Ejercicios Resueltos de Anderson PDF

Gerencia de Operaciones I Ing.
Oscar Mendoza Macías
Aplicaciones de la programación Lineal
Hasta estos momentos el estudio se ha orientado a la comprensión de

la programación lineal en términos del método gráfico de solución,
del análisis de sensibilidad y de la interpretación de las soluciones
computadorizadas para problemas de programación lineal. Estos
antecedentes son esenciales para saber cuándo la programación
lineal es una herramienta apropiada para resolver problemas y,
también, para interpretar los resultados que la solución de
programación lineal da para un problema.
En la práctica, la programación lineal ha probado ser uno de los

enfoques cuantitativos más exitosos para la toma de decisiones en la
administración. Se han reportado numerosas aplicaciones en las
industrias química, del aerotransporte, del acero, del papel, del
petróleo y en otras. Los problemas específicos que han sido
estudiados son diversos e incluyen programación de la producción,
selección de medios publicitarios, planeación financiera, presupuestos
de capital, transporte, ubicación de plantas, mezcla de productos,
asignación de personal, mezclados y muchas otras.
Tal como sugiere la variedad de las aplicaciones que se menciona, la

programación lineal es una herramienta flexible para resolver
problemas, con aplicaciones en muchas disciplinas. En este capitulo,
se exponen aplicaciones en las áreas de mercadotecnia, finanzas y
administración de la producción. En la sección final se presenta una
aplicación en el campo relativamente nuevo del análisis global de
datos. En muchos de los ejemplos se presentan soluciones por
computadora que se obtienen utilizando el paquete de programas
denominado The Management Scientist.
1
Gerencia de Operaciones I Ing. Oscar Mendoza Macías
4.1 ALGUNOS LINEAMIENTOS PARA LA

FORMULACION DE LOS MODELOS
En las aplicaciones que siguen se vera la forma en la que se pueden

plantear diversos problemas como programas lineales. Aunque el
proceso de formulación o planteamiento de modelos de programación
lineal es un arte que se aprende con la práctica y la experiencia, los
siguientes lineamientos o casos generales pueden ser útiles al
comenzar a formular los propios modelos de programación lineal.
1. Entender por completo el problema
2. Plantear el problema en forma tan concisa como sea posible,

formulando enunciados verbales de lo siguiente:
• Objetivo. El propósito del problema, tal como maximizar

utilidades, minimizar tiempo, etc.
• Variables de decisión. Los aspectos del problema que se

pueden controlar o determinar y que ayudan a alcanzar el
objetivo que se plantea.
• Restricciones. Las limitaciones o condiciones que se deben

satisfacer para que la solución sea factible.
3. Utilizando las variables de decisión como incógnitas (por

ejemplo x1, x2, etc.), formular expresiones matemáticas que
describan el objetivo y cada una de las restricciones.
Se debe recordar que como el método es de programación lineal,

las expresiones que se utilizan para el objetivo y para las
restricciones deben ser relaciones lineales.
4. Añadir los requisitos de no negatividad (Xi ≥ 0) para cada una

de las variables de decisión.
2
En este punto debe tenerse un modelo de programación lineal que

represente el problema o aplicación que se estudia. La solución del
modelo proporcionará los valores óptimos de las variables de
decisión, así como también información acerca del análisis de
sensibilidad. La interpretación adecuada puede ofrecer información
valiosa sobre la toma de decisiones para los administradores.
4.2 APLICACIONES EN MERCADOTECNIA
Selección de medios de publicidad
Las aplicaciones de programación lineal para la selección de medios

publicitarios están diseñadas para ayudar a los gerentes de fijos de
publicidad a diversos medios. Los medios potenciales incluyen
periódicos, revistas, radio, televisión y correo directo. En la mayor
parte el objetivo es maximizar Ia exposición a la audiencia. Las
restricciones sobre las asignaciones permisibles usualmente se
producen por consideraciones como politicas de la compañía,
requisitos contractuales y disponibilidad de los medios. En Ia
aplicación que se presenta enseguida, se ilustra la forma en que
podría plantearse un problema de selección de medios, y su solución
utilizando un modelo de programación lineal.
Considérese el caso de la empresa Relax-and-Enjoy Lake

Development Corporation. La Relax-and-Enjoy está realizando el
proceso de desarrollo de un centro habitacional que se ubicará en las
riberas de un lago de propiedad privada, y el negocio consiste en la
3
venta de inmuebles para vacaciones o de albergues para retiro. El

principal mercado para esto lotes en las orillas del lago incluye a
todas las familias de ingresos medios y altos dentro de un radio de
aproximadamente 100 millas desde tal centro. La Relax – and - Enjoy
ha utilizado los servicios de la firma de publicidad Boone Phillips and
Jackson para el proyecto de la campaña promocional.
Después de considerar los posibles medios publicitarios y el mercado

que se debe cubrir, la Boone ha hecho la recomendación preliminar
de restringir la publicidad del primer mes a cinco fuentes. Al final del
mes, la empresa reevaluara su estrategia, con base en los resultados.
La Boone ha recopilado datos acerca del número de familias
potencialmente compradoras a las que se llega, el costo por
publicidad, el número máximo de veces que esta disponible cada
medio, y la disposición esperada para cada uno de los cinco medios
publicitarios. La exposición esperada se mide en términos de una
unidad de exposición, que es una del valor relativo de un anuncio en
cada uno de los medios. Tales medidas, con base en la experiencia
que la compañía tiene en el negocio de la publicidad, toman en
consideración factores tales como perfil de la audiencia (edad,
ingresos y grado de educación), imagen que se presenta y calidad del
anuncio. En la tabla 4.1 se presenta la información recopilada.
La firma Relax-and-Enjoy ha proporcionado a la Boone un

presupuesto de publicidad de $30.000 (dólares) para la campaña del
primer mes. Además, ha impuesto las siguientes restricciones sobre
la forma en que la Boone puede asignar esos fondos: se deben
utilizar cuando menos 10 anuncios (o comerciales) de televisión, y se
debe llegar cuando menos a 50000 compradores potenciales durante
el mes. Además, no pueden invertirse mas de $ 18000 en anuncios
por televisión. ¿Que plan de selección de medios debe recomendar la
empresa publicitaria?
4
TABLA 4.1 Alternativas de medios de publicidad para la Relax – and

– Enjoy Lake Development Corporation
Medios de # familias Costo # ocasiones Unidades

publicidad compradoras por disponibles esperadas
anuncio
TV diurna (1 min) 1000 $ 1.500 15 65
estacion WKLA
TV nocturna (30 2000 $ 3.000 10 90

seg), estacion
WKLA
Periodico diario The 1500 $ 400 25 40
Morning Journal
Suplemento de 2500 $ 1.000 4 60
periodico dominical
Radio: noticias 300 $ 100 30 20

8:00 A.M. o 5:00
P.M.
• El numero máximo de las ocasiones que esta disponible el

medio es el numero máximo de ocasiones en que se presenta el
medio de publicidad (por ejemplo, 4 domingos para el medio
numero 4) o el numero máximo de ocasiones en que Boone
permitirá que se utilice el medio.
Se comienza definiendo las variables de decisión de la siguiente

manera:
X1 = numero de ocasiones en que se utiliza la TV diurna
X2 = numero de ocasiones en que se utiliza la TV nocturna
X3 = numero de ocasiones en que se emplea el periódico diario
X4 = numero de ocasiones en que se emplea el periódico
dominical
X5 = numero de ocasiones en que se utiliza la radio.
5
Con el objetivo de maximizar la exposición esperada, la función

objetivo se convierte en: max 65 X1 + 90 X2+ 40 X3 + 60
X4+ 20 X5.
Ahora pueden plantearse las restricciones para el modelo a partir

de la información dada:
X1 ≤15
X2 ≤ 10
X3 ≤ 25
X4 ≤4
X5 ≤ 30
1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 ≤ 30000

Prepuesto
X1 + X2 ≥ 10
1500 X1 + 3000 X2 ≤ 18000
1000 X1 + 2000 X2 + 1500X3 + 2500 X4 + 300 X5 ≥
50000 Audiencia
X1, X2, X3, X4, X5 ≥ 0
En la Tabla 4.2 se presenta la solución para este modelo de

programación lineal con nueve restricciones y cinco variables.
TABLA 4.2 Plan de publicidad para la Relax-and-Enjoy Lake

Development Corporation
Presupuesto
Medios publicitario Frecuencia $
TV diurna 10 15000
Periodico diario 25 10000
Periodico dominical 2 2000
6
Radio 30 3000
30000
Total de audiencia alcanzada = 61500

Exposicion esperada
= 2370
Un posible defecto de este modelo es que, aun cuando la medida de

la exposicion esperada no estuviera sujeta a error, no existe garantía
de que maximizar la exposicion esperada total conducirá a la
maximización de las Utilidades o las ventas (un sustituto común para
las utilidades). Sin embargo este no es un defecto de la programación
lineal; más bien es una desventaja de utilizar la exposicion como
criterio. Ciertamente, si fuera posible medir en forma directa el efecto
que la publicidad tiene sobre las utilidades, se utilizaran las utilidades
totales como el objetivo a minimizar.
Además, se debe estar consciente de que el modelo de selección de

medios, tal como se planteo en esta sección, no incluye
consideraciones como las siguientes:
1. El valor de la exposición se reduce con la repetición en el uso de

los medios.
2 Descuentos en costos por utilización repetida de los medios.
3. Traslape de la audiencia en los distintos medios.
4. Recomendaciones de tiempo para los anuncios.
Con frecuencia es posible utilizar un planteamiento más complejo

(más variables y restricciones) para vencer estas limitaciones, pero
no siempre será posible superarlas todas con un modelo de
programación lineal. Sin embargo, aun en estos casos, con frecuencia
7
puede utilizarse un modelo de programación lineal para llegar a una

aproximación de la mejor decisión. La evaluación de los
administradores, combinada con la solución de la programación
lineal, debe hacer posible entonces la elección de una estrategia
global efectiva para la publicidad.
Notas y Comentarios
1. En general, se utilizan x1, x2, etc., para denotar las variables de

decisión en un modelo de programación lineal. Al comenzar el
planteamiento del modelo, se expone en forma cuidadosa la notación
utilizada y la definición de cada variable de decisión.
Al mismo tiempo que se puede utilizar la notación x1, x2, etc., en

cualquier modelo de programación lineal, algunos científicos de la
administración prefieren hacer uso de un esquema de notación más
descriptivo para cada variable de decisión. Por ejemplo, el modelo de
selección de medios podría haber sido formulado como DTV para
denotar “televisión durante el día”; por NTV, para “televisión durante
la noche”; por P, para periódicos; por PD, para publicaciones
domésticas; por R, para revistas.
En este caso, la función objetivo quedarla expresada de la siguiente

manera:
Max 65DTV + 9OIVTV + 40P + 6OPD + 20R
Las restricciones se plantearían en términos de la notación ideada:

DTV, NTV, P, PD, R. En cualquier caso, es importante observar que el
modelo se puede formular con cualquier notación o combinación de
notaciones para las variables de decisión. Sin importar cuál sea la
decisión, siempre es conveniente definir con cuidado las variables de
decisión y la notación que se utiliza desde el principio del
planteamiento del modelo.
2. Debe observarse que el modelo de selección de medios, quizá más
8
que la mayoría de los demás modelos de programación lineal,

requiere de evaluaciones subjetivas críticas para las calificaciones
sobre la exposiciOn de los diversos medios alternos. Aun cuando los
gerentes de mercadotecnia pueden contar con considerables datos
acerca de la exposición a la publicidad, los coeficientes finales que se
utilizan en la función objetivo incluyen consideraciones que se basan
primordialmente en el criterio de los administradores. Sin embargo,
la introducción de juicios es una forma aceptable de obtener datos
para un modelo de programación lineal.
Investigación de Mercadotecnia
Diversas organizaciones Llevan a cabo investigaciones

mercadotécnicas para determinar características de los consumidores,
actitudes y preferencias con respecto a productos o servicios que las
organizaciones ofrecen. Con frecuencia, las investigaciones reales las
lleva a cabo una empresa de investigación de mercadotecnia que se
especializa en ofrecer a sus clientes la información que desean sobre
el mercado. Los servicios que las empresas de investigación
mercadotécnica ofrecen por lo común incluyen el diseño del estudio,
la realización de las encuestas de mercado, el análisis de los datos
recopilados y reportes resumidos y recomendaciones para el cliente.
En la fase de diseño de la investigación, es posible que se establezcan
objetivos o cuotas para el número y tipos de entrevistados que la
investigación debe alcanzar. Cuando se establecen lineamientos sobre
cuotas, el objetivo de la empresa investigadora es Llevar a cabo la
encuesta de manera que se satisfagan las necesidades de los clientes
a un costo mínimo.
La firma Market Survey, Inc. (MSI), es una empresa de investigación

de mercadotecnia que se especializa en evaluar la reacción de los
consumidores ante productos, servicios y campañas de publicidad
nuevos. Una empresa cliente ha solicitado que le ayude a determinar
la reacción de consumidores ante un producto recientemente
comercializado para uso domestico. En el curso de algunas reuniones
con el diente, se acordó que se utilizarían entrevistas personales de
puerta en puerta para obtener información tanto de hogares con
niños los como de hogares sin ellos. Además, se acordó que seria
necesario realizar entrevistas tanto diurnas como nocturnas, con
objeto de incluir diversos horarios de trabajo en los hogares
Específicamente, el contrato de este cliente exigía a la SMI realizar
1000 entrevistas con los siguientes lineamientos sobre cuotas:
1. Se entrevistarían cuando menos 400 hogares con niños.
2. Se entrevistarían cuando menos 400 hogares sin niños.
9
3. El numeró total de hogares entrevistados durante la noche seria

cuando menos igual al número de hogares entrevistados durante el
día.
4. Cuándo menos el 40% de las entrevistas para hogares con niños

se realizarían durante la noche.
5. Cuando menos el 60% de las entrevistas para hogares sin niños se

realizarían durante la noche.
Como las entrevistas en hogares con niños requieren de tiempo

adicional del entrevistador, y como a los entrevistadores nocturnos se
les paga más que a los que trabajan de día, el costo de las
entrevistas varía según su tipo. Con base en estudios previos, las
estimaciones sobre los costos de las entrevistas son:
Costo de la entrevista
Hogar Diurna Nocturna
Niños $ 20 $ 25
No niños $ 18 $ 20
¿Cual es el plan de entrevistas, por hogar y por parte del día, que
satisface los requerimientos contractuales a un costo mínimo total
para las entrevistas?
El planteamiento de un modelo de programación lineal para el

problema de la Market Survey es buena oportunidad para introducir
el uso de variables de decisión con doble subíndice. Utilizando x para
representar las variables decisorias, se utilizan dos subíndices para x,
en donde el primer subíndice señala si la entrevista implica a niños o
no, y el segundo indica si la entrevista se realiza durante el día o
durante la noche. Utilizando 1 para niños y 2 para no niños, y 1 para
día y 2 para noche, se pueden utilizar subíndices dobles para
identificar las siguientes variables de decisión:
X11 = número de entrevistas en hogares con niños a realizar durante

el día
X12 = número de entrevistas en hogares con niños a realizar durante

la noche
10
X21 = número de entrevistas en hogares sin niños a llevar a cabo

durante el día
X22 = número de entrevistas en hogares sin niños a llevar a cabo

durante la noche
Se comienza el planteamiento del modelo de programación lineal

utilizando los datos de costos por entrevista para elaborar la siguiente
función objetivo:
min. 20 X11 + 25 X12 + 18 X21 + 20 X22
La restricción que exige un total de 1000 entrevistas se expresa como
X11 + X12 + X21 + X22 = 1000
Las cinco especificaciones que se refieren a los tipos de entrevistas

son las siguientes:
1. Hogares con niños
X11 + X12 ≥ 400
2. Hogares sin niños:
X21 + X22 ≥ 400
3. Cuando menos tantas entrevistas nocturnas como diurnas:
X12 + X22 ≥ X11 + X21
El formato normal para el planteamiento del modelo de programación

lineal y para la introducción de datos en la computadora hace que se
coloquen todas las variables de decisión en el lado izquierdo de la
desigualdad, y una constante (posiblemente cero) en el lado derecho.
Por ello, se reescribirla esta restricción como
—X11 + X12 — X2I + X22 ≥ 0
11
4. Cuando menos 40% de las entrevistas en hogares con niños

durante la noche:
X12 ≥ .4(X11 + X12)
- .4 X11 + .6X12 ≥ 0
Añadiendo los requisitos de no negatividad, el modelo de

programación lineal de cuatro variables y seis restricciones se
convierte en
Min 20X11 + 25X12 + 18X21 + 20X22
Sujeto a
X11 + X12 + X21 + X22 = 1000 Total de entrevistas
X11 + X12 ≥ 400 Hogares con niños
X21 + X22 ≥ 400 Hogares sin niños
—X11 + X12 — X21 + X22 ≥ 0 mas entrevistas nocturnas
— .4X11 + .6X12 ≥ 0 Hogares con niños,

noche
— .6X21 + .4X22 ≥ 0 Hogares sin niños, noche
X11, X12, X21, X22 ≥ 0
En la Fig. 4.1 se muestra la solución por computadora del programa

lineal anterior. Utilizando los resultados de la solución por
computadora, se observa que el costo mínimo de $20,320 se
presenta con el siguiente programa de entrevistas:
Numero de entrevistas
Hogar diurnas nocturnas totales
Niños 240 160 400
12
No niños 240 360 600

Totales 480 520 1000
Como se puede observar, se programan 480 entrevistas durante el

dia y 520 durante la noche. Los hogares con niños se cubren
mediante 400 entrevistas, y los hogares sin niños, mediante 600
entrevistas.
Una información seleccionada sobre el análisis de sensibilidad de la

Fig. 4.1 muestra un precio dual de —19.2 para la restricción 1. Esto
indica que la función objetivo empeoraría
Costos
Variable Valor reducidos
X11 240,000015 0,000001
X12 159,999985 0,000001
X21 240 0,000002
X22 360 0
Holgura / Precios
Restriccion Excedente duales
1 0 -19,200001
2 0 -2,799999
3 200 0
4 40 0
5 0 -4,999998
6 0 -1,999998
FIGURA 4.1 Solución por computadora del problema de

investigación de mercados utilizando The Management Scientist.
(el costo aumentaría) en $19.20 si se aumenta el numero de

entrevistas de 1000 a 1001. Por ello, $19.20 es el incremento en los
costos al obtener entrevistas adicionales. También representa los
ahorros que se podrían lograr al reducir el número de entrevistas de
1000 a 999. El precio dual para el requisito de 400 hogares con niños
(restricción 2) indica que solicitar entrevistas adicionales en hogares
con niños no mejora la función objetivo. De hecho, las entrevistas
adicionales en hogares con niños aumentarían el costo total a razón
de aproximadamente $2.80 por entrevista.
13
La variable de excedente que tiene un valor de 200 para la restricción

3, muestra que se van a entrevistar 200 más hogares con niños que
los que se requieren. De manera similar, la variable de excedente que
tiene un valor de 40 para la restricción 4 muestra que el número de
entrevistas nocturnas excede al número de entrevistas diurnas en 40.
Los valores nulos para las variables de excedente de las restricciones
5 y 6 indican que se mantienen en un mínimo las entrevistas
nocturnas, que son las más costosas.
4.3 APLICACIONES FINANCIERAS
Selección de cartera
Los problemas de selección de cartera implican situaciones en las que

los gerentes financieros deben elegir inversiones especificas (por
ejemplo, acciones, bonos) a partir de diversas alternativas de
inversión. Los administradores de fondos mutualistas, de uniones de
crédito, de compañías de seguros y de bancos, encuentran
frecuentemente este tipo de problemas. La función objetivo para los
problemas de selección de cartera es por lo común la maximización
del rendimiento esperado o la minimización de los riesgos. Las
restricciones asumen, por lo general, la forma de restricciones sobre
el tiempo de inversiones permisibles, leyes estatales, politicas de la
compañía, máximo riesgo permisible, etcétera.
Se han planteado y resuelto problemas de este tipo utilizando

diversas técnicas de programación matemática. Sin embargo, si es
posible plantear una función objetivo lineal y restricciones lineales en
un problema específico de selección de cartera, entonces puede
utilizarse la programación lineal para resolverlo. En esta sección se
muestra la forma en la que puede plantearse un problema de
selección de cartera y el modo en que se puede resolver como
programa lineal.
Considérese el caso de la firma Welte Mutual Funds, Inc., ubicada en

la ciudad de Nueva York. La empresa acaba de obtener $100,000 al
convertir bonos industriales en efectivo, y ahora está en busca de
otras oportunidades de inversión para esos fondos. Considerando las
inversiones de la Welte en esos momentos, el principal analista
financiero de la empresa recomienda que se hagan todas las nuevas
inversiones en la industria petrolera, en la industria del acero o en
bonos gubernamentales. Específicamente, el analista ha identificado
cinco oportunidades de inversión y proyectado sus tasas anuales de
14
rendimiento. Las inversiones y las tasas de rendimiento son las que

se muestran en la Tabla 4.3.
La dirección de la Welte ha impuesto los siguientes lineamientos

sobre la inversión:
1. Ninguna de las industrias (petróleo o acero) debe recibir más de

50% de la inversión nueva total.
2. Los bonos de gobierno deben ser de cuando menos 25% de las

inversiones en la industria siderúrgica.
3. Las inversiones en la Pacific Oil, la inversión con altos

rendimientos pero también altos riesgos, no puede ser más de 60%
del total de las inversiones en la industria petrolera.
¿Qué recomendaciones de cartera (inversiones y montos) se deben

hacer para los $100,000 disponibles? Dado el objetivo de maximizar
los rendimientos proyectados, sujeto a las restricciones
presupuestales y administrativas que se han impuesto, puede
contestarse esta pregunta planteando un modelo de programación
lineal para el problema. La solución para este modelo de
programación lineal ofrecerá, entonces, recomendaciones sobre
inversión para los administradores de la Welte Mutual Funds.
Sean,
X1 = dólares invertidos en Atlantic Oil
X2 = dólares invertidos en Pacific Oil
X3 = dólares invertidos en Midwest Steel
X4 = dólares invertidos en Huber Steel
X5 = dólares invertidos en bonos gubernamentales
Utilizando las tasas de rendimiento proyectadas que se muestran en
15
la Tabla 4.3, la función objetivo para maximizar el rendimiento total

sobre la cartera puede escribirse como
Max O.073X1 + 0.103X2 + 0.064X3 + 0.075X4 +

0.045X5
TABLA 4.3 Oportunidades de inversión para Welte Mutual Funds
Tasa de rendimienlo proyectada

Inversion
(%)
Atlantic Oil 7.3
Pacific Oil 10.3
Midwest Steel 6.4
Huber Steel 7.5
Bonos gubernamentales 4.5
La restricción que especifica la inversión de los $100000 se expresa

como
X1 + X2 + X3 + X4 + X5 = 100000
Los requisitos de que ni la industria del petróleo ni la industria del

acero reciban más de 50% de la inversión de $100,000, se escribe de
la siguiente manera:
X1 + X2 ≤ 50,000 Industria petrolera
x3 + x4 ≤ 50,000 Industria siderurgia
16
El requisito de que los bonos de gobierno sean de cuando menos 25%

de la inversión en la industria siderurgia se expresa de la siguiente
manera:
X5 ≥ 0.25 (X3 + X4)
o bien
—0.25X3 — 0.25X4 + X5 ≥ 0
Finalmente, la restricción de que la inversión en Pacific Oil no puede

ser más de 60% de la inversión total en la industria petrolera se
convierte en:
X2 ≤ 0.60 (X1 + X2)
o bien
—0.60X1 + 0.40X2 ≤ 0
Sumando las restricciones de no negatividad, el modelo completo de

programación lineal para el problema de inversión de la Welte Mutual
Funds es el siguiente:
Max 0.073X1 + 0. 103X2 + 0.064X3 + 0.075X4 +

0.045X5
Sujeta a
X1 + X2 + X3 + X4 + X5 = 100,000 Fondos disponibles
17
X1 + X2 ≤ 50,000 Máximo de la industria

petrolera
X3 + X4 ≤ 50,000 Máximo de la industria

del acero
-0.25X3 — 0.25X4 + X5 ≥ 0 Mínimo de bonos gubernamentales
—0.6X1 + 0.4 X2 ≤ 0 Restricción de la Pacific Oil
x1,x2,x3,x4,x5 ≥ 0
Valor de la función objetivo=

8000.000000
Variable Valor Costos reducidos

X1 19999.998000 0.000000
X2 3000.002000 0.000000
X3 0.000000 0.011000
X4 40000.000000 0.000000
X5 10000.000000 0.000000
Holgura / Precios
Restriccion Excedente duales
1 0 0.069000
2 0 0.022000
3 10000 0.000000
4 0 -0.024000
5 0 0.030000
18
FIGURA 4.2 Solución por computadora del problema de Welte

Mutual Funds
utilizando The Management Scientist.
Se resuelve este problema utilizando The Management Scientist y el

listado se muestra en la Fig. 4.2. En la Tabla 4.4 se muestra la forma
en la que se dividen los fondos entre los valores. Obsérvese que la
solución optima señala que la cartera se debe diversificar entre todas
las oportunidades de inversión, exceptuando a Midwest Steel. El
rendimiento anual proyectado para esta cartera es $8,000, lo cual
significa una tasa global de rendimiento del 8%.
Utilizando el listado de la computadora para el problema de inversión

de la Welte que se muestra en la Fig. 4.2, se observa que es cero el
precio dual para la restricción 3. Esto es así porque el máximo de la
industria del acero no es una restricción limitante; aumentos en el
límite de la industria siderúrgica de $50,000 no mejorarían el valor de
la función objetivo. De hecho, la variable de holgura para esta
restricción muestra que la inversión actual en la industria del acero
está $10,000 por debajo de su límite de $50,000. Los precios duales
de las demás restricciones son diferentes de cero, lo cual señala que
son restricciones limitantes en la solución óptima.
TABLA 4.4 Selección Optima de cartera para Welte Mutual Funds
Rendimiento
anual
Inversión Monto esperado
Atlantic Oil 20,000 $ 1.460
Pacific Oil 30,000 3090
Huber Steel 40,000 3000
Bonos
gubernamentales 10,000 450
100,000 8000
Rendimiento anual esperado de $8000
= 8%
El precio dual de 0069 para la restricción 1 muestra que es posible

aumentar la función objetivo en 0.069 si se puede tener a disposición
un dólar más para inversión en la cartera.
Si es posible obtener fondos a un costo inferior a 6.9%,los

administradores deberían considerar obtenerlos. Por otro lado, si
puede adquirirse un rendimiento superior a 6.9% invirtiendo los
19
fondos en alguna, otra parte (que no sean estos cinco títulos-valor)

los administradores deben considerar cuán conveniente será invertir
la totalidad de los $100,000 en esta cartera. Se pueden dar
interpretaciones similares para los otros precios duales. Sin embargo,
nótese que es negativo el precio dual para la restricción 4; su valor
es —O 024. Esto indica que aumentar en una unidad el valor en el
lado derecho de una restricción puede ocasionar, posiblemente, un
cambio en la función objetivo de —0.024. En términos de la cartera
Optima, esto significa que si la Welte invierte un dólar más en bonos
del gobierno, su rendimiento total disminuirá en 2.4 centavos. Para
ver por qué sucede esto, obsérvese de nueva cuenta en el precio dual
de la restricción 1 que el rendimiento marginal de los fondos
invertidos en la cartera es 6.9% (el rendimiento promedio es 85). La
tasa de rendimiento de los bonos gubernamentales es 4.5%. Par ella,
el costo de invertir un dólar más en bonos de gobierno es la
diferencia entre el rendimiento marginal de la cartera y el
rendimiento marginal de los bonos gubernamentales: 6.9% — 4.5%
= 2.4%.
Obsérvese que la solución Optima con x = 0 muestra que la Midwest
Steel no debe incluirse en la cartera. El costo reducido
correspondiente a x3, 0.011, indica que el coeficiente de la función
objetivo-para la Midwest Steel tendría que aumentar en 0.011 antes
de que fuera deseable considerar a esta empresa coma alternativa de
inversión. Con este aumento, el rendimiento de la Midwest Steel sería
0.064 + 0.011 = 0.75, hacienda que esta inversión fuera justamente
tan deseable como la alternativa de inversión que actualmente se
utiliza, la de Huber Steel.
Finalmente, una modificación sencilla sobre el modelo de
programación lineal de la Welte permite determinar la fracción de los
fondos disponibles que se invierten en cada alternativa. Es decir, se
dividen entre 100,000 los valores del lado derecho. Entonces, los
valores óptimos para las variables proporcionan la fracción de los
fondos que deben invertirse en cada título, para una cartera de
cualquier tamaño.
NOTAS Y COMENTARIOS
La solución óptima para el problema de la Welte Mutual Funds

indicaba que se debían invertir $20,000 en acciones de la Atlantic Oil.
Si la Atlantic Oil se vende en $75 por acción, se tendrían que comprar
exactamente 266 2/3 acciones para invertir exactamente $20,000.
Por lo general, la dificultad para adquirir acciones fraccionarias se
maneja adquiriendo el mayor número entero posible de acciones con
los fondos asignados (por ejemplo, 266 acciones para la Atlantic Oil).
Este método garantiza que no se infringe la restricción presupuestal.
20
Por supuesto, lo anterior introduce la posibilidad de que la solución ya

no sea la óptima, pero el peligro es reducido si se trata de un número
grande de acciones. En los casos en que el analista considere que es
crucial que las variables de decisión tengan valores enteros, el
problema debe plantearse coma modelo de programación lineal según
enteros. Esta programación lineal es la materia del Cáp. 8.
Estrategia de Combinación Financiera
Las estrategias de mezcla o combinación financiera implican la

selección de medios para financiar proyectos de la compañía,
inventarios operaciones de producción y otras actividades. En esta
sección se ilustra la forma en que puede utilizarse la programación
lineal para resolver problemas de este tipo, planteando y resolviendo
un problema que implique el financiamiento de operaciones de
producción. En esta aplicación específica, se debe tomar una decisión
financiera respecto a cuanta producción se debe financiar mediante
fondos generados internamente, y qué tanta producción se debe
financiar mediante fondos externos.
La Jefferson Adding Machine Company va a comenzar la fabricación

de dos nuevos modelos de calculadoras electrónicas en los tres meses
próximos. Como la fabricación de estos modelos exige ampliar la
operación de producción que se tiene en esos momentos, la compañía
necesitará fondos de operación para cubrir los costos de materiales,
mano de obra y otros gastos, durante el periodo inicial de producción.
Los ingresos provenientes de este periodo inicial de producción no
estarán disponibles sino hasta después del final del periodo. Así, la
compañía debe obtener financiamiento para estos gastos de
operación, antes de que pueda empezar a fabricar.
La Jefferson ha apartido $3,000 de fondos internos para cubrir los

gastos de la operación. Si se requieren fondos adicionales, tendrán
que ser generados en el exterior. Un banco local ha ofrecido una línea
de crédito a corto piazo para una cantidad que no exceda de $10,000.
La tasa de interés para la vigencia del préstamo será de 12% anual
sobre la cantidad que se tenga a crédito. Una estipulación fijada por
el banco exige que la parte restante del efectivo que la compañía
aparto para esa operación, más las cuentas por cobrar provenientes
de esta línea de productos, sean de cuando menos el doble del
crédito pendiente de pagar, más los intereses al final del periodo
inicial de producción.
Además de las restricciones financieras sobre la operación, la

capacidad de la mano de obra es también un factor que la Jefferson
21
debe tomar en consideración. Solo se tienen disponibles 2500 horas

de tiempo de ensamble y 150 horas de tiempo de empaque y envío
para la nueva línea de productos, durante el periodo inicial de
producción de tres meses. En la Tabla 4.5 se muestran los datos
relevantes sobre costos, precios y requisitos de tiempos de
producción para los dos niveles, a los que se denomina Y y Z.
Los administradores de la compañía han impuesto restricciones

adicionales con objeto de garantizar que es posible probar la reacción
del mercado ante ambos productos; es decir, deben fabricarse
cuando menos 50 unidades del modelo Y y cuando menos 25
unidades del modelo Z en ese primer periodo de producción.
TABLA 4.5 Datos de costos, precios y mano de obra para Jefferson

Adding Machine Company
obra que se
Costo unitario Horas de mano de requieren
(materiales y
otros Precio Margen Empaque
Modelo gastos variables) de venta de utilidad Ensamblado y envío
Y $ 50 $ 58 $8 12 1
Z $ 100 $ 120 $ 20 25 2
Como el costo de las unidades que se fabrican utilizando fondos

crediticios sufrirá, en efecto, un cargo por interés, se reducen las
contribuciones a las utilidades para los modelos Y y Z que se fabrican
con fondos obtenidos a crédito. Por ello, se adopta la siguiente
notación para las variables de decisión del problema:
X1 = unidades del modelo Y fabricadas con fondos de la

compañía
X2 = unidades del modelo Y fabricadas con fondos obtenidos a

crédito
X3 = unidades del modelo Z fabricadas con fondos de la

compañía
22
X4 = unidades del modelo Z fabricadas con fondos obtenidos a

crédito
¿Qué tanto se reduce la contribución a las utilidades de las unidades

que se fabrican con fondos obtenidos a crédito? Para resolver esta
pregunta, debe saberse durante cuánto tiempo estará vigente el
préstamo. Se supone que todas las unidades de cada modelo se
venden, conforme se fabrican, a distribuidores independientes, y que
la tasa promedio de rotación de las cuentas por cobrar es de tres
meses. Como los administradores de la compañía han especificado
que el crédito debe pagarse con los fondos generados por las
unidades que se fabrican mediante fondos crediticios, los fondos que
se obtienen a crédito para fabricar una unidad del modelo Y o una
unidad del modelo Z se pagarán aproximadamente tres meses de
después
Por ello, la contribución a las utilidades para cada unidad del modelo
Y que se fabrica con fondos crediticios se reduce de $8 a $8 —($50 x
0.12 x ¼ yr) = $6.50, y la contribución a las utilidades para cada
unidad del modelo Z que se fabrica con fondos crediticios se reduce
de $20-a $20—($l00 x 0.12 x ¼ yr) = $17. Con esta información se
puede ahora plantear la función objetivo para la mezcla financiera de
la Jefferson:
Max 8x1 + 6.5x2 + 20x3 + 17x4
Pueden también especificarse las siguientes restricciones para el

modelo:
12x1 + 12x2 + 25x3 + 25x4 <= 2,500 Capacidad de

ensamble
x1 + x2 + 2x3 + 2x4 <= 150 Capacidad de empaque
y envío
50x1 + 100x3 <= 3,000 Fondos internos disponibles

50x2 +100x4<= 10,000 Fondos externos
disponibles
x1 + x2 >= 50 Requerimiento del modelo
Y x3+ x4
>= 25 Requerimiento del modelo Z
Además, se debe incluir la siguiente restricción para satisfacer el

requisito bancario sobre el crédito:
23
Efectivo + cuentas por cobrar <= 2(crédito + intereses)
Esta restricción debe satisfacerse al final del periodo. Recordando que

las cuentas por cobrar se mantienen vigentes para un promedio de
tres meses, puede utilizarse la siguiente relación para deducir una
expresión matemática para la desigualdad anterior, al final del
periodo:
Efectivo = 3000 – 50X1 – 100x3
Cuantas por cobrar = 58x1 + 58x2 +120x3 + 120x4
Crédito = 50x2 + 100x4
Intereses= (0.12 X ¼ yr)(50x2l 100x4) = 1.5x2 +

3x4
Por lo tanto, la restricción que resulta por la limitación del banco se

puede expresar como:
3000 – 50x1 – 100x3 +58x2 + 120x3 + 120x4>=

2(51.5x2+103x4)
O bien
3000>= -8x1 + 45x2 – 20x3
Lo cual es equivalente a
-8x1 + 45x2 – 20x3 + 86x4 <= 3000
Añadiendo las restricciones de no negatividad, el modelo completo de

programación lineal para la Jefferson Adding Machine Company puede
plantearse de la siguiente manera:
En la Fig. 4.3 se muestra la solución por computadora para este

problema de combinación financiera con cuatro variables y siete
restricciones. Se obtiene la utilidad de $1,191.86 con la solución
Optima de x1 = 50, x2 = 0, x3 = 5, y x4 = 40.7. Obsérvese que el
costo reducido de cero para x2 indica que no es necesario que
aumente el coeficiente de la función objetivo para que se pueda
evaluar la inclusión de x2 con la solución óptima. Esto es una
indicación de que existe una solución óptima alternativa para el
problema. En la Fig. 4.4 se muestra una polución por computadora
que ofrece una solución óptima alternativa. La utilidad de $1,191.86
24
corresponde ahora a la solución x1 = 0, x2 = 50, x3 = 30, yx4 =

15.7.
Evidentemente, los administradores podrían poner en práctica
cualquiera de las soluciones que se muestran en esas figuras, y
maximizar las utilidades. La solución de la Fig. 4.4 se resume en la
Tabla 4.6, junto con la utilidad esperada y los fondos obtenidos a
crédito para cada modelo de calculadora. Esta solución exige que la
compañía emplee todos

X1 50,000000 0,000001
X2 0,000000 0,000000
X3 5,000000 0,000001
X4 40,697674 0,000000
Holgura /
Restriccion Excedente Precios duales
1 757,558230 0,000000
2 8,604660 0,000000
3 0,000000 0,239535
4 5930,232400 0,000000
5 0,000000 -2,395349
6 20,697670 0,000000
7 0,000000 0,197674
Figura 4.3 Solución por computadora del problema de Jefferson

Adding Machines, utilizando The Management Scientist
Valor de la función objetivo = 1191.860350

X1 0,000000 0,000001
X2 50,000000 0,000000
X3 30,000000 0,000001
X4 15,697672 0,000000
Holgura /
Restriccion Excedente Precios duales
1 757,558230 0,000000
2 8,604660 0,000000
3 0,000000 0,239535
4 5930,232400 0,000000
5 0,000000 -2,395349
6 20,697670 0,000000
7 0,000000 0,197674
25
FIGURA 4.4 Solución Optima alternativa para el problema de

Jefferson Adding
Machines, utilizando The Management Scientist.
TABLA 4.6 Combinación financiera Optima Jefferson Adding Machine

para la producción en la Jefferson Adding Machine
utilidad monto de
Modelo Unidades esperada fondos
Modelo Y
Fondos obtenidos a
credito (X2) 50 $ 325 $ 2.500
Modelo Z
Fondos de la
compañía(X3) 30 600
Fondos obtenidos a
credito (X4) 15,7 267 1570
Totales 1192 4070
Sus fondos internos ($3000), pero sólo un poco mas de $4,000 de los
$10,000 disponibles en la línea de crédito.
Algunas interpretaciones adicionales sobre el listado de computadora

de la Fig. 4.4 muestran que la capacidad de ensamblado (restricción
1, holgura = 757.6 horas) y la capacidad de empaque y envió
(restricción 2, holgura = 8.6 horas) son adecuadas para satisfacerlos
requisitos de producción. Asignar horas adicionales a estos recursos
no mejora el valor de la solución optima.
El precio dual correspondiente a la restricción de los fondos internos

(restricción 3) muestra que se puede obtener un mejoramiento de las
utilidades de aproximadamente $0.24 si se invierte un dólar adicional
de fondos internos. Con este elevado rendimiento sobre la inversión
de fondos internos, es posible que la Jefferson desee seriamente
considerar la asignación de fondos internos adicionales para este
producto.
26
El precio dual negativo para la restricción 5 indica que los aumentos

en el requisito de producción del modelo Y reducirían el margen de
utilidad. De hecho, el precio dual negativo indica que reducir el
requerimiento actual de 50 unidades para el modelo Y, produciría en
realidad aumentos en las utilidades a razón de aproximadamente
$2.40 por unidad que se reduzca en el requisito.
Notas y Comentarios
Las contribuciones a las utilidades para los dos productos de la

Jefferson Adding Machine se basaron en la diferencia entre el precio
unitario por unidad y el “costo” por unidad. Una consideración
interesante al determinar el costo por unidad es la diferencia entre
los costos irrelevantes (sunk) y los costos relevantes. Costos
irrelevantes son aquéllos que ya se han realizado, tales como
compras previas de materiales, gastos generales, mano de obra
indirecta, etcétera. Como son costos en los que ya se ha incurrido, o
costos que se realizarán sin importar las decisiones que se tomen,
tales conceptos carecen de relevancia; es decir, no son afectados por
los valores de las variables de decisión. -Los costos irrelevantes no
deben considerarse cuando se desarrolla la función objetivo para un
modelo de programación lineal. Obsérvese que la Tabla 4.5 muestra
que los costos unitarios se basan en los costos relevantes variables
para los materiales, así como también en otros gastos variables. En el
caso referente a la protección ambiental que aparece al final del
capitulo se da oportunidad de identificar los costos relevantes al
desarrollar un modelo de programación lineal.
4.4 APLICACIONES EN ADMINISTRACION DE LA PRODUCCION
Programación de la producción
Una de las áreas más importantes de la programación lineal trata de

las aplicaciones en periodos múltiples de planeación, tales como la
programación de la producción. La resolución de un problema de esta
clase permite a los administradores establecer un programa de
producción eficiente y a costos reducidos, para uno o más productos,
a lo largo de diversos periodos, como semanas, meses, etcétera. En
esencia, se puede contemplar un problema de programación de la
producción como uno de combinación o mezcla de productos para
cada uno de diversos lapsos hacia el futuro El administrador debe
determinar los niveles de producción que permitirán a una compañía
a satisfacer los requisitos de demanda del producto, considerando
27
limitaciones sobre la capacidad de producción, La capacidad de mano

de obra y el espacio de almacenamiento Al mismo tiempo, se desea
minimizar el costo total para llevar a cabo esa labor
Un motivo importante de la generalizada aplicación de la

programación lineal en problemas de programación de la producción,
es que estos son de naturaleza recurrente. Se debe establecer un
programa de producción para el mes en curso, después para el mes
siguiente, luego para el que sigue, y así sucesivamente. Cuando el
gerente de producción considera el problema cada vez, se encuentra
con que, aunque la demanda de los productos varia, las limitaciones
sobre el tiempo y las capacidades de producción, y sobre el espacio
de almacenamiento, son básicamente Las mismas. Por ello, el
gerente de producción resuelve en esencia el mismo problema que se
ha manejado en meses anteriores. Por tanto es posible aplicar con
frecuencia un modelo general de programación lineal para el
procedimiento de programado de la producción. Una vez que se
planteó el modelo, el administrador puede simplemente proporcionar
los datos (demanda, capacidades, etc.) para el periodo de producción
dado, y puede entonces utilizarse el modelo de programación lineal
para desarrollar el programa de producción. De modo que un
planteamiento de programación lineal puede tener muchas
aplicaciones sucesivas.
Considere el caso de la empresa Bollinger Electronics Co., que fabrica
dos componentes electrónicos distintos para un importante fabricante
de motores de avión. Tal fabricante notifica a la oficina de ventas de
la Bollinger, cada trimestre, cuáles serán los requerimientos de
componentes para los tres meses siguientes. Las demandas
mensuales de los componentes pueden variar considerablemente
dependiendo del tipo de motor que produce el fabricante
El pedido que se muestra en la Tabla 4.7 acaba de ser recibido, y
corresponde al siguiente lapso de tres meses. Después de que se
procesa el pedido, se envía una constancia de demanda al
departamento de control de la producían. A su vez, este
departamento debe elaborar un plan de producción a tres meses para
los componentes. Conociendo La preferencia de el gerente del
departamento de producción, por niveles constantes de demanda que
den como resultado cargas de trabajo equilibradas y utilización
constante de las máquinas y la mano de obra, la persona encargada
del programa de producción debe tomar en consideración la
alternativa de fabricar a una tasa constante durante los tres meses.
Esto fijarla cuotas de producían de 3000 unidades por mes para el
componente 322A y 1500 unidades al mes para el componente 802B.
Por qué no adoptar este programa
Aunque tal programa resultaría atractivo para el departamento de
producción, puede
resultar indebido, desde el punto de vista de los costos totales. En
28
particular, omite los costos de inventarios. Considérense los niveles

proyectados de inventario que se producirían
TABLA 4.7 Programa de la demanda a tres meses para Boilinger

Electronic Company
Abril Mayo Junio
Componente
1000 3000 5000
322A
Componente
1000 500 3000
8022
30 de Abril 31 de Mayo
Componente
322A
2000 2000
Unidades Unidades
500 1500
Componente
802B unidades unidades
FIGURA 4.5 Nive1es proyectados de inventario con un programa de

producción a tasa constante.
Con este programa que exige producción constante (Fig. 4.5). Se

observa que el programa de producción conduciría a niveles elevados
de inventarios. Cuando se considera el costo del capital y del espacio
de almacenamiento comprometidos, un programa que produzca
menores niveles de inventarios puede resultar más deseable en
términos económicos.
En el otro extremo del programa de producción a tasas constantes se
29
encuentra el método de “fabricar para satisfacer La demanda”.

Aunque este tipo de programas elimina el problema de los costos de
mantener inventario, las amplias fluctuaciones mensuales en los
niveles de producción pueden ocasionar algunas dificultades y costos
de producción considerables. Por ejemplo, tendría que haber
capacidad de producción disponible para satisfacer la demanda pico
de 8000 unidades en junio. También, y a menos que se pudieran
programar otros componentes para el mismo equipo de producción
en abril y mayo, habría una cantidad considerable de capacidad no
utilizada y, por ello, una subutilización importante en esos meses.
Tales importantes variaciones en la producción podrían también exigir
ajustes considerables en la mano de obra que, a su vez, conducirán
mayores problemas de rotación y de capacitación del personal. Por
do, parece que el mejor programa de producción seria aquel que
equilibrara las dos alternativas.
Al gerente de producción le agradarla identificar y considerar los

siguientes costos
1. Costos de producción
2. Costos de almacenamiento
3. Costos por cambios en el nivel de producción
En la parte restante de esta sección se muestra la forma en la que

puede plantearse un modelo de programación lineal para el
proceso de producción e inventarios de la firma Boilinger
Electronics, que toma en consideración esos costos de manera que
se minimicen los costos totales.
Para desarrollar el modelo se utiliza una notación con doble

subíndice para las variables de decisión. El primer subíndice indica
el número del producto, y el segundo, el mes. Así, en general, se
utiliza xm para denotar el volumen de producción en unidades
para el producto i en el mes m. Aquí, i = 1,2, y m = 1,2,3; se
tiene que i = 1 se refiere al componente 322A, i = 2 se refiere al
componente 802B, m = 1 corresponde a abril, m = 2 se refiere a
mayo y m = 3 corresponde a junio. El propósito del doble
subíndice es ofrecer una notación más descriptiva. Se podía
simplemente utilizar x6 para representar el número de unidades
del producto 2 que se fabrica en el mes 3, pero X23 es más
descriptiva en cuanto a que señala directamente el mes y el
producto que la variable representa.
30
Si cuesta $20 (dólares) cada unidad que se fabrica del componente

322ª y $10 cada componente 802B, la parte de los costos de
producción de la función objetivo se convierte en
Costo de producción = 20X11 + 20X12 + 20X13 + 10X21 + 10X22 +
10X23
Se debe observar que en este problema el costo por unidad de

producción es el mismo en todos los meses. Por ello, no es necesario
incluir los costos de producción en la función objetivo, es decir;
independientemente de cuál sea el programa de producción que se
elija, los costos totales de producción seguirán siendo los mismos. En
otras palabras, los costos de producción son costos no relevantes
para la decisión sobré el programa de producción que se considera.
En casos en que se espera que el costo unitario varié cada mes, los
costos unitarios variables de producción deben incluirse en la función
objetivo. Como la solución para el problema de la Bollinger
Electronics será la misma independientemente de si se incluyen estos
costos o no, se ha decidido elegirlos para que el valor de la función
objetivo de programación lineal incluya todos los costos
correspondientes al problema.
Para incluir los costos relevantes de inventarios en el modelo, se

introduce una variable de decisión con doble subíndice que indica el
número de unidades de inventario pana cada producto y para cada
mes. Se utiliza Sim para representar el nivel de inventario para el
producto i al final del mes m.
La Bollinger ha determinado que, sobre una base mensual, los costos

de mantener el inventario son de 1.5% del costo del producto; es
decir, (0.015)($20) = $0.30 por unidad del componente 322A y (0.01
5)($ 10) = $0.15 por unidad para el componente 802B. Enseguida se
comenta un supuesto que comúnmente se hace al utilizar el método
de la programación lineal para programar producción. Se supone que
los inventarios de fin de mes son una aproximación aceptable de los
niveles promedio de inventarios durante el propio mes. Dado este
supuesto, la porción del costo del mantenimiento de inventarios de la
función objetivo se puede expresar de la siguiente manera:
Costo de mantenimiento de inventarios = 0.30s11 + 0.30s12 +

0.30s13 + 0.l5s21 + 0.l5s22 + 0.15s23
Con objeto de incluir los costos que se producen por las fluctuaciones
en los niveles
de producción de un mes a otro, es necesario definir las dos variables
de decisión adicionales que siguen:
31
Im = aumento en el nivel total de producción durante el mes m en

comparación con el mes m — 1
Dm = disminución en el nivel total de producción durante el mes m

en comparación con el mes m — I
Después de estimar los efectos de los despidos temporales de los

empleados, de la rotación de personal, de los costos de asignaciones
a capacitación, y de otros costos asociados a los niveles fluctuantes
de producción, la Bollinger estima que el costo correspondiente a un
aumento en el nivel de la producción para cualquier mes es $0.50 (de
dólar) por aumento unitario. A una disminución en el nivel de
producción le corresponde un costo similar, para cualquier mes, y es
de $0.20 por unidad. Así, la tercera porción de la función objetivo
puede escribirse de la siguiente manera:
Costos por fluctuaciones en la producción = 0.50I1 + 0.50I2 +

0.50I3 + 0.20D1 + 0.20D2 + 0.20D3
Se debe observar aquí que la Bollinger ha decidido medir los costos

correspondientes a las fluctuaciones en la producción como función
del cambio en el número total de unidades que se fabrican en el mes
m, en comparación con el número total de unidades fabricadas en el
mes m-1. En otras aplicaciones a programas de producción, pueden
medirse las fluctuaciones en la producción en términos de horas-
maquina o de horas-trabajo que se requieren, en vez de hacerlo en
terminas del numero total de unidades que se fabrican.
Combinando todos esos tres costos, la función objetivo completa se

convierte en:
Min 20X11 + 20X12 + 20X13 + 10X21 + 10X22 + 10X23 +

0.30S11 + 0.30S12 + 0.30S13 + 0.15S21 + 0.15S22 + 0.15S23 +
0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3
Considérese ahora las restricciones. En primer lugar, debe

garantizarse que el programa satisface la demanda del cliente. Como
las unidades que se envían pueden provenir de la producción del mes
en curso, o de los inventarios de periodos previos, se tienen los
siguientes requerimientos básicos:
Inventario Producción Demanda del
Final del mes + en ≥ mes
32
Anterior Curso
La diferencia entre lado izquierdo y el lado derecho será la cantidad

del inventario final, al final de ese mes. Por ello, el requerimiento de
la demanda asume la forma
Inventario Producción Inventario Demanda
Final del mes + en curso - final de este = de este
Anterior mes mes
Supóngase que los inventarios al principio del periodo del programa

de tres meses fueran de 500 unidades para el componente 322A y
200 unidades para el componente 802B. Recordando que la demanda
para ambos productos en el primer mes (abril) es de 1000 unidades,
las restricciones para satisfacer la demanda en el primer mes se
convierten en
500 + x1 — S11 = 1000

200 + x21 — S21= 1000
Pasando las constantes al lado derecho, se tiene:
X11 – S11 = 500
X21 – S21 = 800
De manera similar, se requieren restricciones de demanda para

ambos productos en los meses segundo y tercero. Esas pueden
escribirse de la siguiente manera:
Mes 2:s11 + x12 — S12 = 3000

S21+XS= 500
33
Mes 3: S12 + X13— S13 = 5000

S22 + X23 – S23 = 3000
Si la compañía especifica un nivel minino de inventario al final del

periodo de tres meses de cuando menos 400 unidades del
componente 802B, pueden entonces incluirse las restricciones.
S13≥400
S23≥200
Supóngase que se tiene información adicional disponible sobre la
capacidad de producción, de mano de obra y almacenamiento, y es la
que se presenta en la Tabla 4.8. En la Tabla 4.9 se presentan los
requerimientos de maquinaria, mano de obra y almacenamiento. Las
siguientes restricciones son necesarias para reflejar esas limitaciones:
Capacidad de las maquinas:
0.10X11 + 0.08X21 ≤ 400 Mes 1

0.10X12 + 0.08X22 ≤ 500 Mes 2
0.10X13 + 0.08X23 ≤ 600 Mes 3
Capacidad de mano de obra:
0.05X11 + 0.07X21 ≤ 300 Mes 1

0.05X12 + O.07X22 ≤ 300 Mes 2
O.05X13 + 0.07X23 ≤ 300 Mes 3
Capacidad de almacenamiento:
2S11 + 3S21 ≤ 10,000 Mes 1

2S12 + 3S22 ≤ 10,000 Mes 2
2S13 + 3S23 ≤ 10,000 Mes 3
TABLA 4.8 Capacidades de maquinaria, mano de obra y

almacenamiento para la Bollinger Electronics
Capacidad de Capacidad de Capacidad de

maquinas Mano de almacenamiento
(horas) Obra (pies
34
(horas) cuadrados)
Abril 400 300 10000

Mayo 500 300 10000
Junio 600 300 10000
Tabla 4.9 Requerimientos de maquinaria, mano de obra y

almacenamiento para los componentes 322A y 802B
almacenamiento
Maquinas Mano de Obra (pies
(horas/unidad) (horas/unidad) cuadrados/unidad)
Componente 322A 0.10 0.05 2

Componente 802B 0.08 0.07 3
Se debe incluir un conjunto final de restricciones. Estas se requieren

para garantizar que Im y Dm reflejarán el aumento o la disminución
en el nivel total de producción en el mes m. Supóngase que los
niveles de producción para marzo (el mes anterior al inicio del
problema de programación de la producción que se este trabajando)
hubiera sido de 1500 unidades del componente 322A y 1000
unidades del componente 802B, para un nivel total de producción de
1500 + 1000 = 2500 unidades.
Puede determinarse la magnitud del cambio en la producción para

abril, a partir de la relación:
Producción en abril — producción en marzo = cambio
Utilizando las variables de decisión para la producción de abril X11 y
35
X21, y la producción de marzo de 1500 unidades, se puede reescribir

la relación anterior coma sigue:
x11 + x — 2500 = cambio
Obsérvese que el cambio puede ser positivo o negativo. Un cambio

positivo refleja un aumento en el nivel total de producción, y uno
negativo refleja una disminución. Utilizando la relación anterior,
pueden utilizarse el aumento en la variable de producción para abril
I1 y la disminución en la variable de producción para abril D1, para
especificar la siguiente restricción que corresponde al cambio en la
producción total para el mes de abril:
X11 + X21 — 2500 = cambio
Por supuesto, no puede tenerse un aumento en la producción y una

disminución en el mismo periodo de un mes; por ello, I1 o bien D,
será cero. Si en abril se requieren 300000 unidades de producción, se
tendría I1 = 500 y D1 = 0. Si en abril se requieren 2200 unidades de
producción, se tendrá I1 = 0 y Dt = 300. Esta forma de denotar el
cambio en el nivel de producción como la diferencia entre dos
variables no negativas I1 y D1, permite considerar cambios tanto
positivos como negativos en el nivel total de producción. Si se
hubiera utilizado una sola variable, per ejemplo Cm para representar
el cambio en el nivel de producción, entonces solo serian posibles los
cambios positivos debido al requerimiento de no negatividad.
Aplicando el mismo método para mayo y junio (siempre restando la

producción total
del mes anterior, de la producción total de mes en curso), se tendrían
las siguientes restricciones para los meses segundo y tercero del
periodo de programación de la producción:
(X12 + X22) — (X11 + X21) = I2 — D2

(X13 + X23) — (X12+X22) = I3—D3
Colocando las variables en el lado izquierdo y las restricciones en el

lado derecho, el conjunto completo de lo que comúnmente se
denominan restricciones de suavización de la producción, puede
expresarse de la siguiente manera:
X11 + X21 — I1 + D1 = 2500
36
-X11 - X21 + X12 + X22 — I2 + D1 = 0

-X12 – X22 + X13 + X23 – I3 + D3 = 0
El problema de programación inicial, relativamente reducido con dos

productos y tres meses, se ha convertido ahora en un problema de
programación lineal con 18 variables.
Tabla 4.10 Información sobre el programa de producción de costos

mínimos para Bollinger Electronics
Actividad Abril Mayo Junio

Produccion
Componente 322A 500 3200 5200
Componente 802B 2500 2000 0
Totales 3000 5200 5200
Inventario final
Componente 322A 0 200 400
Componente 802B 1700 3200 200
Utilizacion de la
maquinaria
Horas programadas 250 480 520
Horas de holgura en
capacidad 150 20 80
Utilizacion de mano
de obra
Horas programadas 200 300 260
Horas de holgura en
capacidad 100 0 40
Utilizacion del
almacenamiento
almacenamiento
programado 5100 10000 1400
capacidad holgura 4900 0 8600
Costo total del programa(incluyendo produccion, inventarios y alisado de la

produccion) = $225295
37
y 20 restricciones. Obsérvese que lo que importaba en el problema

era solamente un tipo de proceso en máquinas, un solo tipo de mano
de obra y un solo tipo de área de almacenamiento. En los problemas
reales de programación de la producción pueden encontrarse varios
tipos de máquinas, varios tipos de mano de obra y/o varios espacios
de almacenamiento. Por ello, es posible que el lector esté
comenzando a darse cuenta de la forma en la que se presentan los
sistemas de programas lineales de producción en gran escala. Una
aplicación típica podría implicar el desarrollo de un programa de
producción para 100 artículos y un horizonte de tiempo de 12 meses.
Un problema como éste podría tener más de 1000 variables y
restricciones.
En la Fig. 4.6 se presenta la solución computadorizada del problema

de programación de la producción de la Bollinger Electronics. En la
Tabla 4.10 se muestra una parte del reporte para los administradores
que se basa en esta solución por computadora.
Se procederá ahora a considerar la variación mensual en el programa

de producción de inventarios que se muestra en la Tabla 4.10.
Recuérdese que el costo de los inventarios para el componente 802B
es la mitad del costo de inventario para el componente 322A. Por lo
tanto, tal como podría esperarse, el componente 802B se fabrica en
gran cantidad en el primer mes (abril) y después se mantiene en
inventario para la demanda que se presente en los meses siguientes.
Se tiende a fabricar el componente 322A cuando se le necesita y solo
se mantiene en cantidades pequeñas en los inventarios.
Los costos por los aumentos o disminuciones en el volumen total de

producción tienden a suavizar las variaciones mensuales. De hecho,
un programa de costo mínimo exige un aumento de 500 unidades en
la producción total de abril y un aumento de 2200 unidades en la
producción de mayo. El nivel de
durante junio.
La sección del reporte sobre utilización de las maquinas muestra que

existe considerable capacidad disponible en los tres meses. Sin
embargo, Se observa también que las capacidades de mano de obra
y almacenamiento se utilizan en su totalidad (holgura = 0 para la
restricción 13 y para la restricción 16 de la Fig. 4.6) en el mes de
mayo. El precio dual muestra que una hora adicional de capacidad de
mano de obra en mayo mejoraría la función objetivo (menores
38
costos) en aproximadamente $2.14. Esta información podría ayudar

al gerente de producción a decidir si debe añadir tiempo extra de la
mano de obra durante el mes de mayo. Una interpretación similar
para el precio dual de la restricción 16 muestra que cada pie
cuadrado adicional de espacio de almacenamiento que Se tenga
disponible durante mayo mejorará la función objetivo en poco menos
de 5 centavos por pie cuadrado.
Valor de la función objetivo = 225294 .953000
Costos
Variables Valor reducidos
X11 500 0,000002
X12 3199,999 0,000003
X13 5199,9995 0,000004
X21 249,9995 0,000002
X22 2000,00098 0,000001
X23 0 0,060719
S11 c 0,19286
S12 200,000977 0
S13 400 0
S21 1699,99951 0
S22 3200 0,000003
S23 200 0
I1 500,00146 0
I2 2199,9988 0
I3 0 0
D1 0 0,7
D2 0 0,7
D3 0 0,7
Precios
Restriccion Holgura/excedente duales
1 0 -20,000002
2 0 -10,000002
3 0 -20,107142
4 0 -10,150002
5 0 -20,499996
6 0 -10,439282
7 0 -20,799995
8 0 -10,589281
39
9 149,999939 0
10 20,000015 0
11 80 0
12 100,000061 0
13 0 2,142897
14 39,999985 0
15 4899,9971 0
16 0 0,046428
17 8600 0
18 0 0,5
19 0 0,5
20 0 0,5
FIGURA 4.6 Solución por computadora del problema de

programación de la producción para Bollinger Electronics utilizando
The Management Scientist.
Ya se ha visto en esta ilustración que un modelo de programación

lineal para un sistema de producción de dos artículos y tres meses
ofrece alguna valiosa en términos de identificar un programa de costo
mínimo. En sistemas de producción más grandes, en los que el
numero de variables y restricciones es demasiado grande para
seguirlo en forma manual, los modelos de programación lineal
pueden ofrecer una ventaja importante en la elaboración de
programas de producción para ahorrar costos.
NOTAS Y COMENTARIOS
Al revisar la adecuación de un modelo de programación lineal,

siempre resulta conveniente revisar las unidades de medición para la
función objetivo y para las restricciones. Por ejemplo, las capacidades
de las maquinas para el problema de la Bollinger Electronics se
plantearon en unidades de horas. Como el componente 322A
requería 0.10 horas (6 minutos) por unidad y el componente 802B
requería 0.08 (4.8 minutos) por unidad, la restricción para las 400
horas disponibles en el mes se planteo, correctamente, de la
siguiente manera:
40
0.10x11 + 0.08x12 ≤ 400
La unidad de medición es consistente, ya que se utilizan horas tanto

para el lado izquierdo como para el lado derecho. La restricción
6x11 + 4.8X12 ≤ 400
No seria un planteamiento correcto porque el uso de minutos en el

lado izquierdo seria inconsistente con el uso de horas en el lado
derecho. Esta incongruencia podría corregirse convirtiendo la
capacidad del lado derecho a (400 horas) x (60 minutos por hora) =
24,000 minutos. Por ello, aunque exista flexibilidad al elegir la unidad
de medición que se utiliza, es necesario verificar la consistencia.
Planeación de la mano de obra
Con frecuencia se presentan problemas de planeación o de

programación de la mano de obra cuando los administradores deben
tornar decisiones que implican requerimientos departamentales de
mano de obra para un periodo dado de tiempo. Esto es
particularmente cierto cuando las asignaciones de mano de obra
tienen cierta flexibilidad y en los casos en los que cuando menos
cierta parte de la mano de obra puede asignarse a más de un
departamento a centro de trabajo. Este es con frecuencia el caso
cuando se ha capacitado a los empleados para realizar dos o más
tareas. En el siguiente ejemplo se muestra la forma en la que puede
utilizarse la programación lineal para determinar no solo una mezcla
optima de productos sino también una asignación Óptima de mano de
obra para los diversos departamentos.
La firma McCarthy’s Everyday Glass, Co., esta planeando fabricar dos

estilos de vasos para el siguiente mes. Los vasos se procesan en
cuatro departamentos distintos. Existe capacidad de equipo en
exceso, y no resultará ser un factor limitante. Sin embargo, los
recursos de mano de obra de la compañía son limitados y es posible
que restrinjan el volumen de producción para los dos artículos. Los
requerimientos de mano de obra por cada caja que se fabrica (una
docena de vasos) son los que se muestran en la Tabla 4.11.
Departamento Producto 1 Producto 2
41
1 0.070 0.100
2 0.050 0.084
3 0.100 0.067
4 0.010 0.025
La compañía obtiene utilidades de $1.00 (dólar) por cada caja del

producto I y $0.90 (de dólar) por cada caja del producto 2. Si el
número de horas disponibles en cada departamento es fijo, se puede
plantear el problema de la McCarthy como un programa lineal
estándar de mezcla de productos. Se utiliza la notación común:
X1 = cajas del producto 1 que se fabrican
X2 = cajas del producto 2 que se fabrican
X3 = horas de mano de obra disponibles en el departamento i, i = 1,

2, 3, 4
El programa lineal puede escribirse de la siguiente manera:
Max 1.00X1 + 0.90X2
Sujeta a
0.070x1 + 0.100x2 ≤b1
0.050x1 + 0.084x2 ≤ b2
0.100x1 + 0.067x2 ≤ b3
0.010x1 + 0.025x2 ≤ b4
X1, X2 ≥0
Para resolver este problema de combinación de productos, se pediría

al gerente de producción que especificara las horas disponibles en
cada departamento (b1, b2, b3, y b4); después, podría resolverse
para obtener la mezcla de productos que maximiza las utilidades.
42
Sin embargo, en este caso se supone que el administrador tiene

cierta flexibilidad para asignar los recursos de mano de obra y serla
conveniente hacer una recomendación para esa asignación, al igual
que para determinar la combinación optima de productos.
Supóngase que, después de considerar las calificaciones de

capacitación y experiencia de los trabajadores, se tiene la siguiente
información adicional:
Posibles asignaciones Horas de mano de obra

de mano de obra disponibles
Solo en el departamento
430
1
400
2
500
3
135
4
Departamentos 1 o 2 570
Departamentos 3 o 4 300
Total disponible 2335
Se observa que, de las 2335 horas disponibles para la producción del

mes, pueden asignarse 870 de ellos a discreción del administrador.
Las restricciones para las horas disponibles en cada departamento
son las siguientes:
B1≤ 430 + 570 = 1000
B2≤ 400 + 570 = 970
B3≤ 500 + 300 = 800
B4≤ 135 + 300 = 435
43
Como no es posible asignar en forma simultanea a ambos

departamentos las 570 horas que pueden asignarse con flexibilidad
entre los departamentos 1 y 2, es necesaria la siguiente restricción
adicional:
-b1 -+ b2 ≤ 430 + 400 + 570 = 1400
De manera similar para las 3O0 horas que es posible asignar entre
Los departamentos 3 y 4, se requiere la restricción
—b3 + b4 ≤ 500 + 135 + 300 = 935
En este planteamiento se están manejando como variables las horas

de mano de obra que se asignan a los departamentos. Los
coeficientes de la función objetivo para estas variables serán cero,
porque las variables b no afectan las utilidades en forma directa.
Después de colocar todas las variables del lado izquierdo de las
restricciones, se obtiene el siguiente programa lineal
Max 1.00x1 + 0.90x2 + 0b1 + 0b2 + 0b3 + 0b4
Sujeta a
0.07x1 + 0.100x2— b1 ≤0
0.050x1 + 0.084x2 — b2 ≤0
0.100x1 + 0.067x2 — b3 ≤0
0.010x1 + 0.025x, — b4 ≤0
b1 ≤ 1000
b2 ≤ 970
b3 ≤ 800
b4 ≤435
b1+ b2 ≤1400
b3+ b4 ≤ 935
x1, x2, b1, b2, b3, b4 ≥ 0
Este modelo de programación lineal resolverá en realidad dos

problemas: (1) permitirá encontrar la mezcla optima de productos
para el periodo de planeación y (2) permitirá asignar las horas
disponibles de mano de obra a los departamentos, de manera que se
maximicen las utilidades. En la Tabla 4.12 se muestra la solución
para este modelo de 10 restricciones y 6 variables.
44
Obsérvese que el plan óptimo de mano de obra utiliza todas las 2,335
horas disponibles. En esta solución, no existe tiempo ocioso en
ninguno de los departamentos. No es este siempre el caso en los
problemas de este tipo. Sin embargo, si el administrador tiene de
hecho la libertad de asignar a ciertos empleados a distintos
departamentos, el efecto será probablemente una reducción en el
tiempo ocioso global. El modelo de programación asigna
automáticamente a los empleados a los departamentos de la manera
mas redituable. Si el administrador hubiera efectuado una asignación,
según su juicio, de las horas a los departamentos, y si hubiera
después resuelto el problema de mezcla de productos utilizando unas
b1 fijas, es probable que hubiera tenido holgura en algunos
departamentos, al mismo tiempo que otros departamentos hubieran
representado congestionamientos debido a recursos insuficientes.
Pueden utilizarse variantes en el planteamiento básico de esta

sección en casos como la asignación de materias primas a productos,
en la asignación de tiempo de máquina a productos ven la asignación
de tiempo de fuerza de ventas a líneas de productos o a territorios de
ventas.
Plan de producción
Producto 1 = 4700 cajas
Producto 2 = 4543 cajas
Asignación de mano de obra
Departamento 1 783 horas
Departamento 2 617 horas
Departamento3 774 horas
Departamento4 161 horas
Total 2335 horas
Utilidad = $ 8789
45
4.5 PROBLEMA DE MEZCLAS
Los problemas de mezclas se presentan cuando los administradores

deciden la forma en que deben combinarse dos o más recursos para
fabricar uno o más productos. En estos casos, los recursos contienen
uno o más ingredientes esenciales que deben mezclarse de manera
que los productos finales contengan porcentajes específicos de los
ingredientes esenciales. Por ello, en la mayor parte de estas
aplicaciones, los administradores deben decidir qué tanto de cada
recurso deben adquirir para satisfacer las especificaciones de los
productos y las demandas de los productos a un costo mínimo.
Con frecuencia se presentan problemas de mezclas en la industria del

petróleo (problemas como la combinación de petróleos crudos para
fabricar gasolinas con octanajes diferentes), en la industria química
(tales como la mezcla de productos químicos para fabricar
fertilizantes o para controlar hierbas, etc.) y en la industria de los
alimentos (como mezcla de ingredientes para fabricar bebidas, sopas,
etc.). Debido ala extensa aplicación de los problemas de mezclas, el
objetivo de esta sección es ilustrar la forma en que se puede aplicar
la programación lineal para resolver este tipo de problemas.
La empresa Grand Strand Oil, Co., fabrica gasolinas de grado normal

y de grado extra, que se venden en gasolineras independientes en el
sureste de Estados Unidos. La refinería de la Grand Strand fabrica las
gasolinas mezclando tres componentes de petróleo. Las gasolinas se
venden a precios distintos, y los componentes de petróleo tienen
costo diferente. La empresa pretende determinar cOmo mezclar o
combinar los tres componentes para obtener las dos gasolinas, de
manera que se maximicen las utilidades.
Los datos disponibles muestran que la gasolina de grado normal se

puede vender en $0.50 (de dólar) por galón y la gasolina de grado
extra en $0.54 por galón. Para el periodo en curso de la planeación
de la producción, la Grand Strand puede obtener los tres
componentes de petróleo a los costos por galón y en las cantidades
que se muestran en la Tabla 4.13.
Las especificaciones de los productos para las gasolinas restringen las

cantidades de cada componente que se pueden utilizar en cada
gasolina. Las especificaciones de los productos se listan en la Tabla
4.14. Los compromisos actuales con los distribuidores requieren que
la Grand Strand fabrique cuando menos 10,000 galones de la
gasolina de grado normal. El problema de mezcla de la Grand Strand
46
consiste en determinar cuántos galones de cada componente se

deben utilizar en la mezcla de la gasolina de grado normal, y cuántos
galones de cada componente en la mezcla de la gasolina de grado
extra. La solución de la mezcla Optima debe maximizar las utilidades
de la empresa, sujeta a las restricciones que se tienen sobre la
disponibilidad de componentes de petróleo que se muestra en la
Tabla 4.13, y sujeta a las especificaciones de los productos que se
muestran en la T9a 4.14 y a los 10,000 galones que se requieren de
gasolina de grado normal.
Tabla 4.13 Costos y ofertas de petróleo para el problema de

mezclado en la Grand Strand
Componentes de Costo por galon Máximo disponible

petroleo
Componente 1 $0.25 5000 galones
Tabla 4.14 Especificaciones de los productos para el programa de
mezclado de la Grand strand
producto Especificaciones
Gasolina Normal Cuando mucho 30% del
componente 1
Al menos 40% del componente 2
Cuando mucho 20% del
componente 3
Gasolina Extra Al menos 25% del componente 1
Cuando mucho 40% del
componente 2
Al menos 30% del componente 3
Se puede utilizar la notación para definir a las variables de decisión:

Sean:
Xij = galones del componente i que se utiliza en la gasolina j, en
donde i = 1, 2 o 3 para los componentes 1, 2 o 3; se tiene que j = p
si es extra.
Las seis variables de decisión se convierten en

x1r = galones del componente 1 en la gasolina normal
x1p = galones del componente I en la gasolina extra
47
x2p = galones del componente 2 en la gasolina extra

x3p = galones del componente 3 en la gasolina extra
Obsérvese que antes se había utilizado siempre números como

subíndices para las variables de decisión. Continuando con el uso de
subíndices numéricos, se hubiera podido fijar j = I para la gasolina
normal y j = 2 para la gasolina extra. Sin embargo, el uso de los
subíndices r y p resulta descriptivo y permite identificar con facilidad
la gasolina a la que se refiere la variable de decisión
.
Utilizando las seis variables decisorias, puede expresarse el número
total de galones de cada tipo de gasolina que se fabrica sumando el
numero de galones que se fabrican utilizando cada uno de los tres
componentes de petróleo. Es decir,
Total de galones que se producen
Gasolina normal = x1r + x2r + X3r
Gasolina extra = x1p + x2p + x3p
De manera similar, es posible expresar el total de galones de cada

componente de petróleo que se utilizan mediante las siguientes
sumas:
Utilización total de los componentes de petróleo
Componente 1 = x1r + x1p
Componente 2 = x 2r + x2p
Componente 3 = x3r + x3p
Puede desarrollarse la función objetivo para maximizar la contribución

a las utilidades identificando la diferencia entre los ingresos totales
provenientes de los dos tipos de gasolina y el costo total de los tres
48
componentes de petróleo. La función objetivo puede escribirse de la

siguiente manera; multiplicando el precio por galón de $0.50 por el
total de galones de gasolina normal; el precio por galón de $0.54, por
el total de galones de gasolina extra; y las cifras de costo por galón
de cada componente de la Tabla 4.13, por el total de galones de cada
componente que se utilizan:
Max 0.50 (x1r + x2r + x3r) + 0.54 (x1p + x2p + x3p)
-0.25 (x1r + x1p) — 0.30
(x2r + x2p) — O.42 (x3r + x3p)
Combinando términos semejantes, puede escribirse: la función objetivo como sigue:

max 0.25x1r + 0.20x2r + 0.08x3r + 0.29x1p + 0.24x2p +
0.12x3p
Las limitaciones sobre la disponibilidad de los tres componentes de

petróleo se pueden expresar mediante las siguientes tres
restricciones:
x1r + x1p ≤ 5,000 Componente 1

Ahora se requieren seis restricciones para satisfacer las especificaciones de los

productos. La primera especificación plantea que el componente 1 puede constituir
cuando mucho 30% del total de galones que se fabrican de gasolina normal. Es decir,
x1r
- ≤ 0.30
x1r + x2 r + x3r
o bien
x1r ≤ 0.30 (x1r + x2r + x3r)
Replanteando esta restricción con las variables en el lado izquierdo y

una constante en el lado derecho, la restricción sobre la
especificación del primer producto se convierte en
0.70x1r - 0.30x2r - 0.30x3r ≤ 0
La especificación para el segundo producto puede escribirse como:
49
x2 r
≥ 0.40
x1r + x2 r + x3r
o bien
X2r ≥ O.40 (X1r + X2r + X3r)
y así
-0.40x1r + 0.60x2r - 0.40x3r ≥ 0
De manera similar, pueden escribirse de la siguiente manera las

cuatro especificaciones adicionales sobre las mezclas.
-0.20x1r - 0.20x2r +0.80x3r ≤ 0

0.75x1P - 0.25x2p -0.25x3p ≥ 0
0.401p +0.60x2p -0.40x3p ≤ 0
-0.30x1p -0.30x2p +0.70x3p ≥ 0
La restricción para el mínimo de 10,000 galones de la gasolina de

grado normal se escribe:
x1r + x2r + x3r ≥ 10,000
Por ello, el modelo completo de programación lineal con seis

variables de decisión y dos restricciones se puede escribir de la
siguiente manera:
max 0.25x1r+0.20x2r+0.08x3r+0.29x1p+0.24x2p+0.12x3p
sujeta a
x1r + x1p ≤ 5,000

+ x2r + x2p ≤ 10,000
+ x3r x3p ≤ 10,000
0.70x1r- 0.30x2r- 0.30x3r ≤ 0
- 0.40x1r+0.60x2r- 0.40x3r ≥ 0
-0.20x1r- 0.20x2r+ 0.80x3r ≤ 0
0.75x1p -0.25x2p -0.25x3p ≥ 0
-0.40x1p +0.60x2p -0.40x3p ≤ 0
-0.30x1p -0.30x2p +0.70x3p ≥ 0
50
x1r + x2r + x3r ≥ 10,000

x1r, x2r, x3r, x1p, x2p, x3p ≥ 0
Se muestra la solución por computadora para el problema de las

mezclas de la Grand Strand. La solución de mezclado que ofrece una
utilidad de $4,650 se resume. La estrategia óptima de mezclado
señala que se deben fabricar 10,000 Galones de gasolina normal. La
gasolina normal consistirá en una mezcla del componente 1 (1,250
galones) y el Componente 2 (8,75 galones). Los 15,000 galones de la
gasolina extra se deben elaborar con una combinación de los tres
componentes de petróleo: 3,750 galones del componente 1, 1,250
galones del componente 2 y 10,000 galones del componente 3.
Variable Valor Costos Reducidos

X1R 1249.999020 0.000000
X2R 8749.997100 0.000000
X3R 0.000000 0.000000
X1P 3750.001000 0.000000
X2P 1250.005860 0.000000
X3P 10000.000000 0.000000
Restricción Holgura/Excedente Precios Duales

1 0.000000 0.290000
2 0.000000 0.240000
3 0.000000 0.120000
4 1750.000490 0.000000
5 4749.999000 0.000000
6 1999.999390 0.000000
7 0.000000 0.000000
8 4749.998000 0.000000
9 5499.997100 0.000000
10 0.000000 -0.040000
Solución por computadora del problema de mezclado de la
51
Grand Strand utilizando The Management Scientist.
Estrategia de mezclado de gasolina de la firma Grand Strand

Componentes de los galones (porcentaje)
Gasolina Componente 1 Componente 2 Componente 3 Total

Normal 1250(12.5%) 8750(87.5%) _ 10,000
3750(25.0%) 1250(8.3%) 10,000(66.7%) 15,000
Extra
Es necesario aclarar un poco la interpretación de las variables de

holgura y de excedente correspondientes a las restricciones de
especificación de los productos (restricciones 4 a 9). Si la restricción
es del tipo ≤, el valor de la holgura se puede interpreta como los
galones del componente utilizado por debajo de la cantidad máxima
especificada por la restricción, Por ejemplo, la holgura de 1,750 para
la restricción 4. muestra que el uso del componente 1 se encuentra
1,750 galones por debajo de la cantidad máxima del componente 1
que se hubiera podido utilizar en la producción de los 10.000 galones
de la gasolina normal. Si la restricción de especificación del producto
es del tipo ≥ una variable de excedente muestra los galones del
componente que se utilizan por encima de la cantidad mínima
especificada por la restricción de mezclado. Por ejemplo. el excedente
de 4.750 para la restricción 5 muestra que el componente 2 se utiliza
en 4.750 galones por encima de la cantidad mínima de ese
componente 2 que se hubiera podido utilizar en la producción de los
10.000 galones de gasolina normal.
NOTAS Y COMENTARIOS
Una forma conveniente de definir las variables de decisión en un

problema de mezclas es utilizar una matriz en la que los renglones
correspondan a las materias y las columnas correspondan a los
productos finales. Por ejemplo. en el problema de mezclado de la
Grand Strand se podrían definir las variables de decisión de la
siguiente manera;
Materias Componente 1 Gasolina normal Gasolina extra

Primas Componente 2 x1r x1p
Componente 3 x2r x2p
x3r x3p
52
Existen dos ventajas con este método: (1) ofrece una forma
sistemática de definir las variables de decisión para cualquier
problema de mezcla. (2) es una imagen visual de las variables de
decisión en términos de la forma en la que se relacionan con las
materias primas. los productos. y entre sí.
ANÁLISIS GLOBAL DE DATOS
El análisis global de datos (AGD) (DEA. en inglés. de data

envelopment analysis) es una nueva aplicación de la programación
lineal que se ha estado utilizando para medir la eficiencia relativa de
unidades de operación con las mismas metas y objetivos. Por ejemplo.
El AGD se ha utilizado para medir la eficiencia relativa de expendios

de ''comida instantánea" (fast food) pertenecientes a la misma
cadena. En este caso, la meta del AGD consistía en identificar los
expendios ineficientes que debían programarse para realizar mayores
estudios y, si fuera necesario, emprender acciones correctivas.
Mediante otras aplicaciones del AGD se han medido las eficiencias
relativas en hospitales, bancos, tribunales, escuelas, etcétera. En
estas aplicaciones se midió el desempeño de cada hospital, banco,
tribunal o escuela, en relación con el desempeño de todas las
unidades operativas pertenecientes al mismo sistema.
Las unidades de operación de la mayor parte de las organizaciones tienen insumos múlti ples, tales
frecuencia resulta difícil a los administradores determinar qué unidades operativas son
ineficientes para convertir sus insumos múltiples en productos múltiples. Es aquí donde
el análisis global de datos ha probado ser una útil herramienta administrativa.
El método del AGD utiliza un modelo de programación lineal para

constituir una unidad operativa compuesta e hipotética, con base en
todas las unidades del grupo de referencia. Se determinan los
resultados de tal unidad calculando un promedio ponderado de los
resultados de todas las unidades de grupo de referencia. Las
restricciones del modelo de programación lineal requieren que todos
los resultados de la unidad compuesta sean mayores que o iguales a
los resultados de la unidad que se evalúa. Si se puede probar que los
insumos para la unidad compuesta son inferiores a los insumos para
la unidad que se evalúa, se tiene que la unidad citada obtiene el
mismo resultado (o mayor) con menos insumos. En este caso, el
modelo señala que la unidad compuesta es más eficiente que la
unidad evaluada. En otras palabras, la unidad que se evalúa es
menos eficiente que la unidad compuesta. Como la unidad en
cuestión se basa en todas las unidades del grupo de referencia,
puede calificarse a la unidad en evaluación como relativamente
indeficiente cuando se la compara con las otras unidades del grupo.
53
Evaluación del desempeño en hospitales
Se procede a evaluar la ilustración del análisis global de datos para

valorar el desempeño de un grupo de cuatro hospitales. En el ejemplo
se consideran tres medidas de insumos y cuatro medidas de
resultados. Tales medidas son las siguientes:
Medidas de insumos:
1. El número de elementos del personal, equivalentes, de tiempo
completo y que no son médicos.
2. La cantidad que se invierte en suministros 3. El número de días-
cama disponibles.
Medidas de los resultados:

1. Días-paciente de servicio según Medicare*
General Universitario Distrital Estatal
Medida del insumo
Personal no medico equivalente 285.20 162.30 275.70 210.40
de tiempo completo
Gastos en suministros (miles) 123.80 128.70 348.50 154.10
Días-cama disponibles (miles) 106.72 64.21 104.10 104.04
2. Días-paciente de servicios que no están bajo Medicare.
3. Número de enfermeras en capacitación.
4. Número de médicos internos en capacitación.
*N. del T. Medicare es un seguro de gastos médicos patrocinado en parte por el gobierno de Estados
Unidos.
Recursos anuales que se consumen (insumos) en los cuatro hospitales

Hospital
Servicios anuales que ofrecen (resultados) los cuatro hospitales
Hospital
Universitario Distrital Estatal
Medida del insumo General
Días-paciente con Medicare 48.14 34.62 36.72 33.16
(miles)
Días-paciente sin Medicare 43.10 27.11 45.98 56.46
(miles)
Enfermeras en capacitación 253 148 175 160
Médicos internos en 41 27 23 84
capacitación
Se presentan resúmenes de las medidas de los insumos y de los

resultados para un periodo de cuatro años en cada hospital.
Enseguida se muestra la forma en la que puede utilizarse el AGD con
54
estos datos para identificar cualquier hospital relativamente

ineficiente.
Al aplicar el AGD, será necesario desarrollar un modelo de
programación lineal para cada hospital cuya eficiencia se desee
evaluar. En el análisis que-sigue, se desarrolla un modelo que puede
emplearse para valorar la eficiencia relativa del Hospital Distrital (en
el Problema 26 del final del capítulo se pide desarrollar un modelo
para evaluar la eficiencia relativa del Hospital General). Al elaborar el
modelo de programación lineal para el Hospital Distrital, las
ponderaciones que se utilizan para construir al hospital compuesto
son las variables. Estas se definen de la siguiente manera:
wg = ponderación aplicada a insumos y resultados del Hospital

General
wu = ponderación aplicada a insumos y resultados del Hospital
Universitario we = ponderación aplicada a insumos y resultados del
Hospital de Distrito
ws = ponderación aplicada a insumos y resultados del Hospital
Estatal
Como se mencionaba, se utilizarán los pesos para determinar los insumos y los
resultados para el hospital compuesto hipotético. Las relaciones de insumos/resultados
que se incluyen en el modelo tendrán la siguiente forma general:
⎛ insumos / ⎞ ⎛ insumos / ⎞ ⎛ insumos / ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ resultados en ⎟=⎜ resultados en ⎟ wg + ⎜ resultados en ⎟ wu
⎜ el hospital compuesto ⎟ ⎜ el ⎟ ⎜ ⎟
⎝ ⎠ ⎝ hospital general ⎠ ⎝ el hospital universitario ⎠
⎛ insumos / ⎞ ⎛ insumos / ⎞
⎜ ⎟ ⎜ ⎟
+⎜ resultados en ⎟ wc + ⎜ resultados en ⎟ ws
⎜ el ⎟ ⎜ ⎟
⎝ hospital Distrital ⎠ ⎝ el hospital estatal ⎠
Al plantear el modelo de programación lineal de AGD. se utiliza la

expresión anterior para desarrollar una restricción para cada medida
de los insumos y para cada medida de los resultados. El calcular los
pesos para los cuatro hospitales que conforman el hospital compuesto,
el modelo de programación lineal de AGD requerirá que la suma de
laS ponderaciones sea igual a la unidad. Por ello, para el ejemplo de
los cuatro hospitales, la primera
restricción será:
wg + wu + wc + ws = 1
Utilizando la relación general de insumos/resultados para cada una

de las cuatro medidas de los resultados, las cuatro restricciones de
resultados para el modelo de AGD se escriben de la siguiente manera:
55
48.14wg + 34.62wu + 36.72wc + 33.16ws ≥ 36.72 Con

Medicare
- 43.1Owg + 27.11wu + 45.98wc + 56.46ws ≥ 45.98 Sin
Medicare
253wg + 148wu + 175wc + 160ws ≥ 175
Enfermeras
41wg + 27wu + 23wc + 84ws ≤ 23 Médicos
internos
Resultados
para el
Resultados para el Hospital Compuesto Hospital
Distrital
Las restricciones anteriores requieren que la solución de programación lineal

proporcione ponderaciones, de manera que cada resultado para el hospital compuesto
sea mayor que o igual a cada uno de los cuatro resultados del Hospital Distrital. Si se
puede obtener una solución que satisfaga las restricciones de los resultados, entonces el
hospital compuesto produce cuando menos la misma cantidad de cada resultado que el
Hospital Distrital.
Después es necesario considerar las tres medidas de insumos. El
modelo de programación lineal de AGD contiene la variable E, que
determina la fracción de los insumos del Hospital de Distrito que el
hospital compuesto requiere. El uso de E, a la cual se denomina
índice de eficiencia, se muestra en la siguiente tabla.
Recursos de entrada (insumos)
Medida de los insumos Utilizados por el Disponibles para el

Hospital Distrital Hospital Compuesto
Personal no médico, tiempo completo 275.70 275.70E
equiv.
Suministros (miles) 348.50 348.50E
Días cama (miles) 104.10 104.10E
Como se muestra antes, los recursos disponibles para el hospital

compuesto son simplemente un múltiplo de los recursos que se
utilizan en el Hospital Distrital. Si E = 1, los recursos disponibles para
el hospital compuesto son los mismos que se emplean en el Hospital
Distrital. Si E es mayor que 1, el hospital compuesto tendría a su
disposición proporcionalmente más recursos, mientras que si E es
56
menor que 1, el hospital compuesto tendría a su disposición una

cantidad proporcionalmente menor de recursos. Las restricciones de
programación lineal para las tres medidas de insumos-se expresan de
la siguiente manera:
Personal no medico de
285.20wg + 162.30wu +275.70wc + 210.40ws ≤ tiempo completo equivalente
275.70E
123.80wg + 128.70wu +348.50wc + 154.10ws ≤ Suministros

348.50E
106.72wg + 64.21wu + 104.10wc + 104.04ws ≤ Dias-cama

104.10E
Insumos para el hospital compuesto

Capacidades de
insumos para el
hospital compuesto
Si se puede encontrar una solución con E < 1e¡ hospital compuesto

no requiere tantos recursos como los que necesita el Hospital de
Distrito.
La función objetivo para el modelo de AGD consiste en minimizar el
valor de E, que equivale a minimizar los recursos disponibles-como-
insumos- para el hospital compuesto. Por ello, la función objetivo es
min E
La conclusión sobre eficiencia en el AGD se basa en el valor óptimo
de la función objetivo para E. La regla de decisión es la siguiente:
Si E = 1, el hospital compuesto requiere tantos insumos

como el Hospital Distrital. No hay evidencia de
que este Hospital es ineficiente.
Si E < 1, el hospital compuesto requiere ,de menos

insumos para obtener los resultados que se
logran en el Hospital Distrital. El hospital
compuesto es más eficiente. Por ello, se puede
decir que el Hospital de Distrito es relativamente
ineficiente.
El modelo de programación lineal de AGD para evaluar la eficiencia

en el Hospital de Distrito tiene cinco variables de decisión y ocho
57
restricciones. En seguida se expresa de nuevo el modelo completo:
Min E
sujeta a
wg + wu + wc ws =
1
48.14wg + 34.62wu + 36.72wc + 33.16ws ≥
36.72
43.10wg + 27.11wu + 45.98wc + 56.46ws ≥
45.98
253wg 148wu + 175wc + 160ws ≥
175
41wg 27wu 23wc + 84ws ≥
23
- 275.50E +285.20wg +162.30wu +275.70wc + 210.40ws ≤
0
- 348.50E +123.80wg +128.70wu +348.50wc + 154.10ws ≤
0
- 104.10E +106.72wg + 63.21wu +104.10wc + 104.04ws ≤
0
wg, wu, wc, ws ≥ 0
SOLUCIÓN ÓPTIMA
Variable Costos reducidos

Valor
---------------------- ------------------------ ---------------------
- - --
E 0.905238 0.000000
WG 0.212266 0.000000
WU 0.260447 0.000000
WC 0.000000 0.094762
WS 0.527286 0.000000
Restricción Holgura/Excedente Precios duales

---------------------- ------------------------ ---------------------
- - --
1 0.000000 0.238886
2 0.000000 -0.000014
3 0.000000 -0.000014
4 1.615387 0.000000
5 37.027027 0.000000
6 35.642986 0.000000
7 174422.297000 0.000000
8 0.000000 0.000010
58
Solución por computadora del análisis global de datos. para el

problema del modelo del Hospital de Distrito, utilizando The
Management Scientist.
Obsérvese que en el planteamiento anterior del modelo, se han

pasado al lado izquierdo de las tres restricciones de insumos los
términos que incluyen a E, porque ésta es una variable de decisión.
Se resolvió el programa lineal anterior utilizando el paquete de
computación The Management Scientist. Se muestra un listado de
computadora con la solución.
En primer lugar, se observa que la función objetivo muestra

que la calificación de la eficiencia para el Hospital Distrital es 0.905.
Esto indica que el hospital compuesto puede obtener cuando menos
el mismo nivel de cada resultado que lo que obtiene el Hospital de
Distrito, teniendo a su disposición no más del 90.5% de los recursos
de insumos que requiere el Hospital Distrital. El hospital compuesto
es más eficiente, el análisis de AGD ha identificado que el Hospital de
Distrito es relativamente ineficiente.
A partir de la solución de la Fig. 4.8, se observa que el hospital

compuesto está formado a partir del promedio ponderado del Hospital
General (wg = 0.212), Hospital Universitario (wu = 0.260) Y Hospital
Estatal (ws = 0.527).
Se determina cada insumo y cada resultado para el hospital

compuesto mediante el mismo promedio ponderado de los insumos y
los resultados de estos tres hospitales. La columna
"Holgura/Excedente" ofrece información adicional sobre la eficiencia
del Hospital de Distrito, en comparación con el hospital compuesto.
Específicamente, el hospital compuesto tiene cuando menos la misma
cantidad de resultados que el Hospital de Distrito (restricciones 2-5) y
ofrece 1.6 más enfermeras en capacitación (el excedente de la
restricción 4) y 37 médicos internos más en capacitación (excedente
de la restricción S). La holgura de O para la restricción 8 muestra que
el hospital compuesto emplea aproximadamente 90.5% de los días-
cama que utiliza el Hospital de Distrito. Los valores de holgura para
las restricciones 6 y 7 muestran que el hospital compuesto utiliza
menos de 90.5% de los recursos de suministros y del personal de
tiempo completo que no sean médicos en el Hospital de Distrito.
Resulta evidente que el hospital compuesto es más eficiente que el
Hospital Distrital, y que se justifica concluir que este Hospital es
relativamente ineficiente en comparación con los hospitales del
grupo .Con los resultados del análisis de AGD, los administradores
del hospital deben examinar sus operaciones para determinar la
forma en la que se pueden utilizar de manera más efectiva los
59
recursos del Hospital de Distrito.
NOTAS y COMENTARIOS
1. Se debe recordar que el propósito del análisis global de datos

consiste en identificar unidades operativas que son
relativamente ineficientes. El método no necesariamente
identifica las unidades operativas que son relativamente
eficientes. El simple hecho de que el índice de, eficiencia sea
E = 1, no permite concluir que la unidad que se analiza es
relativamente eficiente.
De hecho, no puede decidirse que cualquier unidad que
tenga los mayores resultados en cualquiera de las medidas
correspondientes es relativamente ineficiente. Por ello, sigue
siendo posible mejorar la eficiencia absoluta de las unidades
que no son relativamente ineficientes.
2. Si existe alguna unidad que sea supereficiente, el AGD

mostrará que todas las demás unidades son relativamente
ineficientes. Este sería el caso si la unidad que produce la
mayor parte de los resultados consume también la menor
cantidad de insumos. En la práctica, estos casos son
extremadamente raros.
3. Al aplicar el análisis global de datos a problemas que

implican grupos grandes de unidades operativas, los
practicantes han encontrado que aproximadamente 50% de
las unidades operativas pueden clasificarse como ineficientes.
Comparar cada unidad relativamente ineficiente con las
unidades que contribuyen a la unidad compuesta puede
resultar útil para comprender la forma en la que se puede
mejorar hi operación de cada unidad relativamente
ineficiente.
RESUMEN
En este capítulo se expuso una amplia gama de aplicaciones para

ilustrar la forma en que la programación lineal puede ayudar en el
proceso de toma de decisiones. Utilizando situaciones, se plantearon
y resolvieron ¡Problemas en las áreas de mercadotécnica, finanzas y
administración de la producción. Además, se mostró la forma en que
60
puede aplicarse la programación lineal a problemas de mezclas, y al

área relativamente nueva del análisis global de datos.
Muchas de las ilustraciones que se presentaron en este capítulo son

versiones en pequeña escala de situaciones reales en las que se ha
aplicado la programación lineal. En dichas aplicaciones, el problema
puede no estar planteado en forma tan concisa, los datos para el
problema pueden no estar tan fácilmente disponibles, y es muy
probable que el problema implique más variables de decisión y/o
restricciones. Sin embargo, un estudio exhaustivo de las aplicaciones
de este capítulo es un buen comienzo para una persona que espera
en algún momento dado estar en posibilidades de aplicar la
programación lineal a problemas reales.
Se incluyó un listado del paquete de computación The Management

Scientist (o TMS) para muchas de las aplicaciones que se presentaron
en el capítulo. Los resultados por computadora ofrecen una
oportunidad para analizar la información correspondiente y para
hacer interpretaciones con base en el análisis de sensibilidad.
61

Ejercicios Resueltos de Anderson PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios Resueltos de Anderson PDF

Cargado por

Copyright:

Formatos disponibles

Gerencia de Operaciones I Ing.

Oscar Mendoza Macías

Aplicaciones de la programación Lineal

Hasta estos momentos el estudio se ha orientado a la comprensión de

En la práctica, la programación lineal ha probado ser uno de los

Tal como sugiere la variedad de las aplicaciones que se menciona, la

4.1 ALGUNOS LINEAMIENTOS PARA LA

En las aplicaciones que siguen se vera la forma en la que se pueden

1. Entender por completo el problema

2. Plantear el problema en forma tan concisa como sea posible,

• Objetivo. El propósito del problema, tal como maximizar

• Variables de decisión. Los aspectos del problema que se

• Restricciones. Las limitaciones o condiciones que se deben

3. Utilizando las variables de decisión como incógnitas (por

Se debe recordar que como el método es de programación lineal,

4. Añadir los requisitos de no negatividad (Xi ≥ 0) para cada una

En este punto debe tenerse un modelo de programación lineal que

4.2 APLICACIONES EN MERCADOTECNIA

Selección de medios de publicidad

Las aplicaciones de programación lineal para la selección de medios

Considérese el caso de la empresa Relax-and-Enjoy Lake

venta de inmuebles para vacaciones o de albergues para retiro. El

Después de considerar los posibles medios publicitarios y el mercado

La firma Relax-and-Enjoy ha proporcionado a la Boone un

TABLA 4.1 Alternativas de medios de publicidad para la Relax – and

Medios de # familias Costo # ocasiones Unidades

TV nocturna (30 2000 $ 3.000 10 90

Radio: noticias 300 $ 100 30 20

• El numero máximo de las ocasiones que esta disponible el

Se comienza definiendo las variables de decisión de la siguiente

Con el objetivo de maximizar la exposición esperada, la función

Ahora pueden plantearse las restricciones para el modelo a partir

1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 ≤ 30000

X1, X2, X3, X4, X5 ≥ 0

En la Tabla 4.2 se presenta la solución para este modelo de

TABLA 4.2 Plan de publicidad para la Relax-and-Enjoy Lake

Total de audiencia alcanzada = 61500

Un posible defecto de este modelo es que, aun cuando la medida de

Además, se debe estar consciente de que el modelo de selección de

1. El valor de la exposición se reduce con la repetición en el uso de

2 Descuentos en costos por utilización repetida de los medios.

3. Traslape de la audiencia en los distintos medios.

4. Recomendaciones de tiempo para los anuncios.

Con frecuencia es posible utilizar un planteamiento más complejo

puede utilizarse un modelo de programación lineal para llegar a una

1. En general, se utilizan x1, x2, etc., para denotar las variables de

Al mismo tiempo que se puede utilizar la notación x1, x2, etc., en

En este caso, la función objetivo quedarla expresada de la siguiente

Max 65DTV + 9OIVTV + 40P + 6OPD + 20R

Las restricciones se plantearían en términos de la notación ideada:

2. Debe observarse que el modelo de selección de medios, quizá más

que la mayoría de los demás modelos de programación lineal,

Diversas organizaciones Llevan a cabo investigaciones

La firma Market Survey, Inc. (MSI), es una empresa de investigación

1. Se entrevistarían cuando menos 400 hogares con niños.

2. Se entrevistarían cuando menos 400 hogares sin niños.

3. El numeró total de hogares entrevistados durante la noche seria

4. Cuándo menos el 40% de las entrevistas para hogares con niños

5. Cuando menos el 60% de las entrevistas para hogares sin niños se

Como las entrevistas en hogares con niños requieren de tiempo

El planteamiento de un modelo de programación lineal para el

X11 = número de entrevistas en hogares con niños a realizar durante

X12 = número de entrevistas en hogares con niños a realizar durante