supuesto "si les da carne no debe darles huevos" se puede plantear como:
C ≤ 100.000 A1
H ≤ 100.000 A5
A1 + A5 ≤ 1
Binarias: A1, A5
El supuesto "si les da carne, debe darles un mínimo de 2 kgs. de tomates" se puede
plantear como:
T ≥ 2A1
Por otra parte, el supuesto "usted sabe que a sus invitados les carga el arroz con
huevo", lo obliga a plantear, por razones análogas a aquellas presentadas en relación
con el supuesto "si les da carne no debe darles huevos", las siguientes restricciones
adicionales:
A ≤ 100.000 A3
A3 + A5 ≤ 1
132 Trabajo Docente Nº 57
Binarias: A3
Por último, el supuesto "si les da papas, debe darles como mínimo 2 Kgs." se puede
plantear como:
2A2 ≤ P ≤ 100.000 A2
Binarias: A2
Si A2 es igual a cero, entonces P puede tomar sólo el valor de cero. Por otra parte, si A2 es
igual a uno, entonces P puede tomar cualquier valor entre 2 y 100.000.
sujeto a:
Ejemplo 11.4:
Usted tiene una verdulería y tiene 2 proveedores a los que puede comprar tomates,
lechugas y repollos. El costo de ir y volver a cada uno de los proveedores es el
siguiente:
Prov. 1: $5.000
Prov. 2: $3.000
Modelos de Optimización 133
Los precios a los que usted puede vender, los precios de los distintos proveedores y
la demanda máxima son:
Maximizar
sujeto a:
T1 + T2 ≤ 100
L1 + L2 ≤ 200
R1 + R2 ≤ 200
T1 + L1 + R1 ≤ 100.000 A1
T2 + L2 + R2 ≤ 100.000 A2
Ti, Li, Ri ≥ 0
Binarias: A1, A2
Programación Cuadrática
2
∑ ci Xi + ∑ ai Xi + ∑ ∑ bij Xi Xj
Ejemplo 11.5:
2 2
Maximizar: 10X1 + 2X2 - 2X1 - 3X2 + X1 X2
sujeto a:
X1 + X2 ≤ 20
2 X1 + 3 X2 ≤ 40
X1, X2 ≥ 0
2 2
£ = 10X1 + 2X2 - 2X1 - 3X2 + X1 X2 + λ1(20 - X1 - X2)
+ λ2 (40 - 2X1 - 3X2)
∂£ ∂£
1)∂X = 10 - 4X1 + X2 - λ1 - 2λ2 2) ∂X X1 = 0
1 1
≤ 0
∂£ ∂£
3) ∂X = 2 - 6X2 + X1 - λ1 - 3λ2 4) ∂X X2 = 0
2 2
≤ 0
∂£ ∂£
5) = 20 - X1 - X2 ≥ 0 6) λ1 = 0
∂λ1 ∂λ1
∂£ ∂£
7) = 40-2X1 - 3X2 ≥ 0 8) λ = 0
∂λ2 ∂λ2 2
9) X1, X2, λ1 , λ2 ≥ 0
Las condiciones (1), (3), (5), (7) y (9) son restricciones típicas de un problema de
Programación Lineal.
Por otra parte, las condiciones (2), (4), (6) y (8) se pueden imponer usando
variables binarias. A modo de ejemplo, la condición (2) se puede expresar como:
10 - 4X1 + X2 - λ1 - 2λ2 + Y1 = 0
Y1 ≤ 100.000 A1
X1 ≤ 100.000 A2
A1 + A2 ≤ 1
Y1 ≥ 0
Binarias: A1, A2
Se debe hacer notar que estas restricciones incluyen la restricción (1) por el hecho
que la variable auxiliar Y1 debe ser mayor o igual que cero.
10 - 4X1 + X2 - λ1 - 2λ2 + Y1 = 0
Y1 ≤ 100.000 A1
X1 ≤ 100.000 A2
A1 + A2 ≤ 1
2 - 6X2 + X1 - λ1 - 3λ2 + Y2 = 0
Y2 ≤ 100.000 A3
X2 ≤ 100.000 A4
A3 + A4 ≤ 1
20 - X1 - X2 - Y3 = 0
Y3 ≤ 100.000 A5
λ1 ≤ 100.000 A6
A5 + A6 ≤ 1
40 - 2X1 - 3X2 - Y4 = 0
Y4 ≤ 100.000 A7
λ2 ≤ 100.000 A8
A7 + A8 ≤ 1
Si un punto cumple con todas estas restricciones, entonces cumple además con todas
las condiciones de Kuhn-Tucker del problema original. Por otra parte, la función
objetivo del problema es cóncava, por cuanto el Hessiano, que es igual a:
-4 1
H = 1 -6
es negativo definido. Esto quiere decir, tal como se viera en el capítulo 6, que
cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un máximo global.
Todo lo anterior significa que cualquier punto que cumpla con el conjunto de
restricciones anterior, será un máximo global del problema original. El único
problema es que no se tiene función objetivo para poner este conjunto de
restricciones en un problema de Programación Lineal con variables binarias. Para
ello se utiliza una función objetivo auxiliar del tipo:
Modelos de Optimización 137
Minimizar J
Problemas Propuestos
11.1. Usted está planeando su última gira como candidato presidencial, para lo cual
dispone de 3 días: domingo 10, lunes 11, martes 12. Usted ha decidido
reducir su lista de posibles lugares a 4: Puerto Montt, Valdivia, Temuco, y
Concepción. Usted estima que el número de personas que puede convencer
está dado por la siguiente tabla:
11.2. Suponga que el dueño de una fábrica química recibe el encargo de determinar
una mezcla de 1.000 kilos que contenga cobre, estaño y calcio. Le dicen
además que la mezcla debe tener a lo más 380 kilos de cobre, por lo menos
200 kilos de estaño, y por lo menos 100 kilos de calcio. Los costos de cada
componente son 2, 3, y 4 pesos por kilo respectivamente.
Se pide:
11.3. Usted tiene una lechería que produce 100.000 litros de leche a la semana.
Debe decidir si venderlos como leche a planta A, a la planta B, o bien
venderlos como queso a público directamente. (Estas alternativas no son
excluyentes).
Por cada 10 litros de leche, usted puede producir 1 Kg. de queso. Para
producir queso, sin embargo, debe contratar a un maestro quesero que le
cuesta 450.000 pesos por semana. Los precios de los distintos productos son
los siguientes:
Leche:
Se pide:
c) Suponga que el maestro quesero ha decidido que él pide 450 mil pesos
por cualquier cantidad inferior a 4.000 Kg. de queso, pero que su precio
sube a 480 mil si le piden producir más de 4.000 Kg. Como incorporaría
este punto en el planteamiento del problema.
2. Se deberá dar raciones a 1.000 niños todos los días (5.000 raciones
semanales, ya que se excluyen sábados y domingos).
Se pide:
11.5. Una fábrica de galletas tiene 1800 libras de galletas de chocolate, 100 libras
de galletas de almendras y 50 libras de galletas de coco. La fábrica envasa
tres tipos de latas de 5 libras cada una, que contienen estas galletas en las
siguientes cantidades.
Se pide:
b) Suponga que quiere producir a lo más 2 tipos de lata por convenios con
los distribuidores. Plantee nuevamente el problema.
Modelos de Optimización 141
11.6. Ud. ha decidido instalar una botillería con los siguientes productos:
Bebidas:
Vinos:
Se pide:
d) ¿Cómo incorporaría el hecho que Limón Soda exige para venderle, que
no le compre más de 60 botellas a Coca Cola?
Abastecedor A Abastecedor B
Se pide:
11.8. Para distribuir uno de los diversos productos que fabrica, una empresa desea
utilizar sólo 2 de los 3 depósitos de su propiedad.
A 5 8 50
B 7 3 30
C 4 10 80
Se pide:
11.9. Ud. tiene dos parcelas de 10 y 20 hectáreas cada una, las que puede sembrar
con trigo y maíz. Los requerimientos de mano de obra y maquinaria son:
Trigo Maíz
Mano de obra
(en jornadas/há) 5 10
Maquinaria
(en jornadas/há) 15 20
Rendimiento parcela 1
(en qq/há) 30 60
Rendimiento parcela 2
(en qq/há) 40 60
Margen neto unitario
(en pesos/qq) 10.000 10.000
Se pide:
Casas
Tipo I Tipo II
Se pide:
11.11. Ud. es dueño de un fundo que produce 20 mil cajas de manzanas todos los
años. El huerto está en plena producción y se espera que dure otros 5 años.
Las manzanas son de exportación en un 75%.
En caso de poner su propio packing, éste tendría capacidad para 35 mil cajas
al año, con lo que podría servir a terceros a un precio de 1,2 dólares la caja.
Los precios de venta en este caso serían de 3,8 y 3,2 dólares por caja para la
fruta de exportación y no de exportación, respectivamente.
Se pide:
11.12. Imagínese en la siguiente situación: Ud. tiene un fundo que produce 20 mil
kg. de limones al año y desea saber si seguir vendiéndolos a granel sin
clasificar a un precio de 100 pesos por kilo o si clasificarlos en primera y
segunda clase antes de venderlos. Obviamente, si clasifica ya no puede
venderlos a granel.
Todo el proceso de clasificación cuesta 200 mil pesos en total y Ud. sabe que
6.000 kilos de la producción son de primera y los 14 mil kilos restantes son
de segunda.
Por último, una empresa agroindustrial está dispuesta a pagar 104 pesos por
kilo por todos los limones que Ud. desee venderle independiente de la
clasificación, pero siempre y cuando vengan ya clasificados. Le exige, sin
embargo, que en el caso de venderle algo, le venda un mínimo de 15 mil
kilos.
Se pide:
Plantee el problema de tal forma que pueda ser resuelto por el LINDO o
QSB+. El programa debe permitirle a Ud. determinar si le conviene o no
clasificar, y además cómo vender su producción.
11.13. Hoy es 1º de mayo, comienzos del año agrícola, y usted está planificando qué
producir el próximo año en su fundo de 200 hás. Para ello ha decidido limitar
las posibilidades a trigo, maíz, frejol y remolacha.
Trigo: 200.000
Maíz: 300.000
Frejol: 380.000
Remolacha: 530.000
Se pide:
b) Suponga que usted ha decidido que cualquier cultivo que siempre debe
tener por lo menos 5 hectáreas (puede no sembrar).
c) Suponga que para vender, en caso que usted decida vender, debe pagar
una comisión fija al corredor de $200.000 en el caso del trigo, y para la
remolacha de $180.000 (estas comisiones se pagan una sola vez,
independiiente del volumen de producción).
Se pide:
1 5 Rancagua
2 9 Rancagua
3 12 Concepción
4 14 Concepción
1) Los camiones que envíe a Talca para traladar alimentos a Los Sauces
deben finalmente volver a la ciudad donde se encuentran hoy los
camiones. A modo de ejemplo, si envía el camión 1, éste tendría que
seguir la siguiente ruta: Rancagua - Talca - Los Sauces - Talca -
Rancagua.
Se pide:
11.16. Para cada una de las siguientes afirmaciones escriba la o las restricciones
correspondientes definiendo claramente todas las variables. Estas deben ser
escritas de tal forma que se puedan entender en el LINDO o QSB+.
a) Por cada 3 kilos de maíz que ponga en una dieta de pollos, debo poner al
menos 2 kilos de harina de pescado.
b) Por cada kilo de galletas de chocolate se usan 800 grs. de harina, y por
cada kilo de galletas de gengibre se usan 650 gramos de harina. Se
dispone de 6.000 grs. de harina en total.
Mano de obra
(en JH/há.) 3 5 9 (1)
Maquinaria
(en JM/há) 6 2 9 550
Rendimiento
(en qq/há) 60 50 30
Precio neto (2)
(en pesos/qq.) 2.000 3.000 8.000
Notas:
(1) La disponibilidad máxima es de 400 JH en horario normal y
300 JH en horario extraordinario.
(2) Se refiere a neto de insumos tales como semillas, fertilizantes,
etc.
Ud. sabe además que el precio por JH en horario normal es de 2.000 pesos
por jornada trabajada, y en horario extraordinario de 2.800 pesos por jornada
trabajada.
Se pide:
Modelos de Optimización 151
Hora de salida
8 AM 6 PM
Destino
Arica 10 8
Temuco 13 9
Puerto Montt 15 23
Se pide:
T + P + M + C ≤ 200 (hectáreas)
2T + 4P + 3M + 5C ≤ 500 (maquinaria, en jornadas)
Se pide:
Mayorista Localidad
1 2 Oferta
1 3 + 2X 4+X 200
2 6+X 3X 130
Modelos de Optimización 153
Se pide:
11.21.Suponga que Ud. está sentado en este minuto frente a 100.000 melones de 1
kilo cada uno de su propiedad en su fundo en Melipilla.
T = 0,0001 X
Se pide:
sujeto a:
X1 + X2 ≤ 8
X1, X2 ≥ 0
donde Ptv, Pmc, Qtv, Qmc son lo precios y cantidades vendidas de trigo de
color verde y de maíz colorado respectivamente.
CT = 10 + 2Qtv + 3Qmc
Por último, Ud. sabe que no puede producir más de 30 unidades considerando
ambos productos.
Se pide:
11.24.Ud. tiene una verdulería y tiene 3 proveedores a los que puede comprar
tomates, lechugas, repollos, y zanahorias.
Los precios a los que Ud. puede vender, los precios que cobran los distintos
proveedores, junto con las cantidades máximas que puede comprarle a cada
uno, se presentan a continuación:
Adicionalmente, Ud. sabe que no podrá vender a esos precios más de 80, 270,
400 y 38 Kg. de tomates, lechugas, repollos, y zanahorias respectivamente.
Se pide:
Proveedor 1: 1.500
Proveedor 2: 6.000
Proveedor 3: 12.000
Precio = 80 - 2Q
Plantee nuevamente el problema de tal forma que pueda ser resuelto con
el LINDO.
Modelos de Optimización 157
REFERENCIAS