CAP. 07 Modelos de Programación Lineal Metodo Grafico PDF

Modelos de programación
lineal: métodos gráficos

y computacionales
OBJETIVOS DE APRENDIZAJE
Después de estudiar este capítulo, el alumno será capaz de:

1. Comprender los supuestos y las propiedades 3. Entender aspectos especiales de la PL como
básicas de la programación lineal (PL). región no factible, solución no acotada,
2. Resolver en forma gráfica cualquier problema redundancia y soluciones óptimas múltiples.
de PL que sólo tenga dos variables, usando 4. Comprender el papel del análisis de sensibilidad.
los métodos de los vértices y de la recta de 5. Usar hojas de cálculo en Excel para resolver
isoutilidad. problemas de PL.
CONTENIDO DEL CAPÍTULO

7.1 Introducción 7.5 Resolución del problema de PL de Flair Furniture
7.2 Requisitos de un problema de programación lineal usando QM para Windows, Excel 2013 y Excel QM
7.3 Formulación de problemas de PL 7.6 Resolución de problemas de minimización
7.4 Solución gráfica a un problema de PL 7.7 Cuatro casos especiales de PL
7.8 Análisis de sensibilidad
Resumen • Glosario • Problemas resueltos • Autoevaluación • Preguntas para análisis y problemas • Estudio de caso:
Trabajo en Mexicana Wire • Estudio de caso en Internet • Bibliografía
239
240 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFICOS Y COMPUTACIONALES
7.1 Introducción
Muchas de las decisiones administrativas implica n la búsqueda del uso más eficaz de los recursos de
una organización. Por lo general, los recursos ix cluyen maquinaria, mano de obra, dinero, tiempo,
espacio de almacenamiento y materias primas. les recursos pueden usarse para fabricar productos
(como maquinaria, muebles, alimentos o ropa) u ofrecer servicios (como los programas de las com-
pañías aéreas o las líneas de producción, las políticas de publicidad o las decisiones de inversión). La
programación lineal (PL) es una técnica de modelado matemático que se utiliza ampliamente y que
La programación lineal es una está diseñada para ayudar a los gerentes a planear y a tomar decisiones en relación con la asignación
técnica que ayuda a tomar decisiones de recursos. El presente capítulo y el siguiente están dedicados a ilustrar cómo y por qué funciona la
para la asignación de recursos. programación lineal.
A pesar de su nombre, la PL y la categoría más general de las llamadas técnicas de programa-
ción "matemática" tienen muy poco que ver con la programación por computadora. En el mundo de
las ciencias de la administración, programación se refiere al modelado y la resolución de un problema
matemático. La programación por computadora tiene, desde luego, un papel relevante en el avance y el
uso de la PL. Los problemas de PL en la vida real son demasiado engorrosos como para resolverse ma-
nualmente o con una calculadora. Así que a lo largo de los capítulos sobre PL se ofrecen ejemplos de lo
valioso que puede ser un programa de cómputo en la resolución de un problema de PL.
7.2 Requisitos de un problema de programación lineal

En los últimos 60 años, la PL se ha aplicado ampliamente en problemas militares, industriales, financieros,
de marketing, contables y agrícolas. A pesar de que estas aplicaciones son diversas, todos los problemas de
PL tienen varias propiedades y supuestos en común.
Todos los problemas buscan maximizar o minimizar alguna cantidad, por lo general la utilidad o el
Los problemas buscan maximizar costo. Esta propiedad se conoce como la función objetivo de un problema de PL. El principal objetivo de
o minimizar un objetivo. un fabricante típico es maximizar las utilidades monetarias. En el caso de un sistema de transporte o distri-
bución ferrocarrilero, el objetivo sería minimizar 1 costos de envío. En cualquier caso, este objetivo debe
quedar claro y definirse matemáticamente. Por cie o, no importa si las utilidades y los costos se miden en
centavos, dólares o millones de dólares.
Las restricciones limitan el grado en La segunda propiedad que tienen en común os problemas de PL es la presencia de restricciones,
el que se puede alcanzar el objetivo. que limitan el grado en que podemos perseguir nuestro objetivo. Por ejemplo, la decisión de cuántas
unidades de cada producto se deben fabricar en la línea de productos de una empresa está restringida
por el personal y la maquinaria disponibles. La selección de una política de publicidad o de un porta-
folios financiero está limitada por la cantidad de dinero disponible para ser gastado o invertido. Por lo
tanto, se desea maximizar o minimizar una cantidad (la función objetivo) sujeta a recursos limitados (las
restricciones).
Debe haber alternativas disponibles. Es necesario tener alternativas de acción a elegir. Por ejemplo, si una empresa fabrica tres productos
diferentes, la gerencia puede utilizar PL para decidir cómo distribuir entre ellos sus recursos de pro-
ducción limitados (de personal, maquinaria, etcétera). ¿Es recomendable dedicar toda la capacidad de
fabricación solamente al primer producto? ¿Se debería producir la misma cantidad de cada producto?
¿O tienen que asignarse los recursos de alguna otra forma? Si no hubiera alternativas a seleccionar, no
necesitaríamos la PL. l
Las relaciones matemáticas El objetivo y las restricciones en los problemas de PL deben expresarse en términos de ecuaciones
son lineales. o desigualdades lineales. Las relaciones matemáticas lineales sólo implican que todos los términos uti-
lizados en la función objetivo y las restricciones son de primer grado (es decir, no están elevados al cua-
drado, a la tercera potencia o a una potencia mayor, ni aparecen más de una vez). Por lo tanto, la ecuación
2A ± 5B = 10 es una función lineal aceptable; mientras que la ecuación 2A2 + 5B3 + 3AB = 10 no es
lineal, porque la variable A está elevada al cuadr do, la variable B está elevada al cubo y las dos varia-
bles aparecen de nuevo como un producto entre sí
El término lineal implica tanto proporcionali ad como aditividad. La proporcionalidad significa que
si la producción de 1 unidad de un producto u 3 horas, la producción de 10 unidades usaría 30 horas.
La aditividad significa que el total de todas las ac idades es igual a la suma de las actividades individua-
les. Si la producción de un producto genera $3 de tilidad y la producción de otro producto genera $8 de
utilidad, la utilidad total sería la suma de estas dos, que son $11.
Suponemos que existen condiciones de cera mbre: las cifras en el objetivo y en las restricciones se
conocen con certeza y no cambian durante el perioflo de estudio.
Adoptamos el supuesto de divisibilidad de que las soluciones no tienen que estar en números enteros.
En cambio, son divisibles y pueden tomar cualquier valor fraccionario. En los problemas de producción,
a menudo definirnos variables como el número de unidades producidas por semana o por mes, y un valor
7.3 FORMULACIÓN DE PROBLEMAS DE PL 241
TABLA 7.1
OPIEDADES DE LOS PROGRMAS LINEA LES
Propiedades y supuestos
de la PL 1. Una función objetivo
2. Una o más restricciones
3. Cursos de acción alternativos
4. La función objetivo y las restricciones son lineales:
proporcionalidad y divisibilidad
5. Certidumbre
6. Divisibilidad
7. Variables no negativas
fraccionario (por ejemplo, 0.3 sillas) simplemente significaría que hay trabajo en proceso. Algo que se ini-
ció en una semana puede terminarse en la siguiente. Sin embargo, en otros tipos de problemas, los valores
fraccionarios no tienen sentido. Si no es posible comprar una fracción de un producto (por ejemplo, un
tercio de un submarino), existe un problema de programación entera. La programación entera se analiza
con más detalle en el capítulo 10.
Por último, suponemos que todas las respuestas o variables son no negativas. Los valores negativos de
las cantidades fisicas son imposibles; usted simplemente no puede producir un número negativo de sillas,
camisas, lámparas o computadoras. Sin embargo, hay algunas variables que pueden tener valores negati-
vos, como la utilidad, donde un valor negativo indica una pérdida. Una simple operación matemática puede
transformar una variable de este tipo en dos variables no negativas, y ese proceso puede encontrarse en los
libros de programación lineal. Sin embargo, al trabajar con programación lineal en este texto, usaremos
sólo variables no negativas. En la tabla 7.1 se resumen tales propiedades y supuestos.
7.3 Formulación de problemas de PL

La formulación de un programa lineal implica el desarrollo de un modelo matemático para representar un
problema administrativo. Por consiguiente, para formular un programa lineal, es necesario entender por
completo el problema administrativo que se enfrenta. Una vez entendido éste, es posible empezar a desa-
rrollar el enunciado matemático del problema. Los pasos de la formulación de un programa lineal son los
siguientes:
1. Entender por completo el problema administrativo que se enfrenta.
2. Identificar el objetivo y las restricciones.
3. Definir las variables de decisión.
4. Utilizar las variables de decisión para escribir expresiones matemáticas de la función objetivo y las
restricciones.
Los problemas de mezcla de Una de las aplicaciones más comunes de la PL es el problema de mezcla de productos. Por lo gene-
productos utilizan PL para decidir ral, se elaboran dos o más productos con recursos limitados, como personal, maquinaria, materias primas,
qué cantidad de cada producto se etcétera. La utilidad que la empresa busca maximizar se basa en la contribución a la utilidad por unidad de
debe fabricar, dada una serie de cada producto. (Como se recordará, la contribución a la utilidad es el precio de venta por unidad menos el
restricciones en recursos. costo variable por unidad).* La empresa desea determinar cuántas unidades de cada producto debería pro-
ducir con la finalidad de maximizar la utilidad total dados sus recursos limitados. En el siguiente ejemplo,
se formula un problema de este tipo.
Compañía Flair Furniture

La compañía Flair Furniture produce mesas y sillas de bajo precio. El proceso de producción de cada pro-
ducto se parece en que ambos requieren cierto número de horas de trabajo de carpintería, y cierto número
de horas de trabajo en el departamento de pintura y barnizado. Cada mesa requiere 4 horas de carpintería y
2 horas en el taller de pintura y barnizado. Cada silla necesita 3 horas en carpintería y 1 hora en pintura
y barnizado. Durante el periodo de producción actual, hay 240 horas de tiempo de carpintería disponibles, y
100 horas de tiempo disponibles en pintura y barnizado. Cada mesa vendida produce una utilidad de $70;
cada silla vendida produce $50 de utilidad.
" Técnicamente, maximizamos el margen de contribución total, que es la diferencia entre el precio de venta unitario y los
costos que varían en proporción con la cantidad de artículos producidos. La depreciación, los gastos generales fijos y la
publicidad se excluyen de los cálculos.
HISTORIA Los inicios de la programación lineal
Mundial y fue asIgnado a trabajar en problemas de logística. Él vio

A ntes de 1945, los economistas, entre otros, habían sugerido al-
gunos problemas conceptuales referentes a la asignación de recursos
que muchos de lOs problemas relacionados con recursos limitados y
más de una demanda podrían representarse en términos de una serie
escasos. Dos de estas personas, Leonid Kantorovich y Tjalling Koop- de ecuaciones y desigualdades y, posteriormente, desarrolló el algo-
mans, compartieron el Premio Nobel de Economía en 1975 por el ritmo símplex para resolver tales problemas.
avance en su trabajo conceptual sobre planeación óptima, que inició Aunque las primeras aplicaciones de la programación lineal te-
durante la década de 1940. En 1945 George Stigler propuso el "pro- nían una naturaleza militar, las aplicaciones industriales se volvieron
blema de la dieta", que ahora es el nombre dado a una categoría ge- evidentes con el uso generalizado de las computadoras en los nego-
neral de aplicaciones de programación lineal. Sin embargo, Stigler se cios. A medida que los problemas se volvieron más grandes, conti-
basó en técnicas heurísticas para encontrar una buena solución a este nuaron las investigaciones para encontrar incluso mejores maneras de
problema, ya que no había ningún método disponible para encontrar resolver los programas lineales. Los trabajos de Leonid Kachiyan en
la solución óptima. 1979 y Narendra Karmarkar en 1984 estimularon a otros investiga-
Posteriormente hubo grandes avances en el campo, cuando en dores a estudiar el uso de métodos de punto interior para resolver
1947 George D. Dantzig, a menudo llamado el "padre de la progra- programas lineales, algunos de los cuales se siguen utilizando en la
mación lineal", publicó su trabajo sobre un procedimiento de solución actualidad. Sin embargo, el algoritmo símplex desarrollado por Dant-
conocido como el algoritmo símplex. Dantzig había sido un matemá- zig sigue siendo la base para la mayoría del software utilizado en la
tico de la Fuerza Aérea de Estados Unidos durante la Segunda Guerra resolución de programas lineales de la actualidad.
-)
El problema de Flair Furniture es determinar la mejor combinación posible de mesas y sillas a fabri-
car con la finalidad de alcanzar la máxima utilidad. La compañía desea formular esta situación de mezcla
de producción como un problema de PL.
Empezamos con un resumen de la información necesaria para formular y resolver este problema (vea
la tabla 7.2). Esto nos ayuda a entender el problema que enfrentamos. En seguida, identificamos el objetivo
y las restricciones. El objetivo es
Maximizar la utilidad
Las restricciones son
1. Las horas de tiempo de carpintería usadas no pueden exceder 240 horas a la semana.
2. Las horas de tiempo de pintura y barnizado utilizadas no pueden exceder 100 horas a la semana.
Las variables de decisión que representan las decisiones reales que tomaremos se definen como
T = número de mesas a producir por semana

C = número de sillas a producir por semana
Ahora es posible crear la función objetivo de PL en términos de T y C. La función objetivo es maximizar

la utilidad = $70T + $50C.
El próximo paso consiste en desarrollar relaciones matemáticas para describir las dos restricciones del
problema. Una relación general es que la cantidad de un recurso utilizado debe ser menor o igual que (5-)
la cantidad de recurso disponible.
En el caso del departamento de carpintería, el tiempo total utilizado es
(4 horas por mesa)(Número de mesas producidas)

+ (3 horas por silla)(Número de sillas producidas)
TABLA 7.2 )ETOR PARA

Datos de la compañía PRODUCIR l'UNIDAD
Flair Furniture
Carpintería 4 3 240
Pintura y barnizado 2 1 100
Utilidad por unidad $70 $50
7.4 SOLUCIÓN GRÁFICA A UN PROBLEMA DE PL 243
Las restricciones de recursos Así que la primera restricción puede expresarse de la siguiente manera:
ponen límites en forma matemática
al recurso de mano de obra de Tiempo de carpintería utilizado 5 Tiempo de carpintería disponible
carpintería y de pintura. •
4T+ 3C 5 240 (horas del tiempo de carpintería)
Del mismo modo, la segunda restricción es la siguiente:
Tiempo de pintura y barnizado utilizado -5 Tiempo de pintura y barnizado disponible
T 1C 5- 100 (horas del tiempo de pintura y barnizado)
Esto significa que cada mesa producida requiere 2 horas del recurso de pintura y barnizado).
Ambas restricciones representan las limitaciones a la capacidad de producción y, desde luego, afec-
tan la utilidad total. Por ejemplo, Flair Furniture no puede producir 80 mesas durante el periodo de pro-
ducción, porque si T = 80, se quebrantarían las dos restricciones. Tampoco puede hacer T = 50 mesas y
C = 10 sillas. ¿Por qué? Debido a que esto transgrediría la segunda restricción de que no se asignen más
de 100 horas del tiempo de pintura y barnizado.
Para obtener soluciones significativas, los valores de T y C deben ser números no negativos. Es decir,
todas las soluciones posibles tienen que representar mesas reales y sillas reales. Matemáticamente, esto
significa que
T > O (el número de mesas producido es mayor o igual que 0)

C O (el número de sillas producido es mayor o igual que 0)
Ahora es posible replantear matemáticamente el problema completo como
Maximizar la utilidad = $70T + $50C

Aquí se muestra un enunciado sujeta a las restricciones
matemático completo del problema
de PL. 4T + 3C 240 (restricción de carpintería)
2T + 1C 100 (restricción de pintura y barnizado)
T 0 (primera restricción de no negatividad)
C O (segunda restricción de no negatividad)
Aunque técnicamente las restricciones de no negatividad son restricciones independientes, suelen escri-
birse en una sola línea con las variables separadas por comas. En este ejemplo, se escriben como
T, C O
7.4 Solución gráfica a un problema de PL

El método gráfico sólo funciona La forma más fácil de resolver un problema sencillo de PL como el de la compañía Flair Furniture
cuando hay dos variables de decisión, consiste en usar el método de solución gráfica. El procedimiento gráfico es útil sólo cuando hay dos
pero ofrece información valiosa variables de decisión (como el número de mesas, T, y el número de sillas, C, a producir) en el problema.
sobre cómo están estructurados los
Si hay más de dos variables, no es posible trazar la solución en una gráfica de dos dimensiones y es
problemas más grandes.
necesario recurrir a enfoques más complejos. Pero el método gráfico es muy valioso y nos proporciona
una idea de cómo funcionan otras técnicas. Por esa sola razón, vale la pena pasar el resto de este capítulo
explorando soluciones gráficas como una base intuitiva para los capítulos sobre programación matemá-
tica que siguen.
Representación gráfica de las restricciones

Para encontrar la solución óptima a un problema de PL, primero debemos identificar un conjunto, o región,
de soluciones factibles. El primer paso para hacerlo es trazar cada una de las restricciones del problema en
una gráfica. La variable T (mesas) se representa gráficamente en el eje horizontal, y la variable C (sillas)
se representa gráficamente en el eje vertical. Se utiliza la notación (T, C) para identificar los puntos sobre
Las restricciones de no negatividad la gráfica. Las restricciones de no negatividad implican que siempre estaremos trabajando en el primer
implican que T.Oyc cuadrante (o noreste) de una gráfica (vea la figura 7.1).
Para representar gráficamente la primera restricción, 4T + 3C 5 240, debemos graficar primero la
parte de la igualdad de esto, que es
4T + 3C = 240
FIGURA 7.1
Cuadrante que contiene
todos los valores
100
positivos
Este eje representa la restricción T O
80
Número de sillas
60
40 Este eje representa

la restricción C > O
20
1111111 I I
0 20 40 60 80 100 T
Número de mesas
El trazado de la primera restricción Como se recordará del álgebra elemental, una ecuación lineal con dos variables es una línea recta. La
implica encontrar los puntos donde forma más fácil de trazar la recta es encontrar dos puntos que satisfagan la ecuación y, después, se dibuja
la recta cruza los ejes T y C. una línea recta a través de ellos.
Los dos puntos más fáciles de encontrar suelen ser los puntos en los que la recta cruza los ejes T y C.
Cuando Flair Furniture no produce mesas, es decir T = 0, esto implica que
4(0) + 3C = 240
o
3C = 240
o
C = 80
En otras palabras, si se utiliza todo el tiempo de carpintería disponible para producir sillas, podrían hacerse
80 sillas. Por lo tanto, esta ecuación de restricción cruza el eje vertical en 80.
Para encontrar el punto donde la recta cruza el eje horizontal, se supone que la compañía no produce
sillas, es decir, C = 0. Entonces,
4T + 3(0) = 240
o
4T = 240
o
T= 60
Por consiguiente, cuando C = 0, vemos que 4T = y que T = 60.

La restricción de carpintería se ilustra en la fi ura 7.2. Está delimitada por la línea que va desde el
punto (T = 0, C = 80) hasta el punto (T = 60, C =
Sin embargo, recuerde que la restricción de carpintería real es la desigualdad 4T + 3C s 240.
¿Cómo identificamos todos los puntos de solución e satisfacen esta restricción? Resulta que hay tres po-
sibilidades. En primer lugar, sabemos que cualquier punto que se encuentre sobre la recta 4T + 3C = 24()
satisface la restricción. Cualquier combinación de esas y sillas sobre esta recta utilizará las 240 horas del
tiempo de carpintería.' Ahora debemos encontrar el conjunto de puntos de solución que utilizarían menos
Por lo tanto, lo que hemos hecho es graficar la ecuación de restricción en su posición más limítrofe, es decir, usando todos
los recursos de carpintería.
FIGURA 7.2
Gráfica de la ecuación
de la restricción de
carpintería, 4T+ 3C= 240 100
80 (T=0, C = 80)
Número de s illas
60
40
20
(T= 60, C= O)
1 1 1 1
O 80 100 T
Número de mesas
de las 240 horas. Los puntos que satisfacen la porción < de la restricción (es decir, 4T + 3C < 240) serán
todos los puntos a un lado de la recta; mientras que todos los puntos en el otro lado de la línea no satis-
farán esta condición. Para determinar cuál es el lado de la recta indicado, basta con elegir cualquier punto
a cada lado de la recta de restricción mostrada en la figura 7.2 y verificar si satisface la condición.
Por ejemplo, elija el punto (30, 20), como se ilustra en la figura 7.3:
4(30) + 3 (20) = 180
Dado que 180 < 240, este punto satisface la restricción, y todos los puntos de este lado de la línea también
satisfarán esa condición. Este conjunto de puntos se indica mediante la región sombreada de la figura 7.3.
Para saber lo que sucedería si el punto no satisficiera la restricción, seleccione un punto en el otro lado
de la recta, por ejemplo, (70, 40). La restricción no se cumpliría en este punto porque
4 (70) + 3 (40) = 400
Dado que 400 > 240, este punto y cualquier otro en ese lado de la recta no satisfarían la restricción. Por
consiguiente, la solución representada por el punto (70, 40) requeriría más de las 240 horas que están dis-
ponibles. No hay suficientes horas de carpintería para producir 70 mesas y 40 sillas.
FIGURA 7.3
Región que satisface la
restricción de carpintería
100
80
Número de sillas
60
40 • (70, 40)
20 •
(30, 20)
1111 1 ',111111 •
0 20 40 60 80 100
Número de mesas
FIGURA 7.4
Región que satisface la
restricción de pintura
100 (T= O, C= 100)
y barnizado
80
Número de si llas
60
40
20
(T=50, C= 0)
1 l1 1 1 I I
0
20 40 60 80 100 T
Número de mesas
A continuación, identificaremos la solución que corresponde a la segunda restricción, la cual limita el

tiempo disponible en el departamento de pintura y barnizado. Esa restricción se dio como 2T + 1C 5-100.
Como antes, comenzamos por graficar la porción de igualdad en esta restricción, que es
2T + 1C = 100
Para encontrar dos puntos sobre la recta, seleccione T = O y despeje C:
2(0) + 1C = 100
C = 100
Entonces, un punto sobre la recta es (0, 100). Para encontrar el segundo punto, seleccione C = O y
despeje T:
2T + 1(0) = 100
T = 50
El segundo punto usado para graficar la recta es (50, 0). Al graficar este punto, (50, 0), y el otro, (0, 100),
se obtiene la recta que representa todas las soluciones en las cuales se utilizan exactamente 100 horas del
tiempo de pintura y barnizado, como se muestra en la figura 7.4.
Para encontrar los puntos que requieren menos de 100 horas, seleccione un punto a ambos lados de
esta recta, con la finalidad de verificar si se satisface la parte de desigualdad en la restricción. Al seleccio-
nar (0, 0), resulta
2(0) + 1(0) = 0 < 100
Lo anterior indica que éste y todos los puntos por debajo de la recta satisfacen la restricción; esta región se
muestra sombreada en la figura 7.4.
Ahora que cada restricción individual ha sido representada gráficamente, es el momento de pasar a la
siguiente etapa. Se sabe que, para producir una silla o una mesa, es necesario utilizar tanto el departamento
En los problemas de PL estamos de carpintería como el de pintura y barnizado. En un problema de PL debemos encontrar el conjunto de
interesados en satisfacer todas las puntos de solución que satisfagan todas las restricciones de manera simultánea. Por lo tanto, las restriccio-
restricciones al mismo tiempo. nes deberían representarse nuevamente en una gráf ca (o superponer una sobre otra). Esto se muestra en la
figura 7.5.
Ahora, la región sombreada representa el área de soluciones que no excede ninguna de las dos restric-
ciones de Flair Furniture. Se conoce por el término área de soluciones factibles o, de forma más sencilla,
La región factible es el conjunto región factible. En un problema de PL esta región debe satisfacer todas las condiciones especificadas por
de puntos que satisfacen todas las las restricciones del problema y, por lo tanto, es la región donde se superponen todas las restricciones.
restricciones. Cualquier punto de la región sería una solución factible para el problema de Flaír Furniture; cualquier
punto fuera del área sombreada representaría una solución no factible. Por consiguiente, sería posible
FIGURA 7.5
Región de soluciones
factibles para el
100
problema de la compañía •
•
Flair Furniture •
•
80 •
Número de sillas
Restricción de pintura/barnizado
•
•
•
60
40
Región Restricción de carpintería

20
factible
20 40 60 80 100
Número de mesas
fabricar 30 mesas y 20 sillas (T = 30, C = 20) durante un periodo de producción, ya que se cumplen las
dos restricciones:
Restricción de carpintería 4T + 3C 240 horas disponibles

(4)(30) + (3)(20) = 180 horas usadas e
Restricción de pintura 2T + 1C 5- 100 horas disponibles

(2)(30) + (1)(20) = 80 horas usadas e
Pero quebrantaría las restricciones de producir 70 mesas y 40 sillas, como se muestra matemáticamente:
Restricción de carpintería 4T + 3C s 240 horas disponibles

(4)(70) + (3)(40) = 400 horas usadas O
Restricción de pintura 2T + 1C 100 horas disponibles
(2)(70) + (1)(40) = 180 horas usadas O
Además, también no sería factible fabricar 50 mesas y 5 sillas (T = 50, C = 5). ¿Puede usted ver por qué?
Restricción de carpintería 4T + 3C 240 horas disponibles

(4)(50) + (3)(5) = 215 horas usadas e
Restricción de pintura 2T + 1C 100 horas disponibles
(2)(50) + (1)(5) = 105 horas usadas O
Esta posible solución se encuentra dentro del tiempo disponible en carpintería, pero excede el tiempo dis-
ponible en pintura y barnizado; por lo tanto, está fuera de la región factible.
Método de solución de la recta de isoutilidad

Ahora que se ha graficado la región factible, podemos proceder a encontrar la solución óptima del pro-
blema. La solución óptima es el punto situado en la región factible que produce la mayor utilidad. Sin
embargo, hay muchos puntos de solución posibles en la región. ¿Cómo hacemos para seleccionar el mejor,
el que da la utilidad más alta?
El primer método para encontrar la Existen algunos enfoques diferentes que se pueden adoptar para encontrar la solución óptima, cuando
solución óptima que presentamos es la región factible ya se ha establecido en forma gráfica. El más rápido de aplicar se llama método de la
el método de isoutilidad. recta de isoutilidad.
La técnica inicia considerando que la utilidad equivale a cierta cantidad monetaria arbitraria pero
pequeña. Para el problema de Flair Furniture podemos elegir una utilidad de $2,100. Éste es un nivel de
248 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFII OS Y COMPUTACIONALES
utilidad que se obtiene fácilmente sin vulnerar ninguna de las dos restricciones. La función objetivo se
puede escribir como $2,100 = 70T + 50C.
Esta expresión es la ecuación de una recta; la llamamos recta de isoutilidad. Representa todas las
combinaciones de (T, C) que producirían una utilidad total de $2,100. Para trazar una recta de utilidad, se
procede exactamente como lo hicimos para graficar lás rectas de las restricciones. En primer lugar, consi-
dere que T = O y encuentre el punto donde la recta cruza el eje C:
$2,100 = $70(0) = $50C
C = 42 sillas
Después, considere que C = O y despeje T:
$2,100 = $70T+ 50(0)
T = 30 mesas
Incremento de las ventas

MODELADO EN EL MUNDO REAL en Hewlett Packard
Definición
Definición del problema
del problema Hewlett Packard (HP) lanzó HPDirect.com a finales de la década de 1990 y abrió la venta online de produc-
tos HP, incluyendo computadoras, impresoras, accesorios y consumibles (suministros). En 2008 se avisó a la
gerencia de HPDirect.com que las ventas online tenían que crecer 150% en los próximos tres años, y esto
tenía que hacerse sin exceder los presupuestos de marketing. Para ello, debían atraer a más visitantes al sitio,
convertir a los visitantes en clientes mediante esfuerzos de marketing dirigidos, y retener a los clientes leales
al proporcionarles una experiencia satisfactoria de manera rentable.
Desarrollo de
Desarrollo de un modelo
un modelo La naturaleza masiva de este proyecto requirió el uso de una variedad de modelos de investigación de ope-
raciones para alcanzar los objetivos. La regresión múltiple se utilizó para identificar los factores clave de
los visitantes online, y se combinó con modelos de series de tiempo (que identifican la estacionalidad y la
tendencia) para pronosticar el número de visitas en todas las páginas Web, así como las ventas de la gran
variedad de productos. Se utilizaron modelos bayesianos y modelos de Markov para ayudar a predecir la
probabilidad de hacer una compra. La programación lineal se utilizó para determinar qué canales de comer-
cialización debían utilizarse con los diferentes clientes y para optimizar estas decisiones.
Adquisición de
Adquisición de datos de entrada
datos de entrada Los datos se recopilaron durante un periodo de 2 años, no sólo con base en los visitantes de la página web y
en su comportamiento, sino también a partir de las ventas y las actividades de marketing durante este mismo
periodo de 2 años. Los datos se separaron en dos grupos: un conjunto de entrenamiento para desarrollar el
modelo y un conjunto de prueba para validarlo.
Desarrollo de
Desarrollo de una solución
una solución El conjunto de datos de entrenamiento se usó para desarrollar los modelos utilizados en este proyecto, inclu-
yendo programas lineales para asignar de manera óptima el presupuesto de marketing.
Pruebas
Pruebas a la solución
a la solución Los datos en el conjunto de prueba se usaron para validar los modelos y asegurar que los modelos funcio-
naran según lo previsto. Cuando se llevaron a cabo las diferentes partes del proyecto, un grupo de clientes
de prueba recibió material de marketing personalizado con base en su perfil de segmento, mientras que un
grupo de control recibió el material genérico.
Análisis Análisis de resultados

de resultados El grupo de prueba obtuvo mejores resultados que el grupo de control en todas las mediciones clave, inclu-
yendo el tamaño promedio de los pedidos, la tasa de conversión y las ventas totales por dólar gastado en
marketing. Durante un periodo determinado, la tasa de conversión del grupo meta fue 58% más alta que la
del grupo de control, y las ventas medidas en dólares per artículo de marketing fueron 33% más altas.
Implementación
Implementación de resultados
de resultados Al comienzo de cada trimestre, los modelos se ejecutan para ayudar a los esfuerzos de planeación del equipo
de marketing en ese periodo. Los propios modelos se actualizan cada trimestre. Desde 2009, los modelos han
recibido el crédito por un aumento de los ingresos en $117 millones, un incremento de los tamaños de pedido
y una reducción del costo total de inventario.
Fuente: Basado en R. Randon eral., -Hewlett Packard: Delive ring Profitable Growth for HPDirect.com Using Operations
Research", Interfaces 43, 1 (enero-febrero de 2013): 48-61.
FIGURA 7.6
Gráfica de la recta de
utilidad de $2,100 para la
100
compañía Flair Furniture
80
Número de sillas
60
$2,100 = $70 T+ $50 C

40
(30,0)
20
20 40 60 80 100
Número de mesas
Ahora podemos conectar estos dos puntos mediante una recta. Esta recta de utilidad se ilustra en
la figura 7.6. Todos los puntos sobre la recta representan soluciones factibles que producen una utilidad
de $2,100.*
La isoutilidad implica graficar rectas Ahora, es evidente que la recta de isoutilidad para $2,100 no produce la mayor utilidad posible a la
de utilidad paralelas. compañía. En la figura 7.7 se grafican dos líneas más, cada una de ellas proporciona una utilidad mayor.
La ecuación en el medio, $2,800 = $70T + $50C, se representó en la misma forma que la recta inferior.
Cuando T = 0,
$2,800 = $70(0) + $50C

C = 56
Cuando C = 0,
$2,800 = $70T + $50(C)

T = 40
FIGURA 7.7
Gráfica de cuatro rectas
de isoutilidad para la
compañía Flair Furniture 100
80
Número de sillas
$3,500 = $70 T+ $50C
60 $2,800 = $70T+ $50C
$2,100 = $70 T + $50C

40
$4,200 = $70 T + $50C

20
20 40 60 80 100
Número de mesas
¡so significa "igual" o "similar". Por lo tanto, una recta de isoutilidad representa una línea donde todos sus puntos tienen la
misma utilidad, en este caso $2,100.
FIGURA 7.8
Solución óptima al
problema de Flair
100
Furniture
Recta de utilidad máxima
80
Número de sillas
60 Punto de solución óptima
(T=30, C= 40)
40
$4,100 = $70T+ $50C

20
20 40 60 80 100
Número de mesas
Trazamos una serie de rectas de De nuevo, cualquier combinación de mesas (T) y sillas (C) sobre esta recta de isoutilidad produce
isoutilidad paralelas hasta encontrar una utilidad total de $2,800. Observe que la tercera recta genera una utilidad de $3,500; esto es más
la recta de isoutilidad más alta, es que una mejora. Cuanto más nos alejemos del origen, mayor será nuestra utilidad. Otro punto importante
decir, la que contiene la solución es que estas rectas de isoutilidad son paralelas. Ahora tenemos dos pistas sobre cómo encontrar la solución
óptima.
óptima al problema original. Podemos dibujar una serie de rectas paralelas (moviendo cuidadosamente
nuestra regla en un plano paralelo a la primera recta de utilidad). La recta de utilidad más alta que aún
toque algún punto de la región factible señala la solución óptima. Observe que la cuarta línea ($4,200) es
demasiado alta para ser considerada.
El último punto que una recta de isoutilidad tocaría en esta región factible sería el punto en el vértice,
donde se intersecan las dos rectas de restricción, por lo que este punto se traducirá en la máxima utilidad
posible. Para encontrar las coordenadas de este punto, resolvemos las dos ecuaciones en forma simultánea
(como se indica en la siguiente sección). Lo anterior resulta en el punto (30, 40) como se muestra en la
figura 7.8. Al calcular la utilidad en este punto, obtenemos
Utilidad = 70T + 50C = 70(30) + 50(40) = $4,100
Así que la producción de 30 mesas y 40 sillas genera la utilidad máxima de $4,100.
Método de solución de los vértices

Un segundo enfoque para la resolución de problemas de PL emplea el método de los vértices. Concep-
tualmente, esta técnica es más sencilla que el enfoque de la recta de isoutilidad, pero consiste en buscar la
utilidad en cada vértice de la región factible.
La teoría matemática detrás de la PL La teoría matemática detrás de la PL establece que una solución óptima a cualquier problema (es de-
es que la solución óptima debe estar cir, los valores de T, C que proporcionan la utilidad máxima) se encontrará en un vértice o punto extremo,
en uno de los vértices de la región de la región factible. Por lo tanto, sólo es necesario encontrar los valores de las variables en cada vértice;
factible. una solución óptima se encontrará en uno (o más) dg ellos.
El primer paso en el método de los vértices es representar gráficamente las restricciones y encontrar
la región factible. Éste es también el primer paso en 1 método de isoutilidad y la región factible se muestra
de nuevo en la figura 7.9. El segundo paso es encon ar los vértices de la región factible. Para el ejemplo de
Flair Furniture, las coordenadas de tres de los vértic s son evidentes a partir de la observación de la gráfica.
Éstos son (0, 0), (50, 0) y (0, 80). El cuarto vértic es aquél donde las dos rectas de restricción se inter-
secan, y sus coordenadas se deben encontrar algeb camente resolviendo las dos ecuaciones de manera
simultánea para encontrar los valores de las dos varihbles.
Hay varias maneras de resolver ecuaciones en forma simultánea, y es posible usar cualquiera de éstas.
Aquí se ilustrará el método de eliminación. Para iniciar con este método, seleccione una variable que será
eliminada. En este ejemplo seleccionaremos T. Luego, multiplique una ecuación por un número o divídala
FIGURA 7.9
Cuatro vértices de la
región factible
100
80
Número de sillas
60
40
20
0 • 1 1 1 1 1 1 1 1 1 1
20 40 60 80 100 T
Número de mesas
entre éste, de modo que el coeficiente de esa variable (T) en una ecuación sea el negativo del coeficiente de .
la misma variable en la otra ecuación. Las dos ecuaciones de restricción son
4T + 3C = 240 (carpintería)
2T + 1C = 100 (pintura)
Para eliminar T, multiplicamos la segunda ecuación por —2:
—2(2T+ 1C= 100) = —4T — 2C = —200
y, después, la sumamos a la primera ecuación:

+4T + 3C = 240
+ 1C = 40
C = 40
Al hacer esto hemos podido eliminar una variable, T, y despejar C. Ahora podemos sustituir 40 por C
en cualquiera de las ecuaciones originales y despejar T. Usaremos la primera ecuación. Cuando C = 40,
entonces
4T + (3)(40) = 240
4T + 120 = 240
o
4T= 120
T = 30
Por lo tanto, el último vértice es (30, 40).

El siguiente paso consiste en calcular el valor de la función objetivo en cada uno de los vértices. El
último paso es seleccionar el vértice con el mejor valor que, en este ejemplo, sería aquél con la mayor
utilidad. En la tabla 7.3 se presentan estos vértices con sus utilidades. Se observa que la utilidad más
alta es $4,100, que se obtiene al producir 30 mesas y 40 sillas. Esto es exactamente lo que se obtiene
por el método de isoutilidad.
La tabla 7.4 proporciona un resumen de los métodos de isoutilidad y de los vértices. Cualquiera
de ellos se puede utilizar cuando hay dos variables de decisión. Si un problema tiene más de dos
TABLA 7.3
NÚMERO DE MESAS (T) NIER" SILLAS (C) UTILIDAD — $70T $50C
Vértices factibles y
utilidades para Flair $0
Furniture 50 $3,500
0 $4,000
30 $4,100
variables de decisión, debemos confiar en el software o utilizar el algoritmo símplex que se estudia en
el módulo 7.
Holgura y excedente
El término holgura se asocia con Además de conocer la solución óptima de un programa lineal, resulta útil saber si se están utilizando todos
restricciones del tipo los recursos disponibles. El término holgura se utiliza para la cantidad de un recurso que no se utiliza. Para
una restricción del tipo menor o igual que,
Holgura = (Cantidad de recurso disponible) — (Cantidad de recurso utilizado)
En el ejemplo de Flair Fumiture, había 240 horas de tiempo de carpintería disponibles. Si la empresa
decidiera producir 20 mesas y 25 sillas en vez de la solución óptima, la cantidad de tiempo de carpintería
usada (4T + 3C) sería 4(20) + 3(25) = 155. Por lo tanto,
Tiempo de holgura en carpintería = 240 — 155 = 85
Para la solución óptima (30, 40) del problema de Flair Furniture, la holgura es O puesto que se utilizan
todas las 240 horas.
El término excedente se asocia con El término excedente se utiliza con las restricciones del tipo mayor o igual que para indicar la canti-
las restricciones del tipo a-. dad en la que se excede el lado derecho de una restricción. Para un restricción del tipo mayor o igual que,
Excedente = (Cantidad real) — (Cantidad mínima)
Suponga que hubo una restricción en el ejemplo que pedía un número total de mesas y sillas com-
binado de al menos 42 unidades (es decir, T + C 42), y que la empresa decidió producir 20 mesas y
25 sillas. La cantidad total producida sería 20 + 25 = 45, por lo que el excedente sería
Excedente = 45 — 42 = 3
lo cual significa que se produjeron 3 unidades más que el mínimo. Para la solución óptima (30, 40) del
problema de Flair Furniture, si esta restricción hubiera estado en el problema, el excedente habrías sido
70 — 42 = 28.
TABLA 7.4 MI:1'0W) DE ISOUTILIDAD

Resúmenes de los
métodos de solución 1. Grafique todas las restricciones y encuentre la gión factible.
gráficos 2. Seleccione una recta de utilidad (o costo) espec ca y grafiquela para encontrar la pendiente.
3. Traslade la línea de la función objetivo en direcl ión de la utilidad creciente (o el costo decreciente)
manteniendo la pendiente. El último punto que toque la región factible es la solución óptima.
4. Encuentre los valores de las variables de decisi o n en este último punto y calcule la utilidad
(o el costo).
MÉTODO DE LOS VÉRTICES

1. Grafique todas las restricciones y encuentre la región factible.
2. Encuentre los vértices de la región factible.
3. Calcule la utilidad (o el costo) en cada uno de los vértices factibles.
4. Seleccione el vértice con el mejor valor de la función objetivo encontrado en el paso 3. Ésta es la
solución óptima.
7.5 RESOLUCIÓN DEL PROBLEMA DE PL DE FLAIR FURNITURE USANDO QM PARA WINDOWS, EXCEL 2013 Y EXCEL QM 253
Así que la holgura y el excedente representan la diferencia entre el lado izquierdo (LI) y el lado de-
recho (LD) de una restricción. El término holgura se utiliza al hacer referencia a las restricciones del tipo
menor o igual que, y el término excedente se usa para referirse a las restricciones del tipo mayor o igual
que. La mayoría del software para programación lineal proporciona la cantidad de holgura y excedente que
existe para cada restricción en la solución óptima.
Una restricción que tiene cero holgura o excedente para la solución óptima se llama una restricción
vinculante. Una restricción con holgura o excedente positivos para la solución óptima se llama una res-
tricción no vinculante. Algunos resultados de computadora especifican si la restricción es vinculante o no
vinculante.
7.5 Resolución del problema de PL de Flair Furniture usando QM para Windows,

Excel 2013 y Excel QM
Casi todas las organizaciones tienen acceso a programas de cómputo que son capaces de resolver enor-
mes problemas de PL. Aunque cada programa es un poco diferente, el enfoque que cada uno tiene para
manejar los problemas de PL es básicamente el mismo. El formato de los datos de entrada y el nivel de
detalle de los resultados de salida pueden diferir de un programa a otro y de una computadora a otra, pero
una vez que usted tenga experiencia en el uso de los algoritmos computarizados de PL, podrá ajustarse
fácilmente a los cambios menores.
Uso de QM para Windows

Comencemos por mostrar el uso de QM para Windows en el problema de Flair Furniture Company. Para
utilizar QM para Windows, seleccione el módulo de programación lineal. Después, especifique el número
de restricciones (además de las restricciones de no negatividad, porque se supone que las variables deben
ser no negativas), el número de variables, y si el objetivo es maximizar o minimizar. Para el problema de
la compañía Flair Furniture, hay dos restricciones y dos variables. Una vez que se especifican estos nú-
meros, se abre una ventana de entrada como la mostrada en el programa 7.1A. Después, puede introducir
los coeficientes de la función objetivo y las restricciones. Coloque el cursor sobre X1 o X2 y escriba un
nuevo nombre como T y C para cambiar los nombres de las variables. Los nombres de las restricciones se
pueden modificar de manera similar. El programa 7.1B muestra la pantalla de QM para Windows después
de haber introducido los datos y antes de que el problema se haya resuelto. Al hacer clic en el botón Solve,
se obtiene el resultado mostrado en el programa 7.1C.
PROGRAMA 7.1A ( Las ecuaciones aparecerán

Pantalla de entrada
de Objective Inttruction I automáticamente al introducir los
Use tuse °°°°" buttons to set the obiective
coeficientes en las otras columnas.
datos para programación mirnee .
Escriba sobre X1 y X2 para cambiar
Lineal en QM para los nombres de las variables. Fleir Fumiture Compeny
1
Windows
X1 X2 RHS Equation fan:
Maximize o Max
Constraint 1 o o <= O
Constraint 2 o O l<= o <= 0
—CIntroduzca los coeficientes en las columnas adecuadas)
PROGRAMA 7.1B Ed:t View ?•.lociu!tr le.rnat Iools tidp

Introducción de datos w 1001 " ea! filf I 031 1 sw is°"
en QM para Windows 9 7! - la .r so m! .0000 - iii ¿t'e' " —
para el problema de Flair • Obactrre
l' 4(Haga clic aquí para cambiar
huct Haga clic en Solve después
G phoirrizet Use
Furniture el tipo de restricción. de introducir los datos. ,
Flei Fumiture Company
T C RHS Equation forre

Maximiza 70 50 Max 70T + 50C
Constraint 1 4 3 <= 240 4T + 3C <= 240
Canberra 2 2 1 <= 100 2T+C<= 100
PROGRAMA 7.1C
Salida y gráfica en QM (El valor de la función objetivo RHS
( Los valores de las variables" T Dual
para Windows para se muestran aquí. \(utilidad) se muestra aquí
el problema de Flair Maxim 70 50
Furniture Carpently 4 3 240 15
Painting 2 100
Sohition-> 30 40 4.100
nstrakit Dirplag
Flair Fumiture Problem C' Ma< 70T+50C
t Haga clic en Window y seleccione Graph r 4T4C<.240
C 2T+1C<.1 00
`para ver esta gráfica y los vértices. none
Constaints
Comer PoMts
z
0 ENIZI111311111
0 DEM 4,000.
isoproft Line
EIRIERIE11111130M1
Una vez que el problema se haya resuelto, se puede visualizar una gráfica seleccionando Window—
Graph desde la barra de menú en QM para Windows. El programa 7.1C muestra la salida para la solu-
ción gráfica. Observe que, además de la gráfica, también se muestran los vértices y el problema original.
Posteriormente, regresaremos a ver información adicional relacionada con el análisis de sensibilidad que
proporciona QM para Windows.
Uso del comando Solver de Excel para resolver problemas de PL

Excel 2013 (al igual que las versiones anteriores) tiene un complemento llamado Solver que se puede uti-
lizar para resolver programas lineales. Si este complemento no aparece en la pestaña Data de Excel 2013,
aún no se ha activado. Consulte el apéndice F para obtener detalles sobre cómo activarlo.
PREPARACIÓN DE LA HOJA DE CÁLCULO PARA SOLVER La hoja de cálculo debe prepararse con
datos y fórmulas para ciertos cálculos antes de que Solver se pueda utilizar. Es posible usar Excel QM para
simplificar el proceso (vea el apéndice 7.1). Describiremos brevemente los pasos, y un mayor análisis y
más sugerencias cuando se presente el ejemplo de Flair Furniture. A continuación damos un resumen de
los pasos para preparar la hoja de cálculo:
1. Introduzca los datos del problema, los cuales se componen de los coeficientes de la función objetivo
y las restricciones, además de los valores del LD para cada una de las restricciones. Se recomienda
organizar esto de manera lógica y significativa. Los coeficientes serán utilizados al escribir fórmulas
en los pasos 3 y 4, y el LD se introducirá en Solver.
2. Designe celdas específicas para los valores de las variables de decisión. Posteriormente, estas direc-
ciones de celda se introducirán en Solver.
3. Escriba una fórmula para calcular el valor de la función objetivo, utilizando los coeficientes de la
función objetivo (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Después, esta dirección de celda se introducirá en Solver.
4. Escriba una fórmula para calcular el valor del LI de cada restricción, utilizando los coeficientes de
las restricciones (del paso 1) que ha introducido y las celdas que contienen los valores de las varia-
bles de decisión (del paso 2). Posteriormente, se introducirán en Solver estas direcciones de celda
y las direcciones de celda para el valor del LD correspondiente.
PROGRAMA 7.2A Estas celdas se seleccionan para contener los valores de las
Datos de entrada en variables de decisión. Solver introducirá la solución óptima
Excel para el ejemplo ,,aquí, pero usted también puede ingresar números aquí.
de Flair Furniture A 8 I C
1 Flair Furniture Los signos para las restricciones se
2
introducen aquí sólo como referencia.
3 Variabkts T (rabie) C (Chairs)
units Produccd Profit
Objective function I 70 50 o
Constraints 1145 (Hours used) RHS

5 Carpentry 4 3 o 240
Painting 2 o 100
PROGRAMA 7.2B
Profit
Fórmulas del ejemplo "4-5UMPRODUCT(5854:5054,135:C5)
de Flair Furniture
LH5 (Hours uscd)
..SUIVIPRODUCT(5354:5C$4,138:03)
5 rSUMPRODUCT($13$4:$C$4,39:C9)
PROGRAMA 7.2C A Debido a que hay un 1 en cada una de estas celdas,

Hoja de cálculo en Excel Flair Furniture los valores del LI se calculan muy fácilmente para
para el ejemplo de Flair saber si se ha cometido algún error.
3 Variables T ("rabies) C (Ch ws)
Furniture 4 Units Produced 1 1 roflt
5 Objcctive function 70 50 120 Usted puede cambiar estos valores para
ver cómo cambian la utilidad y la utilización
Constraints Lin (Hours u de recursos.
Carpentry 4 3 7
Paintine 2 3
Estos cuatro pasos se deben completar de alguna manera con todos los programas lineales en Excel.
Es posible agregar información adicional a la hoja de cálculo para hacer más claro el modelo. Esto se ilus-
trará con un ejemplo.
I. El programa 7.2A presenta los datos de entrada para el ejemplo de Flair Furniture. Usted debería
ingresar los números en las celdas que se indican. Las palabras pueden ser cualquier descripción que
usted elija. Los símbolos se introducen sólo como referencia. No son usados de manera especí-
fica por Solver de Excel.
2. Las celdas designadas para los valores de las variables son B4 para T (mesas) y C4 para C (sillas).
Estas direcciones de celda serán introducidas en Solver como By Changing Variable Cells. Solver
cambiará los valores de estas celdas para encontrar la solución óptima. En ocasiones es útil introdu-
cir un 1 en cada una de estas celdas para ayudar a identificar errores evidentes, cometidos al escribir
las fórmulas correspondienes al objetivo y a las restricciones.
3. Se escribe una fórmula en Excel para la función objetivo (D5), y esto se muestra en el programa
7.2B. La función Sumproduct es muy útil, aunque hay otras maneras de escribir el objetivo. Esta di-
rección de celda se introducirá en Solver como la ubicación Set Objective.
4. Las horas utilizadas en carpintería (LI de la restricción de carpintería) se calculan con la fórmula de
la celda D8; mientras que la celda D9 calcula las horas usadas en pintura, como se ilustra en el pro-
grama 7.2B. Estas celdas y las que contienen los valores del LD se utilizarán al introducir las restric-
ciones en Solver.
El problema ahora está listo para usar Solver. Sin embargo, incluso si no se encuentra la solución óp-
tima, esta hoja de cálculo tiene beneficios. Puede introducir valores diferentes para T y C en las celdas B4
y C4 sólo para ver cómo cambian la utilización de recursos (LI) la utilidad.
ItOME INSERT PAGE LAYOUT FORMULAS DATA REYEW VIEW G,1 QM 1,

PROGRAMA 7.2D
ni '.n *«n. ril gi In. 1Connectbro 1.1, 7 Ilir II <.., (4. la Flash FM
kin 1. Conalid. Qii Group - • _ ZS Dna Analph
.,..
' 11-11Remove Duptiorta E? Whart-If Msly.- Lfreoup - -.: 9.11~
Inicialización de Solver II F:""kb irasC.« Ey..
'Ll° ,ra Imp..
FiRt9
Yo P.ppLy
...
[13 Femn T. s„,,....• c...,,,,,„„, jui . a E& link, 14 9.....g. c.,,,,,,,,,. F.1 Dm 94...... • ng ErIthorsv9p. Eti Subtoul
en Excel 2013 Get OMInd D. Connecta% Senf 44 Fin.. G... DM.< Arunpn
A9 Painting (En la pestaña Data, haga clic en Solver.

A ' O o ~.- _—
Fleir F0701107.
3 Varlda41 TiTabim) CrhairL)

(Si Jolver no aparece en la pestaña Data, aún no
Unat4Preekned 1 1 1 Pral* k se ha activado. Consulte la ayuda del apéndice E
functon 70 50 120
Constraint. LES (Hours usecf) ROS

8 Carpentyy 3 7 240
Llting
PR 2 1 3 100
PROGRAMA 7.2E Cuadro de diálogo de los parámetros de Solver
Solver Parameters :•.---.1•1117,S,4.• •
'introduzca la dirección
Set Objective SDS5
de celda para el valor de
To:
la función objetivo.
Ift) itax Value Of:
Changing Variable Ceilw Especifique Max o Min)

SBS4:SCS4
Introduzca la ubicació—n
Sgbject to the Constraints:
de los valores para las
variables.
t-Siempre seleccione Simplex LP\ Plaine
\..como el método de solución.
i2eirte
Haga clic en Add ...
para introducir
Marque esta casilla para las _é_stricciones.
variables no negativas.
joadtSaire
Unconsbabsed Variables
Seled a Sobring Method 1 Simple< LP H ()Pilar»
Sohing Odeltiod
Seied the GRG Mosdinear engine for Soker Probieras that are smooth nonlinear. Select the LP
Skop.= engine for ralear Solver Prohibas, and select the Evolutionary engine lar Solver 1
prohibas that ase non-so:00th (Haga clic en Solve después-'\
de haber añadido las
restricciones.
..•:,4"01J4411.1i L I V.,111.19151
USO DE SOLVER Para comenzar a utilizar Solver, vaya a la pestaña Data en Excel 2013 y haga clic en
Solver, como se muestra en el programa 7.2D. Si Solver no aparece en la pestaña de datos, consulte el
apéndice F para obtener instrucciones sobre cóm activar este complemento. Una vez que haga clic en
Solver, se abre el cuadro de diálogo Solver P ters, como se muestra en el programa 7.2E, y se de-
ben ingresar las siguientes entradas, aunque el orde no es importante:
1. En el cuadro Set Objective, introduzca la dirección de celda para la utilidad total (D5).
2. En el cuadro By Changing Variable Cells, introduzca las direcciones de las celdas para los valores de
las variables (B4:C4). Solver hará que los valores de estas celdas cambien durante la búsqueda del
mejor valor en la celda Set Objective.
PROGRAMA 7.2F Add Constraint

Introduzca la dirección
Cuadro de diálogo en introduzca la dirección del LÍ\ del lado derecho de las
Solver para agregar de las restricciones. Éstas se Cell Reference: Con restricciones.
restricciones pueden ingresar una a la vez
SDS8:5059 =SFSES:SFS9
o todas juntas, si son del
mismo tipo, por ej. "all <"
o "all >". lancei
Haga clic en OK cuando haya terminado. Haga clic en el botón para seleccionar el tipo de relación
de la restricción.
3. Haga clic en Max para un problema de maximización y Min para un problema de minimización.
4. Marque la casilla Make Unconstrained Variables Non-Negative, puesto que las variables T y C deben
ser mayores o iguales a cero.
5. Haga clic en el botón Select Solving Method y seleccione Simplex LP en el menú que aparece.
6. Haga clic en Add para agregar las restricciones. Al hacerlo, aparece el cuadro de diálogo que se
muestra en el programa 7.2F.
7. En el cuadro Cell Reference, introduzca las referencias de celda para los valores del LI (D8:D9).
Haga clic en el botón para abrir el menú desplegable y elija <=, que es para restricciones del
tipo Después, introduzca las referencias de celda para los valores del LD (F8:F9). Como todas
estas restricciones son del tipo menor o igual que, pueden introducirse a la vez, especificando los
rangos. Si hubiera otros tipos de restricciones, como restricciones usted podría hacer clic en Add
luego de ingresar estas primeras limitaciones, y el cuadro de diálogo Add Constraint le permitiría
introducir restricciones adicionales. En la preparación de la hoja de cálculo para Solver, es más fácil
si todas las restricciones s están juntas y las restricciones también lo están. Después de introducir
todas las restricciones, haga clic en OK. El cuadro de diálogo para agregar restricciones se cierra y
se reabre el cuadro de diálogo Solver Parameters.
8. Haga clic en Solve en el cuadro de diálogo Solver Parameters, y habrá encontrado la solución. El
cuadro de diálogo Solver Results se abre e indica que se encontró una solución, como se indica en
el programa 7.2G. En situaciones donde no hay solución factible, este cuadro lo indicará. Es posible
obtener información adicional en la sección de reportes, lo cual se verá más adelante. El programa
7.2H muestra los resultados de la hoja de cálculo con la solución óptima.
Uso de Excel QM
La utilización del complemento Excel QM puede ayudarle a resolver fácilmente problemas de programa-
ción lineal. Además de todas las fórmulas creadas automáticamente por Excel QM, la preparación de hojas
PROGRAMA 7.2G Solver Resulta
Cuadro de diálogo con

resultados de Solver Solver found a sol Hay información tima ity
conditions are Reoorts
adicional disponible://
Answer
e Keep Solver Solution Sensitivity
Limits
O Restore Original values
111 Return to Solver Parameters Dialog ❑ outtine Reports
OK Cancel Save Scenari I

1
Solver found a solution. AH Constraints and optimality conditions are
satisfied.
When the GRG engine I e,i Solver has found at least a local optima'
solution. When Simples LP is usect-tn" meansSolver has found a global
optima) solution
(Verifique esto para asegurarse de que se ha encontrado una solución)
PROGRAMA 7.2H A
(La solución óptima es T= 30, C = 40, la utilidad = 4,100)
1 Flair Fumiture
Solución para Flair 2
Furniture encontrada 3 Variables T (Tablas) C (Chairs
4 Units Produeed ; 30 40 Profit
mediante Solver
5 Objective function I 50 4100
horas utilizadas se dan aquí)
7 Constraints LHS (Hours used_____
)
a Carpentry 240 <
9 Painting 100 5.
de cálculo para el uso del complemento Solver también se realiza de forma automática. Esto se ilustrará
con el ejemplo de Flair Furniture.
Para comenzar, desde la pestaña de Excel QM en Excel 2013, haga clic en el menú Alphabetical
y luego seleccione Lineal, Integer & Mixed Integer Programming en el menú desplegable, como se indica
en el programa 7.3A. Se abrirá la ventana de inicio de la hoja de cálculo en Excel QM, y en ella se escri-
birá el título del problema, el número de variables y el número de restricciones (no cuentan las restric-
ciones de no negatividad). Especifique si el problema es un problema de maximización o minimización
y, después, haga clic en OK. Cuando finalice el proceso de inicialización, se preparará una hoja de cálculo
para la introducción de datos, como se indica en el programa 7.3B. En esta hoja de cálculo, introduzca los
datos en la sección denominada Data. Especifique el tipo de restricción (menor que, mayor que o igual a)
y cambie los nombres de las variables y los nombres de las restricciones, si así lo desea. Usted no tiene
que escribir ninguna fórmula.
Una vez introducidos los datos, en la pestaña Data, seleccione Solver. Se abre la ventana Solver
Parameters (consulte de nuevo el programa 7.2E para ver qué entradas se requieren normalmente en una
ventana típica de parámetros en Solver); verá que Excel QM ha hecho todas las entradas y selecciones
necesarias. Usted no introduce información alguna y, simplemente, hace clic en Solve para encontrar la
solución. Tal solución se muestra en el programa 7.3C.
PROGRAMA 7.3A Uso de Excel QM en Excel 2013 para el ejemplo de Flair Furniture
F LE HOME INSERT PAGE LAYOUT FORMULAS DATA REVIEW VIEW Excel QM
01 2 Gridlines Headings Instruction ej Default preferentes
34 Viebv 2 Viey Formulas

User Color
Default colora
By Alphabeti
chapter Assignment preferentes selection
Fñe us Breakeven Analysis Settings
"En la pestaña de Excel QM, hag- Decision Analysis
clic en el menú Alphabetical y, Forecasting
luego, seleccione Lineal, Integer Games (Zero Sum) 14 1
& Mixed Integer Programming b
Inventory
del menú.
3 Linear, Integer & Mixed Integer Programming "Cuando aparezca la ventana de
Markov Chaina inicialización, introduzca el número
Material Requirements Planning de variables, el número de
6
restricciones e indique maximizar
Network Analysis
minimizar.
Network Analysis as LP
9
Project Management
10 1
11 Quality Control
12 Simulation
13
14 Statistics (mean, var, sck Normal Dist) ►
15 Transportatíon
16 Waffing Unes
11.
18 Display 011 Modele Only
19 Display QM Models Only
20
Display Al) Modela
21
7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 259
PROGRAMA 7.3B Introducción de datos en Excel QM para el ejemplo de Flair Furniture

A B C D E
1 Flair Furniture
2 Lotos the vanas in the shaded ama Then go to the DATA Tab on the rthon, di& on Sonierla he Data Analysis
3 Group and /hen ciidc SOLVE.
SOLVER is sol os the tala Tab lEen pieasasee the Hala ate (SoNer) forjas/ro/ora
5 sien
Después de introducir el 6 e less than or equal to
problema, haga clic en 1 o equals You need to estar a n apostrophe first. (Las instrucciones para el
pestaña de datos y seleccione 8. greater than or equal to
9 '
.acceso a Solver están aquí)
Solver de la barra Data. Cuando 10 :Dato Results
se abre la ventana de Solver, 11 X1 x2 1115 Slack/Surplus
12 ObJective 70 50 ign RI1S 0
simplemente haga clic en Solve, 13 con.traint 1 4 3 240 o 240
puesto que todas las entradas 14 Constraint 2 2 1 CO o 100
necesarias han sido introducidas 15
16 Results
por Excel QM. 17 Variables {Introduzca los datos en las celdas adecuadas.
18 Objective
No cambie las demás celdas de la hoja de cálculo.)
PROGRAMA 7.3C A 6 C I) E F G H
1 Flair Furniture
Salida de Excel QM 2 Éritaidailialiata110asSaOadataa. Then gota the BATA 3-ab )11)300, 01148.00301yet In 8u/tata/surf*
.
para el ejemplo de 3
ItSOLVERsívt
4 oalve asta ttibliirn ovaise-seálle 601 081e (Solval, for icatmellíS•
Flair Furniture 5 iSigns
6 less than or equalto
7 equals {YOu need to enteran apostrophe first.)
8 greater than or equa I to
10 Data Results
11 X1 X2 1.85 Slack/Surplus
12 Objective 70 - sien RUS 4100
13 :consunint 3 240 240
14 :Constraint 2 1 100 100
15
16 r. Results La solución se muestra aqui)
•u:1
17 i Variables 30
18 lohiecti00 4100
•
7.6 Solución de problemas de minimización

Muchos problemas de PL implican minimizar un objetivo, como el costo, en vez de maximizar una función
de utilidad. Un restaurante, por ejemplo, tal vez desee desarrollar un cronograma de trabajo para satisfacer
las necesidades de personal y reducir al mínimo el número total de empleados. Un fabricante quizás inten-
tre distribuir sus productos de varias fábricas entre sus numerosos almacenes regionales, de manera que se
minimicen los costos totales de envío. Es posible que un hospital desee proporcionar un plan de alimenta-
ción diaria a sus pacientes que cumplan ciertos estándares nutricionales y reducir al mínimo los costos por
la compra de alimentos.
Los problemas de minimización con sólo dos variables se resuelven gráficamente al establecer pri-
mero la región de solución factible para, después, utilizar el método de los vértices o el enfoque de la recta
de isocosto (que es similar al enfoque de isoutilidad en los problemas de maximización) para encontrar los
valores de las variables de decisión (por ejemplo, X1 y X2) que producen el costo mínimo. A continuación,
revisaremos un problema de PL común denominado el problema de la dieta. Esta situación es similar a la
que enfrenta un hospital con la alimentación de sus pacientes al menor costo.
Rancho Holiday Meal Turkey

El rancho Holiday Meal Turkey está considerando la compra de dos marcas diferentes de alimento para
pavo y mezclarlos con la finalidad de proporcionar una dieta balanceada y de bajo costo para sus pavos.
Cada alimento contiene, en diversas proporciones, algunos o todos los tres ingredientes nutricionales esen-
ciales para los pavos de engorda. Cada libra de la marca 1, por ejemplo, consta de 5 onzas del ingrediente A,
4 onzas del ingrediente B y 0.5 onzas del ingrediente C. Cada libra de la marca 2 contiene 10 onzas del
TABLA 7.5 -15111r

COMPOSICIÓN DE CADA •
Datos para el rancho LIBRA DE ALIMENTO (OZ)
REQUISITO
Holiday Meal Turkey MÍNIMO MENSUAL
ALIMENTO DE ALIMENTO DE
INGREDIENTE LA MARCA 1 LA MARCA 2 POR PAVO (OZ)
A 5 10 90
B 4 3 48
0.5 o 1.5
Costo por libra 2 centavos 3 centavos
ingrediente A, 3 onzas del ingrediente B, pero no contiene el ingrediente C. El alimento de la marca 1 le

cuesta al rancho 2 centavos por libra; mientras que la marca 21e cuesta 3 centavos por libra. Al dueño del
rancho le gustaría usar PL para determinar la dieta e menor costo, que cumpla con el requisito mínimo
mensual de cada ingrediente nutricional.
La tabla 7.5 resume la información relevante. S hacemos
= número de libras compr das del alimento de la marca 1
X2 = número de libras compr das del alimento de la marca 2
entonces, procedemos a formular este problema de programación lineal de la siguiente manera:
Minimizar los costos ( centavos) = 2X1 + 3X2
sujetos a estas restricciones:
50X1 + 10X2 90 onzas (restricción del ingrediente A)
4X1 + 3X2 48 onzas (restricción del ingrediente B)
0.5X1 1.5 onzas (restricción del ingrediente C)
(restricción de no negatividad)
X2 (restricción de no negatividad)
Antes de resolver este problema, queremos aseguramos de tener en cuenta tres aspectos que afectan
su solución. En primer lugar, es necesario observar que la tercera restricción implica que el granjero debe
comprar suficiente alimento de la marca 1 para satisfacer las normas mínimas del ingrediente nutricional C.
Comprar sólo la marca 2 no sería viable porque carece de C. En segundo lugar, dada la forma en que
el problema está formulado, encontraremos la mejor combinación de las marcas 1 y 2 que debe comprarse
por pavo por mes. Si el rancho tiene 5,000 pavos en un mes determinado, simplemente sería necesario
multiplicar las cantidades X1 y X2 por 5,000 para d idir la cantidad total a ordenar. En tercer lugar, ahora
estamos tratando con una serie de restricciones del po mayor o igual que. Esto hace que el área de la solu-
ción factible esté por encima de las rectas de las res cciones de este ejemplo.
USO DEL MÉTODO DE LOS VÉRTICES EN UN PROBLEMA DE MINIMIZACIÓN Para resolver el pro-
blema del rancho Holiday Meal Turkey, primero construimos la región de soluciones factibles. Esto se
hace al trazar cada una de las tres ecuaciones de restricción, como en la figura 7.10. Observe que la tercera
restricción, 0.5X1 k 1.5, se puede reescribir y graficar como X1 k 3. (Esto implica multiplicar ambos lados
Graficamos las tres restricciones de la desigualdad por 2, pero no cambia la posición de la recta de la restricción de ninguna manera). Los
con la finalidad de desarrollar una problemas de minimización suelen no tener límites hacia el exterior (es decir, son no acotados hacia el lado
región de soluciones factibles para derecho y hacia arriba), pero esto no causa ninguna dificultad en su solución. Mientras estén limitados ha-
el problema de minimización. cia el interior (hacia el lado izquierdo y hacia abajo), es posible establecer vértices. La solución óptima se
Observe que los problemas de encuentra en uno de los vértices como se haría en u problema de maximización.
minimización suelen tener regiones En este caso, hay tres vértices: a, b y c. Para el punto a, encontramos las coordenadas en la inter-
factibles no acotadas. sección de las restricciones de los ingredientes C B, es decir, donde la recta X1 = 3 interseca la línea
4X1 + 3X2 = 48. Si sustituimos X1 = 3 en la ecuaci n de la restricción B, obtenemos
4(3) + 3X2 = 48
o
X21= 12
Por lo tanto. el punto a tiene las coordenadas (X1 = 3, X2 = 12).
7.6 SOLUCIÓN DE PROBLEMAS DE MINIMIZACIÓN 261
FIGURA 7.10
XZ
Región factible para el
problema del rancho
Holiday Meal Turkey
20 Restricción del ingrediente C
Libras de la marca 2
15 Región factible
10
Restricción del ingrediente B
5
Restricción del ingrediente A
10 15 20 25
Para encontrar las coordenadas del punto b algebraicamente, resolvemos las ecuaciones
4X1 + 3X2 =.48 y 5X1 + 10X, = 90 de manera simultánea. De esto se obtiene (X1 = 8.4, X2 = 4.8).
Por inspección, se observa que las coordenadas en el punto c son (X1 = 18, X2 = 0). Ahora evaluamos
la función objetivo en cada vértice y obtenemos
Costo = 2X1 + 3X2

Costo en el punto a = 2(3) + 3(12) = 42
Costo en el punto b = 2(8.4) + 3(4.8) = 31.2
Costo en el punto c = 2(18) + 3(0) = 36
Por lo tanto, la solución de costo mínimo es comprar 8.4 libras del alimento de la marca 1 y 4.8 libras del
alimento de la marca 2 por pavo al mes. Esto dará lugar a un costo de 31.2 centavos por pavo.
A EN ACCIÓN
NBC utiliza programación lineal, programación entera y
programación por metas para vender espacios publicitarios
En 1996 se inició un proyecto en el área de gestión del rendi-

L a National Broadcasting Company (NBC) vende más de $4 mil mi-
llones en publicidad televisiva cada año. Entre 60 y 80% del tiempo
miento. A través de este esfuerzo, la NBC fue capaz de crear planes que
cumplían con mayor precisión las necesidades de los clientes, respon-
aire para la temporada próxima se vende en un periodo de 2 a 3 se- dían a los clientes con mayor rapidez, hacían un uso más rentable de
manas a finales de mayo. Las agencias de publicidad se acercan a su inventario limitado de intervalos de tiempo de publicidad y reducían
las televisoras para comprar tiempo de publicidad para sus clientes. la repetición de trabajos. El éxito de este sistema condujo al desarrollo
En cada solicitud, se incluyen la cantidad monetaria, las característi- de un sistema de optimización a gran escala basado en programación
cas demográficas (por ejemplo, la edad de la audiencia) en la cual el lineal, entera y por metas. Se estima que los ingresos por ventas entre
cliente está interesado, la mezcla de programas, la ponderación sema- los años 1996 y 2000 se incrementaron en más de $200 millones, de-
nal, la distribución unidad-longitud y un costo negociado por 1,000 bido en gran parte a este esfuerzo. Las mejoras en el tiempo de trabajo
espectadores. NBC debe entonces desarrollar planes detallados repetido, la productividad de la fuerza de ventas y la satisfacción del
de ventas para cumplir con tales requisitos. Tradicionalmente, NBC de- cliente fueron otros beneficios de este sistema.
sarrollaba estos planes de forma manual, lo cual requería varias horas
de planeación. En general, esto debió modificarse debido a la com- Fuente: Basado en Srinivas Bollapragada et al. "NBC's Optimization Sys-
plejidad que implica. Con más de 300 de estos planes a desarrollar y tems Mercase Revenues and Productivity", Interfaces 32, 1 (enero-febrero de
reelaborar en un periodo de 2 a 3 semanas, se invertía mucho tiempo 2002): 47-60.
y no necesariamente resultaba en el máximo ingreso posible.
FIGURA 7.11
Solución gráfica del
problema del rancho
Holiday Meal Turkey
mediante la recta de
isocosto Región factible
10 15 20 25 30
El método de la recta de isocosto ENFOQUE DE LA RECTA DE ISOCOSTO Como se mencionó, el enfoque de la recta de isocosto también
es similar al método de la recta de es útil para resolver problemas de minimización de PL, como el del rancho Holiday Meal Turkey. Al igual
isoutilidad usado en los problemas que con las rectas de isoutilidad, no es necesario calcular el costo en cada vértice, sino dibujar una serie de
de maximización. rectas de costos paralelas. La recta de menor costo (es decir, la más cercana al origen) que toque la región
factible proporciona el vértice de la solución óptima.
Por ejemplo, empezamos la figura 7.11 dibujando una línea de costo de 54 centavos, es decir,
54 = 2X1 + 3X2. Evidentemente, hay muchos puntos de la región factible que producirían un menor costo
total. Se procede a mover la recta de isocosto hacia la parte inferior izquierda, en un plano paralelo a la
recta de solución de 54 centavos. El último punto que se toca aún en contacto con la región factible es el
mismo que el vértice b de la figura 7.10. Tiene la coordenadas (X1 = 8.4, X2 = 4.8) y un costo asociado de
31.2 centavos.
Esto puede resolverse utilizando QM para Windows al seleccionar el módulo Linear Programming y
elegir New (problema nuevo). Se debe especificar quc hay 2 variables y 3 restricciones. Cuando se abre la
ventana de entrada, se introducen los datos y se hace clic en Solve. La salida se muestra en el programa 7.4.
Para resolver esto en Excel 2013, determine las celdas donde estará la solución, introduzca los coe-
ficientes de la función objetivo y las restricciones, y escriba fórmulas para el costo total y el total de cada
ingrediente (restricciones). Los valores de entrada y la solución se muestran en el programa 7.5A, donde la
columna D contiene las fórmulas. Estas fórmulas se muestran en el programa 7.5B. Cuando se abre la ven-
tana Solver Parameters, la celda para Set Objective es D5; las celdas para By Changing Variable Cells son
B4:C4; se utiliza el método Simplex LP; la casilla para que las variables sean no negativas está marcada;
y se selecciona Min porque éste es un problema de minimización.
PROGRAMA 7.4
Solución al problema
del rancho Holiday X2 RHS Dual
Meal Turkey en QM
para Windows 3
10 >= 90 -024
4 3 >. 48 -0.2
0_5 >=, 1.5
8.4 4.8 31.2
7.7 CUATRO CASOS ESPECIALES EN PL 263
PROGRAMA 7.5A A
Se escriben fórmulas para encontrar los valores en la columna D.
1 ¡Holiday Meel Turkey
Solución al problema 7 •
del rancho Holiday Meal Variables Brand 1Brand 2
Turkey en Excel 2013 Units Produced r 8.4 4.8 I Cost

Objective function 2 31.2.
3
Constra ints LHS of Ing.) RHS

Ingredicnt A 5 10 90 90
Incredoent 4 3 48 48
ineredient C 0.5 42 1.5
PROGRAMA 7.5B
Cost
Fórmulas del problema .SUMPRODUCT(513$4:5C$4,135:C5)
del rancho Holiday Meal

LHS (Amt. of Ing.)
Turkey en Excel 2013 .SUMPRODUCT(SB14:5C54,88:CS)
.SUMPRODUMSBS4:1CS4,89:03)
SUMPRODUCT($B54:SC$4,i310tC10)
7.7 Cuatro casos especiales en PL

Cuatro casos especiales y dificultades que surgen en ocasiones cuando se utiliza el método gráfico para
resolver problemas de PL son: 1. solución no factible, 2. región no acotada, 3. redundancia y 4. soluciones
óptimas múltiples.
Solución no factible
La inexistencia de una región de Cuando no hay solución a un problema de PL que satisfaga todas las restricciones dadas, entonces no
soluciones factibles puede ocurrir existe ninguna solución factible. Gráficamente, significa que no existe ninguna región de soluciones facti-
si las restricciones tienen un bles, situación que podría ocurrir si el problema se formula con restricciones en conflicto. Esto, por cierto,
conflicto entre sL es un fenómeno frecuente en la vida real, con problemas de PL a gran escala que involucran cientos de
restricciones. Por ejemplo, si el gerente de marketing proporciona una restricción que establece que deben
producirse al menos 300 mesas (es decir, X1 300) para satisfacer la demanda de las ventas, y una se-
gunda restricción dada por el gerente de producción indica que no deben producirse más de 220 mesas (es
decir, X1 S 220) debido a la escasez de madera, resulta en una región de solución no factible. Cuando el
analista de investigación de operaciones que coordina el problema de PL señala este conflicto, un gerente
u otro deben modificar sus insumos. Tal vez podría comprarse más materia prima en una nueva fuente, o
tal vez la demanda de las ventas podría reducirse mediante la sustitución de un modelo de mesa diferente
para los clientes.
Como una ilustración gráfica adicional de esto, consideremos las siguientes tres restricciones:
X1 + 2X2 5 6
2X1 + X2 5 8
Xl 7
Como se observa en la figura 7.12, no hay ninguna región de soluciones factibles para este problema de PL
debido a la presencia de restricciones en conflicto.
Región no acotada
Cuando en un problema de
maximización la utilidad puede ser En ocasiones, un programa lineal no tiene una solución finita. Esto significa que en un problema de maxi-
infinitamente grande, el problema mización, por ejemplo, una o más variables de solución, y la utilidad, pueden volverse infinitamente gran-
es no acotado y no se cumplen des sin quebrabtar las restricciones. Si tratamos de resolver un problema de este tipo en forma gráfica,
una o más restricciones. observaremos que la región factible posee un extremo abierto.
FIGURA 7.12
Un problema con una
solución no factible
Región que
satisface la
tercera restricción
1111
2 4 6 8
Región que satisface las primeras dos restricciones
Veamos un ejemplo sencillo para ilustrar la situación. Una empresa ha formulado el siguiente pro-
blema de PL:
Maximizar la utilidad = $3X1 + $5X2
sujeta a X1 5
X2 10
X1 2X2 10
XI , X2
Como se observa en la figura 7.13, debido a que éste es un problema de maximización y la región factible
se extiende infinitamente hacia la derecha, es ilimitada, es decir, existe una solución no acotada. Esto
implica que el problema se ha formulado de manera incorrecta. De hecho, sería maravilloso si la empresa
fuera capaz de producir un número infinito de unidades de X1 (¡con una ganancia de $3 cada una!), pero es
evidente que ninguna compañía tiene recursos disponibles infinitos o una demanda infinita de productos.
Redundancia
Una restricción redundante no La presencia de restricciones redundantes es otra situación común que se produce en las formulaciones
afecta la región de soluciones grandes de PL. La redundancia no causa mayores dificultades en la resolución gráfica de problemas de
factibles. PL, pero usted debería ser capaz de identificar su ocurrencia. Una restricción redundante simplemente no
FIGURA 7.13
Una región factible que
no está acotada por la
derecha
10
Región factible
10 15
7.7 CUATRO CASOS ESPECIALES EN PL 265
FIGURA 7.14
Ejemplo de una
restricción redundante
Restricción redundante
)(1 .25
5 10 15 20 25 30
afecta la región de soluciones factibles. En otras palabras, otras restricciones pueden ser más limitantes o
restrictivas que la restricción redundante.
Veamos el siguiente ejemplo de un problema de PL con tres restricciones:
Maximizar la utilidad = $1X1 $2X2

sujeta a X1 + X2 ".5 20
2X1 + X2 30
X1 5 25
XI, X2
La tercera restricción, XI 5 25, es menos limitante, pero las dos primeras restricciones son de hecho más
restrictivas (vea la figura 7.14).
Soluciones óptimas múltiples

En los problemas de PL pueden En ocasiones, un problema de PL tiene dos o más soluciones óptimas múltiples. Gráficamente, éste es el
existir soluciones óptimas múltiples. caso cuando la recta de isoutilidad o isocosto de la función objetivo es perfectamente paralela a una de las
restricciones del problema; en otras palabras, cuando tienen la misma pendiente.
La gerencia de una empresa se dio cuenta de la presencia de más de una solución óptima cuando
formuló este sencillo problema de PL:

sujeta a 6X1 + 4X2 -5 24
53
X2 O
Como se observa en la figura 7.15, nuestra primera recta de isoutilidad de $8 corre paralela a la primera
ecuación de restricción. En un nivel de utilidad de $12, la recta de isoutilidad cae directamente sobre el
segmento de la primera recta de restricción, lo cual significa que cualquier punto a lo largo de la línea
entre A y B ofrece una combinación óptima XI y X2. Lejos de causar problemas, la existencia de más de
FIGURA 7.15
Ejemplo de soluciones X2
óptimas múltiples
8
7
A
La solución óptima consiste en todas

5 las combinaciones de X, y X2 lo largo
del segmento AB
Recta de isoutilidad para $8
2
La recta de isoutilidad para
$12 se superpone al segmento
1 — Región de recta AB
factible
I I I I
1 5 6 7 8 X1
una solución óptima permite una gran flexibilidad Para que la gerencia decida qué combinación elegir.
La utilidad es la misma en cada solución múltiple.
7.8 Análisis de sensibilidad

Hasta ahora, las soluciones óptimas a los problemas de PL se han encontrado con lo que se denomina
supuestos deterministas. Esto significa que asumimos con toda seguridad los datos y las relaciones de un
problema; es decir, los precios son fijos, los recursos son conocidos y el tiempo necesario para producir
una unidad se establece con exactitud. Pero en el mu do real, las condiciones son dinámicas y cambiantes.
¿Cómo podemos manejar esta discrepancia aparente
¿Qué tan sensible es la solución Una forma de hacer esto es seguir tratando a ada problema específico de PL como una situación
óptima ante los cambios en las determinista. Sin embargo, cuando se encuentra un solución óptima, reconocemos la importancia de ver
utilidades, los recursos u otros lo sensible que es la solución para modelar supuestos y datos. Por ejemplo, si una empresa se da cuenta de
parámetros de entrada? que la utilidad por unidad no es $5 como se estimó, sino que está más cerca de $5.50, ¿cómo cambiarán la
utilidad total y la combinación de la solución final? Si se dispone de recursos adicionales, como 10 horas
laborales o 3 horas de tiempo de máquina, ¿cambiará esto la respuesta al problema? Estos análisis se uti-
lizan para examinar los efectos de los cambios en tres áreas: 1. las tazas de contribución de cada variable,
2. los coeficientes tecnológicos (los números en las ecuaciones de restricción) y 3. los recursos disponibles
Una función importante del análisis (las cantidades del lado derecho de cada restricción). Esta tarea se llama alternativamente análisis de sen-
de sensibilidad es permitir que los sibilidad, análisis postóptimo, programación paramétrica o análisis de optimalidad.
administradores experimenten con Con frecuencia, el análisis de sensibilidad también implica una serie de preguntas del tipo ¿qué pasa-
los valores de los parámetros de ría si? ¿Qué pasaría si la utilidad del producto 1 au anta 10%? ¿Qué pasaría si hay menos dinero disponi-
entrada. ble en la restricción presupuestaria de publicidad? ¿( ué pasaría si cada trabajador permanece una hora más
en el trabajo cada día, con un pago de 11/2 veces, pa proporcionar una mayor capacidad de producción?
¿Qué pasaría si una nueva tecnología permite que el roducto pueda conectarse en un tercio del tiempo que
solía tomar? Así vemos que el análisis de sensibilid d se puede utilizar para tratar no sólo con los errores
en la estimación de los parámetros de entrada para e modelo de PL, sino también para que la gerencia ex-
perimente con posibles cambios futuros en la compañía que podrían afectar las utilidades.
Existen dos enfoques para determinar qué tan 1ensible es una solución óptima ante los cambios. La
primera es simplemente un enfoque de prueba y en, r. Este enfoque implica generalmente la solución de
todo el problema, de preferencia por medio de una ¿computadora, después de cambiar un elemento de los
El análisis de postoptimalidad datos de entrada o un parámetro. Esta forma puede uerir mucho tiempo, si se desea probar una serie de
implica examinar cambios después posibles cambios.
de que se ha encontrado la solución El enfoque que preferimos es el método de postoptimalidad analítica. Después de haber resuelto
óptima. un problema de PL, tratamos de determinar una serie de cambios en los parámetros del problema que
7.8 ANÁLISIS DE SENSIBILIDAD 267
no afecten la solución óptima o cambien las variables de la solución. Esto se hace sin resolver todo el
problema.
Investigaremos el análisis de sensibilidad mediante el desarrollo de un pequeño problema de mezcla
de producción. Nuestro objetivo será demostrar gráficamente y a través de la tabla símplex cómo utili-
zar el análisis de sensibilidad para hacer que los conceptos de programación lineal sean más realistas y
profundos.
Compañía High Note Sound

La compañía High Note Sound fabrica altavoces y receptores estéreo de calidad. Cada uno de estos pro-
ductos requiere cierta cantidad de mano de obra especializada, de la cual hay un suministro semanal limi-
tado. La compañía formula el siguiente problema de PL con la finalidad de determinar la mejor mezcla de
producción de altavoces (X1) y receptores (X2):

sujeta a 2X1 +4X2 80 (horas de tiempo de electricistas disponibles)
3X1 + 1X2 60 (horas de tiempo de técnicos de audio disponibles)
XI, X2 o
La solución a este problema se ilustra gráficamente en la figura 7.16. Con base en esta información y en
supuestos deterministas, la compañía debería producir sólo receptores estéreo (20 de ellos), para obtener
una ganancia semanal de $2,400.
Para la solución óptima, (0, 20), las horas de electricista utilizadas son
2X1 + 4X2 = 2(0) + 4(20) = 80
y esto es igual a la cantidad disponible, de manera que hay una holgura O para esta restricción. Por consi-
guiente, se trata de una restricción vinculante. Si una restricción es vinculante, la obtención de unidades
adicionales de ese recurso por lo general se traducirá en mayores utilidades. Las horas de técnico de audio
utilizadas para la solución óptima (0, 20) son
3X1 + 1X2 = 3(0) + 1(20) = 20
pero las horas disponibles son 60. Por lo tanto, hay una holgura de 60 — 20 = 40 horas. Debido a que
hay horas extras disponibles que no se están utilizando, esta es una restricción no vinculante. Para una
restricción no vinculante, la obtención de unidades adicionales de este recurso no se traducirá en mayores
beneficios y sólo aumentará la holgura.
FIGURA 7.16
High Note Sound X2
Company Graphical (Receptores)
Solution
60
40 Solución óptima en el punto a

= O altavoces
a= (0, 20) X2 = 20 receptores
Utilidades = $2,400
20 b= (16, 12)
Recta de isoutilidad:
10 $2.400 = 50X1+ 120X2
10 0 30 40 50 60 X,
c= (20, 0) (Altavoces)
Cambios en los coeficientes de la funci n objetivo

Primero se analizan los cambios en En los problemas de la vida real, las tasas de contri ción (por lo general, de la utilidad o el costo) en las
las tasas de contribución. funciones objetivo fluctúan periódicamente, al igual ue la mayor parte de los gastos de una empresa. Grá-
ficamente, esto significa que aunque la región de so ciones factibles sigue siendo exactamente la misma,
la pendiente de la recta de isoutilidad o de isocosto ambiará. Es fácil ver en la figura 7.17 que la recta de
utilidad de la compañía High Note Sound es óptima en el punto a. Pero ¿qué pasaría si hubiera un gran
avance técnico reciente que elevara la utilidad por receptor estéreo (X2) de $120 a $150? ¿La solución sigue
siendo óptima? La respuesta es definitivamente sí, ya que en este caso la pendiente de la recta de utilidad
acentúa la rentabilidad en el punto a. La nueva utilidad es de $3,000 = 0($50) + 20 ($150).
Por otro lado, si el coeficiente de la utilidad de X, se sobreestimó y debería haber sido tan sólo de
$80, la pendiente de la recta de utilidad cambia lo suficiente como para provocar que un nuevo vértice (b)
sea el óptimo. Aquí, la utilidad es $1760 = 16($50) + 12($80).
Este ejemplo ilustra un concepto muy importante acerca de los cambios en los coeficientes de la
Si un coeficiente de la función función objetivo. Podemos incrementar o disminuir el coeficiente de la función objetivo (utilidad) de cual-
objetivo disminuye o aumenta quier variable, y el vértice actual puede seguir siendo óptimo si el cambio no es demasiado grande. Sin
demasiado, un nuevo vértice se embargo, si aumentamos o disminuimos este coeficiente aún más, entonces la solución óptima estaría en
vuelve óptimo. un vértice diferente. ¿Cuánto puede cambiar un coeficiente de la función objetivo, antes de que otro vértice
se vuelva óptimo? Tanto QM para Windows como Excel ofrecen la respuesta.
La solución actual sigue QM para Windows y cambios en los coeficientes de la función objetivo
siendo óptima, a menos que En el programa 7.6A se muestra la entrada en QM para Windows del ejemplo de la compañía High Note
un coeficiente de la función
objetivo se incremente hasta Sound. Después de haber encontrado la solución, al seleccionar Window y Ranging es posible ver infor-
un valor por encima del límite mación adicional sobre el análisis de sensibilidad. El programa 7.6B presenta la salida relacionada con
superior o disminuya hasta un el análisis de sensibilidad.
valor por debajo del límite En el programa 7.6B, vemos que la utilidad de los altavoces era de $50, lo cual se indica como el valor
inferior. original en la salida. Este coeficiente de la función objetivo tiene un límite inferior del infinito negativo
FIGURA 7.17 Cambios en los coeficientes de contribución del receptor
50
40
30
Recta de utilidad para $50X1+ $80X2

(Pasa por el punto b )
b Recta de utilidad para $50X1 + $120 X2

(Pasa por el punto a)
Recta de utilidad para S50X1 + S150X2
10 (Pasa por el punto a)
10 20 30 40 50 60
PROGRAMA 7.6A Objective Insbuctico

; Use ¡hese option buttons to set the objective.
Introducción de los datos Mirisnize
de la compañía High High Note Sound Company
Note Sound a QM para
Windows X1 X2 RHS Equation fono
Maximiza 50 120 Max 50X1 + 120X2
Elocbician hours 2 4 <= 80 ZCI + 4X2 <= 80
Audio tectinician hours 3 1 <= 60 3X1 + X2 <= 60
PROGRAMA 7.6B
Salida del análisis H'mh Note Sound Comoanv Solution
de sensibilidad de Variable Value i Reduced Cost Original Val Lower Bound Upper Bound
la compañía High X1 0 10 50 -Infrnilt 60
Note Sound X2 20 0 120 100 Infinity
Constraint Dual Value Slack/Surplus Original Val Lower Bound 1 Upper Bound
Electrician hours 30 0 80 0 240
Ambo technician hours 0 40 60 20 Infinity
y un límite superior de $60. Esto significa que el vértice de solución actual sigue siendo óptimo, siempre
que la utilidad en los altavoces no exceda $60. Si es igual a $60, habría dos soluciones óptimas, ya que la
función objetivo sería paralela a la primera restricción. Los puntos (O, 20) y (16, 12) proporcionarían una
utilidad de $2,400. La utilidad de los altavoces puede disminuir cualquier cantidad, como lo indica el infi-
nito negativo, en tanto el vértice óptimo no cambiará. Este infinito negativo es lógico puesto que ahora
no hay altavoces a producir porque la utilidad es demasiado baja. Cualquier disminución en la utilidad
de los altavoces los haría menos atractivos en relación con los receptores y, desde luego, no se produciría
ningún altavoz debido a esto.
La utilidad de los receptores tiene un límite superior de infinito (puede aumentar en cualquier canti-
Los límites superior e inferior se dad) y un límite inferior de $100. Si esta ganancia llega a ser $100, entonces los vértices (0, 20) y (16, 12)
relacionan con cambios de un solo serían óptimos. La utilidad en cada una de ellos sería de $2,000.
coeficiente a la vez. En general, se puede hacer un cambio a uno (y sólo uno) de los coeficientes de la función objetivo y
el vértice óptimo actual seguirá siendo óptimo, siempre y cuando el cambio esté entre los límites superior
e inferior. Si se cambian dos o más coeficientes al mismo tiempo, entonces el problema debería resolverse
con los nuevos coeficientes para determinar si la solución actual sigue siendo óptima o no.
Solver de Excel y cambios en los coeficientes de la función objetivo

El programa 7.7A ilustra cómo se configura para Solver la hoja de cálculo en Excel 2013 de este ejemplo.
Cuando se selecciona Solver de la pestaña Data, se hacen las entradas adecuadas y se da clic en Solve
dentro del cuadro de diálogo Solver; la solución y la ventana de resultados de Solver aparecerán como
en el programa 7.7B. Al seleccionar Sensitivity en el área de reportes de esta ventana se obtendrá un in-
forme de sensibilidad en una nueva hoja de cálculo, con resultados como los mostrados en el programa
7.7C. Observe cómo las celdas se nombran con base en el texto del programa 7.7A. Note que Excel no
proporciona límites inferiores ni límites superiores para los coeficientes de la función objetivo. En vez
de eso, presenta los aumentos y decrementos permitidos para los coeficientes. Al añadir el incremento
PROGRAMA 7.7A
Las celdas de variable cambiantes en el cuadro de diálogo de Solver son B4:C4.
Hoja de cálculo en Excel
A C D E
2013 para la compañía 1 IHIgh Note Sound
High Note Sound La celda objetivo en el cuadro de diálogo de Solver es D5.
Speaktiv.,
3 Variables X1 \
Units Produced r020 Proft
Objective function 150 120 =SUM P RODUCT($ E354:$ C$4,8 5:C5)
Constraints LHS (H, Used)

Electrician Hours 2 4 =SU MP RODUCT(S 8$4:S CS4,138:C8 ) <
3 Audio Tech Hours 3 1 =SUMPRODUCT($ B$4:SC$4,139:C9) 60
Las restricciones agregadas en Solver serán D8:D9 <=F8:F9.

270 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁFI OS Y COMPUTACIONALES
PROGRAMA 7.7B Solución de Excel 2013 y ventana de resultado en Solver

para la compañía High Note Sound
La solución encontrada por Solver está aquí.)
A ti E Solver Results
1 High Note Sound Compan

Solver round a sohaion Oil Constraints and oobrnohr,
2 Speak Reu ars Reporta
conditons ore sant:Med
3 Variables X2 AUVIt.
1 O Saco Server Sobe. ,SensItvny
4 Units Produced 0 10 Profit
Limas
5 Objeetive funetion SO 120 2400
6
Para ver el reporte del análisis de sensibilidad,
7 Constraints LHS (Hez 1/sed)
4 80
e ija Sensitivity en la ventana de resultados de
I Electrician Hours
3 1 20
Solver. Lue•o, ha •a clic en OK.
Audio Tech Hours
10
salen round • solution. Al Constránts and eptiautty cenditkIns re
11 f
sáthrsed.
12 When :he Gel; entina LS l/Sed.Solvt. has Sound at least a local ocs 4501
13 solusion When Strnples LP i5 usecl. Chis nonos SoNer has Sound • I 0001
optima! solehon
14
15
PROGRAMA 7.7C (Los nombres que se presentan en el reporte de sensibilidad combinan

Reporte de sensibilidad el texto de la columna A y el texto encima de los datos, a menos que
las celdas hayan sido nombradas mediante Name Manager en la pestaña
en Excel 2013 para la
Formulas.
compañía High Note
Sound La utilidad de los altavoces puede cambiar en estas
cantidades y el vértice actual permanecerá óptimo.
A 8 E G
6 Variable Calla
Final Reduced Objective All IO lowabk
8 Cell Name Value Cost Coefficient In ~se crease
9 51354 Unas %Cosed X1 0 -10 50 10 1E+30
10 SCS4 Units Producod X2 20 0 120 1E+30 20
11
12 Constraints
13 Final Shadow Constraint Allowable Allowable
14 Cell Neme Value Price R.M. Sido Mercase Decrease
15 SDS8 Electrician Hours LHS (Hrs. Used) 80 30 160 so f
80
16 SOS9 Autho Tech Horas LHS (Hrs. Used) 20 \ 1E+30 40
/Los recursos utilizados están aquí. El LD puede cambiar en

..?stas cantidades y el precio sombra seguirá siendo relevantey
Solver de Excel presenta los permisible al valor actual, podemos obtener el límite superior. Por ejemplo, el aumento permisible en la
incrementos y decrementos utilidad (coeficiente objetivo) de los altavoces es 10, lo cual significa que el límite superior de esta utilidad
permitidos en vez de los límites es de $50 + $10 = $60. Del mismo modo, podemos restar la disminución permisible del valor actual para
superior e inferior. obtener el límite inferior.
Cambios en los coeficientes tecnológicos

Los cambios en los coeficientes Los cambios en los llamados coeficientes tecnológicos suelen reflejar los cambios en el estado de la tec-
tecnológicos afectan la forma de nología. Si se necesitan menos o más recursos para producir un producto tal como un altavoz o un recep-
la región de soluciones factibles. tor estéreo, cambiarán los coeficientes en las ecuaciones de restricción. Estos cambios no tendrán ningún
efecto sobre la función objetivo de un problema de L, pero pueden producir un cambio significativo en la
forma de la región de soluciones factibles y, por lo t to, en la utilidad o el costo óptimos.
La figura 7.18 ilustra la solución gráfica origi al para la compañía High Note Sound, así como dos
cambios diferentes en los coeficientes tecnológico . En la figura 7.18, inciso (a), vemos que la solución
óptima se encuentra en el punto a, que representa = 0, X2 = 20. Usted debería ser capaz de demostrar
si un punto a sigue siendo óptimo en la figura 7.18, inciso (b), aun cuando presenta un cambio de restric-
ción de 3X1 + 1X2 < 60 a 2X1 + 1X2 60. Tal cambio podría tener lugar cuando la empresa descubre
que ya no exige tres horas de tiempo de los técnicos de audio para producir un altavoz, sino tan sólo dos
horas.
FIGURA 7.18 Cambios en los coeficientes tecnológicos para la compañía High Note Sound Company
(a) Problema original (b) Cambio en el (c) Cambio en el

coeficiente circulado coeficiente circulado
X2
60 60 60
Receptores Estéreo
3X1 -i- 1 X2 60 3X1 X2 60

40 40 40
Solución Solución
óptima óptima
20 20 20
b 16
2 X1 + 4 X2 5 80 2 X1 +1, 5 ,X2 s 80
o 20 40 0 20 30 40 X1 o 20 40
Altavoces
Sin embargo, en la figura 7.18, inciso (c), un cambio en la otra restricción modifica la forma de
la región factible lo suficiente para causar que un nuevo vértice (g) se vuelve óptimo. Antes de continuar,
vea si se alcanza un valor de la función objetivo de $1,954 de utilidad en el punto g (contra una ganancia
de $1,920 en el punto f).*
Cambios en los recursos o valores del lado derecho

Los valores del lado derecho de las restricciones representan a menudo los recursos disponibles para la
empresa. Los recursos podrían ser horas de trabajo o tiempo de máquina, o tal vez dinero o materiales de
producción disponibles. En el ejemplo de la compañía High Note Sound, los dos recursos son horas dispo-
nibles de electricistas y de técnicos de audio. Si hay horas adicionales disponibles, sería posible alcanzar
A EN ACCIÓN
Swift & Company utiliza la PL para programar
su producción
cadena de suministro. Diez empleados de tiempo completo trabajaron

C on sede en Greeley, Colorado, Swift & Company tiene ventas
anuales de más de $8 mil millones, de los cuales la gran mayoría son
con cuatro consultores de investigación de operaciones de Aspen Te-
chnology en lo que se llamó el Proyecto Phoenix. El núcleo del modelo
generados por productos relacionados con la carne de res. Swift tiene final lo forman 45 modelos de PL integrados que permiten a la empresa
cinco plantas de procesamiento, que manejan más de 6 millones de programar de forma dinámica sus operaciones en tiempo real a medida
libras de carne de res al año. Cada cabeza de ganado se corta en dos que se reciben los pedidos.
partes, que producen paletilla, falda, lomo, costilla, aguayón, bistec Con el Proyecto Phoenix, no sólo aumentaron los márgenes de uti-
y arrachera. Algunos cortes tienen mayor demanda que otros, y los lidad, sino que hubo mejoras en los pronósticos, la adquisición de ga-
representantes de servicio al cliente (RSC) intentan satisfacer la de- nado y las relaciones de producción con los clientes; asimismo, hubo
manda de los clientes al tiempo que proporcionan descuentos cuando una revaloración de la imagen de Swift & Company en el mercado.
es necesario vender algunos cortes que podrían presentar un exceso La compañía está en mejores condiciones para ofrecer productos de
de oferta. Es importante que los RSC tengan información precisa so- acuerdo con las especificaciones del cliente. Si bien el costo del desa-
bre la disponibilidad del producto casi en tiempo real, para que pue- rrollo del modelo fue superior a $6 millones, en el primer año de opera-
dan reaccionar rápidamente ante los cambios en la demanda. ción, se generó una utilidad de $12.7 millones.
El costo de la materia prima llega a ser hasta de 85%, y dado que la
empresa tiene un escaso margen de utilidad, resulta esencial que opere Fuente: Basado en Ami Bixby, Brian Downs y Mike Self. "A Scheduling
eficientemente. Swift comenzó un proyecto en marzo de 2001 para and Capable-to-Promise Application for Swift & Company", Interfaces 36, 1
desarrollar un modelo de programación matemática que optimizara su (enero-febrero de 2006): 69-86.
* Observe que los valores de Xt y X2 en el punto g son fracciones. Aunque la compañía High Note Sound no puede producir
0.67, 0.75 o 0.90 altavoces o estéreos, podemos suponer que la empresa puede comenzar una unidad una semana y terminarla
la siguiente semana. Si el proceso de producción es suficientemente estable de una semana a otra, esto no plantea mayores
problemas. Si las soluciones deben ser números enteros cada periodo, consulte nuestro estudio de la ptogramación entera
en el capítulo 10 para manejar la situación.
una utilidad total superior. ¿Cuánto debería la empresa estar dispuesta a pagar por horas adicionales? ¿Es
rentable tener algunos electricistas que trabajen hor4s extras? ¿Debería la empresa estar dispuesta a pagar
por más tiempo de los técnicos de audio? El análisis de sensibilidad sobre estos recursos nos ayudará a
responder estas preguntas.
Si se cambia el lado derecho de una restricción, la región factible cambiará (a menos que la restricción
sea redundante) y, con frecuencia, la solución óptima también se modificará. En el ejemplo de la compañía
High Note Sound, había 80 horas de tiempo de electricista disponibles cada semana y la máxima utilidad
posible era $2,400. No hay holgura para esta restricción, por lo que es una restricción vinculante. Si las
horas de electricista disponibles se incrementaran a 100 horas, la nueva solución óptima que se observa en
la figura 7.19, inciso (a), es (0, 25) y la utilidad es de $3,000. Por lo tanto, las 20 horas extra dieron lugar
a un aumento de la utilidad de $600 o $30 por hora. Si las horas se redujeran a 60 horas, como se muestra
en la figura 7.19, inciso (b), la nueva solución óptima sería (0, 15) y la utilidad sería de $1,800. Por con-
siguiente, la reducción de 20 horas resulta en una disminución en la utilidad de $600 o $30 por hora. Este
El valor de una unidad adicional cambio de $30 por hora en la utilidad que resulta de un cambio en las horas disponibles se llama precio
de un recurso escaso se puede dual o valor dual. El precio dual para una restricción es la mejora en el valor de la función objetivo que
encontrar a partir del precio duaL resulta de un aumento de una unidad en el lado derecho de la restricción.
El precio dual de $30 por hora de tiempo de electricista nos indica que podemos aumentar la utilidad
si tenemos más horas de electricista. Sin embargo, existe un límite para esto, como lo hay para el tiempo
del técnico de audio. Si el total de horas de tiempo de electricista fuera de 240 horas, la solución óptima
sería (O, 60) como se indica en la figura 7.19, inciso (c), y la utilidad sería de $7,200. De nuevo, esto es un
aumento en la utilidad de $30 por hora (el precio dual) para cada una de las 160 horas que se agregaron a
la cantidad original. Si el número de horas aumenta más allá de 240, entonces la utilidad ya no aumentaría
y la solución óptima seguiría siendo (0, 60), como se muestra en la figura 7.19, inciso (c). Habría simple-
mente exceso (holgura) en las horas de tiempo de electricista y se utilizaría todo el tiempo del técnico de
audio. Por lo tanto, el precio dual es relevante sólo dentro de los límites. Tanto QM para Windows como
Solver de Excel proporcionan estos límites.
QM para Windows y los cambios en los valores del lado derecho

La salida del análisis de sensibilidad en QM para Windows se muestra en el programa 7.6B. El valor dual
para la restricción de las horas de electricista se da como 30, y el límite inferior es cero, mientras que el
límite superior es 240, lo cual significa que cada hora adicional de tiempo de electricista, hasta un total de
Los precios duales cambiarán si la 240 horas, incrementará la utilidad máxima posible en $30. Del mismo modo, si se reduce el tiempo
cantidad del recurso (el lado derecho de electricista disponible, la máxima utilidad posible disminuirá en $30 por hora, hasta que el tiempo dis-
de la restricción) está por encima del ponible se reduzca al límite inferior de 0. Si la cantidad de tiempo de electricista (el valor del lado derecho
limite superior o por debajo del límite de esta restricción) está fuera de este rango (0 a 240), entonces el valor dual ya no es relevante y el pro-
inferior dados en la sección Ranging blema debería resolverse con el nuevo valor del lado derecho.
de la salida de QM para Windows. En el programa 7.6b se muestra que el valor dual de las horas del técnico de audio es $0 y que la hol-
gura es de 40, de manera que es una restricción no vinculante. Hay 40 horas de tiempo del técnico de audio
que no están siendo utilizadas, a pesar de que están disponibles actualmente. Si existen horas adicionales
disponibles, no aumentan la utilidad sino que simplemente incrementan la cantidad de holgura. Este valor
dual de cero es relevante, siempre y cuando la parte derecha no esté por debajo del límite inferior de 20. El
límite superior es infinito, lo cual indica que la adición de más horas simplemente aumentaría la cantidad
de holgura.
Solver de Excel y cambios en los valores del lado derecho

En el programa 7.7C, se muestra el reporte de sensibilidad de Solver de Excel. Observe que Solver pro-
En los problemas de maximización, porciona el precio sombra en vez del precio dual. Un precio sombra es el cambio en el valor de la función
el precio sombra es igual al precio objetivo (por ejemplo, la utilidad o el costo) que resulta de un aumento de una unidad en el lado derecho
dual. de una restricción.
Dado que una mejora en el valor de la función objetivo en un problema de maximización es lo mismo
que un cambio (aumento) positivo, el precio dual y á precio sombra son exactamente iguales para los pro-
blemas de maximización. Para un problema de mili ción, una mejora en el valor de la función objetivo
es una disminución, que es un cambio negativo. A í que para los problemas de minimización, el precio
sombra será el negativo del precio dual.
FIGURA 7.19
X2 (a)
Cambios en el recurso del
tiempo de electricistas 60
para la compañía High
Note Sound
40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio
25 a Restricción modificada que representa 100 horas

20 b del recurso del tiempo de electricistas
20 40 50 60 X,
X2 (j)
60
40 Restricción que representa 60 horas del recurso

del tiempo de técnicos de audio
Restricción modificada que representa 60 horas

20 del recurso del tiempo de electricistas
a
15
C j
•
o 20 30 40 60 X,
X2 t (c)
601,_
Restricción modificada que representa 240 horas
del recurso del tiempo de electricistas
40
Restricción
que representa
20
60 horas del recurso
del tiempo de técnicos
de audio
20 40 60 80 100 120
Se proporciona el aumento permisible y la disminución permisible para el lado derecho de cada res-
tricción, y el precio sombra es relevante para los cambios dentro de estos límites. En el caso de las horas de
electricista, el valor de 80 al lado derecho puede incrementarse en 160 (para un total de 240) o disminuir en
80 (para un total de 0) y el precio sombra sigue siendo relevante. Si se realiza un cambio que exceda estos
límites, entonces es necesario resolver el problema para encontrar el impacto del cambio.
Resumen
En este capítulo presentamos una técnica de modelado matemático En este capítulo, también presentamos el importante concepto
llamada programación lineal (PL). Se utiliza para llegar a una so- del análisis de sensibilidad. En ocasiones conocido como análisis de
lución óptima para problemas que tienen una serie de restricciones postoptimalidad, el análisis de sensibilidad es usado por la gerencia
vinculadas al objetivo. Utilizamos los métodos de los vértices y de para responder a una serie de preguntas del tipo "¿qué pasaría si?"
isoutilidad/isocosto para la resolución de problemas en forma gráfica acerca de los parámetros del modelo de PL. También prueba qué tan
con sólo dos variables de decisión. sensible es la solución óptima ante los cambios en los coeficientes de
Los enfoques de solución gráfica presentados en este capí- utilidad o costo, los coeficientes tecnológicos y los recursos del lado
tulo proporcionan una base conceptual para abordar problemas más derecho. Expío amos el análisis de sensibilidad de forma gráfica (es
grandes y complejos, como los que se analizan en el capítulo 8. Para decir, para prob emas con sólo dos variables de decisión) y con la sa-
resolver problemas de PL en la vida real con numerosas variables lida de la come tadora, pero para entender cómo se analiza la sensi-
y restricciones, es necesario un procedimiento de solución como el bilidad de manera algebraica a través del algoritmo símplex, consulte el
algoritmo símplex, que es el tema del módulo 7. El algoritmo símplex módulo 7 (que e encuentra en www.pearsonenespañol.condrender).
es el método que utilizan QM para Windows y Excel para hacer frente
a los problemas de PL.
Glosario
Análisis de sensibilidad El estudio de qué tan sensible es una so- recursos al mismo tiempo que se optimiza un objetivo medible. La
lución óptima ante los cambios en los supuestos del modelo y los PL es un tipo de modelo de programación.
datos. Con frecuencia se denomina análisis de postoptimalidad. Recta de isoco$to Una línea recta que representa todas las combi-
Coeficientes tecnológicos Coeficientes de las variables en las ecua- naciones de X1 y X2 para un nivel de costo en particular.
ciones de restricción. Los coeficientes representan la cantidad de Recta de isoutilidad Una línea recta que representa todas las
recursos necesarios para producir una unidad de la variable. combinaciones no negativas de X1 y X2 para un nivel de utilidad
Desigualdad Una expresión matemática que contiene una relación específico.
mayor o igual que (~) o menor o igual que utilizada para indi- Redundancia La presencia de una o más restricciones que no afec-
car que el consumo total de un recurso debe ser o s que algún tan la regió de soluciones factibles.
valor límite. Región factibl El área que satisface todas las restricciones de re-
Excedente La diferencia entre el lado izquierdo y el lado derecho cursos del poblema; es decir, la región donde se traslapan todas
de una restricción del tipo mayor o igual que. Con frecuencia, re- las restricciones. Todas las soluciones posibles al problema perte-
presenta la cantidad en la que se supera un tamaño mínimo. necen a la región factible.
Función objetivo Un enunciado matemático de la meta de una orga- Restricción Una limitación sobre los recursos disponibles para
nización, establecido como la intención de maximizar o minimizar una empresa (se indica en la forma de una desigualdad o una
alguna cantidad importante, como las utilidades o los costos. ecuación).
Holgura La diferencia entre el lado izquierdo y el lado derecho de Restricción no vinculante Una restricción con una cantidad posi-
una restricción del tipo menor o igual que. A menudo, es la canti- tiva de holgura o excedente para la solución óptima.
dad de un recurso que no se está utilizando. Restricción vinculante Una restricción con cero holgura o exce-
Método de ecuaciones simultáneas El método algebraico para dente para la solución óptima.
encontrar el punto de intersección entre dos o más ecuaciones de Restricciones de no negatividad Un conjunto de restricciones que
restricción lineal. indican que cada variable de decisión debe ser no negativa; es de-
Método de los vértices El método para encontrar la solución óp- cir, cada Xi debe ser mayor o igual que O.
tima a un problema de PL probando el nivel de la utilidad o de Solución factible Un punto situado en la región factible. Básica-
los costos en cada vértice de la región factible. La teoría de la PL mente, es cualquier punto que satisface todas las restricciones del
afirma que la solución óptima debe estar en uno de los vértices. problema.
Precio (valor) dual La mejora en el valor de la función objetivo Solución no acotada Una condición que existe cuando una varia-
que resulta de un aumento de una unidad en el lado derecho de ble de solución y la utilidad pueden hacerse infinitamente grandes
esa restricción. sin transgre4ir ninguna de las restricciones del problema en un
Precio sombra El aumento en el valor de la función objetivo que proceso demaximización.
resulta de un aumento de una unidad en el lado derecho de Solución no factible Cualquier punto situado fuera de la región
esa restricción. factible. Vu era una o más de las restricciones establecidas.
Problema de mezcla de productos Un problema de PL común, Solución ópt* a múltiple Una situación donde es posible más de
que involucra una decisión de los productos que una empresa de- una solució óptima. Surge cuando la pendiente de la función ob-
bería producir, debido a que cuenta con recursos limitados. jetivo es ig a la pendiente de una restricción.
Programación lineal (PL) Una técnica matemática que ayuda a la Variable de d isión Una variable cuyo valor puede ser elegido por
gerencia a decidir cómo debe hacer el uso más eficaz de los recur- la persona que toma decisiones.
sos de una organización. Vértice o punto extremo Un punto que se encuentra en una de las
Programación matemática La categoría general de las técnicas esquinas de la región factible. Esto significa que se encuentra en
de modelado y resolución matemática utilizadas para asignar la intersección de dos rectas de restricción.
PROBLEMAS RESUELTOS 275
Problemas resueltos
Problema resuelto 7-1

Personal Mini Warehouses está planeando expandir su exitoso negocio de Orlando a Tampa. Entonces, la empresa
debe determinar el número'de bodegas de cada tamaño que necesita construir. Su objetivo y sus restricciones son
las siguientes:
Maximizar las ganancias mensuales = 50X1 + 20X2

sujetas a 20X1 + 40X2 5. 4,000 (presupuesto de publicidad disponible)
100X1 + 50X, 5 8,000 (pies cuadrados requeridos)
X1 5 60 (límite de alquiler esperado)
XI, X2 o
donde
= número de espacios grandes desarrollados
X2 = número de espacios pequeños desarrollados
Solución
Una evaluación de los cinco vértices de la gráfica mostrada indica que el vértice C produce las mayores ganancias.
Consulte la gráfica y la tabla.
VÉRTICE VALORES DE X1, X2 VALOR DE LA FUNCIÓN OBJETIVO ($)

A (0, 0) o
(60, 0) 3,000
(60, 40) 3,800
D (40, 80) 3,600
B (0, 100) 2,000
60
200
180
160
100X, + 50X2 _ 8,000
140
120
100
80
60
40 Región
factible 20X1 + 40X2 . 4,000
20
8 -I
A • I I
20 40 60 80 100 120 140 160 180 200 220 240 X,
276 CAPÍTULO 7 • MODELOS DE PROGRAMACIÓN LINEAL: MÉTODOS GRÁF COS Y COMPUTACIONALES
...

En el siguiente programa, se presenta la solución obtenida con QM para Windows para el problema resuelto 7-1.
Use esto para responder las siguientes preguntas.
a. Para la solución óptima, ¿cuánto del presupuesto de publicidad se gasta?

b. Para la solución óptima, ¿qué cantidad de metros cuadrados se utilizarán?
c. ¿Cambiaría la solución si el presupuesto fuera sólo de $3,000 en vez de $4,000?
d. ¿Cuál sería la solución óptima si la utilidad en los espacios grandes se redujeran de $50 a $45?
e. ¿Cuánto aumentarían las ganancias si el requisito de los pies cuadrados se incrementara de 8,000 a 9,000?
Solved Problem 7-2 Solution

X1 X2 RHS Dual
Maximiza 50 20
Constraint 1 20 40 4,000 o
Constraint 2 100 8,000 0.4
Constraint 3 60 10
Solution-> 60 40 3,800
Sobrad Problem 7-2 Saludan

Variable Value Reduced Original Val Lower Bound Upper Sound
X1 60 50 40 Infinity
X2 40 o 20 o 25
Constraint Dual Value Slack/Surplus Original Val Lower Sound Upper Bound
Constraint 1 1,200 4,000 2,800 infandy
Constraint 2 0.4 o 8,000 6,000 9,600
Constraint 3 10 o 60 40 80
Solución
a. En la solución óptima, X1 = 60 y X2 = 40. Si se usan estos valores en la primera restricción resulta
20X1 + 40X2 = 20(60) + 40(40) = 2,800
Otra manera de encontrar esto consiste en observar la holgura:
Holgura para la restricción 1 = 1,200 por lo que la cantidad utilizada es 4,000 — 1,200 = 2,800
b. Para la segunda restricción tenemos
100X1 + 50X2 = 100(60) + 50(40) = 8,000 pies cuadrados
En lugar de calcular esto, podemos simplemente observar que la holgura es 0, por lo que se utilizarán los
8,000 pies cuadrados disponibles.
c. No, la solución no cambiaría. El precio dual es O y no hay holgura disponible. El valor de 3,000 está entre el
límite inferior de 2,800 y el límite superior infinito. Sólo cambiaría la holgura para esta restricción.
d. Dado que el nuevo coeficiente para X1 está entre el límite inferior (40) y el límite superior (infinito), el vértice
actual sigue siendo óptimo. Así que X1 = 60 y X2 = 40, y sólo cambian las ganancias mensuales.
Ganancias = 45(60) + 20(40) = S3,500
e. El precio dual para esta restricción es de 0.4, y el límite superior es 9,500. El aumento de 1,000 unidades
se traducirá en un aumento en las ganancias de 1,000(0.4 por unidad) = $400.
PROBLEMAS RESUELTOS 277

Resuelva la siguiente formulación de PL en forma gráfica; para ello, utilice el enfoque de la recta de isocosto:
Minimizar los costos = 24X1 + 28X2

sujetos a 5X1 + 4X2 2,000
80
X1 + X2 300
X2 100
XI, X2
Solución
A continuación, se presenta una gráfica de las cuatro restricciones. Las flechas indican la dirección de la factibi-
lidad para cada restricción. La siguiente gráfica ilustra la región de soluciones factibles y presenta dos posibles
rectas de costos para la función objetivo. La primera, se seleccionó arbitrariamente en $10,000 como punto de
partida. Para encontrar el vértice óptimo, es necesario mover la recta de costos en la dirección de menor costo, es
decir, hacia abajo y hacia la izquierda. El último punto donde una recta de costos toca la región factible, mientras se
mueve hacia el origen, es el vértice D. De este modo D, que representa X1 = 200, X2 = 100 y un costo de $7,600,
es óptimo.
500
400 5X1 + 4X2 S 2,000
300
X1 + X2> 300
200
X2 100
100
80 100 200 300 400 500
$10,000 = 24X1 + 28X2

500
400 Región
factible
300
200
100 C Recta de costo óptimo

$7,600 = 24X1 + 28X2
100 200 300 400 500 X1


Resuelva el siguiente problema usando el método de los vértices. Para la solución óptima, ¿cuánta holgura o exce-
dente existen para cada restricción?
Maximizar la utilidad = 30X1 + 40X2
sujeta a 4X1 + 2X2 S 16
2X1 — X2 > 2
X2 2
XI, X2
Solución
A continuación se presenta la gráfica junto con la región factible sombreada.
PUNTO DE ESQULNA COORDENADAS UTILIDAD(

A = 1, X2 = O 30
B = 4, X2 = 0 120
= 3,X2 = 2 170
D = 2, X2 = 2 140
La solución óptima es (3, 2). Para este punto,

4X1 + 2X2 = 4(3) + 2(2) = 16
Por lo tanto, la holgura = O para la restricción 1. Además,
2X1 — 1X2 = 2(3) — 1(2) = 4 > 2
Entonces, el excedente = 4 — 2 = 2 para la restricción 2. Además,
X2 = 2
Por consiguiente, la holgura = O para la restricción 3.
4X1 + 2X2 16
2X1 — X2 2
X2 < 2
—2
La utilidad óptima de $170 está en el vértice C.

AUTOEVALUACIÓN 279
Autoevaluación
• Antes de realizar la autoevaluación, consulte los objetivos de aprendizaje al comienzo del capítulo, las notas en los márgenes y el glosario
al final del capítulo.
• Consulte las soluciones en la parte final del libro para corregir sus respuestas.
• Vuelva a estudiar las páginas que correspondan a todas las preguntas que respondió incorrectamente o al material del que no se sienta seguro.
1. Cuando se utiliza un procedimiento de solución gráfica, la 8. Un método gráfico sólo se debería utilizar para resolver un
región limitada por el conjunto de restricciones se llama problema de PL cuando
a. solución. a. sólo hay dos restricciones.
b. región factible. b. hay más de dos restricciones.
c. región no factible. c. sólo hay dos variables.
d. región de máxima utilidad. d. hay más de dos variables.
e. ninguna de las anteriores. 9. En PL, las variables no tienen que asumir valores enteros y
2. En un problema de PL, al menos un vértice debe ser una pueden tomar cualquier valor fraccionario. Este supuesto se
solución óptima, si es que existe alguna. llama
a. Verdadero a. proporcionalidad.
b. Falso b. divisibilidad.
3. Un problema de PL tiene una región factible acotada. Si este c. aditividad.
problema tiene una restricción de igualdad (), entonces, d. certidumbre.
a. éste debe ser un problema de minimización. 10. Al resolver un programa lineal, existe una solución no factible.
b. la región factible debe constar de un segmento de recta. Para resolver este problema podríamos
c. el problema debe ser degenerado. a. agregar otra variable.
d. el problema debe tener más de una solución óptima. b. agregar otra restricción.
4. ¿Cuál de las siguientes opciones causaría un cambio en la c. eliminar o relajar una restricción.
región factible? d. probar un programa de computadora diferente.
a. El aumento de un coeficiente de la función objetivo en un 11. Si la región factible se hace más grande debido a un cambio en
problema de maximización una de las restricciones, el valor óptimo de la función objetivo
b. La adición de una restricción redundante a. debe aumentar o permanecer igual para un problema de
c. Un cambio en el lado derecho de una restricción no redun- maximización.
dante b. debe disminuir o permanecer igual para un problema
d. El aumento de un coeficiente de la función objetivo en un de maximización.
problema de minimización c. debe aumentar o permanecer igual para un problema de
5. Si una restricción no redundante se elimina de un problema minimización.
de PL, entonces, d. no puede cambiar.
a. la región factible se hará más grande. 12. Cuando existen soluciones óptimas múltiples en un problema
b. la región factible se hará más pequeña. de PL, entonces,
c. el problema se volvería no lineal. a. la función objetivo será paralela a una de las restricciones.
d. el problema se haría no factible. b. una de las restricciones será redundante.
6. En la solución óptima de un programa lineal, hay 20 unidades c. dos restricciones serán paralelas.
de holgura para una restricción. De esto, sabemos que d. el problema también será no acotado.
a. el precio dual para esta restricción es 20. 13. Si un programa lineal es no acotado, el problema
b. el precio dual para esta restricción es O. probablemente no se ha formulado correctamente.
c. esta restricción debe ser redundante. ¿Cuál de las siguientes causas sería la más probable?
d. éste debe ser un problema de maximización. a. Una restricción fue inadvertidamente omitida.
7. Se resolvió un programa lineal y se realizó un análisis de b. Se agregó una restricción innecesaria al problema.
sensibilidad. Se encontraron los rangos para los coeficientes de c. Los coeficientes de la función objetivo son demasiado grandes.
la función objetivo. Para la utilidad en X1, el límite superior es d. Los coeficientes de la función objetivo son demasiado
de 80, el límite inferior de 60 y el valor actual es 75. ¿Cuál de pequeños.
las siguientes afirmaciones debe ser cierta si la utilidad en esta 14. Una solución factible aun problema de PL
variable se reduce a 70 y se encuentra la solución óptima? a. debe satisfacer todas las restricciones del problema en forma
a. Un nuevo vértice se volverá óptimo. simultánea.
b. La utilidad total máxima posible puede aumentar. b. no tendría que satisfacer todas las restricciones, tan sólo
c. Los valores para todas las variables de decisión seguirán algunas.
siendo los mismos. c. debe ser un vértice de la región factible.
d. Todo lo anterior es posible. d. tiene que proporcionar la máxima utilidad posible.
Preguntas para análisis y problemas
Preguntas para análisis uso de una computadora encontramos que el límite supe-
7-1 Comente las semejanzas y diferencias entre los proble- rior para la utilidad en X es 20 y que el límite inferior es 9.
mas de minimización y maximización, utilizando los Comente los cambios a la solución óptima (los valores de
métodos de solución gráfica de PL. las variables y la utilidad) que se producirían si la utilidad
en X se incrementara a $15. ¿Cómo cambiaría la solución
7-2 Es importante entender los supuestos subyacentes al uso
óptima si la utilidad en X se incrementara a $25?
de cualquier modelo de análisis cuantitativo. ¿Cuáles son
los supuestos y requisitos para formular y utilizar un mo- 7-11 Un programa lineal tiene una utilidad máxima de $600.
Una restricción en este problema es 4X + 2Y s 80. Con el
delo de programación lineal?
uso de una computadora, encontramos que el precio dual
7-3 Se ha dicho que cada problema de PL que tiene una región para esta restricción es 3, y que tiene un límite inferior
factible posee un número infinito de soluciones. Explique de 75 y un límite superior de 100. Explique lo que esto
esa afirmación. significa.
7-4 Usted acaba de formular un problema de PL de maximi- 7-12 Desarrolle su propio problema de PL original con dos res-
zación y está preparándose para resolverlo gráficamente. tricciones y dos variables reales.
¿Qué criterios debería considerar al decidir si sería más
fácil resolver el problema por el método de los vértices o (a) Explique el significado de los números en el lado de-
con el enfoque de la recta de isoutilidad? recho de cada una de sus restricciones.
(b) Explique el significado de los coeficientes tecno-
7-5 ¿En qué condiciones es posible que un problema de PL
lógicos.
tenga más de una solución óptima?
(c) Resuelva el problema de forma gráfica para encontrar
7-6 Desarrolle su propio conjunto de ecuaciones de restricción
la solución óptima.
y desigualdades y utilícelas para ilustrar gráficamente
cada una de las siguientes condiciones: (d) Ilustre gráficamente el efecto de aumentar la tasa de
contribución de su primera variable (X1) en 50% con
(a) un problema no acotado respecto al valor que le asignó a la misma en un prin-
(b) un problema no factible cipio. ¿Cambia esto la solución óptima?
(c) un problema que contiene restricciones redundantes
7-13 Exp fique cómo un cambio en un coeficiente tecnológi-
7-7 El gerente de producción de una empresa manufacturera co uede afectar la solución óptima de un problema.
grande en Cincinnati hizo alguna vez la siguiente decla- ¿Có o puede un cambio en la disponibilidad de recursos
ración: "Me gustaría utilizar la PL, pero es una técnica
afee una solución?
que funciona en condiciones de certidumbre. Mi planta no
tiene esa certidumbre; es un mundo de incertidumbre. Así
que la PL no se puede utilizar aquí", ¿Cree usted que esta Problemas
afirmación tenga algún mérito? Explique por qué el ge- Q.
rente la pudo haber dicho. aE 7-14 La Electrocomp Corporation fabrica dos productos eléctri-
cos: aires acondicionados y ventiladores de gran tamaño.
7-8 Las siguientes relaciones matemáticas fueron formuladas Los procesos de ensamble para cada uno se parecen en que
por un analista de investigación de operaciones en la com- ambos requieren cierta cantidad de cableado y perforacio-
pañía Smith-Lawton Chemical. ¿Cuáles no son válidas nes. Cada aparato de aire acondicionado requiere 3 horas
para ser usadas en un problema de PL y por qué? para el cableado y 2 horas para las perforaciones. Cada
ventilador tiene que pasar 2 horas en cableado y 1 hora en
Maximizar la utilidad = 4X1 + 3X1X2 + 8X2 + 5X3
perforación. Durante el siguiente periodo de producción,
sujeta a 2X1 + X2 + 2X3 5 50 hay 240 horas de tiempo de cableado disponibles y se pue-
Xl — 4X2 6 den usar hasta 140 horas de tiempo de perforación. Cada
1.5Xi + 6X2 + 3X3 a• 21 aparato de aire acondicionado que se vende produce una
utilidad de $25. Cada ventilador ensamblado se puede ven-
19X2 — 0.35X3 = 17 der para obtener una utilidad de $15. Formule y resuelva
5X1 + 4X2 + 3V37 3 s 80 un problema de PL para esta situación de mezcla de pro-
— 4- x3 =-• 5 ducción con la finalidad de encontrar la mejor combina-
ción de aires acondicionados y ventiladores que produce la
7-9 Comente el papel del análisis de sensibilidad en la PL. mayor utilidad. Utilice el método gráfico de los vértices.
¿En qué circunstancias se necesita, y en qué condiciones º. 7-15 La erencia de Electrocomp se da cuenta de que olvidó
piensa usted que no es necesario? incl ur dos restricciones fundamentales (vea el problema
7-10 Un programa lineal tiene el objetivo de maximizar la utili- 7-1 ). En particular, la gerencia decide que debería ha-
dad = 12X + 8Y. La utilidad máxima es de $8,000. Con el ber n número mínimo de aparatos de aire acondicionado
Nota: S¿ significa que el problema puede resolverse con QM para Windows; significa que el problema puede resolverse con Excel QM, y ifc significa que el problema
puede resolverse con QM para Windows y/o Excel QM.
PREGUNTAS PARA ANÁLISIS Y PROBLEMAS 281
fabricados para cumplir un contrato. También, debido a un a cinco técnicos, que trabajan 160 horas mensuales cada
exceso de oferta de ventiladores en el periodo anterior, se uno, en su línea de montaje. La gerencia insiste en que se
debería colocar un límite al número total de ventiladores mantendrá el empleo de tiempo completo (es decir, todas
producidos. las 160 horas de tiempo) para cada trabajador durante las
(a) Si Electrocomp decide que se deberían producir al operaciones del mes que viene. Se requieren 20 horas de
menos 20 equipos de aire acondicionado, pero no más mano de obra para ensamblar cada computadora Alpha 4
de 80 ventiladores, ¿cuál sería la solución óptima? y 25 horas de mano de obra para ensamblar cada modelo
¿Cuánta holgura o excedente habría para cada una de Beta 5. MSA quiere producir al menos 10 Alpha 4 y al
las cuatro restricciones? menos 15 Beta 5 durante el periodo de producción. Las
(b) Si Electrocomp decide que se deben producir al me- Alpha 4 generan $1,200 de utilidad por unidad, y las Beta
nos 30 equipos de aire acondicionado, pero no más 5 generan $1,800 cada una. Determine el número más ren-
de 50 ventiladores, ¿cuál sería la solución óptima? table de cada modelo de minicomputadora a producir du-
¿Cuánta holgura o excedente habría para cada una de rante el mes próximo.
las cuatro restricciones a la solución óptima? x" 7-20 Un ganador de la Lotería de Texas ha decidido invertir
$50,000 al año en el mercado de valores, y está conside-
2"
X ' 7-16 Un candidato a alcalde en una pequeña ciudad ha desti-
nado $40,000 a publicidad de última hora en los días ante- rando las acciones de una empresa petroquímica y de un
riores a la elección. Se utilizarán dos tipos de anuncios: en organismo público. Aunque una meta a largo plazo es con-
radio y en televisión. Cada anuncio en radio cuesta $200 seguir el máximo rendimiento posible, algunas personas
y alcanza un estimado de 3,000 personas. Cada anuncio tienen en cuenta el riesgo involucrado en las acciones. Se
en televisión cuesta $500 y alcanza un estimado de 7,000 asigna un índice de riesgo en una escala del 1 al 10 (donde
personas. En la planeación de la campaña publicitaria, a la 10 es lo más riesgoso) a cada una de las dos acciones. El
jefa de campaña le gustaría llegar a tantas personas como riesgo total del portafolios se encuentra multiplicando
sea posible, pero ha estipulado que se deben emplear al el riesgo de cada acción por los dólares invertidos en dicha
menos 10 anuncios de cada tipo. Además, el número de acción.
anuncios de radio tiene que ser al menos tan grande como La siguiente tabla muestra un resumen del rendi-
el número de anuncios de televisión. ¿Cuántos anuncios miento y el riesgo:
de cada tipo se deberían utilizar? ¿A cuántas personas lle-
gará esto?
ACCIÓN RENDIMIENTO ESTIMADO ÍNDICE DE RIESGO
9. 7-17 La Outdoor Furniture Corporation fabrica dos productos,
bancas y mesas para día de campo, para su uso en patios Petroquímica 12% 9
y parques. La compañía cuenta con dos recursos princi- Organismo 6% 4
pales: sus carpinteros (fuerza de trabajo) y un inventario
de (madera) secuoya para utilizarse en los muebles. Du-
Al inversionista le gustaría maximizar el rendimiento
rante el próximo ciclo de producción, hay 1,200 horas de
sobre la inversión, pero el índice de riesgo promedio de
trabajo disponibles en virtud de un acuerdo con el sin-
la inversión no debería ser superior a 6. ¿Cuánto debería
dicato. La empresa también cuenta con un inventario de
invertir en cada acción? ¿Cuál es el riesgo promedio de
3,500 pies en tablones de secuoya de buena calidad. Cada
esta inversión? ¿Cuál es el rendimiento estimado para la
banca que produce Outdoor Furniture requiere 4 horas
inversión?
de trabajo y 10 pies en tablones de secuoya; cada mesa de
picnic necesita 6 horas de trabajo y 35 pies en tablones X' 7-21 Con referencia a la situación del ganador de la Lotería de
de secuoya. Las bancas terminadas producen una utili- Texas en el problema 7-20, suponga que el inversionista
dad de $9 cada una, y las mesas generan una utilidad de cambió su actitud acerca de la inversión y desea poner ma-
$20 cada una. ¿Cuántas bancas y mesas debería Outdoor yor énfasis en el riesgo de la inversión. Ahora el inversio-
Furniture producir para obtener la mayor utilidad posible? nista desea minimizar el riesgo de la inversión, siempre
Utilice el método gráfico de PL. y cuando el rendimiento generado sea al menos de 8%.
Q•• 7-18 El decano de la Universidad Occidental de Negocios debe
ag
Formule esto como un problema de PL y encuentre la so-
planear la oferta de cursos de la escuela para el semestre lución óptima. ¿Cuánto debería invertir en cada acción?
de otoño. Las demandas estudiantiles hacen que sea nece- ¿Cuál es el riesgo promedio de esa inversión? ¿Cuál es el
sario ofrecer al menos 30 de cursos de licenciatura y 20 rendimiento estimado para la inversión?
de posgrado en el semestre. Los contratos del profesorado X' 7-22 Resuelva el siguiente problema de PL utilizando el mé-
todo de los vértices. En la solución óptima, calcule la hol-
también indican que se ofrecerán al menos 60 cursos en
total. Cada curso de licenciatura cuesta a la universidad gura para cada restricción:
un promedio de $2,500 en salarios del profesorado, y cada
curso de posgrado le cuesta $3,000. ¿Cuántos cursos de Maximizar la utilidad = 4X + 4Y
licenciatura y posgrado deberían ofrecerse en el otoño, sujeta a 3X + 5Y 5 150
para que los salarios totales del profesorado se reduzcan al X — 2Y S 10
mínimo?
5X + 3Y S 150
1: 7-19 MSA Computer Corporation fabrica dos modelos de mi-
3
nicomputadoras, la Alfa 4 y la Beta 5. La firma emplea X, Y a•
fa • 7-23 Considere esta formulación de PL: de poda de las ramas. Si los olivos se podan cada dos se-
man s, aumenta la producción. El proceso de poda, sin
Minimizar el costo = SX + 2Y
emb go, requiere una cantidad de mano de obra consi-
sujetoa X + 3Y a• 90 dera lemente mayor que dejar a los olivos crecer por su
8X + 2Y a• 160 cue lo cual resulta en aceitunas de menor tamaño. Sin
3X + 2Y 120 emb go, también permite que los olivos tengan un menor
espaciado entre sí. El rendimiento de 1 barril de aceitunas
Y 5- 70 por la poda requiere 5 horas de mano de obra y 1 acre
X, Y? O de tierra. La producción de un barril de aceitunas por el
proceso normal requiere tan sólo 2 horas de mano de obra,
Ilustre gráficamente la región factible y aplique el pro-
pero requiere 2 acres de tierra. Un oleicultor tiene 250 ho-
cedimiento de la recta de isocosto, para indicar qué vér-
ras de mano de obra disponibles y un total de 150 acres
tice produce la solución óptima. ¿Cuál es el costo de esa
para el cultivo. Debido a la diferencia en el tamaño de las
solución? aceitunas, el barril de aceitunas producidas en los árbo-
jt: 7-24 La firma de corretaje Blank, Leibowitz & Weinberger ha les podados se vende por $20, mientras que el barril de
analizado y recomendado dos acciones al club de profe- aceitunas regulares tiene un precio en el mercado de $30.
sores inversionistas de la universidad. Los profesores es- El productor ha determinado que debido a la demanda in-
taban interesados en factores como el crecimiento a corto cierta, no debería producir más de 40 barriles de aceitunas
plazo, el crecimiento intermedio y las tasas de dividendos. de árboles podados. Utilice PL gráfica para encontrar
Estos datos son los siguientes para cada acción:
(a) la máxima utilidad posible.
ACCIÓN ($) (b) la mejor combinación de barriles de aceitunas de
árboles podados y regulares.
LOUISIANA GAS COMPAÑÍA TRIMEX (c) el número de acres que el oleicultor debería dedicar
FACTOR AND POWER INSULATION a cada proceso de cultivo.
- 7-27 Considere las siguientes cuatro formulaciones de PL. Con
Crecimiento poten- 0.36 0.24 X*
cial a corto plazo, base en un enfoque gráfico, determine
por dólar invertido (a) ué formulación tiene más de una solución óptima.
Crecimiento po- 1.67 1.50 (b) ué formulación es no acotada.
tencial intermedio (c) ué formulación no tiene solución factible.
(en los próximos (d) ué formulación es correcta como está.
tres años), por dólar Formulación Formulación 3
invertido
Maximizar 10X1 + 10X2 Maximizar 3X1 + 2X2
Tasa potencial de 4% 8%
sujeto a 2X1 5- 10 sujetoa X1 + X2 ? 5
dividendos
2X1 + 4X2 16 2
Cada miembro del club tiene una meta de inversión de 4X2 .15- 8 2X2 ?8
1. una apreciación de no menos de $720 en el corto plazo;
2. una apreciación de por lo menos $5,000 en los próximos X1 =6
tres años, y 3. un ingreso de dividendos de al menos $200 Formulación 2 Formulación 4
al año. ¿Cuál es la inversión más pequeña que un profesor
Maximizar X1 + 2X2 Maximizar 3X1 + 3X2
puede hacer para cumplir con estos tres objetivos?
1: 7-25
3 Woofer Pet Foods produce un alimento bajo en calorías sujeto a X 5 1 sujeto a 4X1 + 6X2 5 48
para perros con sobrepeso. Este producto está hecho a par- 2X2 5 2 4X1 + 2X2 12
tir de productos de carne de res y granos. Cada libra de
carne cuesta $0.90, y cada libra de grano cuesta $0.60.
+ 2,X2 5 2 3,12 -3
2X1 2
Una libra del alimento para perros debe contener al me-
nos 9 unidades de vitamina I y 10 unidades de vitamina
/1- 7-28 Gra fique el siguiente problema de PL e indique el punto
2. Una libra de carne de res contiene 10 unidades de vi- de 1 solución óptima:
tamina 1 y 12 unidades de vitamina 2. Una libra de grano
contiene 6 unidades de vitamina 1 y 9 unidades de vita- Maximizar la utilidad = $3X + $2Y
mina 2. Formule esto como un problema de PL para mini- sujeta a 2X + Y < 150
mizar el costo del alimento para perros. ¿Cuántas libras de
2X + 3Y 300
carne de res y de grano se deberían incluir en cada libra
de alimento para perros? ¿Cuál es el costo y el contenido de (a) Cambia la solución óptima si la utilidad por unidad
vitamina del producto final? de X cambia a $4.50?
1: 7-26 El rendimiento estacional de aceitunas en un viñedo de
3 (b) ¿Qué pasaría si la función de utilidad debería haber
Pireo, Grecia, está fuertemente influido por un proceso sido $3X + $3Y?
I. 7-29 Analice gráficamente el siguiente problema: (a) ¿Cuánto podría aumentar o disminuir la utilidad en
Maximizar la utilidad = $4X + $6Y X sin cambiar los valores de X y Y en la solución
óptima?
sujeta a X + 2Y S 8 horas
(b) Si-el lado derecho de la restricción 1 se incrementara
6X + 4Y S 24 horas en 1 unidad, ¿cuánto aumentaría la utilidad?
(a) ¿Cuál es la solución óptima? (c) Si el lado derecho de la restricción 1 se incremen-
(b) Si la primera restricción se convierte en X + 3Y s- 8, tara en 10 unidades, ¿cuál sería el aumento de la
¿cambian la región factible ola solución óptima? utilidad?
7-30 Examine la formulación de PL en el problema 7-29. La
34* 7-34 La salida de computadora en la página siguiente es un pro-
segunda restricción del problema se lee blema de mezcla de productos donde hay dos productos y
6X + 4Y S 24 horas (tiempo disponible en la máquina 2) tres restricciones de recursos. Utilice la salida para ayu-
Si la empresa decide que puede haber 36 horas disponi- darse a responder las siguientes preguntas. En cada caso,
bles de tiempo en la máquina 2 (es decir, un aumento de suponga que usted desea maximizar la utilidad.
12 horas) a un costo adicional de $10, ¿deberían agregarse (a) ¿Cuántas unidades del producto 1 y del producto 2
las horas? deberían producirse?
2: 7-31 Considere el siguiente problema de PL: (b) ¿Cuánto de cada uno de los tres recursos se está uti-
Maximizar la utilidad = 5X + 6V lizando? ¿Cuánta holgura hay para cada restricción?
¿Cuáles de las restricciones son vinculantes y cuáles
sujeta a 2X + Y s 120 no vinculantes?
2X + 3Y s 240 (c) ¿Cuáles son los precios duales para cada recurso?
X, Y O (d) Si se pudiera obtener más de uno de los recursos,
¿cuál debería ser éste? ¿Cuánto se debería estar dis-
(a) ¿Cuál es la solución óptima para este problema? Re- puesto a pagar por él?
suélvalo gráficamente. ¿Qué le pasaría a la utilidad si, con los resultados ori-
(e)
(b) Si ocurrió un gran avance técnico que elevó la
ginales, la gerencia decidiera producir una unidad más
utilidad por unidad de X a $8, ¿afectaría esto a de producto 2?
la solución óptima?
(c) En vez de un aumento en el coeficiente de utilidad X 7-35 Resuelva gráficamente el siguiente problema:
a $8, suponga que la utilidad se había sobrestimado y
Maximizar la utilidad = 8X1 + 5X2
sólo debería haber sido de $3. ¿Cambia esto la solu-
ción óptima? sujeta a XI + X2 5- 10
ac
Q: 7-32 Considere la formulación de PL dada en el problema 7-31. Xt 6
Si la segunda restricción se cambia de 2X + 3Y s 240 a XI, X2 O
2X + 4Y s 240, ¿qué efecto tendrá esto en la solución
óptima? (a) ¿Cuál es la solución óptima?
al: 7-33 La salida de computadora que se muestra a continuación (b) Cambie el lado derecho de la restricción 1 a 11 (en
es para el problema 7-31. Úsela para responder las si- vez de 10) y resuelva el problema. ¿Cuánto aumentó
guientes preguntas. la utilidad como resultado de esto?
Probiem 33 Solution
X Y RHS Dual
Maximize 5 6
const 1 2 1 <= 120 0.75
const 2 2 3 240 1.75
Solution-> 30 60 510
410 Rangun 23_,

Problem 33 Solution
Vanable Value Reduced Cost Original Val Lower Bound Upper Bound
X 30 0 5 4 12
Y 60 0 6 2.5 7.5
Constrát Dual Value Slack/Surplus Original Val Lower Bound Upper Bound
const 1 0.75 0 120 80 240
const 2 1.75 0 240 120 360
Linear Programming Re-sults

Problem 34 Solution
X1 X2 RHS Dual
Lkocinize 50 20
Constrabt 1 1 2 c--= 45 0
Constraint 2 3 3 <= 87 0
Constraint 3 2 1 50 25
Solution-> 25 0 1,250
-~1111
,.. 11101.1w
Problem 34 Solution
Variable Value Reduced Cosí Original Val Lower Bound Upper Bound
X1 25 0 50 40 Infinity
X2 0 5 20 -Infinity 25
Constraint Dual Value Stack/Surplus Original Val Lamer Bound Upper Bound
Constraint 1 0 20 45 25 Infinky
Constraint 2 0 12 87 75 Infiruly
Constraint 3 25 0 50 0 58
-17: Linear Programming Results

Problem 35 Solution
X1 X2 RHS Dual
Maximize 8 5
Constraint 1 1 10 5
Constraint 2 1 o 6 3
Solution-> 6 4 68
4> Ranging L'='_iLá Ji -b- .

Problem 35 Solution
Variable Vaiue Reduced Original Val Lower Bound Upper Bound
X1 6 0 8 5 Iránity
X2 4 0 5 0 8
Constraint Dual Value Slacic/Surplus Original Val Lime! Bound Upper Bound
Constraint 1 5 0 10 6 Infinity
Constrait 2 3 0 6 0 10
(c) Cambie el lado derecho de la restricción 1 a 6 (en vez .75*: 7-36 Ser!ndipity*
de 10) y resuelva el problema. ¿Cuánto disminuyó la Losltres príncipes de Serendip
utilidad como resultado de esto? En cuanto a la gráfi- Hicieron un pequeño viaje.
ca, ¿qué pasaría si el valor del lado derecho estuviera
No podían llevar mucho peso;
por debajo de 6?
Más de 300 libras los hicieron dudar.
(d) Cambie el valor del lado derecho de la restricción 1 a
5 (en vez de 10) y resuelva el problema. ¿Cuánto dis- Planearon llevar pequeñas cantidades. Cuando regresaron
minuyó la utilidad con respecto a la utilidad original a Ceilán
como resultado de esto? Descubrieron que sus suministros estaban a punto de
(e) Con base en los resultados de la computadora en esta pacer
página, ¿cuál es el precio dual de la restricción 1? do, qué alegría, el príncipe William se encontró
¿Cuál es el limite inferior en ésta? Un pila de cocos en el suelo.
(fl ¿Qué conclusiones puede usted obtener de esto con
"C da uno nos aportará 60 rupias", dijo el príncipe
respecto a los límites de los valores del lado derecho y
Ric ard con una sonrisa
del precio dual?
• La palabra serendipity fue acuñada por el escritor inglés Horace Walpole en relación con un cuento de liad titulado Los tres príncipes de Serendip. La fuente del problema
Cuando casi tropezó con una piel de león. con el riesgo, y se desarrolló el siguiente programa lineal
"¡Cuidado!", exclamó el príncipe Robert con júbilo para ayudar con esta decisión de inversión:
Cuando divisó algunas pieles de león más bajo un árbol.
Minimizar riesgo = 12S + 5M
"Éstas valen aún más: 300 rupias cada una
sujeto a
Si las podemos llevar todas a la playa".
Cada piel pesaba 15 libras y cada coco, 5, S + M = 200,000 la inversión total
es de $200,000
Pero cargaron todo y lo hicieron con ánimo.
El barco de regreso a la isla era muy pequeño 0.105 + 0.05M -›-» 14,000 el rendimiento debe ser
al menos de $14,000
15 pies cúbicos de capacidad para el equipaje: eso era
todo. M a. 40,000 al menos $40,000 deben
Cada piel de león ocupaba un pie cúbico colocarse en el fondo
S, M O del mercado de dinero
Mientras que ocho cocos ocupaban el mismo espacio.
Con todo guardado se hicieron a la mar donde
Y en el trayecto calcularon cuál podría ser su nueva S = dólares invertidos en el fondo de acciones
riqueza. M = dólares invertidos en el fondo del mercado de dinero
"¡Eureka!", Exclamó el príncipe Robert, "Nuestra riqueza
es tan grande A continuación se muestra la salida de QM para Windows.
Que no hay otra manera de que pudiéramos volver en este (a) ¿Cuánto dinero debería invertirse en el fondo del
estado. mercado de dinero y cuánto en el fondo de acciones?
Cualesquiera otras pieles o cocos que podríamos haber ¿Cuál es el riesgo total?
traído (b) ¿Cuál es el rendimiento total? ¿Qué tasa de retorno
representa?
Ahora nos haría ser más pobres. Y ahora lo sé:
(c) ¿Cambiaría la solución si la medida de riesgo para
Le escribiré a mi amigo Horacio en Inglaterra, pues sin cada dólar en el fondo de acciones fuera de 14 en
duda vez de 12?
Sólo él puede apreciar nuestro serendipity." (d) Por cada dólar adicional que esté disponible, ¿cuánto
Formule y resuelva Serendipity mediante PL gráfica para cambia el riesgo?
calcular "cuál podría ser su nueva riqueza". (e) ¿Cambiaría la solución si la cantidad que debe inver-
7-37 Inversiones Bhavika, un grupo de asesores financieros tirse en el fondo del mercado de dinero cambiara de
y planeadores de la jubilación, ha recibido una solicitud $40,000 a $50,000?
de asesoría sobre cómo invertir $200,000. El cliente ha 2: 7-38 Considere de nuevo la situación de Inversiones Bhavika
estipulado que el dinero debe colocarse en un fondo de (problema 7-37). Se ha decidido que, en vez de minimizar
acciones o bien en un fondo del mercado de dinero, y el el riesgo, el objetivo debería ser maximizar el rendimiento,
rendimiento anual debería ser al menos de $14,000. Tam- al tiempo que se pone una restricción a la cantidad de
bién se han especificado otras condiciones relacionadas riesgo. El riesgo promedio no debe ser mayor que 11 (con
neu Progr
Problem 37 Solution
S M RHS Dual
Ránirnize 12 5
Constraint 1 1 1 = 200,000 2
Constraint 2 0.1 0.05 >= 14,000 -140
Constraint 3 0 1 >= 40.000 0
Solution-> 80.000 120.000.0 1,560.000
RangIng
Problem 37 Solution
Vanable Value Reduced Cost Original Val Lower Bound Upper Bound
S 80,000 0 12 5 kánity
M 120,000.0 0 5 -kánity 12
Constraint Dual Value Siack/Surplus Original Val Lower Bound Upper Sound
Constraint 1 2 0 200,000 160,000 280,000
Constraint 2 -140 0 14,000 10,000 18,000
Constraint 3 0 80,000.01 40,000 -kihnity 120,000.0
2 ji--
,. ___Cidigiég
Zr. !mear Programming Results .
Problem 38 Solution
M R 1S Dual
Maximize 0.1 0.05

Constraint 1 1 1 200,000 0.1
Constraint 2 12 5 <= 2,200,000 0
Constraint 3 0 1 >= 40,000 -0.05
Solution-> 160.000 40,000 18.000
.......... , . :
I r o*
4> Ranging
Problem 38 Solution
Variable Value Reduced Cost Original Val Lower Bound Upper Bound
S 160.000 0 0.1 0.05 Infinity
M 40.000 0 0.05 4rtfinity 0.1
Constraint Dual Value Slack/Surpfirs Original Val Lower Bound Upper Bound
Constraint 1 0.1 0 200.000 40,000 206,666.7
Constraint 2 0 80,000 2,200,000 2,121000 Infinity
Constraint 3 -0.05 0 40,000 28.571.43 200.000
un riesgo total de 2,200,000 para los $200,000 invertidos). El costo por libra de los granos X, Y y Z son $2, $4 y
El programa lineal fue reformulado y la salida de QM de $2.50, respectivamente. El requisito mínimo por vaca por
Windows se muestra arriba. mes es de 4 libras del ingrediente A, 5 libras del ingre-
diente B, 1 libra del ingrediente C y 8 libras del in-
(a) ¿Cuánto dinero debería invertirse en el fondo del mer-
cado de dinero y en el fondo de acciones? ¿Cuál es grediente D.
el rendimiento total? ¿Qué tasa de rendimiento repre- El rancho se enfrenta a una restricción adicional: sólo
senta esto? puede obtener 500 libras del grano Z por mes de su pro-
veedor, independientemente de lo que necesite. Debido
(b) ¿Cuál es el riesgo total? ¿Cuál es el riesgo promedio?
(c) ¿Cambiaría solución si el rendimiento de cada dólar a que, por lo general, hay 100 vacas en el rancho en un
en el fondo de acciones fuera 0.09 en vez de 0.10? momento dado, esto significa que no se puede contar con
(d) Por cada dólar adicional que esté disponible, ¿cuál es más de 5 libras de la mezcla Z por mes para su uso en la
la tasa de rendimiento marginal? alimentación de cada vaca.
(e) ¿Cuánto cambiaría el rendimiento total si la cantidad (a) Formule esto como un problema de PL.
que debe invertirse en el fondo del mercado de dinero (b) Resuelva usando software de PL.
cambiara de $40,000 a $50,000? 7-40 La Weinberger Electronics Corporation fabrica cuatro
ac •
Los problemas 7-39 a 7-44 prueban su capacidad productos de alta tecnología que suministra a empresas
para formular problemas de PL que tienen más de dos va- aeroespaciales que tienen contratos con la NASA. Cada
riables. No se pueden resolver gráficamente. pero le darán uno de los productos debe pasar por los siguientes de-
la oportunidad de formular un problema más grande. partamentos antes de ser enviados: cableado, taladrado,
7-39 El rancho Feed 'N Ship engorda ganado para los granjeros montaje e inspección. En la siguiente tabla, se resumen el
X• locales y lo envía a los mercados de carne en Kansas City req4isito de tiempo en horas para cada unidad producida y
y Omaha. Los propietarios del rancho tratan de determinar el valor de la utilidad correspondiente:
las cantidades de alimento para ganado que deben com-
prar, de modo que se cumplan los estándares nutriciona- DEPARTAMENTO
les mínimos y que, al mismo tiempo, se minimicen los
UTILIDAD
costos totales de alimentación. La mezcla de alimento
puede estar compuesta por tres granos que contienen los INSPEC- UNITARIA
TALA-
PRODUCTO CABLEADO DRADO MONTAJE CIÓN ($)
siguientes ingredientes por libra de alimento:
X.1201 0.5 0.3 0.2 0.5 9
ALIMENTO (OZ) X14897 1.5 4 1 12
INGREDIENTE MEZCLA X MEZCLA Y MEZCLA Z TR29 1.5 2 1 0.5 15

A 3 2 4 BR788 1 3 2 0.5 11
2 3 1
La producción disponible en cada departamento cada mes,
1 0 2
y el requisito de producción mensual mínimo para cumplir
6 8 4 con los contratos, son los siguientes:
•CAPACIDAD NIVEL MÍNIMO X* 7-43 Modem Corporation of America (MCA) es el mayor

DEPARTAMENTO (HORAS) PRODUCTO DE PRODUCCIÓN productor mundial de dispositivos de comunicación con
módems para microcomputadoras. MCA vendió 9,000
Cableado 15,000 XJ201 150 unidades del modelo regular y 10,400 unidades del mo-
Taladrado delo inteligente este mes de septiembre. Su estado de re-
17,000 XM897 100
sultados del mes se muestra en la tabla para el problema
Montaje 26,000 TR29 300 7-43. Los costos presentados son típicos de los meses an-
teriores y se espera que permanezcan en los mismos nive-
Inspección 12,000 BR788 400 les en un futuro próximo.
El gerente de produceón tiene la responsabilidad de espe- La empresa se enfrenta a varias restricciones, mien-
cificar los niveles de producción de cada producto para el tras prepara su plan de producción de noviembre. En pri-
próximo mes. Ayúdale mediante la formulación (es decir, mer lugar, ha experimentado una enorme demanda y ha
el establecimiento de las restricciones y la función obje- sido incapaz de mantener algún inventario significativo en
tivo) del problema de Weinberger utilizando PL. existencia. No se espera que esta situación cambie. En se-
gundo lugar, la empresa se encuentra en un pequeño pueblo
X!. 7-41 Outdoor Inn, un fabricante de equipo de campamento al de Iowa donde la mano de obra adicional no está disponi-
sur de Utah, está desarrollando un programa de produc- ble fácilmente. Sin embargo, los trabajadores pueden cam-
ción de un tipo popular de tienda de campaña, la Doble biarse de la producción de un módem a otro. Para producir
Inn. Se han recibido pedidos por 180 de ellas, que se en- los 9,000 módems regulares en septiembre requiere 5,000
tregarán a finales de este mes, 220 que se entregarán al horas de mano de obra directa. Los 10,400 módems inte-
final del próximo mes y 240 que se entregarán al final del ligentes necesitan 10,400 horas de mano de obra directa.
mes que le sigue. Esta tienda de campaña se puede fabri- En tercer lugar, MCA está experimentando un pro-
car a un costo de $120, y el número máximo de tiendas
blema que afecta al modelo de los módems inteligentes.
que puede producirse en un mes es 230. La empresa puede
Su proveedor de componentes es capaz de garantizar sólo
producir algunas tiendas adicionales en un mes y mante- 8,000 microprocesado'res para ser entregados en noviem-
nerlas en almacenamiento hasta el próximo mes. El costo bre. Cada módem inteligente requiere uno de estos mi-
de mantenerlas en inventario durante 1 mes se estima en croprocesadores hechos a la medida. No hay proveedores
$6 por cada tienda que queda al final del mes. Formule alternativos disponibles a corto plazo.
esto como un problema de programación lineal para mi-
nimizar el costo, al tiempo que se satisface la demanda TABLA PARA EL PROBLEMA 7-43
sin exceder la capacidad de producción mensual. Resuelva Estado de resultados mensual para MCA al 30 de septiembre
usando cualquier software. (Sugerencia: Defina las varia-
bles para representar el número de tiendas de campaña MÓDEMS MÓDEMS
que quedan al final de cada mes). REGULARES INTELIGENTES
24.
2.; 7-42 Outdoors hin (vea el problema 7-41) expandió sus opera- Ventas $450,000 $640,000
ciones de fabricación de tiendas de campaña más adelante Menos: Descuentos 10,000 15,000
en el año. Sin dejar de hacer la carpa Double Inn, tam-
Devoluciones 12,000 9,500
bién está haciendo una carpa más grande, la Family Rolls,
que tiene cuatro habitaciones. La empresa puede producir Reemplazos por garantía 4,000 2,500
hasta un total de 280 tiendas de campaña al mes. La si- Ventas netas $424,000 $613,000
guiente tabla proporciona la demanda que se debe satisfa- Costos de venta
cer y los costos de producción para los próximos 3 meses.
Mano de obra directa 60,000 76,800
Tenga en cuenta que los costos aumentarán en el mes 2.
El costo de almacenamiento por mantener una tienda de Mano de obra indirecta 9,000 11,520
campaña en inventario al final del mes, para su uso el Costó de materiales 90,000 128,000
próximo mes, se estima en $6 por tienda para la Double Depreciación 40,000 50,800
Inn y $8 para la Family Rolls. Desarrolle un programa li- Costo de ventas $199,000 $267,120
neal para minimizar el costo total. Resuelva usando cual-
quier software. Utilidad bruta $225,000 $345,880
Gastos comerciales y generales
DEMANDA COSTO POR DEMANDA COSTO POR Gastos generales-variables 30,000 35,000
DE LA PRODUCIR DE LA PRODUCIR Gastos generales-fijos 36,000 40,000
DOUBLE LA DOUBLE FAMILY LA FAMILY Publicidad 28,000 25,000
MES INN INN ROLLS ROLLS Comisiones de ventas 31,000 60,000
1 185 $120 60 $150 Costo de operación total $125,000 $160,000
2 205 $130 70 $160 Ingreso antes de impuestos $100,000 $185,880
Impuesto sobre la renta (25%) 25,000 46,470
3 225 $130 65 $160
Ingreso neto $ 75,000 $139,410
MCA quiere planear la combinación óptima de los olding minimizar el costo de una bolsa de 50 lb de
dos modelos de módem a producir en noviembre, para rtilizante.
maximizar las utilidades de MCA. (b) esuelva usando una computadora para encontrar la
ejor solución.
(a) Formule, utilizando los datos de septiembre, el pro-
blema de MCA como un programa lineal. 2: 7-45 Rap r Fuels produce tres grados de gasolina: regular, pre-
34.
(b) Resuelva el problema de forma gráfica. mium y súper. Todas se producen mediante la mezcla de
(c) Comente las implicaciones de su solución reco- dos tipos de petróleo crudo (A y B). Los dos tipos con-
mendada. tienen ingredientes específicos que ayudan a determinar
7-44 En conjunto con químicos del Virginia Tech y la George el octanaje de la gasolina. Los ingredientes y los costos
Washington University, el contratista paisajista Kenneth importantes se muestran en la siguiente tabla:
Golding mezcla su propio fertilizante, llamado "Gol-
CRUDO A CRUDO B
ding-Grow", que consta de cuatro compuestos químicos,
C-30, C-92, D-21 y E-11. A continuación, se indica el Costo por galón $0.42 $0.47
costo por libra de cada compuesto: Ingrediente 1 40% 52%
Otros ingredientes 60% 48%
COMPUESTO QUÍMICO COSTO POR LIBRA ($)
C-30 0.12 Con la finalidad de alcanzar los octanajes deseados, por
C-92 0.09 lo menos 41% de la gasolina regular debería ser del in-
grediente 1; al menos 44% de la gasolina premium debe
D-21 0.11
ser del ingrediente 1, y al menos 48% de la gasolina sú-
E-11 0.04 per debe ser del ingrediente 1. Debido a los compromisos
contractuales actuales, Raptor Fuels tiene que producir
Las especificaciones para Golding-Grow son las siguien- al menos 20,000 galones de gasolina regular, al menos
tes: 1. E-11 debe constituir al menos 15% de la mezcla; 15,000 galones de premium y al menos 10,000 galones de
2. C-92 y C-30 en conjunto deben representar al menos súper. Formule un programa lineal que pueda usarse para
45% de la mezcla; 3. D-21 y C-92 no pueden constituir determinar la cantidad de crudo A y crudo B que debería
juntos más de 30% de la mezcla, y 4. Golding-Grow se em learse en cada una de las gasolinas para satisfacer las
empaqueta y se vende en bolsas de 50 libras. de andas a costo mínimo. ¿Cuál es este costo mínimo?
(a) Formule un problema de PL para determinar qué ¿C to crudo A y crudo B se utiliza en cada galón de los
mezcla de los cuatro productos químicos permitirá a dif entes tipos de gasolina?
Estudio de caso
Trabajo en Mexicana Wire

Ron García se sentía bien en su primera semana como practicante en aprobados se paquetan y se envían al almacén de producto termi-
la gerencia Mexicana Wire Winding, Inc. Aún no había desarrollado nado; los prodiictos defectuosos se almacenan por separado hasta que
ningún conocimiento técnico sobre el proceso de manufactura, pero puedan reutilizarse.
había recorrido toda la planta, ubicada en los suburbios de la Ciudad El 8 de mIrzo, Vivian España, gerente general de Mexicana, pasó
de México, y había conocido a muchas personas en diversas áreas de por la oficina e García y le pidió que asistiera a una reunión de per-
la operación. sonal a la 1:00P.M.
Mexicana, filial de Westover Wire Works, una empresa de Texas, "Vamos empezar con nuestro asunto", dijo Vivian, al abrir
es un productor de tamaño medio de bobinas de alambre utilizadas en la reunión. " a todos conocen a Ron García, nuestro nuevo ge-
la fabricación de transformadores eléctricos. José Arroyo, el gerente rente en capa itación. Ron estudió investigación de operaciones
de control de producción, describió el embobinado a García como un en su progra a de MBA en el sur de California, así que creo que
diseño estandarizado. El recorrido de García por la planta, distribuida es competente para ayudarnos con un problema que hemos estado
de acuerdo con el tipo de proceso (vea la figura 7.20), siguió la se- discutiendo durante mucho tiempo sin resolución. Estoy segura de
cuencia de fabricación de las bobinas: trefilado, extrusión, embobi- que todos ust des, el personal de la empresa, dará a Ron su plena
nado, inspección y embalaje. Después de la inspección, los productos cooperación".
ESTUDIO DE CASO 289
FIGURA 7.20
Mexicana Wire Winding, Almacén de
Oficina Trefilado producto terminado
Inc.
Departamento de
Extrusión reprocesamiento
Embobinado
Recepción y
almacenamiento
de materias primas Embalaje Almacén de
producto
rechazado
Inspección
Vivian se volvió hacia José Arroyo, gerente de producción.

"José, ¿por qué no describes el problema que estamos enfrentando?" Datos de la operación seleccionados
"Bueno", dijo José, "el negocio está muy bien en este momento. Producción promedio por mes = 2,400 unidades
Vamos a recibir más pedidos de los que podemos cumplir. Tendremos
Utilización promedio de máquina = 63%
equipo nuevo en línea dentro de los próximos meses, lo cual resolverá
nuestros problemas de capacidad, pero eso no nos ayudará en abril. Porcentaje promedio de producción enviada al departamento
He localizado a algunos empleados jubilados que solían trabajar en de reprocesamiento = 5% (mayormente del departamento de
el departamento de trefilado, y estoy pensando en emplearlos tempo- embobinado)
ralmente en abril para aumentar la capacidad. Debido a que estamos Número promedio de unidades rechazadas en espera de reprocesa-
planeando refinanciar parte de nuestra deuda a largo plazo, Vivian miento = 850 (mayormente del departamento de embobinado)
quiere que nuestras utilidades se vean lo mejor posible en abril. Estoy
teniendo dificultades para averiguar cuáles pedidos ejecutar y cuáles Capacidad de la planta (horas)
poner en espera para hacer que nuestro estado de resultados se vea tan
bien como sea posible. ¿Puedes ayudarme con esto?" TREFILADO EXTRISIÓN EMBOBINADO
García se sorprendió y se preocupó al recibir una misión tan im-
4,000 4,200 2,000 2,300
portante y de alto perfil tan pronto en su carrera. Recuperándose rá-
pidamente, dijo: "Dame los datos y déjame trabajar con ellos uno o Nota: La capacidad de inspección no es un problema; podemos trabajar tiempo
dos días". extra cuando sea necesario para ajustamos a cualquier horario.
Pedidos de abril
Costo de la mano de obra (horas/unidad 1
Producto W0075C 1,400 unidades
PRODUCTO TREFILA DO EXTRUSIÓN EM BOB NADO E M BA I, AJ E
Producto W0033C 250 unidades - _
Producto W0005X 1,510 unidades W0075C 1.0 1.0 1.0 1.0
Producto W0007X 1,116 unidades W0033C 2.0 1.0 3.0 0.0
Nota: Vivian España ha dado su palabra a un cliente importante W0005X 0.0 4.0 0.0 3.0
de que fabricaremos para é1600 unidades del producto W0007X W0007X 1.0 1.0 0.0 2.0
y 150 unidades del producto W0075C durante abril
Costo estándar
Preguntas para análisis
MANO PRECIO 1. ¿Qué recomendaciones debería hacer Ron García y con qué jus-
DE COSTO DE tificación? Proporcione un análisis detallado con gráficas, dia-
PRODUCTO MATERIAL OBRA GENERAL VENTA gramas e impresiones de computadora.
W0075C $33.00 $ 9.90 $23.10 S100.00 2. Analice la posible necesidad de trabajadores temporales en el
departamento de trefilado.
W0033C 25.00 7.50 17.50 80.00 3. Analice la distribución de planta.
W0005X 35.00 10.50 24.50 130.00
Puente: Profesor Victor E. Sower, Sam Houston State University. Este material se
W0007X 75.00 11.25 63.75 175.00 basa en una situación real. Los nombres y datos fueron alterados para conservar su
confidencialidad.
Estudio de caso en Internet
Visite nuestra página en Internet, ww».pearsonenespañol.com/rendcri y consulte este estudio de caso

adicional: Agri Chem Corporation. Se refiere a la respuesta que da unk empresa a una escasez de
energía.
Bibliografía
Bassamboo, Achal, J. Michael Harrison y Assaf Zeevi. "Design and Control of Greenberg, H. J. "How to Analyze the Results of Linear Programs—Pan 3:
a Large Call Center: Asymptotic Analysis of an LP-Based Method", Infeasibility Diagnosis", Interfaces 23, 6 (noviembre-diciembre de 1993):
Operations Research 54, 3 (mayo-junio de 2006): 419-435. 120-139.
Behjat, Laleh, Anthony Vannelli y William Rosehart. "Integer Linear Programming Hafizoglu, A. B. y M. Azizoglu. "Linear Programming Based Approaches for the
Model for Global Routing", INFORMS Journal on Computing 18, 2 (prima- Discrete Time/Cost Trade-off Problem in Project Networks", Journal of
vera de 2006): 137-150. the Operational Research Society 61 (abril de 2010): 676-685.
Bixby, Robert E. "Solving Real-World Linear Programs: A Decade and More of Higle, Julia L y Stein W. Wallace. "Sensitivity Analysis and Uncertainty in Linear
Progress", Operations Research 50, 1 (enero-febrero de 2002): 3-15. Programming", Interfaces 33, 4 (julio-agosto de 2003): 53-60.
Bodington, C. E y T. E. Baker. "A History of Mathematical Programming in the Marszalkowski, Jakub y Drozdowski Maciej. "Optimization of Column Width in
Petroleum Industry", Interfaces 20, 4 (julio-agosto de 1990): 117-132. Website Layout for Advertisement Fit", European Journal of Operational
Boros, E., L. Fedzhora, P. B. Kantor, K. Saeger y P. Stroud. "A Large-Scale Linear Research 226, 3 (mayo de 2013): 592-601.
Programming Model For Finding Optimal Container Inspection Strategies", Murphy, Frederic H. "ASP, the Art and Science of Practice: Elements of a Theory
Naval Research Logistics 56, 5 (agosto de 2009): 404-420. of the Practice of Operations Research: Expertise in Practice", Interfaces 35,
Chakravarti, N. "Tea Company Steeped in OR", OR/MS Today 27, 2 (abril de 2000): 4 (julio-agosto de 2005): 313-322.
32-34. Orden, A. "LP from the `40s to the `90s", Interfaces 23, 5 (septiembre-octubre
Ching, Wai-Ki, Wai-On Yuen, Michael K. Ng y Shu-Qin Zhang. "A Linear de 1993): 2-12.
Programming Approach for Determining Optimal Advertising Policy", Pazour, Jennifer A. y Lucas C. Neubert. "Routing and Scheduling of Cross-Town
IMA Journal of Management Mathematics 17, 1 (2006): 83-96. Drayage Operations at J.B. Hunt Transpon", Interfaces 43, (marzo/abril de
Dantzig, George B. "Linear Programming Under Uncertainty", Management 2013): 117- 29.
Science 50, 12 (diciembre de 2004): 1764-1769. Romeijn, H. Ed n, Ravindra K. Ahuja, James F. Dempsey y Arvind Kumar.
Degbotse, Alfred, Brian T. Denton, Kenneth Fordyce, R. John Milne, Robert Orzell "A New Li Programming Approach to Radiation Therapy Treatment
y Chi-Taz Wang. "IBM Blends Heuristics and Optimization to Plan Its Semi- Planning Próblems", Operations Research 54, 2 (marzo-abril de 2006):
conductor Supply Chain", Interfaces 43 (marzo/abril de 2013): 130-141. 201-216.
Gass, Saul L "The First Linear-Programming Shoppe", Operations Research 50,1 Rubin, D. S. y H. M. Wagner. "Shadow Prices: 'lbs and Traps for Managers and
(enero-febrero de 2002): 61-68. Instructors", Interfaces 20, 4 (julio-agosto de 1990): 150-157.
Greenberg, H. J. "How to Analyze the Results of Linear Programs—Part 1: Preli- Wendell, Richard E. "Tolerance Sensitivity and Optimality Bounds in Linear
minaries", Interfaces 23, 4 (julio-agosto de 1993): 56-68. Programming", Management Science 50, 6 (junio de 2004): 797-803.

CAP. 07 Modelos de Programación Lineal Metodo Grafico PDF

Cargado por

Información del documento

Descripción original:

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

CAP. 07 Modelos de Programación Lineal Metodo Grafico PDF

Cargado por

Copyright:

Formatos disponibles

Modelos de programación

lineal: métodos gráficos

Después de estudiar este capítulo, el alumno será capaz de:

CONTENIDO DEL CAPÍTULO

7.2 Requisitos de un problema de programación lineal

7.3 Formulación de problemas de PL

Compañía Flair Furniture

HISTORIA Los inicios de la programación lineal

Mundial y fue asIgnado a trabajar en problemas de logística. Él vio

Las restricciones son

T = número de mesas a producir por semana

Ahora es posible crear la función objetivo de PL en términos de T y C. La función objetivo es maximizar

(4 horas por mesa)(Número de mesas producidas)

TABLA 7.2 )ETOR PARA

T > O (el número de mesas producido es mayor o igual que 0)

Ahora es posible replantear matemáticamente el problema completo como

Maximizar la utilidad = $70T + $50C

7.4 Solución gráfica a un problema de PL

Representación gráfica de las restricciones

40 Este eje representa

Por consiguiente, cuando C = 0, vemos que 4T = y que T = 60.

4(30) + 3 (20) = 180

4 (70) + 3 (40) = 400

A continuación, identificaremos la solución que corresponde a la segunda restricción, la cual limita el

Para encontrar dos puntos sobre la recta, seleccione T = O y despeje C:

2(0) + 1(0) = 0 < 100

Región Restricción de carpintería

Restricción de carpintería 4T + 3C 240 horas disponibles

Restricción de pintura 2T + 1C 5- 100 horas disponibles

Restricción de carpintería 4T + 3C s 240 horas disponibles

Restricción de carpintería 4T + 3C 240 horas disponibles

Método de solución de la recta de isoutilidad

Incremento de las ventas

Análisis Análisis de resultados

$2,100 = $70 T+ $50 C

$2,800 = $70(0) + $50C

$2,800 = $70T + $50(C)

$3,500 = $70 T+ $50C

60 $2,800 = $70T+ $50C

$2,100 = $70 T + $50C

$4,200 = $70 T + $50C

$4,100 = $70T+ $50C

Utilidad = 70T + 50C = 70(30) + 50(40) = $4,100

Así que la producción de 30 mesas y 40 sillas genera la utilidad máxima de $4,100.

Método de solución de los vértices

Para eliminar T, multiplicamos la segunda ecuación por —2:

—2(2T+ 1C= 100) = —4T — 2C = —200

y, después, la sumamos a la primera ecuación:

Por lo tanto, el último vértice es (30, 40).

Holgura = (Cantidad de recurso disponible) — (Cantidad de recurso utilizado)

Tiempo de holgura en carpintería = 240 — 155 = 85

Excedente = (Cantidad real) — (Cantidad mínima)

TABLA 7.4 MI:1'0W) DE ISOUTILIDAD

MÉTODO DE LOS VÉRTICES

7.5 Resolución del problema de PL de Flair Furniture usando QM para Windows,

Uso de QM para Windows

PROGRAMA 7.1A ( Las ecuaciones aparecerán

PROGRAMA 7.1B Ed:t View ?•.lociu!tr le.rnat Iools tidp

T C RHS Equation forre

Uso del comando Solver de Excel para resolver problemas de PL

Constraints 1145 (Hours used) RHS

PROGRAMA 7.2C A Debido a que hay un 1 en cada una de estas celdas,