Está en la página 1de 52

INTRODUCCIÓN

Las primeras actividades formales de investigación de operaciones se dieron en Inglaterra durante la


Segunda Guerra Mundial, cuando se encomendó a un equipo de científicos ingleses durante la toma
de decisiones acerca de la mejor utilización de materiales bélicos. Al término de la guerra, las ideas
formuladas en operaciones militares fueron adoptadas para mejorar la eficiencia y la productividad
en el sector civil. Hoy en día, la investigación de operaciones es una herramienta dominante e
indispensable para tomar decisiones. A los ingenieros, industriales, gerentes y todo aquel que desea
mejorar el desempeño de sus empresas y procesos, la investigación de operaciones es un auxiliar que
no debe de faltar.

UNIDAD 1. Metodología de la Investigación de Operaciones y Formulación de


Modelos.

Objetivo general Al término del curso, el alumno será capaz de aplicar las herramientas de
del curso modelado y programación lineal para tomar decisiones sin error.
Aprenderá a tomar decisiones en forma racional y realizara planeación
administrativa basada en programación lineal.

Objetivo Al término de la unidad, el alumno identificará la metodología de investigación de


particular operaciones sin errores y será capaz de formular modelos matemáticos y
resolverlos por medio del método gráfico partiendo de un conjunto de datos y
restricciones de un problema específico.

1.1 Modelos matemáticos de la investigación de operaciones


Objetivo Al término de la sesión el alumno identificará los modelos matemáticos de dos
operacional variables aplicados a la toma de decisiones, para maximizar utilidades o
minimizar costos.

Una manera de resumir las etapas usuales (no secuénciales) de un estudio de investigación de
operaciones es la siguiente:
1. Definición del problema de interés y recolección de los datos relevantes.
2. Formulación de un modelo matemático que represente el problema.
3. Desarrollo de un procedimiento basado en computadora para derivar una solución al
problema a partir del modelo.
4. Prueba del modelo y mejoramiento según sea necesario.
5. Preparación para la aplicación del modelo prescrito por la administración.
6. Puesta en marcha.
1

Definición del problema y recolección de datos

La primera actividad a realizar es estudiar el problema relevante y desarrollar un resumen bien


definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las
restricciones sobre lo que se puede hacer, las interrelaciones del área bajo estudio con otras áreas de
la organización, los diferentes cursos de acción posibles, los límites de tiempo para tomar una
decisión, etcétera. Este proceso de definición del problema es crucial ya que afectara en forma
significativa la relevancia de las conclusiones del estudio. Todos los datos deben ser verídicos, ya
que de lo contrario nos pueden llevar a tomar una decisión equivocada.

Por lo general un equipo de investigación de operaciones trabaja asesorando a personas de alta


gerencia que tienen que tomar decisiones que optimicen el funcionamiento de sus empresas.

La determinación de los objetivos es un aspecto importante de la formulación del problema. Es


necesario identificar a las personas de la administración que de hecho tomarán las decisiones
concernientes al sistema en estudio.

Los datos necesarios para el planteamiento y definición correcta del problema, generalmente tienen
relación con las diferentes áreas de la empresa, en estos datos se incluyen estudios de mercado,
proveedores, ingeniería industrial, planeación de producción, etcétera.

Ejemplos:

Un estudio de Investigación de Operaciones para el Departamento de Policía de San Francisco


(1) dio como resultado el desarrollo de un sistema computarizado para la programación y asignación
optima de los oficiales de patrulla de la policía. El nuevo sistema proporciono un ahorro anual de
$11 millones de dólares, un incremento anual de $3 millones en los ingresos por infracciones de
transito y una mejora de 20 % en los tiempos de respuesta. Al establecer los objetivos adecuados
para este estudio, se identificaron tres de ellos como fundamentales:
1. Mantener un alto nivel de seguridad civil.
2. Mantener un alto nivel de estado de ánimo de los oficiales.
3. Minimizar el costo de las operaciones.
2
Para satisfacer el primer objetivo, el departamento de policía y el gobierno de la ciudad
establecieron un nivel deseado de protección. El modelo matemático impuso entonces el
requisito de lograr este nivel de protección. De manera similar, el modelo impuso el requisito de
balancear la carga de trabajo entre los oficiales con el fin de lograr el segundo objetivo. Por
último, el tercer objetivo se incorporo adoptando la meta de largo plazo de minimizar el número
de oficiales necesarios para cumplir con los dos primeros objetivos.

El Departamento de Salud de New Haven, Connecticut utilizó un equipo de IO (2) para


diseñar un programa efectivo de intercambio de agujas para combatir el contagio del virus que
causa el Sida (VIH), tuvo éxito en la reducción del 33 % de la tasa de infección entre los clientes
del programa. La parte central de este estudio fue un innovador programa de recolección de datos
para obtener los insumos necesarios para los modelos matemáticos de transmisión del Sida. Este
programa abarco un rastreo completo de cada aguja (y cada jeringa), con la identificación,
localización y fecha de cada persona que recibía una aguja y cada persona que la regresaba
durante un intercambio, junto con la prueba de si la condición de la aguja era VIH positivo o
VIH negativo.

Un estudio de IO hecho para Citgo Petroleum Corporation (3) optimizó tanto las operaciones
de refinación como el abastecimiento, la distribución y la comercialización de sus productos,
logrando una mejora en las utilidades de alrededor de $70 millones de dólares al año. La
recolección de datos también jugo un papel muy importante en este estudio.
Referencias

1 P. E. Taylor y S. J. Huxley: “A break from Tradition for the San Francisco Police: Patrol
officer Scheduling using an Optimization Based Decision Support Sistem”, Interfaces, 19(1):
4 – 24, enero - febrero, 1989. pp. 4 – 11.
2 E. H. Kaplan y E. O’Keefe: “Let the Needles Do the Talking! Evaluating the New Haven
Needle Exchange”, Interfaces, 23 (1): enero – febrero, 1993. pp. 12 – 14.
3 D. Klingman, N. Phillips, D. Steiger, R. Wirt y W. Young: “The Challenges and Success
Factors in Implementing an Integrated Products Planning System for Citgo”, interfaces, 16
(3): 1 – 19, mayo – junio, 1986. pp. 11 – 14.
3
En este curso analizaremos modelos de dos variables tal como se describe en el siguiente
ejemplo:

La compañía R & M produce pinturas para interiores y exteriores utilizando dos materias primas
diferentes, en la siguiente tabla se proporcionan los datos básicos recolectados de las diferentes
áreas involucradas.
Tabla 1.1 Datos para análisis de los productos en la compañía R & M.
Ton de materia prima Ton de materia prima
Pinturas para Pinturas para Disponibilidad diaria
exteriores interiores Máxima (toneladas)
Materia prima 1 6 4 24
Materia prima 2 1 2 6
Utilidad por ton 5 4
(miles)

Una encuesta de mercado indica que la demanda diaria de pintura para interiores no puede ser
mayor que 1 tonelada más que la de pintura para exteriores. También, que la demanda máxima
diaria de pintura para interiores es de 2 toneladas.
La compañía R & M desea determinar la mezcla optima (la mejor) de productos para exteriores y
para interiores que maximice la utilidad diaria total.

El modelo de programación lineal, como cualquier modelo de investigación de operaciones, tiene


tres componentes básicos:
1 Las variables de decisión que se trata de determinar.
2 El objetivo (la meta) que se trata de optimizar.
3 Las restricciones que se deben satisfacer.

La definición correcta de las variables de decisión es un primer paso esencial en el desarrollo del
modelo. Una vez hecha, la tarea de construir la función objetivo, función que refleja el objetivo o
meta que se desea optimizar, y las restricciones, limitaciones del problema, se hace en forma
directa.
4
Para el ejemplo de las pinturas, la compañía R & M desea determinar las cantidades a producir
de pinturas para exteriores e interiores. Así, las variables del modelo se definen como sigue:

X1 = Toneladas producidas diariamente, de pintura para exteriores


X2 = Toneladas producidas diariamente, de pintura para interiores

Para formar la función objetivo, la empresa desea aumentar sus utilidades todo lo posible. Si Z
representa la utilidad diaria total (en miles de dólares), el objetivo de la empresa se expresa así:

Maximizar Z = 5X1 + 4X2

A continuación se definen las restricciones que limitan el uso de las materias primas y la
demanda. Las restricciones en materias primas se expresan verbalmente como sigue:

(Uso de una materia prima para ambas pinturas) ≤ (disponibilidad de materia prima)

Según los datos del problema:

Materia prima 1 6X1 + 4X2 ≤ 24


Materia prima 2 X1 + 2X2 ≤ 6

La primera restricción de la demanda indica que la diferencia entre la producción diaria de


pinturas para interiores y exteriores, X2 – X1, no debe ser mayor que 1 tonelada, y eso se traduce
en:
X2 – X1 ≤ 1
La segunda restricción estipula que la demanda máxima diaria de pintura para interiores se limita
a dos toneladas y se traduce a
X2 ≤ 2
Una restricción implícita (o “que se sobreentiende”) es que las variables X 1 y X2 no pueden
asumir valores negativos, se expresan X1, X2 ≥ 0
Nos interesa determinar la solución óptima factible que satisfaga todas las restricciones.
5
Ejercicios propuestos: Construya el modelo de programación lineal

1. Salvaje Oeste produce dos clases de sombrero vaquero. Un sombrero de la clase 1


requiere el doble de mano de obra que uno de la clase 2. Si toda la mano de obra se
dedicara solo a la clase 2, la empresa podría producir diariamente 400 de esos
sombreros. Los límites de mercado respectivos son 150 y 200 sombreros diarios para
esas clases. La utilidad es $8 por cada sombrero de la clase 1 y $5 por cada uno de la
clase 2. La empresa desea maximizar la utilidad diaria.
2. Una empresa fabrica dos productos, A y B. El volumen de ventas de A es, cuando menos,
80 % de las ventas totales de A y B. Sin embargo, la empresa no puede vender más de
100 unidades de A por día. Los dos productos usan una materia prima, cuya
disponibilidad diaria máxima es de 240 libras. Los consumos de la materia prima son 2
lbs. por unidad de A y 4 lbs. por unidad de B. Los precios unitarios de A y B son $20 y
$50, respectivamente. Se pretende determinar la combinación óptima de productos para
esta compañía.
3. En dos productos se requieren tres procesos consecutivos. El tiempo disponible para
cada proceso es 10 horas diarias. La tabla siguiente resume los datos del problema:

MINUTOS/UNIDA MINUTOS/UNIDAD MINUTOS/UNIDAD (DOLARES)


PRODUCTO PROCESO 1 PROCESO 2 PROCESO 3 UTILIDAD/UNIDAD
1 10 6 8 $2
2 5 20 10 $3
Se desea determinar la combinación óptima de fabricación de los dos productos y
encontrar un procedimiento para priorizar los tres procesos, para una posible
ampliación.
4. Flash company, puede anunciar sus productos en estaciones locales de radio o televisión.
El presupuesto para publicidad se limita a $10 000 mensuales. Cada minuto de un
anuncio de radio cuesta $15 y cada minuto de comercial en televisión cuesta $300. A
Flash le gusta usar al menos el doble de publicidad por la radio que por la televisión. Al
mismo tiempo considera que no es práctico usar más de 400 minutos de anuncios
radiofónicos cada mes. La experiencia indica que se estima que la publicidad por
televisión es 25 veces más efectiva que por la radio.
6
1.2 Modelado de Simulación

Al término de la sesión, el alumno será capaz de obtener una solución a partir


del modelo utilizando un programa especial de computación.

Introducción al programa de programación lineal

Para iniciar la enseñanza del uso del programa, DS para Windows, el alumno deberá iniciar
aprendiendo la forma de arrancar el programa a partir de la instalación en su computadora. Se inicia
dando dos clics sobre el icono del programa que se muestra a continuación:

Figura 1.1 Pantalla para introducción del icono del DS para Windows.

7
Al arrancar el programa la pantalla que aparecerá se observa en la figura 1.2, en ella se observa
un recuadro al centro, posicione en cursor y seleccione OK.

Figura 1.2 Recuadro que aparece después de arrancar el programa DS para Windows.

Después de haber seleccionado OK en el recuadro de la figura 1.2, aparecerá un menú de


aplicaciones donde deberemos seleccionar, programación lineal (linear programing), figura 1.3.
Este programa tiene muy variadas aplicaciones, tales como balanceo de líneas, programación
entera, simulación, control de calidad y muchas otras.

8
En la siguiente figura se tiene la pantalla que nos muestra el menú de aplicaciones del programa
DS para Windows versión 2.1.

Figura 1.3 Menú de aplicaciones del programa DS para Windows.

El programa puede ser utilizado para otras materias donde implique la toma de decisiones. El
curso de Investigación de Operaciones I es la materia donde utilizando el programa se
analizara el método grafico de programación Simplex.

9
Después de haber seleccionado la aplicación de programación lineal, posicionamos el cursor en
el menú superior en la palabra FILE y seleccionamos NEW, aparece una pantalla donde debemos
seleccionar el número de restricciones, número de variables y si se trata de maximización o
minimización, lo anterior se muestra en la figura 1.4.

Figura 1.4 Pantalla para indicar número de restricciones (constraints), número de


variables y si se trata de maximizar o minimizar.

Para efectos de la explicación del manejo del programa, utilizaremos el ejemplo visto en la
sección anterior donde obtuvimos el modelo de programación lineal, en el modelo mencionado la
compañía trata de obtener el programa óptimo de producción donde se maximice la utilidad neta
diaria. Por lo que en la pantalla anterior indicamos 4 restricciones, 2 variables y elegimos
maximizar. Después de lo anterior seleccionar OK, aparecerá la pantalla de la figura 1.5.

10
El modelo de programación lineal que se obtuvo para la empresa R & M fue el siguiente:

Maximizar Z = 5X1 + 4X2


Sujeto a: 6X1 + 4X2 ≤ 24
X1 + 2X2 ≤ 6
X2 – X1 ≤ 1
X2 ≤ 2
X1, X2 ≥ 0
En la pantalla de recolección de datos, se introducen los coeficientes del modelo de programación
lineal, que incluye, coeficientes de la función objetivo y de las restricciones que la sujetan, figura
1.5. En las dos sesiones iniciales, se explico la manera de construir modelos de programación lineal,
en esta sección se aprenderá la forma de introducir los datos al programa DS para Windows, como
obtener la gráfica, diferenciar los puntos esquina y el resultado óptimo.

Figura 1.5 Tabla de recolección de datos del modelo de programación lineal.

11
Para obtener la solución del modelo

Cuando se finaliza la introducción de los datos en la tabla que se muestra en la figura 1.5, se
introduce la instrucción SOLVE, se encuentra en la parte superior del lado derecho de la pantalla,
después de lo cual aparecerá la pantalla de la figura 1.6.

Figura 1.6 Cuadro de soluciones en puntos esquina y solución óptima.


El cuadro de solución nos indica que para obtener una utilidad máxima de 21 mil dólares
debemos producir 3 toneladas de pintura para exteriores y 1.5 toneladas de pintura para
interiores. Se trata de practicar el uso del programa para obtener una solución óptima del
problema en análisis. Aplique el mismo procedimiento a los problemas de la sección anterior.

12
1.3 Introducción a la programación lineal

Al término de la sesión el alumno conocerá las fases principales de un estudio de

investigación de operaciones y podrá construir un modelo de programación lineal con dos

variables.

La programación lineal se aplica a modelos de optimización en los que la función objetivo y las
restricciones son estrictamente lineales. La técnica se aplica en una amplia variedad de casos, en la
agricultura, industria, transporte, economía, salud, ciencias sociales.
Las fases principales de la implementación de la investigación de operaciones en la práctica
comprenden:
1. La definición del problema
2. La construcción del modelo
3. La solución del modelo.
4. La validación del modelo.
5. La implementación de la solución.

Definición del problema. Implica definir el alcance del problema que se investiga. Es una función
que se debe hacer entre todo el equipo de investigación de operaciones. Su resultado final será
identificar tres elementos principales del problema de decisión, que son: 1) la descripción de las
alternativas de decisión; 2) la determinación del objetivo del estudio, y 3) la especificación de las
limitaciones bajo las cuales funciona el sistema modelado.

Construcción del modelo. Implica traducir la definición del problema a relaciones matemáticas. Si
el modelo que resulte se ajusta a uno de los modelos matemáticos normales, como puede ser la
programación lineal, se puede llegar a una solución empleando los algoritmos disponibles. En forma
alternativa, si las relaciones matemáticas son demasiado complejas como para permitir el cálculo de
una solución analítica, puede ser que el equipo de investigación de operaciones opte por simplificar
el modelo y usar un método heurístico, o que el equipo pueda recurrir al uso de una simulación, si es
aproximada. En algunos casos se podrá necesitar una combinación de modelos matemáticos, de
simulación y heurísticos para resolver el problema de decisiones.
13
Solución del modelo. Es la fase más sencilla de todas las de investigación de operaciones, porque
supone el uso de algoritmos bien definidos de optimización. Un aspecto importante de la fase de
solución del modelo es el análisis de sensibilidad. Tiene que ver con la obtención de información
adicional sobre el comportamiento de la solución óptima cuando el modelo sufre ciertos cambios de
parámetros. Se necesita en especial el análisis de sensibilidad cuando no se pueden estimar con
exactitud los parámetros del modelo. En esos casos es importante estudiar el comportamiento de la
solución óptima en las proximidades de los parámetros estimados.

Validación del modelo. Comprueba si el modelo propuesto hace lo que se quiere que haga, esto es,
¿predice el modelo en forma adecuada el comportamiento del sistema que se estudia? El equipo de
investigación de operaciones se debe asegurar que el resultado del modelo no incluya “sorpresas”.
En otras palabras, ¿tiene sentido la solución? ¿Se pueden aceptar intuitivamente los resultados?
Desde el lado formal, un método frecuente para comprobar la validez de un modelo es comparar su
resultado con datos históricos. El modelo es valido si, bajo condiciones de datos semejantes,
reproduce el funcionamiento en el pasado. Sin embargo, en general no hay seguridad de que el
funcionamiento en el futuro continué reproduciendo los datos del pasado. También, como el modelo
se suele basar en un examen cuidadoso de los datos históricos, la comparación propuesta debería ser
favorable. Si el modelo propuesto representa un sistema nuevo, no existente, no habrá datos
históricos para las comparaciones. En esos casos se podría recurrir a una simulación, como
herramienta independiente para verificar los resultados del modelo matemático.

Implementación. Implica la traducción de los resultados de un modelo validado a instrucciones de


operación emitidas en forma comprensible para las personas que administraran el sistema
recomendado. La carga de esta tarea la lleva principalmente el equipo de investigación de
operaciones.
14
Modelo de programación lineal con dos variables

En la sección de modelado, la función objetivo y las restricciones son lineales todas. La linealidad
implica que la programación lineal debe satisfacer dos propiedades: proporcionalidad y aditividad.

Proporcionalidad. Requiere que la contribución de cada variable de decisión en la función


objetivo, y sus requerimientos en las restricciones, sea directamente proporcional al valor de la
variable. Por ejemplo, en el modelo de R & M, las cantidades de 5X 1 y 4X2 expresan las utilidades
por producir X1 y X2 toneladas de pintura para exteriores y para interiores respectivamente, y las
utilidades unitarias por tonelada que son 5 y 4, definen las constantes de proporcionalidad. Si por
otro lado la compañía R & M ofrece descuentos por cantidad cuando las ventas sean mayores que
ciertas cantidades ya no será proporcional a las cantidades producidas X1 y X2.

Aditividad. Estipula que la contribución total de todas las variables en la función objetivo y sus
requerimientos en las restricciones, sean la suma directa de las contribuciones o requerimientos
individuales de cada variable. En el modelo de R & M, la utilidad es igual a la suma de dos
componentes individuales de utilidad. Sin embargo, si los dos productos compiten por la misma
parte de mercado en forma tal que un aumento de ventas de uno afecte negativamente al otro, ya no
se satisface la propiedad de aditividad.

Divisibilidad. Se refiere a que las variables de decisión, en un modelo de programación lineal


pueden tomar cualquier valor, incluso valores no enteros, que satisfagan las restricciones funcionales
y de no negatividad. Como cada variable de decisión representa el nivel de alguna actividad, se
supondrá que las actividades se pueden realizar a niveles fraccionales.

Certidumbre. Se refiere a los parámetros del modelo, es decir, a los coeficientes en la función
objetivo, en las restricciones funcionales y los coeficientes del lado derecho de las restricciones. Por
lo cual asumimos que los valores asignados a cada parámetro de un modelo de programación lineal
son constantes conocidas. Siempre es importante realizar un análisis de sensibilidad, es decir,
identificar los parámetros sensibles (aquellos cuyo valor no puede cambiar mucho sin cambiar la
solución optima), ya que un cambio mayor en el valor de un parámetro sensible da la señal inmediata
de la necesidad de un cambio en la solución que se esta usando.
15

En algunos casos, el grado de incertidumbre en los parámetros es demasiado grande para que el
análisis de sensibilidad lo pueda manejar. Entonces es necesario establecer, en forma explicita, estos
parámetros como variables aleatorias.

Se hace hincapié en que el modelo matemático intenta ser solo una representación idealizada del
problema real. Por lo general se requieren aproximaciones y las suposiciones de simplificación para
que el problema se pueda manejar. Agregar demasiados detalles y precisión puede hacer que el
modelo sea difícil de manejar para llevar a cabo un análisis útil del problema. Todo lo que en
realidad se necesita es que exista una correlación relativamente alta entre la predicción del modelo y
lo que de hecho pasaría en el problema de la vida real.

Práctica:

Para el modelo de R & M, defina cada una de las siguientes restricciones y exprésela con una
constante del lado derecho:

a) La demanda diaria de pintura para interiores es mayor que la de pintura para


exteriores en al menos 1 tonelada.
b) El uso diario de la materia prima M2 es de 6 toneladas cuando mucho, y 3 toneladas
cuando menos.
c) La demanda de pintura para interiores no puede ser menor que la demanda de pintura
exteriores.
d) La cantidad mínima que se debe producir de pinturas para interiores y para exteriores
es de 3 toneladas.
e) La proporción de pintura para interiores entre la producción total de pinturas para
interiores y para exteriores no debe ser mayor que o.5.

16
1.4 Construcción del modelo de programación lineal

Al término de la sesión el alumno será capaz de construir el modelo matemático de


programación lineal a partir de datos textuales relacionados con el problema de investigación
de operaciones.

Esta sección será enfocada hacia la adquisición de la habilidad para traducir datos textuales a
lenguaje matemático, se proporcionaran ejemplos al estudiante para posteriormente aplicar ejercicios
de reforzamiento.

Ejemplo prototipo

La Wyndor Glass Co. Produce artículos de vidrio de alta calidad, que incluyen ventanas y puertas de
vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera
en la planta 2; la 3 produce el vidrio y se encarga del ensamblado de los productos.
Debido a una reducción en las ganancias, la alta administración ha decidido reorganizar la línea de
producción de la compañía. Se descontinuaran varios productos no rentables y se dejará libre una
parte de la capacidad de producción para emprender la fabricación de dos productos nuevos que
tienen ventas potenciales grandes:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio.
Producto 2: una ventana de resbalón con marco de madera de 4 X 6 pies.
El producto 1 requiere parte de la capacidad de producción en las plantas 1 y 3 y nada en la planta 2.
El producto 2 solo necesita trabajo en las plantas 2 y 3. La división de comercialización ha concluido
que la compañía puede vender todos los productos que se puedan fabricar en las plantas. Sin
embargo, como ambos productos competirán por la misma capacidad de producción en la planta 3,
no esta claro que mezcla de productos seria la más rentable. Por lo tanto, se ha formado un equipo de
investigación de operaciones para estudiar este problema.
17
El equipo de investigación de operaciones comenzó por realizar juntas con la alta administración
para identificar los objetivos del estudio y desarrollaron la siguiente definición del problema:
Determinar que tasas de producción deben tener los dos productos con el fin de maximizar las
utilidades totales, sujetas a las restricciones impuestas por las capacidades de producción limitadas
disponibles en las tres plantas. (Cada producto se fabricara en lotes de 20, de manera que la tasa de
producción esta definida como el número de lotes que se producen a la semana.) Se permite
cualquier combinación de tasas de producción que satisfaga estas restricciones, incluso no producir
uno de los productos y todo lo que sea posible del otro.

El equipo de investigación de operaciones también identifico los datos que necesitaba reunir:
1. Número de horas de producción disponibles por semana en cada planta para estos nuevos
productos. (Casi todo el tiempo de estas plantas esta comprometido con los productos
actuales, lo que limita la capacidad para nuevos productos.)
2. Número de horas de producción que usa cada lote producido de cada producto nuevo en cada
una de las plantas.
3. Las ganancias por lote de cada producto nuevo. (Se escogió la ganancia por lote producido
como una medida adecuada una vez que el equipo llego a la conclusión de que la ganancia
incremental de cada lote adicional producido sería en esencia constante sin importar el
número total de lotes producidos. Debido a que no se incurre en costos sustanciales para
iniciar la producción y en la comercialización de estos nuevos productos, la ganancia total de
cada uno es aproximadamente esta ganancia por lote producido multiplicada por el número
de lotes.)

La obtención de estimaciones razonables de estas cantidades requirió el apoyo de personal clave en


varias unidades de la compañía. El personal de la división de manufactura proporciono los datos de
la primera categoría mencionada. El desarrollo de estimaciones para la segunda categoría requirió un
análisis por parte de los ingenieros de manufactura involucrados en el diseño de los nuevos
productos. Al analizar los datos de estos ingenieros junto con la decisión sobre los precios de la
división de mercadotecnia, el departamento de contabilidad calculo las estimaciones para la tercera
categoría. Los datos reunidos se muestran en la tabla siguiente.
18
Tabla 1.2 Datos para el problema de la Wyndor Glass Co.
TIEMPO DE TIEMPO DE
PRODUCCIÓN POR LOTE PRODUCCIÓN POR LOTE
(HORAS) (HORAS)
PRODUCTO PRODUCTO
TIEMPO DE PRODUCCIÓN
PLANTA 1 2 DISPONIBLE POR
SEMANA (HRS.)
1 1 0 4
2 0 2 12
3 3 2 18
GANANCIA POR LOTE $ 3 000 $ 5 000

Formulación como un problema de programación lineal

Para formular el modelo matemático (de programación lineal) para este problema, definimos
primero las variables de decisión enfocándonos en cual es el objetivo o meta del estudio, en este caso
es la mezcla de productos que optimice las ganancias de la empresa por lo que determinamos:
X1 = número de lotes del producto 1 fabricados por semana
X2 = número de lotes del producto 2 fabricados por semana
Z = ganancia semanal total (en miles de dólares) al producir estos dos productos

El objetivo es elegir los valores de X1 y X2 que maximizan Z = 3X1 + 5X2, sujeta a las restricciones
impuestas sobre sus valores por las capacidades de producción limitadas disponibles en las tres
plantas. La tabla 1.2 indica que cada lote del producto 1 que se produce por semana usa 1 hora de
producción a la semana en la planta 1, y solo se dispone de 4 horas semanales. Matemáticamente
esta restricción se expresa mediante la desigualdad X1≤ 4. De igual manera, la planta 2 impone la
restricción 2X2 ≤ 12. El número de horas de producción usadas a la semana en la planta 3 que se
consume al elegir X1 y X2 como las tasas de producción de los nuevos productos seria
matemáticamente 3X1 + 2X2 ≤ 18 y por último como las tasas de producción no pueden ser
negativas, se tiene que X1, X2 ≥ 0.

19
Resumiendo, en el lenguaje matemático de programación lineal, el problema consiste en seleccionar
valores de X1 y X2 para
Maximizar Z = 3X1 + 5X2

Sujeta a las restricciones

X1 ≤ 4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
X1 ≥ 0, X2 ≥ 0

Observe como la información que se proporciona en la tabla 1.2 queda en esencia duplicada en la
distribución de los coeficientes de X1 y X2 en el modelo de programación lineal.

20
1.5 Solución gráfica del modelo de programación lineal
Al término de la sesión el alumno conocerá la solución gráfica con dos variables.

El procedimiento de solución gráfica comprende dos pasos:

1. Determinación del espacio de soluciones que define todas las soluciones factibles del
modelo.
2. Determinación de la solución óptima, entre todos los puntos factibles del espacio de
soluciones.

El método gráfico se puede utilizar cuando tenemos dos variables de decisión, dos dimensiones. Se
puede construir la gráfica con X1 y X2 en los ejes. El primer paso es identificar los valores de (X 1,
X2) permitidos por las restricciones. Esto se hace dibujando cada una de las rectas que limitan los
valores permitidos por una restricción. Para comenzar, note que las restricciones de no negatividad
exigen que el punto (X1, X2) este en el lado positivo de los ejes. Una característica de este método es
que la solución óptima del modelo se encuentra en uno de los puntos extremos, llamados puntos
esquina.

Al identificar los puntos esquina, se observará cuales son las ecuaciones que representan las líneas
que pasan por el punto esquina, se utiliza el método de ecuaciones simultaneas para encontrar los
valores de X1 y X2.

Cuando evaluamos la función objetivo en los valores de X1 y X2, podemos seleccionar el valor
óptimo de acuerdo a si se trata de maximización o de minimización.

21
1.6 Solución de un modelo de maximización
Al terminar esta sección el alumno conocerá la metodología para solución de un problema de
maximización utilizando el método gráfico.

Para ilustrar el método gráfico utilizaremos el modelo siguiente:


Maximizar Z = 3X1 + 5X2
X1≤ 4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
X1 ≥ 0, X2 ≥ 0

2X2 ≤ 12

X1≤ 4

3X1 + 2X2 ≤ 18

Figura 1.7 Gráfica del problema Wyndor Glass Co.

22
Al graficar las desigualdades encontramos los puntos esquinas siguientes:
Tabla 1.3 Puntos esquina del modelo Wyndor Glass Co.
X1 X2 Z
0 0 0
4 0 12
0 6 30
4 3 27
2 6 36

Cada uno de los puntos esquina es localizado utilizando el método de ecuaciones simultaneas para
encontrar los valores de X1 y X2 para luego ser sustituidos en la función objetivo y encontrar el valor
de Z.

La solución óptima del modelo indica que para maximizar las utilidades se tienen que producir 2
lotes del producto 1 y 6 lotes del producto 2 para obtener una utilidad máxima de 36 mil dólares.

23
1.7 Solución de un modelo de minimización
El alumno sabrá utilizar la metodología para solucionar un modelo de minimización utilizando
el método gráfico.
En el siguiente ejemplo abordaremos un modelo de minimización
Ejemplo 2 Problema del alimento especial
En Granjas Rufino se utiliza diariamente un mínimo de 800 libras (lbs.) de un alimento especial que
es una mezcla de maíz y soya, con las composiciones siguientes:

Tabla 1.4 Datos del problema del alimento especial.


Libra por libra de alimento
Alimento Proteínas Fibras Costo ($/lb.)
Maíz 0.09 0.02 0.30
Soya 0.60 0.06 0.90

Las necesidades dietéticas del alimento especial son un mínimo de 30 % de proteínas y un máximo
de 5 % de fibras. Granjas Rufino desea determinar las proporciones de alimento que produzcan un
costo diario mínimo.

Como la mezcla de alimentos consiste en maíz y soya, las variables las variables de decisión del
modelo se definen como sigue:
X1 = libras de maíz en la mezcla diaria
X2 = libras de soya en la mezcla diaria

La función objetivo trata de minimizar el costo (en dólares) diaria total de la mezcla de alimentos, y
en consecuencia se expresa como sigue:

Minimizar Z = 0.30X1 + 0.90X2


Las restricciones del modelo reflejan la cantidad diaria necesaria y los requerimientos dietéticas. Se
necesita un mínimo de 800 libras diarias de alimento, la restricción correspondiente se puede
expresar como sigue:
X1 + X2 ≥ 800
24
En cuanto a la restricción dietética de necesidades de proteína, la cantidad de proteína que contienen
X1 libras de maíz y X2 libras de soya es (0.09X 1 + 0.6X2) libras. Esta cantidad debe ser cuando
menos igual al 30 % de la mezcla total de alimentos, (X1 + X2) libras, esto es:
0.09X1 + 0.6X2 ≥ 0.30(X1 + X2)
De manera similar, la restricción de la fibra se define como:

0.02X1 + 0.06X2 ≤ 0.05(X1 + X2)

Las restricciones se simplifican agrupando todos los términos en X1 y en X2 y pasándolos al lado


izquierdo de cada desigualdad, para que solo quede una constante en el lado derecho. Así el modelo
completo queda de la siguiente forma:

Minimizar Z = 0.30X1 + 0.90X2


Sujeta ha
X1 + X2 ≥ 800

0.21 X1 – 0.30X2 ≤ 0

0.03 X1 - 0.01X2 ≥ 0

X1, X2 ≥ 0

La figura 1.8 muestra la solución gráfica del modelo, se puede observar que la segunda y tercera
restricciones pasan por el origen. Para graficar las rectas correspondientes solo se necesita un punto
adicional, que se puede obtener asignando un valor a una de las variables y despejando la otra. Cada
una de las líneas debe tener su línea indicando la dirección hacia donde se mueve o abarca, etiquete
cada línea escribiendo sobre ella la ecuación que representa.

25
0.03 X1 - 0.01X2 ≥ 0

0.21 X1 – 0.30X2 ≤ 0

X1 + X2 ≥ 800

Figura 1.8 Solución gráfica para el modelo de Granjas Rufino

En este modelo se busca minimizar la función objetivo, necesitamos reducir todo lo posible el valor
de Z, la solución óptima es la intersección de las dos rectas, X 1 + X2 = 800 y 0.21X1 – 0.3X2 = 0; así
se obtienen X1 = 470.6 libras y X2 = 329.4 libras. El costo mínimo correspondiente, de la mezcla de
alimentos, es Z = $ 437.64 diarios. Como se dijo en el ejemplo anterior es necesario calcular los
valores en los puntos esquina y evaluarlos en la función objetivo.
Tabla 1.5 Puntos esquina del problema Granjas Rufino
Puntos esquina
X1 X2 Z
470.5883 329.4117 437.65
200 600 600

26
Ejercicios propuestos:
1. Luz del centro es dueña de una central turbogeneradora. Como en los alrededores hay abundantes
depósitos de carbón, la central genera su vapor con ese combustible. Sin embargo, eso puede causar
una emisión que no cumpla con las normas ambientales, que limitan la descarga de dióxido de azufre
a 2000 partes por millón por tonelada de carbón quemado, y la descarga de humo por las chimeneas
a 20 libras por hora. La empresa recibe dos clases de carbón pulverizado, C1 y C2, que usa en sus
calderas. Las dos clases se suelen mezclar antes de quemarlas. Para simplificar, se puede suponer
que el dióxido de azufre contaminante de la mezcla (en partes por millón) es un promedio ponderado
para cada clase que se usa en la mezcla. Los datos siguientes se basan en 1 tonelada de consumo por
hora, de cada uno de las dos clases de carbón.
Descarga de azufre Descarga de humo Vapor generado
Clases de carbón Partes por millón Libras por hora Libras por hora
C1 1 800 2.1 12 000
C2 2 100 0.9 9 000
Determine la relación óptima de mezcla de las dos clases de carbón.

2. En Clean S.A. se usan las materias primas I y II para producir dos soluciones limpiadoras
domesticas, A y B. La disponibilidad diaria de las materias primas I y II es de 150 y 145 unidades,
respectivamente. Una unidad de solución A consume 0.5 unidades de materia prima I y 0.6 unidades
de materia prima II; una unidad de solución B requiere 0.5 unidades de materia prima I y 0.4
unidades de materia prima II. Las utilidades unitarias de las soluciones A y B son $8 y $10,
respectivamente. La demanda diaria de la solución A esta entre 30 y 150 unidades, y la de la solución
B entre 40 y 200 unidades.
Calcule las cantidades óptimas de A y B que debe producir Clean Co.

27
3. Una línea de ensamble esta formada por tres estaciones consecutivas, y produce dos modelos de
radio: Alta fidelidad 1 y Alta fidelidad 2. En la siguiente tabla se ven los tiempos de ensamble en las
tres estaciones de trabajo.
Minutos por unidad
función de trabajo Alta Fidelidad 1 Alta Fidelidad 2
1 6 4
2 5 5
3 4 6
El mantenimiento diario de las estaciones 1, 2 y 3 consume 10, 14 y 12 %, respectivamente, de los
480 minutos máximos disponibles en cada estación por día.
La empresa desea determinar la combinación óptima de productos con la que se minimicen los
tiempos de paro (o tiempos no usados) en las tres estaciones de trabajo.

4. Electra produce dos clases de motores eléctricos, cada uno en una línea de producción aparte. Las
capacidades diarias de las dos líneas son de 600 y de 750 motores. El motor tipo I usa 10 unidades
de cierto componente electrónico, y el motor tipo 2 usa 8 unidades. El proveedor de ese componente
puede suministrar 8000 piezas por día. Las utilidades son $60 por cada motor tipo I y $40 cada uno
de tipo 2.
Determine la mezcla óptima de producción diaria.

5. Enlatadora LOMAX es contratada para que reciba 60 000 libras de piñas a 7 centavos por libra,
con los cuales produce jugo y mermelada, ambos enlatados. Se empacan en cajas de 24 latas. En una
lata de mermelada se usa 1 libra de pina, y en una de jugo solo 1/3 de libra. La demanda maxima es
de 1500 cajas de jugo y 4000 cajas de mermelada. Los precios al mayoreo por caja de mermelada y
de jugo son $18 y $9 respectivamente. Determine un programa óptimo de producción para la
compañía LOMAX.

28
1.8 Variables de holgura y exceso
Al final de la sesión los alumnos sabrán determinar si una variable es de holgura o de exceso y sabrán
explicar su aplicación en la solución de problemas de programación lineal. Es necesario diferenciar,
ya que podremos transformar las desigualdades a ecuaciones mediante su utilización.
La sección anterior subrayo los conceptos geométricos fundamentales de la investigación de
operaciones, sin embargo, el método algebraico se basa en la solución de sistemas de ecuaciones. Así
pues, es necesario convertir las restricciones funcionales de desigualdad en restricciones de igualdad
equivalentes. (las restricciones de no negatividad se dejan como desigualdades porque se manejan
por separado.) Esta conversión se logra con la introducción de variables de holgura. Para
ejemplificar, considere la primera restricción funcional en el problema de la Wyndor Glass Co. Visto
en la sección anterior. Nos sirve de preparación para abordar el método simplex.

X1≤ 4
La variable de holgura para esta restricción se define como

S1 = 4 - X1
que es la holgura que queda en el lado izquierdo de la desigualdad. Se tiene entonces,
X1 + S1 = 4

Al introducir variables de holgura en las otras restricciones funcionales, el modelo de programación


lineal original se puede sustituir por el modelo equivalente.

Las variables de holgura no se muestran en la función objetivo porque sus coeficientes son cero.

Si una variable de holgura es igual a 0 en la solución actual, entonces esta solución se encuentra
sobre la frontera de restricción para la restricción funcional correspondiente. Un valor mayor que
cero significa que la solución esta en el lado factible de la frontera de restricción, mientras que un
valor menor que cero significa que esta en el lado no factible de esta frontera. Se pide no olvidar la
forma en que una desigualdad se puede convertir a ecuación mediante el uso de las variables de
holgura o de exceso.

29
Resumiendo la unidad, se tiene que la solución optima de un programa lineal siempre esta asociada
con un punto esquina del espacio de soluciones. Este resultado es la clave del método simplex
algebraico y de uso general para resolver cualquier modelo de programación lineal.
Para estandarizar, la representación algebraica del espacio de soluciones de programación lineal se
forma bajo dos condiciones:
1. Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado derecho no
negativo.
2. Todas las variables son no negativas.

En las restricciones (≤), el lado derecho se puede imaginar como representando el limite de
disponibilidad de un recurso, y en ese caso el lado izquierdo representaría el uso de ese recurso
limitado por parte de las actividades (variables) del modelo. La diferencia entre el lado derecho y el
lado izquierdo de la restricción (≤) representa, por consiguiente, la cantidad no usada u holgura del
recurso.
Una restricción (≥) establece, normalmente, un límite inferior para las actividades del modelo de
programación lineal. Como tal, la cantidad por la que el lado izquierdo es mayor que el limite
mínimo (lado derecho) representa un excedente. La conversión de (≥) a (=) se logra restando una
variable de excedente, del lado izquierdo de la desigualdad. Por ejemplo:
X1 + X2 ≥ 800
Podemos definir a S1 como una variable de exceso y podemos convertir la restricción en la siguiente
ecuación: X1 + X2 - S1 = 800, S1 ≥ 0
Ejercicios propuestos
Convertir las siguientes desigualdades a ecuaciones
1. 6X1 + 4X2 ≤ 24
2. X1 + X2 ≤ 8

30
1.9 Análisis gráfico de sensibilidad
El objetivo de esta sección es que el alumno aprenda a realizar el análisis de sensibilidad de la
solución óptima de un modelo de programación lineal en forma gráfica.
Un modelo de programación lineal es una foto instantánea de una situación real en la que los
parámetros del modelo (coeficientes de la función objetivo y de las restricciones) asumen valores
estáticos. Para aumentar la aplicación de la programación lineal en la práctica, se necesita agregar
una dimensión dinámica que investigue el impacto que tiene hacer cambios en los parámetros del
modelo (coeficientes de la función objetivo y de las restricciones) sobre la solución óptima. A este
proceso se le llama análisis de sensibilidad, porque estudia la sensibilidad de la solución óptima
respecto a los cambios que se hagan en el modelo.

En esta sesión se investigarán dos casos de análisis de sensibilidad basados en la solución grafica de
la programación lineal:
1. Cambios en los coeficientes de la función objetivo
2. Cambios en el lado derecho de las restricciones.

Para ilustrar la explicación del análisis gráfico se usara el programa DS para Windows, con el cual
podremos observar la grafica de un modelo específico para después agregar la dimensión dinámica,
para este efecto utilizaremos el modelo siguiente:
Z = 5X1 + 4X2
Sujeta a
6X1 + 4X2 ≤ 24
X1 + 2X2 ≤ 6
X2 ≤ 2
- X1 + X2 ≤ 1

X1, X2 ≥ 0

31
1.10 Cambios en la función objetivO
Al final de la sesión los alumnos sabrán los efectos de hacer cambios en la función objetivo
dentro de un modelo de programación lineal con dos variables.
La función objetivo en general en un problema de programación lineal con dos variables se puede
escribir de la manera siguiente:
Maximizar o minimizar Z = C1X1 + C2X2

Los cambios en los coeficientes C1 y C2 harán cambiar la pendiente de Z y en consecuencia,


posiblemente, el punto de esquina optimo. Sin embargo, hay un intervalo de variación, tanto para C 1
como para C2 dentro del cual el óptimo del momento permanece sin cambio. En forma especifica
nos interesa determinar el intervalo de optimalidad de la relación C 1/C2 (o de C2/C1) donde se
mantenga sin cambio la solución óptima del momento.

- X1 + X2 ≤ 1
6X1 + 4X2 ≤ 24

Z = 5X1 + 4X2
Intervalo de
optimalidad

D C X2 ≤ 2
E

F
X1 + 2X2 ≤ 6

A B

Figura 1.9 Gráfica antes de calcular el intervalo de optimalidad.

32
Refiriéndonos al modelo R & M, la solución óptima es proporcionada en el punto C. Si se cambia la
solución objetivo a Z = C1X1 + C2X2, la solución en C permanecerá óptima mientras la pendiente de
Z quede entre las pendientes de las dos líneas que se cruzan en C, que son
6X1 + 4X2 = 24
X1 + 2X2 = 6

De acuerdo a lo anterior la relación algebraica se puede expresar como

Si C1 ≠ 0 4 ≤ C2 ≤ 2
6 C1 1

o bien

Si C 2 ≠ 0 1 ≤ C1 ≤ 6
2 C2 4

C1 ≠ 0 significa que la recta de la función objetivo no puede ser horizontal.


C2 ≠ 0 significa que Z no puede ser vertical.

Mientras las relaciones mostradas estén dentro de los límites especificados, la solución óptima
permanece sin cambio en el punto C.

Se pueden usar las condiciones dadas para determinar el intervalo óptimo para cada uno de los
coeficientes cuando el otro permanece con su valor original, en Z = 5X 1 + 4X2. Así, dado C2 = 4, el
intervalo óptimo asociado para C1 se determina a partir de la condición
1 ≤ C1 ≤ 6
2 C2 4

Sustituyendo C2 = 4, se obtiene 2 ≤ C1 ≤ 6

en forma similar, dado C1 = 5, utilizando la condición

4 ≤ C2 ≤ 2 Sustituyendo C1 = 5 se obtiene
6 C1 1

que 10 ≤ C2 ≤ 10.
3
33
Ejercicios propuestos

Determine gráficamente el intervalo de optimalidad, para los problemas siguientes, tenga en cuenta
los casos especiales donde C1 o C2 pueden asumir un valor de cero.

1. Maximizar Z = 2X1 + 3X2


Sujeta a
3X1 + 2X2 ≤ 6
- X1 + X2 ≤ 0
X1, X2 ≥ 0

2. Maximizar Z = 6X1 + 3X2

Sujeta a
3X1 + 2X2 ≤ 6
X1 - X2 ≤ 0
X1, X2 ≥ 0

3. Maximizar Z = X1 + X2

Sujeta a
-X1 + X2 ≤ 0
3X1 - X2 ≤ 3
X1, X2 ≥ 0

34
Cambio en la disponibilidad de recursos

En los modelos de programación lineal, las restricciones representan el uso de recursos limitados, ya
sea en forma directa o indirecta. En este caso, se puede imaginar que el lado derecho representa
límites de disponibilidad de los recursos. En esta sección se investigara la sensibilidad de la solución
óptima a cambios en la cantidad de los recursos disponibles, lo que no servirá de base para el cálculo
del valor por unidad de un recurso.

Utilizando nuevamente como referencia el modelo R & M, donde el valor óptimo actual esta en el
punto C y es la intersección de las rectas asociadas con las materias primas M 1 y M2. Cuando cambia
la disponibilidad de M1 (aumenta o disminuye respecto a su valor actual de 24 toneladas), y si M 2 =
6 toneladas, la solución optima en el punto C se “deslizara” a lo largo del segmento de recta DG.
Todo cambio en M1 fuera del intervalo de este segmento hará que el punto C (la intersección de las
dos rectas relacionadas con M1 y M2) no sea factible. Por esta razón se dice que los puntos extremos
D(2, 2) y G(6, 0) limitan al intervalo de factibilidad de M1. Así,

Cantidad de M1 en D = 6X1 + 4X2 = 6 x 2 + 4 x 2 = 20 toneladas


Cantidad de M1 en G = 6X1 + 4X2 = 6 x 6 + 4 x 0 = 36 toneladas
En consecuencia, si M2 = 6, el intervalo de factibilidad para M1 es
20 ≤ M1 ≤ 36
Este resultado indica que M1 puede bajar hasta 4 toneladas o aumentar hasta 12 toneladas y seguir
garantizando que el punto de la solución optima seguirá siendo la intersección de las rectas asociadas
con M1 y M2. En forma analógica el intervalo de factibilidad para M2 mientras M1 = 24 es

4 ≤ M2 ≤ 20
3

Lo que indica que M2 puede bajar hasta 2 toneladas o aumentar 2 tercios de tonelada (de 6 a 6.66
toneladas) sin que cambie el punto de la solución óptima, que seguirá en la intersección de las rectas
de M1 y M2. En la figura 1.10 se muestra el intervalo de factibilidad para la materia prima M1.

35
Intervalo de
Optimalidad de
M1

M1 = 36 ton

M1 = 20 ton

Figura 1.10 Intervalo de optimalidad de M1 en DG.

1.11 Valor por unidad de un recurso


Al finalizar la sesión el alumno será capaz de realizar el análisis del valor por unidad de un
recurso.
La figura 1.11 muestra que se puede concebir a un modelo de programación lineal como uno de
entrada y salida o de datos y resultados, en el que los recursos limitados representan los datos y el
valor de la solución objetivo representa el resultado. Una consecuencia útil de este modelo es
determinar como los cambios en sus datos (recursos) pueden influir sobre su resultado (el valor
objetivo). Esa medida se puede obtener como subproducto de los cálculos del intervalo de
factibilidad.

Si yi representa el valor de cada unidad del recurso i, la formula correspondiente para calcular esta
medida es
yi = cambio de valor de Z correspondiente a intervalo factible del recurso i
intervalo factible del recurso i

36
Actividades del modelo de
Recursos programación lineal Valor objetivo del
del modelo modelo, Z

Figura 1.11 Representación de un programa lineal como modelo de entrada y salida.

Para ilustrar la manera de calcular el valor por unidad de un recurso, se usará como referencia la
figura 1.10 que muestra el intervalo factible para M1, 20 ≤ M1 ≤ 36, y esta definido por los puntos D
y G. Por consiguiente:
yi = cambio en Z del punto D a G
cambio en M1 de D a G

como D = (2, 2) y G = (6, 0), entonces


Z en D = 5 x 2 + 4 x 2 = 18 (miles de dólares)
Z en G = 5 x 6 + 4 x 0 = 30 (miles de dólares)

Por lo tanto, sustituyendo en la formula


yi = 30 – 18 = 0.75 (miles de dólares por tonelada de M1)
36 – 20

El resultado indica que un cambio de 1 tonelada en M1, en el intervalo 20 ≤ M1 ≤ 36, hará cambiar el
valor óptimo de Z en $750 dólares.

Al aplicar los conocimientos anteriores el estudiante será capaz de analizar los efectos de cambios en
la función objetivo y en los recursos. Podrá calcular los efectos de los cambios mencionados sobre el
valor por unidad de un recurso.

37
Ejercicio propuesto

1. Considere que el intervalo de factibilidad de la materia prima es


4 ≤ M2 ≤ 20
3

Utilice de referencia el ejemplo R & M, en el se observa que esta limitado por los puntos B y H, en
la figura 1.12, siendo B = (4, 0) y H = (8/3, 2), donde el punto H se define por la intersección de las
rectas ED y BC, para calcular el valor por unidad del recurso M2.

M2 = 6 2/3
Intervalo de
factibilidad para
M2
H
M2 = 4

Figura 1.12 Intervalo de factibilidad para la materia prima M2 en el modelo R & M.

38
1.12 Solución por computadora de problemas de programación lineal

En esta sección los alumnos aprenderán a manejar el programa DS para Windows y obtendrán
la solución de problemas de programación lineal.

Hasta este momento debemos tener comprendida la forma de plantear la situación real como un
problema de programación lineal, los datos que conforman un modelo, definir las metas o función
objetivo, delimitar los recursos o restricciones. Después de obtenido el modelo de programación
lineal en forma de desigualdades podremos introducir los datos al programa especial de
programación lineal, en este caso el DS para Windows. Utilizaremos para ilustrar el siguiente
problema:
Una pequeña fábrica de muebles produce mesas y sillas. Tarda dos horas en ensamblar una mesa y
30 minutos en armar una silla. El ensamblaje lo realizan cuatro trabajadores sobre la base de un solo
turno diario de 8 horas. Los clientes suelen comprar cuando menos cuatro sillas con cada mesa, lo
que significa que la fabrica debe producir por lo menos cuatro veces mas sillas que mesas. El precio
de fábrica debe producir por lo menos cuatro veces más sillas que mesas. El precio de venta es de
$135 por mesa y $50 por silla. Determine la combinación de sillas y mesas en la producción diaria
que maximizaría el ingreso total diario de la fábrica y comente el significado de la solución obtenida.
Solución: Lo primero que tenemos que determinar es lo que desea obtener la compañía, por
consiguiente obtenemos las variables del problema, la compañía quiere saber que cantidad de sillas y
que cantidad de mesas de producir por día como combinación optima, lo que nos da
X1 = Cantidad de mesas por día que debe producir la compañía.
X2 = Cantidad de sillas por día que debe producir la compañía.
En la siguiente tabla concentramos la información que tenemos:
Variable Producto Tiempo de ensamble (hrs.) Ingreso por unidad
X1 Mesa 2 $135

X2 Silla 0.5 50

Disponemos de 32 horas en total por día, considerando 4 trabajadores en un turno de 8 horas.

39
Analizando la tabla obtenemos
2X1 + 0.5X2 ≤ 32
Representa el ensamble factible, 2 horas por la cantidad de mesas (X 1), mas media hora por la
cantidad de sillas (X2) debe ser igual o menor a la cantidad disponible total de horas.

Por otra parte nos dice que la fabrica debe producir cuando menos cuatro veces más sillas que mesas
lo que nos representa
Mesas Sillas
4X1 ≤ X2
Lo que nos permite forma la siguiente desigualdad
4X1 - X2 ≤ 0
La función objetivo Z es representada por la cantidad de ingreso por unidad multiplicada por el
numero de unidades a producir, el modelo completo queda
Maximizar Z = 135X1 + 50X2
4X1 - X2 ≤ 0
2X1 + 0.5X2 ≤ 32
X1, X2 ≥ 0
Utilizando el DS para Windows, introducimos los datos

Figura 1.13 Introducción de datos de la fabrica de mesas y sillas.


40
Al terminar la introducción de datos, se procede a obtener los resultados del problema, oprimiendo el
comando SOLVE, nos permite elegir ver entre las iteraciones, listado de soluciones y gráfica del
problema, elegimos la gráfica

Figura 1.14 Gráfica y tabla de puntos esquina del problema de la fábrica de mesas y sillas.

Podemos observar que la gráfica nos proporciona un punto óptimo de ingresos si solamente
producimos sillas, 64 sillas por día, lo cual en nuestro problema no es posible ya que vendemos
juegos de comedor. Se opta por el punto factible siguiente donde nos indica producir una
combinación de 8 mesas y 32 sillas por día, lo que nos genera un ingreso diario máximo de $2 680.

41
Para clarificar un poco más el análisis y modelación de problemas lineales, así como su solución por
computadora, estudie el siguiente ejemplo
Una compañía puede anunciar su producto mediante el uso de estaciones de radio y televisión
locales. Su presupuesto limita los gastos en publicidad a $1000 por mes. Cada minuto de anuncio en
la radio cuesta $5 y cada minuto de publicidad en televisión cuesta $100. La compañía desearía
utilizar la radio cuando menos dos veces mas que la televisión. La experiencia pasada muestra que
cada minuto de publicidad por televisión generara en términos generales 25 veces más ventas que
cada minuto de publicidad por la radio. Determine la asignación óptima del presupuesto mensual
para anuncios por radio y televisión.
Solución:
Empezamos enfocando nuestra atención hacia lo que desea la compañía y determinamos las
variables del problema

X1 = Cantidad de minutos de publicidad por radio mensual.


X2 = Cantidad de minutos de publicidad por televisión mensual.

Concentramos la información en forma tabular


Uso deseado por la
Variables Medios de publicidad Costo por minuto compañía
X1 Radio $5 Al menos el doble
X2 Televisión $100 -
Disponemos de $1000 por mes para el total de publicidad en radio y televisión.
Analizando los recursos y el costo de la publicidad por radio y televisión se genera la siguiente
desigualdad
5X1 + 100X2 ≤ 100
Lo que representa el costo por minuto de radio multiplicado por los minutos utilizados (X 1) mas el
costo por minuto por televisión por los minutos usados en televisión la suma de esto debe ser menos
o igual a la cantidad mensual disponible para publicidad.

42
Por otra parte la compañía desea usar la radio cuando menos el doble de la televisión, por lo que se
plantea una desigualdad
Radio Televisión
X1 ≥ 2X2

Generando la siguiente desigualdad


X1 - 2X2 ≥ 0
Nos interesa maximizar el uso de los recursos, el modelo completo queda
Max Z = 5X1 + 100X2
Sujeta a
5X1 + 100X2 ≤ 100
X1 - 2X2 ≥ 0
X1, X2 ≥ 0

Introducimos los datos al programa DS para Windows

Figura 1.15 Introducción de datos del problema de publicidad por radio y televisión.

43
Se procede a obtener la solución gráfica del problema, utilizando el comando SOLVE, y eligiendo
del menú WINDOW, ver gráfica.

Figura 1.16 Gráfica y tabla de puntos esquina del problema de publicidad por radio y
televisión

En la figura 1.16 podemos observar el punto optimo de la gráfica, donde nos indica utilizar 18.18
minutos por radio y 9.09 minutos por televisión, utilizando un total mensual de $1000. Se
observa que cumplimos con los deseos de la compañía y logramos la mayor efectividad posible.

Para que obtenga la habilidad en el planteamiento se le recomienda resolver todos y cada uno de los
problemas sugeridos. En caso de dudas consulte con el instructor.

44
Problemas propuestos
1. Dos productos se elaboran al pasar en forma sucesiva por tres máquinas. El tiempo por máquina
asignado a los dos productos esta limitado a 10 horas por día. El tiempo de producción y la ganancia
por unidad de cada producto son
Minutos por unidad
Producto Máquina 1 Máquina 2 Máquina 3 Ganancia
1 10 6 8 $2
2 5 20 15 $3
Determine la combinación óptima de los dos productos.

2. Una compañía de productos electrónicos produce dos modelos de radio, cada uno en una línea de
producción de volumen diferente. La capacidad diaria de la primera línea es de 60 unidades y la de
la segunda es de 75 radios. Cada unidad del primer modelo utiliza 10 piezas de cierta componente
electrónica, en tanto que cada unidad del segundo modelo requiere ocho piezas de la misma
componente. La disponibilidad diaria máxima de la componente especial es de 800 piezas. La
ganancia por unidad de los modelos 1 y 2 es $30 y $20, respectivamente. Determine la producción
diaria óptima de cada modelo de radio.

3. Un pequeño banco asigna un máximo de $20 000 para prestamos personales y para automóvil
durante el mes siguiente. El banco cobra una tasa de interés anual del 14 % a prestamos personales y
del 12 % a prestamos para automóvil. Ambos tipos de préstamos se saldan en periodos de tres años.
El monto de los prestamos para automóvil debe ser cuando menos dos veces mayor que el de los
prestamos personales. La experiencia pasada ha demostrado que los adeudos no cubiertos
constituyen el 1 % de todos los préstamos personales. ¿Cómo deben asignarse los fondos?

45
1.13 Análisis de modelos seleccionados de programación lineal.
Al finalizar la sesión el alumno será capaz de resolver problemas de
programación lineal con más de dos variables utilizando el programa DS para
programación lineal.

En esta sección se presentan modelos de programas lineales más realistas, en los que la definición de
las variables y la construcción de la función objetivo y las restricciones no son tan directas como en
el caso del modelo con dos variables. Además, los resultados del DS para Windows permitirán
interpretar detenidamente los resultados. Estos resultados son similares en los diferentes paquetes
especializados de programación lineal.

Análisis I
Banco Sercomer esta desarrollando una política de préstamos por un máximo de $12 millones. La
tabla siguiente muestra los datos pertinentes acerca de los distintos tipos de préstamo.

Tipo de préstamo Tasa de interés % de deuda impagable


Personal 0.140 0.10
Automóvil 0.130 0.07
Casa 0.120 0.03
Agrícola 0.125 0.05
Comercial 0.100 0.02

Las deudas impagables no se recuperan y no producen ingresos por intereses.

Para competir con otras instituciones financieras se necesita que el banco asigne un mínimo de 40 %
de los fondos a préstamos agrícolas y comerciales. Para ayudar a la industria de la construcción de su
región, los préstamos familiares deben ser iguales, cuando menos, al 50 % de los préstamos
personales, para automóvil y para casa. También el banco tiene una política explicita que no permite
que la relación general de prestamos impagables entre todos los prestamos sea mayor que 4 por
ciento.
46
Representación matemática
Se busca determinar la cantidad de préstamo en cada categoría, y en consecuencia se llega a las
siguientes definiciones de las variables (en millones de dólares):

X1 = préstamos personales
X2 = préstamos para automóvil
X3 = préstamos para casa
X4 = préstamos agrícolas
X5 = préstamos comerciales

El objetivo de Sercomer es maximizar su retorno neto, que es la diferencia entre el retorno por
intereses y los préstamos impagables. Basándonos en el hecho que las deudas impagables no se
pueden recuperar, tanto el principal como el interés, la función objetivo será la siguiente:

Max Z = Σ [(tasa de interés)(1- %impagable del principal) - %interés] lo que da

Max Z= 0.14(0.9X1) + 0.13(0.93X2) + 0.12(0.97X3) + 0.125(0.95X4) + 0.1(0.98X5)


- 0.1X1 – 0.07X2 - 0.03X3 - 0.05X4 – 0.02X5

Simplificando la función objetivo se obtiene

Max Z = 0.026X1 + 0.0509X2 + 0.0864X3 + 0.06875X4 + 0.078X5

47
Analizando los datos, se formulan las siguientes restricciones.

Fondos totales, la suma de las cinco asignaciones debe ser menor o igual a 12 millones
X1 + X2 + X3 + X4 + X5 ≤ 12

Se necesita asignar un mínimo del 40 % a préstamos agrícolas y comerciales

X4 + X5 ≥ (0.40)(12)
X4 + X5 ≥ 4.8
Los prestamos familiares (casa) deben ser iguales cuando menos al 50 % de la suma total de los
prestamos personales, para automóvil y para casa, lo que da

X3 ≥ 0.5 (X1 + X2 + X3)


Simplificado
0.5X1 + 0.5X2 – 0.5X3 ≤ 0

Por otra parte la política bancaria establece que la relación general de préstamos impagables entre
todos los préstamos no exceda del cuatro por ciento
0.1X1 + 0.07X2 + 0.03X3 + 0.05X4 + 0.02X5 ≤ 0.04
X1 + X2 + X3 + X4 + X5

Simplificando queda

0.06X1 + 0.03X2 – 0.01X3 + 0.01X4 – 0.02X5 ≤ 0

y las de no negatividad
X1, X2, X3, X4, X5 ≥ 0
Se asume que todos los préstamos se asignan al mismo tiempo, lo que permite ignorar las
diferencias en el tiempo de los fondos asignados a los diversos préstamos.

48
Solución del modelo utilizando el programa DS para Windows

Introducimos los datos al programa:


Figura 1.17 Datos del problema del banco Sercomer.

Hasta este punto, lo más importante es la interpretación del problema y su traducción a


desigualdades considerando las limitaciones de los recursos y los objetivos de la empresa. Posterior
a su introducción, se activa el comando SOLVE, para obtener la solución correspondiente.

49
Listado de resultados de programación lineal
Figura 1.18 Listado de soluciones.
En el listado de soluciones es indicado que todos los fondos se deben destinar para prestamos de
casa, y ningún fondo a los demás rubros, agrícolas, comerciales, personales, para automóvil. De
hecho si se quitara el requisito del límite mínimo para préstamos agrícolas y comerciales todos los
fondos se asignarían a préstamos para casa.
CONCLUSION (Primera unidad)
El contenido de unidad I prepara a los alumnos para formular modelos de programación lineal y resolverlos en forma
manual y utilizando un programa especial para programación lineal. Se aborda el tema del formato estándar de los
modelos de programación lineal, el cual será de utilidad para la aplicación posterior del Método Simplex que será visto
en la siguiente unidad. El método de solución gráfica indica que la solución optima de un programa lineal siempre esta
asociada con un punto esquina del espacio de soluciones. Este resultado es la clave del método simplex algebraico y
general para resolver cualquier problema de programación lineal. Se sugiere pedir a los alumnos repetir el procedimiento
visto en clase, resolver los ejercicios propuestos y de surgir dudas deben aclararlas con el instructor.
50

Ejercicios propuestos
1. Uso y desarrollo de bienes y raíces
Desarrollos Alfa posee 800 acres* de terreno en un lago escénico en el corazón de una sierra. Antes
se aplicaban pocos o ningún reglamento a los nuevos desarrollos en torno al lago. Las orillas del
mismo están hoy pobladas con casas de campo, y debido a la carencia de servicios de alcantarillado,
hay muchas fosas sépticas, en su mayor parte mal instaladas. A través de los años, las filtraciones de
las fosas sépticas han ocasionado un grave problema de contaminación de agua.

Para mitigar el degradamiento de la calidad del agua, las autoridades municipales aprobaron
reglamentos estrictos para todos los desarrollos en el futuro.
1. Solo se pueden construir casas para una, dos y tres familias, y las casas unifamiliares deben
ser al menos el 50 % del total.
2. Para limitar la cantidad de fosas sépticas, se requieren tamaños mínimos de lote de 2, 3 y 4
acres para las casas con una, dos y tres familias, respectivamente.
3. Se deben establecer áreas de recreo de 1 acre cada una, en una proporción de una por 200
familias .
4. Para preservar la ecología del lago, no se debe bombear agua subterránea para uso domestico
ni de riego.
El presidente de desarrollos Alfa estudia la posibilidad de desarrollar los 800 acres de la empresa. El
nuevo desarrollo incluirá casas para una, dos y tres familias. Se estima que el 15 % de los acres se
debe asignar a calles y servicios comunitarios. Alfa estima que los ingresos por las diversas unidades
de habitación serán

Unidades de habitación Una Dos Tres


Rendimiento neto por 10 000 12 000 15 000
unidad

51
El costo de conectar el servicio del agua al área es proporcional a la cantidad de unidades
construidas. Sin embargo, el municipio cobra un mínimo de $100 000 por el proyecto. Además el
aumento de la capacidad actual del sistema de abastecimiento de agua se limita a 200 000 galones
por día, durante las temporadas pico. Los datos siguientes resumen el costo de conectar el servicio
del agua, y también el consumo de agua, suponiendo familias de tamaño promedio:

Unidades de habitación Una Dos Tres Parques y jardines


COSTO DEL SERVICIO DE 1000 1200 1400 800
AGUA POR UNIDAD ($)
CONSUMO DE AGUA POR 400 600 840 450
UNIDAD (GAL/DIA)

Nota: Un acre equivale a 0.4046 hectáreas y también a 4046 metros cuadrados.

2. Programación de horarios de autobuses


La ciudad de Lima estudia la factibilidad de un sistema de autobuses para transportación masiva que
reduzca el transporte urbano en coche y en consecuencia alivie el problema del smog. El estudio
busca determinar la cantidad mínima de autobuses que satisfaga las necesidades de transporte.
Después de reunir la información necesaria, el ingeniero de transito observa que la cantidad mínima
de autobuses varia con la hora del día, y que la cantidad necesaria de vehículos se puede aproximar
con valores constantes durante intervalos consecutivos de 4 horas. La figura 1.19 resume las
determinaciones del ingeniero. Para hacer el mantenimiento diario a cada autobús, este puede
trabajar 8 horas sucesivas diariamente.

CANTIDAD DE
AUTOBUSES 12
12
10
8
8 7

4 4
4

12:00 4:00 8:00 12:00 4:00 8:00 12:00


AM
MEDIO DIA MEDIA NOCHE
52

También podría gustarte