Optimizacion PDF

Leonid Kantorovic
Desarrolló muchos de los fundamentos

de la programación matemática.
Capítulo 2
MODELOS DE
PROGRAMACIÓN MATEMÁTICA
Enseñar a construir modelos implica enseñar una forma de abordar los problemas. Si bien,
como se plantea en Morris 1967, enseñar modelos es diferente de enseñar a modelar, en este
capítulo se intenta enseñar a modelar, enseñando modelos. En primer lugar se discuten aspectos
generales del modelamiento y, posteriormente, se analizan problemas de gestión que pueden ser
abordados por medio de modelos de programación matemática. Los casos presentados corresponden
a modelos clásicos que han sido desarrollados en diversas organizaciones y discutidos ampliamente
en la literatura.
En la sección 2.1. se discuten algunos elementos básicos del modelamiento. La sección 2.2.
aborda la planificación de la producción en diferentes contextos y con distintas características. La
2.3. se refiere a uno de los problemas que enfrentan muchas empresas productivas: mezcla de
productos. En la 2.4. se estudia el problema de transporte con diferentes grados de complejidad. La
sección 2.5. incluye un pequeño conjunto de problemas de variada naturaleza que pueden ser
modelados con programación lineal, como una forma de ilustrar la amplia gama de situaciones
donde pueden ser útiles estos modelos. La 2.6. contiene algunos de los problemas más conocidos
que pueden ser modelados con programación lineal entera. En la sección 2.7. se analizan problemas
que pueden ser modelados utilizando programación lineal entera mixta. La sección 2.8. está
dedicada a modelos no lineales. La 2.9. se refiere a formulaciones equivalentes del mismo problema.
Finalmente, en la sección 2.10. se presentan algunos casos.
36 Optimización y Modelos para la Gestión
2.1. INTRODUCCIÓN
2.1.1. Modelamiento
El modelamiento es un proceso propio de los seres humanos. Mediante este proceso el

individuo, de acuerdo a su experiencia y conocimientos, define una representación de un fenómeno
o situación. Nosotros entendemos y explicamos nuestras acciones por medio de la construcción de
modelos. Nuestra interpretación y entendimiento de un fenómeno son realizados a través de nuestra
experiencia y conocimientos, generando interpretaciones individuales acerca de ellos.
Un modelo es, entonces, una herramienta que permite estudiar fenómenos o situaciones que
son observables, capturando los aspectos más importantes y presentándolos de manera de facilitar su
interpretación y compresión. En el campo de la física, por ejemplo, la segunda Ley de Newton
(F=m·a) es un modelo que muestra la relación entre la fuerza ejercida sobre un cuerpo, su masa y la
aceleración que adquiere. De ella se deduce que si la masa permanece constante, al aumentar la
fuerza también aumenta la aceleración. En la gestión, la conocida fórmula del tamaño del Lote
Económico Mínimo, desarrollada en Harris 1915 y popularizada por Wilson (ver Wilson [1934]),
describe la relación entre el costo de mantención del inventario de un producto, el costo de
ordenamiento, la tasa de demanda y el tamaño óptimo del lote.
Obviamente, los modelos no contienen todos los detalles de la situación real. Aun cuando
fuera posible percibir e incorporar estos detalles, en general, la complejidad del mundo real es tal
que el tamaño de los modelos resultantes superaría largamente la cantidad de datos que un
computador puede manejar. Además, esto no contribuiría necesariamente a comprender mejor la
situación. Esta idea de modelamiento conlleva tres conceptos importantes de ser destacados:
interpretación individual, definición del ámbito de interpretación, y representación del fenómeno.
Respecto a la interpretación individual, debe observarse que el modelo es fruto de la

experiencia del individuo y de su conocimiento. Esto es importante, ya que, en opinión de algunos
autores, el conocimiento posee características más objetivas y está sujeto a ser estructurado; sin
embargo, la experiencia depende de cada individuo y es poco susceptible de ser estructurada.
Uno de los aspectos relevantes en la concepción de un modelo corresponde a la definición

del ámbito de interpretación. Por ello se entenderá la definición de lo que es relevante y lo que no lo
es. Este proceso es conocido con el nombre de "abstracción", y depende de los objetivos perseguidos
con el modelo. Simon 1990 plantea que los modelos pueden ser utilizados para predecir o para
prescribir. Los modelos predictivos representan eventos o situaciones que no son posibles de
controlar, con el objetivo de adaptarse mejor a ellos, por ejemplo, los modelos que predicen el clima,
los terremotos, los eclipses, etc. No se puede impedir que estos fenómenos ocurran, pero se pueden
tomar acciones para evitar o disminuir sus efectos. Estos modelos, por otro lado, tienen como
objetivo estudiar las consecuencias de efectuar ciertas decisiones, es decir, responder a preguntas
como ¿qué se puede hacer hoy, para conseguir un determinado comportamiento o característica en el
futuro?, ¿qué ocurre si…?, ¿qué se necesita para…?, etc. Estos últimos son los modelos que se
utilizan en investigación de operaciones.
Como resultado del proceso de abstracción, algunos aspectos o elementos del fenómeno o
situación observados no son incorporados en el modelo. Esto implica, en definitiva, generar algún
Capítulo 2 Modelos de Programación Matemática 37
grado de incertidumbre respecto a su representabilidad y, por lo tanto, es necesario analizar si ese

grado es aceptable para los propósitos del modelo.
Finalmente, la representación del fenómeno corresponde a la transformación de los

elementos y relaciones seleccionados mediante el proceso de abstracción en otros elementos y
procedimientos o reglas que permitan estructurar el modelo. Esta estructuración dependerá de la
disciplina en la que el modelo es desarrollado y de la capacidad del modelador para transformar el
fenómeno a elementos de esa disciplina.
El amplio espectro que abarca el modelamiento, desde modelos sociales y filosóficos hasta
matemáticos, hace difícil el desarrollo de metodologías generales para la construcción de modelos.
En este capítulo consideraremos solamente modelos matemáticos que pueden ser utilizados como
apoyo a la toma de decisiones en la gestión de diversas organizaciones. La metodología que se
propone aquí es válida sólo en este ámbito.
2.1.2. Construcción de un Modelo de Apoyo a la Toma de Decisiones
A continuación se proponen algunos criterios que pueden guiar el desarrollo de modelos

cuyo objetivo es apoyar la toma de decisiones.
El proceso de desarrollo de un modelo debe ser visto como un proceso de aprendizaje y

elaboración. En este sentido, es recomendable partir de modelos simples y mediante sucesivas
modificaciones aproximarse a modelos más complejos.
Un buen punto de partida en el desarrollo de un modelo lo constituyen las analogías y

asociaciones con fenómenos o situaciones conocidos. De este modo, un modelo puede ser
construido tomando como base otro ya existente. Para algunas situaciones que se presentan con
algún grado de frecuencia en la gestión de organizaciones, la investigación operativa propone
modelos generales que pueden ser adaptados y/o modificados para casos particulares, como por
ejemplo, programación matemática, teoría de colas, flujo en redes, etc. Aún más, existen modelos
desarrollados para situaciones específicas, como por ejemplo, modelos de programación lineal para
planificación de la producción, para programación de máquinas, para localización de instalaciones,
etc.; modelos de flujo en redes para transporte y distribución, para tráfico de vehículos, etc.
Existen diversos criterios para evaluar la bondad de un modelo. En el ámbito de la toma de

decisiones, a nuestro juicio, el mejor modelo es aquel que permite estudiar mejor el comportamiento
de un sistema y lo hace en la forma más simple posible. Esto es, un buen modelo de apoyo a la toma
de decisiones facilita el análisis del impacto que pueden tener diversas alternativas de decisión. Es
importante recalcar que para poder evaluar el comportamiento de un fenómeno o sistema, es
necesario conocer los objetivos establecidos al desarrollar el modelo. En caso contrario, éste puede
ser un mal predictor del comportamiento o adquirir demasiada complejidad.
2.1.3. Modelos Matemáticos de Apoyo a Decisiones
Un modelo matemático se diferencia de otros tipos de modelos por el hecho de que todos sus
elementos corresponden a funciones o relaciones matemáticas.
Un modelo matemático de apoyo a la toma de decisiones es un modelo matemático que

además posee uno o más objetivos, y donde las variables o incógnitas deben representar las
decisiones que se desea apoyar. La forma general de este tipo de modelos es:
Max ( Min) f(x1,, xn)

s.a.
gi(x1,, xn)  0 i=1,, m.
Los elementos incluidos en este modelo son:
a) Condición de optimización: corresponde a establecer si el modelo será de maximización o

minimización. Esto depende de los objetivos perseguidos.
b) Función objetivo: es el criterio que orientará las decisiones y está representado por la función
escalar f(x1, ..., xn). Generalmente esta función representa beneficios, costos, ingresos, etc.
c) Variables de decisión: los elementos que representan matemáticamente las decisiones que se
desea apoyar son las variables o incógnitas del modelo y se denotan por x1, x2,, xn. Ellas
corresponden, por ejemplo, a cantidad de producto por fabricar, número de equipos por reemplazar,
si una ciudad es visitada o no, flujo de vehículos en un camino, etc.
d) Restricciones: cada una de ellas corresponde a una limitación del sistema que es incorporada al
modelo y se representan por medio de las funciones escalares gi (x1,, xn), i=1,, m. A modo de
ejemplo: espacio máximo disponible, cantidad mínima de producto requerido, presupuesto
disponible, etc.
e) Parámetros o datos: representan decisiones, que a diferencia de las variables de decisión, no son
controlables.
Tanto la función objetivo como las restricciones establecen relaciones entre las variables de
decisión y los datos o parámetros. La tarea del modelador consiste en dar forma a estas funciones, de
manera de caracterizar apropiadamente el sistema y de identificar las decisiones que se desea apoyar.
Para construir un modelo matemático de apoyo a la gestión, es recomendable:
- Establecer en forma verbal y clara cuáles son las decisiones que se desea apoyar con los
resultados del modelo.
- Asociar a cada decisión una variable, indicando las unidades en que se expresará el valor de ella.
- Establecer en forma verbal el o los criterios que serán representados por la función objetivo.
- Establecer en forma verbal la limitación o característica del sistema que será representada por
cada restricción.
- Expresar en términos matemáticos las cantidades involucradas en la función objetivo y en cada
una de las restricciones, utilizando las variables de decisión y los datos. Es importante verificar
la consistencia de unidades entre las distintas cantidades de cada relación.
- Recolectar los datos necesarios para establecer las relaciones anteriores numéricamente. Esto
requiere, generalmente, tiempo y recursos. Si éstos se consideran excesivos o no se dispone de
ellos, puede ser necesario modificar el alcance o ámbito del modelo a fin de incluir sólo los datos
que están disponibles.
Estas recomendaciones son adoptadas como metodología en este capítulo, donde las
habilidades en modelamiento deben ser desarrolladas. Inicialmente se analiza un conjunto de
modelos simples, para luego seguir con modelos más sofisticados. Finalmente, el concepto de
modelo desarrollado en esta sección debe insertarse en la metodología de la investigación operativa,
discutida en la sección 1.2. del capítulo 1.
2.2. PLANIFICACIÓN DE LA PRODUCCIÓN
El ejemplo siguiente intenta ilustrar una de las aplicaciones más frecuentes de programación
lineal en la gestión de empresas: la planificación de la producción. En este caso se desea determinar
la cantidad de los diferentes productos de la empresa que se han de producir considerando los
recursos disponibles, las características tecnológicas existentes y la situación del mercado. El criterio
que orienta la selección de alternativas está generalmente asociado a minimizar los costos de
producción o a maximizar los ingresos o los beneficios obtenidos de la explotación.
2.2.1. Planificación de la Producción de Puertas y Ventanas
La empresa ABRAX Ltda. fabrica puertas y ventanas de madera. Existen dos modelos de
puertas: puertas y ventanas: dobles y simples. El insumo más importante es la madera. El proceso
de corte de las partes se realiza en dos sierras eléctricas de precisión y el barnizado lo efectúa
personal experimentado. Las cantidades de madera y los tiempos de corte y barnizado que requiere
cada producto se muestran en la tabla 2.1.
Tabla 2.1. Requerimientos de recursos.
Producto Madera Corte Barnizado

(m2) (horas-máquina) (horas-hombre)
Puertas dobles 4,0 1,5 2,0
Puertas simples 2,5 1,0 1,2
Ventanas dobles 3,0 2,0 1,5
Ventanas simples 1,8 0,8 0,8
Los proveedores de madera pueden entregar hasta 800 m2 en un mes. Además se pueden
utilizar hasta 400 horas de sierra para el proceso de corte y 300 horas-hombre para el barnizado. La
empresa está comprometida con una constructora para entregar 200 puertas simples y 120 ventanas
dobles en el mes. Los precios de venta unitarios y costos unitarios de producción, en miles de pesos
(M$), se muestran en la tabla 2.2.
Se desea determinar un plan de producción para el mes que maximice el beneficio total y
cumpla con los compromisos de entrega, suponiendo que todo lo que se produce se vende.
Tabla 2.2. Precios y costos.
Producto Precio Costo unitario

(M$) (M$)
Puertas dobles 120 80
Puertas simples 80 50
Ventanas dobles 100 75
Ventanas simples 60 30
FORMULACIÓN DEL MODELO
Variables de decisión
Las decisiones que la empresa desea tomar se refieren a la cantidad de puertas y ventanas de cada
tipo por producir en el período considerado.
x1 = cantidad de puertas dobles que se deben fabricar en el mes,

x2 = cantidad de puertas simples que se deben fabricar en el mes,
x3 = cantidad de ventanas dobles que se deben fabricar en el mes,
x4 = cantidad de ventanas simples que se deben fabricar en el mes.
Restricciones
Las restricciones deben establecer las limitaciones existentes en cuanto a la disponibilidad de

los recursos y la necesidad de cumplir con los compromisos contraídos para el período.
a) Disponibilidad de recursos
La cantidad de madera utilizada en la producción total no puede exceder la cantidad máxima que
la empresa puede adquirir:
4,0 x1 + 2,5 x2 + 3,0 x3 + 1,8 x4  800.
La cantidad de horas-máquina de sierra utilizada en el corte no puede exceder la cantidad máxima

disponible:
1,5 x1 + 1,0 x2 + 2,0 x3 + 0,8 x4  400.
La cantidad de horas-hombre para barnizado utilizada no puede exceder la cantidad máxima

disponible:
2,0 x1 +1,2 x2 + 1,5 x3 + 0,8 x4  300.

b) Cumplimiento de compromisos de entrega:
La cantidad producida de puertas simples debe ser al menos suficiente para cumplir los
compromisos contraídos:
x2  200.
La cantidad producida de ventanas dobles debe ser al menos suficiente para cumplir los
compromisos contraídos:
x3  120.
c) No negatividad de las variables:
x1, x2, x3, x4  0.
Función objetivo
Como beneficio total = ingreso total – costo total de producción, entonces
Beneficio total = z = 40 x1 + 30 x2 + 25 x3 + 30 x4.
En resumen, el modelo lineal que maximiza el beneficio total es:
Max z = 40 x1 + 30 x2 + 25 x3 + 30 x4
s.a.
4,0 x1 + 2,5 x2 + 3,0 x3 + 1,8 x4  800
1,5 x1 + 1,0 x2 + 2,0 x3 + 0,8 x4  400
2,0 x1 + 1,2 x2 + 1,5 x3 + 0,8 x4  300
x2  200
x3  120
x1, x2, x3, x4  0.
2.2.2. Problema General de Producción
El problema anterior es un caso particular del caso general que se discute a continuación.
Supongamos que se desea diseñar un plan de producción y de manejo de inventario para los
próximos T períodos, esto es, determinar la cantidad que se ha de producir y la cantidad que se deja
en inventario de cada uno de los n posibles productos en cada período. Para ello se cuenta con m
recursos. La cantidad máxima disponible del recurso i en el período t es bit , i=1,, m; t=1,, T y la
cantidad de recurso i que requiere una unidad del producto j para ser fabricado (i.e. su coeficiente
tecnológico) es aij. La demanda estimada del producto j en el período t es djt. El inventario del
producto j al inicio del primer período es Ijo. El plan debe minimizar los costos de producción y de
mantención de inventario. El costo unitario de producción del producto j en el período t es cjt y el
costo unitario de mantención de inventario del producto j en el período t es kjt.
El plan debe ser tal que no se exceda la cantidad disponible de recursos y que se satisfaga la
demanda.
El modelo debe ayudar a responder las siguientes preguntas: ¿qué cantidad producir de cada
producto en cada período? ¿qué cantidad de producto dejar en inventario al final de cada período?
Para responder estas preguntas se definen las siguientes variables:
xjt = cantidad que se ha de producir del producto j en el período t, j=1,, n; t=1,, T,
Ijt = cantidad en inventario del producto j al final del período t, j=1,, n; t=1,, T.
Restricciones
Las restricciones deben establecer, por una parte, las limitaciones existentes en relación con
la cantidad de recursos disponible, y por otra, la política de la empresa en cuanto a disponer en cada
período de una cantidad de producto tal que permita satisfacer la demanda estimada para el período.
a) Disponibilidad de recursos: en cada período, la cantidad utilizada de recursos no debe exceder

la cantidad disponible:
a
j 1
ij x jt  bit i  1,...., m; t  1,...., T .
b) Satisfacción de demanda y balance de inventario: en cada período, la cantidad producida más la

cantidad en inventario al inicio del período deben ser suficientes para satisfacer la demanda.
Además, si es necesario se dejará producto en inventario para el período siguiente:
I j ,t 1  x jt  I jt  d jt j  1,..., n; t  1,..., T .
x jt , I jt  0 j  1,..., n; t  1,..., T .
Se observa que imponer la condición Ijt  0 es equivalente a imponer que se debe satisfacer la
demanda.
Función objetivo
El costo total es z = costo total de producción + costo total de mantención de inventario
T  n n 
Min z =    c jt x jt +  k jt I jt 
t=1  j=1 j=1 .
2.3. MEZCLA DE PRODUCTOS
El objetivo de este problema es determinar la composición, de mínimo costo o máximo

beneficio, que debe tener cierto producto que se fabrica mezclando otros productos o ingredientes y
que debe cumplir con ciertas especificaciones técnicas. El primer problema de este tipo que se
resolvió fue uno conocido como problema de la dieta donde se intenta determinar la fórmula o
composición que debe tener un alimento de modo que satisfaga los requerimientos nutritivos
establecidos.
Existen aplicaciones del problema de mezcla de productos en diversas áreas productivas:

raciones para animales, productos alimenticios, elaboración de pinturas, combustibles, licores,
productos farmacéuticos, fertilizantes etc.
2.3.1. Diseño de la Composición de Alimento de un Plantel Cunícola
El administrador de un plantel cunícola (i.e., crianza de conejos) desea determinar la

composición de 1.000 kg de alimento que cumpla con los requerimientos nutritivos establecidos
para el normal crecimiento de los conejos y que tenga el menor costo posible. En la elaboración del
alimento pueden utilizarse los ingredientes cuyas características nutritivas y costo se señalan en la
tabla 2.3.
La dieta debe tener las siguientes características:
Proteína: 15%,
Fibra: mínimo 25%,
Hidratos de carbono: mínimo 20% y máximo 40%,
Calorías: mínimo 800/kg y máximo 1.800/kg,
Harina de pescado: máximo 10%.
Tabla 2.3. Características de los ingredientes.
Ingredientes proteínas fibra hidratos de calorías costo

(%) (%) carbono (calorías/kg) ($/kg)
(%)
Harina de soya 9 12 50 1.000 45
Harina de pescado 55 – 4 1.950 100
Trigo 7 6 66 1.750 70
Alfalfa 12 25 35 450 45
Avena 8,5 11 58 1.700 80

El administrador del plantel debe decidir qué cantidad de cada uno de los ingredientes debe
contener la composición del alimento de los conejos.
x1 = cantidad de harina de soya que se debe utilizar en la composición del alimento (kg),
x2 = cantidad de harina de pescado que se debe utilizar en la composición del alimento (kg),
x3 = cantidad de trigo que se debe utilizar en la composición del alimento (kg),
x4 = cantidad de alfalfa que se debe utilizar en la composición del alimento (kg),
x5 = cantidad de avena que se debe utilizar en la composición del alimento (kg).
Restricciones
Las restricciones se refieren a las características técnicas (nutritivas) que debe tener el
alimento.
a) Cantidad total: se necesita una cantidad de 1.000 kg:
x1 + x2 + x3 + x4 + x5 = 1.000.
b) Proteína: el alimento debe contener 15% de proteína:
9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15 ( x1 + x2 + x3 + x4 + x5 ), o bien
9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15.000.
c) Fibra: el alimento debe contener al menos 25% de fibra:
12 x1 + 6 x3 + 25 x4 + 11 x5  25 ( x1 + x2 + x3 + x4 + x5 ).
d) Hidratos de carbono: la cantidad de hidratos de carbono que contiene el alimento debe ser al
menos 20% y no más de 40%:
50 x1 + 4 x2 + 66 x3 + 35 x4 + 58 x5  20 (x1 + x2 + x3 + x4 + x5 ),
50 x1 + 4 x2 + 66 x3 + 35 x4 + 58 x5  40 (x1 + x2 + x3 + x4 + x5 ).
e) Calorías: el alimento debe contener al menos 800 calorías por kg y no más de 1.800:
1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5  800 (x1 + x2 + x3 + x4 + x5 ),
1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5  1.800 (x1 + x2 + x3 + x4 + x5 ).

f) Harina de Pescado: la cantidad de harina de pescado contenida en el alimento no debe ser más de
10%:
x2  100.
g) No negatividad de las variables:
x1, x2, x3, x4, x5  0.
Función objetivo
El costo total de la fórmula debe ser el menor posible. Por lo tanto, la función objetivo es:
Min z = 45 x1 + 100 x2 + 70 x3 + 45 x4 + 80 x5.
2.3.2. Planificación de la Producción de Combustibles
La empresa GASOL Ltda., produce y vende dos tipos de gasolina: corriente y especial. Para
ello utiliza dos tipos de petróleo crudo: liviano y pesado, que tienen un costo de US$ 15 y US$ 20
por barril, respectivamente. Las características de los dos tipos de petróleo se señalan en la tabla 2.4.
Tabla 2.4. Características del petróleo crudo.
Petróleo liviano Petróleo pesado

Densidad 0,65 0,85
Octanaje 70 102
Disponibilidad (barriles) 800 600
Costo (US$/barril) 15 20
Las especificaciones exigidas para los productos finales: gasolina corriente y especial, y los
precios de venta se muestran en la tabla 2.5.
Tabla 2.5. Características de los combustibles.
Combustible Densidad Octanaje Precio

(kg/ lt) (US$/barril)
Gasolina min=0,70 85 25
corriente max=0,75
Gasolina min=0,70 94 30
especial max=0,75
Cada barril puede contener 40 kg de petróleo liviano, o 50 kg de petróleo pesado, o 60 lt de

gasolina. El octanaje de los combustibles corresponde a la media de los octanajes de sus
componentes ponderada por su volumen.
El encargado de la producción de combustibles necesita determinar qué tipos de mezclas

utilizar para cada combustible y cuál debe ser el nivel de producción, de manera que se obtenga la
mayor utilidad posible.
La decisión de cuánto producir de cada gasolina y qué tipo de mezcla utilizar en cada una de
ellas se puede introducir en el modelo por medio de las siguientes variables:
x11 =cantidad de petróleo liviano que se debe utilizar en la producción de gasolina corriente (kg),
x12 =cantidad de petróleo liviano que se debe utilizar en la producción de gasolina especial (kg),
x21 =cantidad de petróleo pesado que se debe utilizar en la producción de gasolina corriente (kg),
x22 = cantidad de petróleo pesado que se debe utilizar en la producción de gasolina especial (kg).
Restricciones
Las restricciones deben establecer las características técnicas que requiere cada gasolina y
las limitaciones en cuanto a disponibilidad de petróleo.
a) Características técnicas
Densidad: recordemos que ésta es igual a la masa dividida por el volumen.
La densidad de la gasolina corriente debe ser al menos 0,7 y no más de 0,75:
 x x 
0,7 11  21   x11  x21
 0,65 0,85  .
 x x 
0,75 11  21   x11  x21
 0,65 0,85 
Las variables xij representan masa de petróleo y están medidas en kg. Al ser divididas por la
densidad del petróleo se obtiene el volumen. En el lado derecho de la restricción se tiene la masa
total de petróleo utilizado. Cálculos de este tipo son también realizados en las otras restricciones.
La densidad de la gasolina especial debe ser al menos 0,7 y no más de 0,75:

 x x 
0,7 12  22   x12  x22
 0,65 0,85 
.
 x12 x22 
0,75    x12  x22
 0,65 0,85 
Octanaje:
El octanaje mínimo de la gasolina corriente es 85 octanos:
 x x  x x .
85 11  21   70 11  102 21
 0,65 0,85  0,65 0,85
El octanaje mínimo de la gasolina especial es de 94 octanos:

 x x  x . x
94 12  22   70 12  102 22
 0,65 0,85  0,65 0,85
b) Disponibilidad de petróleo:
Petróleo liviano: se pueden utilizar hasta 800 barriles de petróleo liviano:
x11 + x21  800  40
Petróleo pesado: se pueden utilizar hasta 600 barriles de petróleo pesado:
x12 + x21  600  50
d) No negatividad de las variables:
x11, x21, x12, x22  0
Función objetivo
Se desea maximizar el beneficio total. Por lo tanto, la función objetivo es:
25  x11 x  30  x x  x x  x x 
Max z    21    12  22   15  11 12   20 21 22 
60  0,65 0,85  60  0,65 0,85   40   50 
2.4. TRANSPORTE DE PRODUCTOS
Una de las primeras y más populares aplicaciones de programación lineal corresponde al

problema de transporte. Este problema que tiene diversas variantes, en su formulación más simple
consiste en determinar un plan de distribución para un producto que está disponible en cierto número
de lugares, denominados orígenes, y que debe enviarse en cantidades preestablecidas a localidades
llamadas destinos. El plan debe ser tal que el costo total de transporte sea mínimo, dados los costos
unitarios de transporte entre cada par origen-destino.
Se iniciará la ilustración de este problema con la formulación anterior que considera sólo un
producto y un período. Posteriormente, se considerarán otras formulaciones que incluyen centros de
transbordo, varios períodos, varios productos etc.
2.4.1. Transporte de Frutas
Una empresa transnacional exportadora de frutas que opera en América del Sur desea
determinar un plan de distribución de la fruta desde las plantas empacadoras hasta los centros de
distribución, para el período de verano. Las plantas se encuentran ubicadas en Rancagua, San Pablo,
y Bogotá. El mercado se ha agrupado en cuatro regiones, como se muestra en la figura 2.1., siendo
cada una de ellas atendida por un distribuidor. Los centros de distribución están localizados en
Santiago, Río de Janeiro, Quito y Caracas.
En la tabla 2.6. se señalan los costos unitarios de transporte en M$, los requerimientos de
cada región y la producción de fruta en las plantas, para el período de verano.
Sea xij la cantidad de fruta que se transportará desde la planta i al centro de distribución j,
donde los valores de i corresponden a 1=Rancagua, 2=San Pablo, 3=Bogotá y los de j a 1=Santiago,
2=Rio de Janeiro, 3 = Quito, 4=Caracas.
Caracas
Bogotá
Quito
Rio de Janeiro
San Pablo
Santiago
Rancagua
Figura 2.1. Transporte de frutas.

Tabla 2.6. Costos de transporte.
Costos de transporte Producción

(M$/ton) (ton)
Destinos
Orígenes Santiago Río de Janeiro Quito Caracas
Rancagua 3 20 30 35 300
San Pablo 15 5 35 40 250
Bogotá 45 25 10 12 200
Requerimientos (ton) 120 300 80 200
Restricciones
a) Disponibilidad en las plantas: la cantidad total de fruta enviada por una planta no puede exceder
la cantidad producida en esa planta:
x11 + x12 + x13 + x14  300,
x21 + x22 + x23 + x24  250,
x31 + x32 + x33 + x34  200.
b) Satisfacción de la demanda (requerimientos): cada centro de distribución debe recibir la cantidad

requerida:
x11 + x21 + x31 = 120,
x12 + x22 + x32 = 300,
x13 + x23 + x33 = 80,
x14 + x24 + x34 = 200.
xij  0 i=1, 2, 3; j=1, 2, 3, 4.
Función objetivo
El plan de distribución debe ser de mínimo costo de transporte.
Min z =3x11 + 20x12 + 30x13 + 35x14 + 15x21 + 5x22 + 35x23 + 40x24 + 45x31 + 25x32 + 10x33 +12x34.
Modelo general
La estructura general del problema de transporte consiste en un conjunto de m orígenes y n
destinos. La cantidad de producto disponible en cada origen i es ai y el requerimiento en cada
destino j es bj. El costo unitario de transporte entre cada par origen-destino, i-j, es cij. De esta forma
el modelo lineal es:
m n
Min z   c ij x ij
i 1 j 1
s.a
m
x
i 1
ij  bj j  1,...,n,
x
j 1
ij  ai i  1,...,m,
xij  0 i  1,..., m; j  1,..., n.
Nótese que este modelo admite solución sólo si la oferta agregada de productos es igual a la
demanda agregada, es decir, si
m n
a  b .
i1
i
j 1
j
Se observa que si un determinado par origen-destino no se admite entre las combinaciones

posibles, por ejemplo porque no existe ruta directa, esto se puede representar eliminando del modelo
la variable xij, correspondiente, o bien asignando a esa variable un costo muy alto. En el ejemplo
anterior, si no existe ruta entre San Pablo y Quito entonces la variable x23 se puede eliminar del
modelo.
2.4.2. Transporte con Transbordo
Esta es una de las variantes más interesantes del problema de transporte. En este caso se
considera la posibilidad de enviar los productos a los destinos a través de puntos intermedios, es
decir, un origen puede enviar producto a un destino directamente o bien a través de algún punto
intermedio. Estos puntos pueden ser otros orígenes, otros destinos o bien lugares denominados
centros de transbordo que sólo reciben, almacenan por períodos cortos y redistribuyen los
productos, como por ejemplo, puertos, aeropuertos, bodegas intermedias, lugares de acopio o
acumulación de producto, etc.
La estructura más simple de este problema contiene m orígenes, n destinos y q centros de

transbordo. Los productos se envían desde los orígenes a los centros de transbordo y desde allí, en
un instante determinado, a los destinos. Todos los productos deben pasar por algún centro de
transbordo. La situación se muestra esquemáticamente en la figura 2.2. Se asume que cada centro de
transbordo tiene una capacidad limitada para almacenar productos.
1 1
1
2 2
ai xik k ykj
i bj
j
q
m n
Figura 2.2. Representación del problema de transporte con transbordo.
Se asumirá que los centros de transbordo sólo almacenan producto durante el período
considerado, esto es, los productos que recibe un determinado centro deben ser distribuidos durante
ese mismo período. Para este caso, el modelo se puede formalizar de la siguiente forma. Sean las
variables de decisión:
xik = cantidad de producto enviada desde el origen i al centro de transbordo k,

i = 1,, m; k = 1,, q,
ykj = cantidad de producto enviada desde el centro de transbordo k al destino j,
k=1,, q; j = 1,, n.
Se consideran los siguientes parámetros que caracterizan los orígenes, destinos, centros de
transbordos y los costos de transporte:
ai = cantidad de producto disponible en el origen i,

bj = cantidad de producto requerida en el destino j,
wk = capacidad del centro de transbordo k,
eik = costo unitario de transporte desde el origen i al centro de transbordo k,
dkj = costo unitario de transporte desde el centro de transbordo k al destino j.
Restricciones:
a) Disponibilidad de producto en los orígenes: la cantidad total de producto enviada por un origen
no debe exceder la disponibilidad en ese origen
q
x
k 1
ik  ai i  1,..., m.
b) Capacidad en los centros de transbordo: la cantidad total de producto que llega a un centro de
transbordo no debe exceder la capacidad de ese centro
x
i 1
ik  wk k  1,..., q.
c) Balance en los centros de transbordo: todo producto que llega a un centro de transbordo debe
ser enviado a algún destino
m n
 xik   y kj
i 1 j 1
k  1,..., q.
d) Satisfacción de los requerimientos: la cantidad total de producto enviada a un destino debe ser
igual a la cantidad requerida por ese destino
y
k 1
kj  bj j  1,..., n.
e) No negatividad de las variables:
xik , y kj  0  i, j , k .
Función objetivo
m q q n
Min z = 
i=1 k=1
e ik x ik + 
k=1 j=1
d kj y kj .
En la práctica, la distribución de productos puede ser más compleja: existen orígenes que son
puntos intermedios o de transbordo de productos y/o destinos que también pueden almacenar
producto. Ver ejercicio 3 de este capítulo.
2.4.3. Transporte con Transbordo y Multiperíodo
Supongamos que se tiene la siguiente estructura para distribuir un producto en T períodos: m

orígenes, q centros de transbordo y n destinos. El producto se envía desde los orígenes a los centros
de transbordo y desde allí a los destinos. En los orígenes existe una disponibilidad máxima de
producto en cada período y se puede almacenar producto para períodos posteriores. Los centros de
transbordo poseen una capacidad de almacenaje limitada y sólo pueden almacenar producto durante
un período, y en los destinos existe un requerimiento o demanda estimada del producto para cada
período. Además de los costos de transporte, se incurre en un costo de inventario cuando un origen
almacena producto para ser enviado en otros períodos. Los centros de transbordo, en cambio,
representan un costo fijo. Se puede visualizar la situación esquemáticamente en la figura 2.3.
Se definen las siguientes variables de decisión:
xikt = cantidad de producto enviada desde el origen i al centro de transbordo k en el período t,

ykjt = cantidad de producto enviada desde el centro de transbordo k al destino j en el período t,
Iit = cantidad de producto en inventario en el origen al final del período t.
y los siguientes parámetros:
ait = capacidad de producción en el origen i en el período t,

bjt = cantidad de producto requerida en el destino j en el período t,
wk = capacidad del centro de transbordo k,
eikt = costo unitario de transporte desde el origen i al centro de transbordo k en el período t,
dkjt = costo unitario de transporte desde el centro de transbordo k al destino j en el período t,
hit = costo unitario de inventario en el origen i en el período t,
Ii0 = cantidad de producto en inventario al comienzo del periodo 1 en el origen i.
Las restricciones del modelo son:
a) Disponibilidad en los orígenes: la cantidad total de producto enviada desde un origen más la
cantidad dejada en inventario en el período debe ser igual a la disponibilidad de producto en ese
origen en el período. La cantidad disponible es igual al inventario al inicio del período (es decir al
final del período anterior) más la cantidad máxima que se puede producir en ese origen durante el
período
q
I it   xikt  I i ,t 1  ait i  1,..., m; t  1,..., T .
k 1
1 1
1
Período 1
i j
q
m n
1 1 1
xikt ykjt
ait bjt
Período t i j
q
m n
Iit
1 1 1
Período t+1 i j
q
m n
1 1 1
Período T i j
q
m n
Figura 2.3. Representación del problema de transporte con transbordo y multiperíodo.

b) Capacidad de los centros de transbordo: la cantidad total de producto enviada a un centro de

transbordo en un período cualquiera no puede exceder la capacidad del centro
x
i 1
ikt  wk k  1,..., q; t  1,..., T .
c) Balance de producto en los centros de transbordo: todo el producto que llega a un centro de
transbordo debe ser distribuido a los destinos
m n
 xikt   y kjt
i 1 j 1
k  1,..., q; t  1,..., T .
d) Satisfacción de demanda : la cantidad total de producto enviada a un destino debe ser igual a la
cantidad requerida en ese destino
q
y
k 1
kjt  b jt j  1,..., n; t  1,..., T .
e) No negatividad de las variables:
xikt , y kjt , I it  0 i  1,..., m; j  1,..., n; t  1,..., T .
La función objetivo consiste en minimizar el costo total de transporte e inventario.
T  m q
m n  
Min z =   h it I it +
 i=1
  e ikt x ikt +  d kjt y kjt  .

t=1 k=1  i=1 j=1 
Finalmente, se observa que este problema que se ha analizado para un producto puede
extenderse al caso en que existen varios productos que deben ser distribuidos a través de la misma
red de distribución.
2.4.4. Flujo de Pasajeros en un Ferrocarril
Un ferrocarril interprovincial tiene dos líneas y un conjunto de estaciones en cada línea. La

estructura del sistema se muestra en la figura 2.4. Se desea estudiar la distribución de pasajeros en el
sistema, para un viaje desde la estación A hasta las estaciones E y G. La capacidad del tren que va
desde A hasta E es de 1.200 pasajeros y la del tren que va desde C hasta G es de 800 pasajeros.
A B C D E
Figura 2.4. Estructura de la red ferroviaria.
Se ha estimado la cantidad de pasajeros que llega a cada estación, según su destino. La tabla
2.7. contiene la matriz de origen-destino estimada, esto es, el número estimado de pasajeros que
desean viajar entre cada par de estaciones.
El costo del viaje en tren es de $ a por cada tramo (segmento entre dos estaciones
consecutivas de la red), por persona. Los pasajeros que no consigan comprar pasaje deben utilizar un
bus que tiene un costo de $ b por cada tramo, por persona, con a<b. ¿Cuál es la distribución de
pasajeros que minimiza el costo total de todas las personas que desean viajar?
Tabla 2.7. Matriz origen-destino.
Estaciones de Estaciones de destino

llegada
B C D E F G
A 200 300 500 400 100 150
B 100 150 400 200 400
C 200 350 250 300
D 100 – –
F 200
Para determinar la cantidad de pasajeros en cada tramo de viaje se definen las siguientes
variables:
xij = cantidad de pasajeros que viajará en el tren y que llega a la estación i y tiene destino j,
i = A, B, C, D, F; j = B, C, D, E, F, G.
Restricciones
a) Capacidad de los trenes que efectúan los distintos tramos.
En el tramo A-B la cantidad total de pasajeros que ingresa al ferrocarril en la estación A no debe
superar la capacidad del tren que sale de esta estación:
xAB + xAC + xAD + xAE + xAF + xAG  1.200.
En el tramo B-C la cantidad total de pasajeros que efectuará este tramo no debe exceder la
capacidad del tren. La cantidad de pasajeros corresponde a los que subieron al tren en A con
destino C, D, E, F ó G, más los que subirán en B con los mismos destinos:
xAC + xAD + xAE + xAF + xAG + xBC + xBD + xBE + xBF + xBG  1.200.
En el tramo C-D la cantidad total de pasajeros corresponde, en este caso, a las personas que suben
en la estación A, B ó C con destino D ó E:
xAD + xAE + xBD + xBE + xCD + xCE  1.200.
En el tramo D-E la cantidad total de pasajeros corresponde, en este caso, a las personas que suben
en la estación A, B, C ó D con destino E:
xAE + xBE + xCE + xDE  1.200.
En el tramo C-F la cantidad total de pasajeros corresponde, en este caso, a los que suben en la
estación A, B ó C con destino F ó G. La capacidad del tren que efectúa este tramo es de 800
pasajeros:
xAF + xAG + xBF + xBG + xCF + xCG  800.
En el tramo F-G la cantidad total de pasajeros corresponde, en este caso, a los que suben en A, B, C
ó F con destino G:
xAG + xBG + xCG + xFG  800.
b) Llegadas máximas: a partir de la matriz origen-destino se conoce el número de llegadas. Por lo

tanto:
xAB 200, xAC  300, xAD 500, xAE  400, xAF 100, xAG  150,
xBC  100, xBD  150, xBE  400, xBF  200, xBG  400,
xCD  200, xCE  350, xCF  250, xCG  300,
xDE  100, xFG  200.

xij  0 para i, j relevante.
Función objetivo
Minimizar el costo total de todas las personas que desean viajar, es equivalente a maximizar
el ahorro total.
Max z = (b - a) xAB + 2(b - a) xAC + 3(b - a) xAD + 4(b - a) xAE + 3(b - a) xAF +
4(b - a) xAG + (b - a) xBC + ................ + 2(b - a) xCG + (b - a) xFG.
2.5. OTROS MODELOS LINEALES
En esta sección se presentan varios problemas que pueden ser modelados utilizando
programación lineal continua.
2.5.1. Pérdidas de Material en Proceso de Corte
Una industria que fabrica papel y lo distribuye en rollos debe determinar la mejor forma de
realizar el proceso de corte. Los rollos de papel que se producen tienen un ancho de 100 cm; sin
embargo, los clientes demandan rollos de 30 cm, 45 cm y 50 cm de ancho. Por lo tanto, al cortar los
rollos de 100 cm se incurre en una pérdida de material que depende de la forma en que se corten los
rollos originales. Se desea determinar la forma de efectuar el corte de manera que se satisfaga la
demanda y se minimice la pérdida total de material. Se tiene un pedido de 800 rollos de 30 cm de
ancho, 500 rollos de 45 cm y 1.000 rollos de 50 cm. Dadas las características de los rollos
demandados por los clientes, existen seis alternativas diferentes de corte de un rollo de 100 cm de
ancho, que se muestran en la figura 2.5.
PÉRDIDA
Esquema 1 30 30 30 10
Esquema 2 30 45 25
Esquema 3 45 45 10
Esquema 4 45 50 5
Esquema 5 50 50
30 50 20
Esquema 6
Figura 2.5. Cortes de rollos de papel.
Variables de decisión: las decisiones que se desean tomar se refieren a qué esquemas de corte
utilizar. Se define la siguiente variable de decisión:
xi = cantidad de rollos de 100 cm de ancho que se cortarán según el esquema de corte i, i=1,,6.
Restricciones
a) Satisfacción de la demanda: la cantidad total de rollos de 30 cm, 45 cm y 50 cm, resultantes del

proceso de corte debe ser igual a la solicitada.
Rollos de 30 cm: los esquemas de corte que contienen rollos de 30 cm son 1, 2 y 6. Cada rollo
cortado según el esquema 1 aporta 3 rollos de 30 cm de ancho. Análogamente, el esquema 2 aporta 1
rollo de 30 cm y el esquema 6 también aporta 1 rollo de 30 cm. Por lo tanto, se tiene que:
3x1 + x2 + x6 = 800.
Rollos de 45 cm: los esquemas de corte que contienen rollos de 45 cm son 2, 3 y 4, que aportan 1, 2
y 1 rollo de 45 cm de ancho, respectivamente, por cada rollo de 100 cm. Luego:
x2 + 2x3 + x4 = 500.
Rollos de 50 cm: los esquemas de corte que contienen rollos de 50 cm son 4, 5 y 6, que aportan 1, 2
y 1 rollo de 50 cm de ancho por cada rollo de 100 cm, respectivamente. Por lo tanto:
x3 + 2x5 + x6 = 1.000.
b) No negatividad de las variables
xi  0 i = 1,, 6.
Función objetivo
La pérdida total de material es z = 10x1 + 25x2 + 10x3 + 5x4 + 20x6. Luego, la función
objetivo es
Min z = 10x1 + 25x2 + 10x3 + 5x4 + 20x6.
Si bien resultaría natural imponer que las variables deben tener sólo valores enteros, dado
que se trabaja con cantidades grandes, en la práctica, se relaja esta condición a fin de facilitar la
resolución del problema, y el error que eventualmente podría cometerse al redondear los valores
fraccionarios, se considera que está entre los límites aceptables.
Aplicaciones de este problema surgen cuando las dimensiones del producto que se fabrica
son diferentes de las dimensiones que se requieren. Situaciones similares a la aquí presentada se
pueden encontrar en la industria textil y de confección; en la industria de vidrios, de madera; en la
siderúrgica, y en particular en empresas de laminado y perfiles metálicos; etc.
2.5.2. Administración de Vestimenta Quirúrgica
El administrador de una clínica que acaba de instalarse necesita proveer cada día los
pabellones quirúrgicos de vestimenta suficiente para los equipos médicos que efectuarán las
intervenciones. Cada vestimenta está compuesta por bata, gorra, mascarilla y cubre-zapatos. Se han
estimado las intervenciones que se efectuarán en los próximos T días, de manera que se conoce el
número de personas que ingresarán a los pabellones cada día. La vestimenta usada se somete a un
proceso de lavado y esterilización para ser utilizada nuevamente. Existen dos procesos de lavado-
esterilización: uno rápido que demora 1 día y se realiza durante la noche, y otro normal que demora
2 días y se efectúa durante el día. Esto es, lo que se envía a lavado rápido al final del día, está
disponible para ser utilizado al día siguiente, y lo que se envía a lavado normal al final del día está
disponible al día subsiguiente. El lavado rápido tiene un costo de $ a por vestimenta y el normal un
costo de $ b por cada una. También se pueden comprar vestimentas nuevas a un precio unitario de $
g, tal que g >> a, b. El administrador desea determinar para cada día qué cantidad de vestimentas
nuevas debe utilizar, qué cantidad debe enviar al servicio de lavado rápido y qué cantidad al servicio
de lavado normal.
Sea ai la cantidad de vestimentas que se requieren para el día i, i = 1,, T. Se definen

siguientes variables de decisión:
xi = cantidad de vestimentas nuevas que se utilizarán el día i, i = 1,, T,

yi = cantidad de vestimentas que serán enviadas a lavado normal el día i, i = 1,, T–2,
wi = cantidad de vestimentas que serán enviadas a lavado rápido el día i, i = 1,, T–1,
ri = cantidad de vestimentas usadas que no serán enviadas a lavado el día i, i = 1,, T.
Restricciones
a) Satisfacción de requerimientos: al comienzo del día debe tenerse la cantidad necesaria para ese
día.
Dado que inicialmente no se tienen vestimentas usadas, los requerimientos del primer día deben ser
satisfechos con vestimentas nuevas:
x1 = a1.
En el día 2 los requerimientos pueden ser satisfechos con vestimentas nuevas y/o con vestimentas
que se enviaron el día anterior a lavado rápido:
x2 + w1 = a2.
Los requerimientos del día i, i = 3,, T pueden ser satisfechos utilizando vestimentas nuevas o
enviadas a lavado rápido el día i–1 o enviadas a lavado normal el día i–2:
xi + wi-1 + yi-2 = a1 i = 1,, T.

b) Proceso de lavado: al final del día las vestimentas usadas pueden enviarse a lavado o dejarse sin
lavar hasta el día siguiente.
Las únicas vestimentas usadas el final del primer día corresponden a las utilizadas ese día:
y1 + w1 + r1 = a1.
Las vestimentas usadas el día i, i= 2,...,T-2 corresponden a las que fueron utilizadas ese día más las
que el día anterior no se enviaron a la lavandería:
yi + wi + ri = ai + ri-1 i = 1,, T–2.
Si se supone que no interesa dejar vestimentas limpias después del día T, entonces no se mandarán
vestimentas a lavado normal en el día T-1:
wT-1 + rT-1 = aT-1 + rT-2.
El último día no se manda a lavar, por lo tanto sólo se contabiliza la cantidad de vestimentas usadas
que quedan:
r = a + r1.
xi, yi, wi, ri  0 i = 1,, T.
Función objetivo
Se desea minimizar el costo total de administración de las vestimentas. Los costos que
inciden en el total son el de compra y el de lavado-esterilización. Por la tanto la función objetivo es:
T 2 T 1 T
Min z   a i y i   bi wi   g i x i .
i 1 i 1 i 1
Problemas de naturaleza similar a éste surgen en diversas organizaciones. Por ejemplo, la

administración de servilletas o manteles en un restorán; de toallas, sábanas, manteles, etc. en un
hotel; de reparación de herramientas en un taller; etc.
2.5.3. Diseño de una Estructura
En la estructura que se muestra en la figura 2.6. los cables C1, C2, C3 y C4 pueden soportar un
peso de 200 kg y C5 y C6 pueden soportar 120 kg cada uno. Se desean suspender pesos en la
posiciones A, B y C. En la figura se indican las distancias relativas entre los pesos y los cables. Si no
se considera el peso de la estructura, es decir, ni el de los cables ni el de las vigas horizontales, ¿cuál
es el peso máximo que la estructura puede soportar, suponiendo que los pesos son tales que no existe
deformación de las vigas?
c1 1 1 4 1 1 1 2 1 c2
c3 c4 A
c5 c6
C
Figura 2.6. Diseño de una estructura.
Recordemos que para resolver este tipo de problema es necesario plantear las ecuaciones de
equilibrio de fuerzas y equilibrio de torques entre los cables. Considérese una estructura como la
siguiente:
F
FC1 FC2
a b
donde FC1 y FC2 representan la resistencia o fuerza realizada por los cables C1 y C2 respectivamente
y F el peso del objeto que se desea colocar en la posición indicada.
Las relaciones de fuerzas y torques son:
Equilibrio de fuerzas: F = FC1 + FC2
Equilibrio de torques: FC1 a = FC2 b
De donde, FC1 = b/(a+b)F y FC2 = a/(a+b)F.
Para modelar la estructura dada se puede proceder en forma análoga.
Se definen las siguientes variables de decisión, una para cada uno de los lugares donde se
deben colocar los pesos:
x1 = peso que se puede colocar en A,

x2 = peso que se puede colocar en B,
x3 = peso que se puede colocar en C.
Restricciones
a) Se requiere una restricción para cada uno de los seis cables de la estructura:
Cable C1: /3 x1 + ¾ x2 + 1/6 x3  200.

1
Cable C2: /3 x1 + ¼ x2 + 5/6 x3  200.

2
Cable C3: ¾ x2  200.
Cable C4: ¼ x2  200.
Cable C5: ½ x3  120.
Cable C6: ½ x3  120.
b) No negatividad de las variables.
x1, x2, x3  0.
Función objetivo
Para maximizar la suma total de los pesos, la función objetivo es:
Max z = x1 + x2 + x3.
2.6. MODELOS DE PROGRAMACIÓN LINEAL ENTERA
Los modelos de optimización que se presentan en esta sección corresponden a aquellos que
contienen variables de decisión que admiten solamente valores enteros. Por ejemplo, cantidades no
fraccionables de ciertos productos, o de personas que se han de contratar, o de máquinas que se
utilizarán, o de plantas que se construirán, etc. Tanto las restricciones como la función objetivo son
lineales. Un caso particular interesante se presenta en situaciones donde las decisiones que se desean
tomar admiten respuestas “si” o “no”, esto es, se desea decidir si se efectúa una determinada acción
o no. Esto se representa en el modelo por medio de una variable binaria que sólo puede tomar uno de
dos valores posibles, generalmente 0 y 1, donde uno de ellos representa la decisión sí y el otro la
decisión no. Los modelos lineales en que todas las variables de decisión son enteras se denominan
modelos lineales enteros y los modelos lineales en que todas las variables de decisión son binarias se
denominan modelos lineales binarios.
2.6.1. El Problema de la Mochila
Un excursionista está preparando su mochila para un viaje y debe decidir los alimentos
enlatados que llevará. Ha comprado una lata de leche, una de atún, una de duraznos y otra de paté.
Los pesos son 200, 130, 300 y 150 gr, respectivamente. Sin embargo, sólo dispone de un
compartimento en la mochila que soporta hasta 600 gr. ¿Cuáles alimentos debe elegir?
Se puede solicitar al excursionista que priorice en orden de importancia decreciente los

alimentos, asignando un coeficiente de 1 a 10 a cada uno. Supongamos que los coeficientes
asignados son 6, 8, 7 y 10 para la leche, atún, duraznos y paté respectivamente.
Para ayudarlo a tomar la decisión, se puede plantear el siguiente modelo que maximiza la
importancia del conjunto de alimentos escogidos sin exceder el peso total máximo.

Sea xi = 0 ó 1 la variable de decisión tal que xi =1 indica que se debe escoger el alimento i, y
xi = 0 en caso contrario, i =1, 2, 3, 4.
Restricciones
a) Capacidad de la mochila: el peso total de los alimentos seleccionados no debe exceder el peso
máximo que soporta la mochila
200x1 + 130x2 + 300x3 + 150x4  600.
b) Binariedad de las variables:
x1, x2, x3, x4 {0,1}.
Función objetivo
Se desea maximizar la importancia que tiene para el excursionista el conjunto de alimentos

escogidos:
Max z = 6x1 + 8x2 + 7x3 +10x4
En resumen, el modelo es:
Max z = 6x1 + 8x2 + 7x3 +10x4

s.a.
200 x1 + 130x2 + 300x3 + 150 x4  600
x1, x2, x3, x4 {0,1}.
Este tipo de problemas posee la siguiente estructura general: se tienen n tipos diferentes de
objetos, cada uno de ellos tiene un peso wj y un valor vj. Se dispone de una mochila que soporta un
peso máximo W, donde estos objetos deben ser colocados, de manera de maximizar el valor total del
contenido de la mochila, sin exceder la capacidad de ésta. Los objetos son indivisibles, por lo que
sólo se pueden colocar en la mochila cantidades enteras de un tipo de objeto.
Se denota por xj las unidades del objeto tipo j que se colocarán en la mochila, j = 1,, n.
Entonces el modelo lineal que permite decidir las cantidades de cada uno de los objetos que serán
colocadas en la mochila es el siguiente:
n
Max z   v j x j
j 1
s.a.
n
w x
j 1
j j W
x j  0, entero j  1,...,n.
Este problema se conoce como el problema de la mochila (knapsack) entero. Si sólo existe
un objeto de cada tipo entonces xj = 1 ó 0, y en este caso el problema se denomina "knapsack"
binario o 0-1. Otras aplicaciones de este problema se obtienen al considerar mercaderías que deben
ser almacenadas o transportadas considerando una disponibilidad de espacio o de peso limitada. El
problema de selección de proyectos de la subsección siguiente es también una aplicación de este
problema.
Este problema se puede resolver en tiempo O(nW) con un enfoque de programación

dinámica. Sin embargo, a menos que W sea un polinomio en n, el algoritmo resultante no será
polinomial en el tamaño del problema. Esto de acuerdo al enfoque de complejidad computacional
discutido en la sección 1.5. del capítulo 1.
2 6.2. El Problema de Asignación
Este problema se presenta cuando se tienen dos conjuntos de igual número de objetos y se
desea determinar pares de objetos tales que un objeto del par pertenece a un conjunto y el otro
objeto al otro conjunto. Por ejemplo, asignación de trabajos a personas, de trabajos a máquinas,
personas a máquinas, etc. Una de las versiones más conocidas consiste en determinar de entre un
conjunto de n hombres y otro de n mujeres, n parejas hombre-mujer de tal modo de maximizar la
“felicidad” del conjunto de parejas. A continuación se ilustra este problema con la asignación de
profesores a cursos.
El Departamento de Ingeniería Industrial desea determinar cuál es la mejor asignación de

profesores para un conjunto de cursos que se deben dictar el próximo semestre. Cada profesor debe
dictar uno de los siguientes cursos: Optimización, Economía, Investigación Operativa, Gestión de
Operaciones y Evaluación de Proyectos. Se ha consultado a los profesores sobre sus preferencias
para dictar cada uno de estos cursos. La tabla 2.8. muestra estas preferencias, siendo 10 la
preferencia máxima y 1 la menor. Si se asume que el nivel total de satisfacción de las preferencias se
obtiene sumando las preferencias individuales, se tiene, por ejemplo, que la asignación siguiente.
Optimización: profesor A,
Economía: profesor B,
Investigación Operativa: profesor C,
Gestión de Operaciones: profesor D,
Evaluación de Proyectos: profesor F,
tiene un nivel total de satisfacción de preferencias de 8 + 6 + 5 + 8 + 9 = 36.
Tabla 2.8. Preferencias por cursos.
Profesores
Cursos A B C D F
Optimización 8 9 6 10 3
Economía 6 6 10 4 9
Investigación Operativa 10 8 5 10 4
Gestión de Operaciones 10 9 4 8 5
Evaluación de Proyectos 5 4 9 3 9
Claramente, existen otras asignaciones que tienen un nivel de satisfacción total mayor que
éste. En este caso, se tienen 5432 = 120 formas distintas de efectuar la asignación de profesores
a cursos. La evaluación exhaustiva de todas ellas resulta bastante tediosa, sin embargo, es todavía
posible de realizar. En general, si se deben realizar n asignaciones, existen n posibilidades por lo
que cuando n es grande la enumeración explícita de todas ellas resulta impracticable.
Podría ser útil modelar la situación utilizando programación matemática.
Se desea determinar cuál es la asignación de profesores a cursos, de tal manera que cada
profesor dicte un curso y cada curso tenga un profesor, y que el nivel total de satisfacción de las
preferencias sea máximo. Consideremos el caso general en que se tienen n profesores y n cursos.
Variables de decisión:
Dado un par profesor-curso se debe decidir si esa asignación se efectúa o no. Por lo tanto, se
pueden definir las variables de decisión de la siguiente manera:
1 si el profesori se asigna al curso j

xij  
0 en caso contrario.
para i, j =1,, n.
Restricciones
a) Cada profesor debe ser asignado a un curso:
x
j 1
ij 1 i  1,..., n.
b) A cada curso debe asignarse exactamente un profesor:
x
i 1
ij 1 j  1,..., n.
c) Binariedad de las variables:
xij{0,1} i, j =1,, n.
Función objetivo
Se desea determinar la asignación que maximice el nivel total de satisfacción de

preferencias. Sea cij la preferencia del profesor i por dictar el curso j, para i, j = 1,, n. Entonces la
función objetivo es:
n n
Max z   c ij xij
i 1 j 1
En algunas aplicaciones es posible que en lugar de maximizar el valor de la función objetivo

se requiera minimizarlo. Por ejemplo, si se trata de asignar trabajos a personas y se tiene
información del tiempo que le toma a cada persona realizar los diferentes trabajos, entonces la
función objetivo consistirá en minimizar el tiempo total de ejecución de todos los trabajos.
Si uno de los conjuntos tiene m elementos y el otro tiene n, siendo mn, entonces se pueden
formar m pares de elementos. En el ejemplo de profesores y cursos, si se tienen m cursos y n
profesores a cada curso se le debe asignar un profesor, pero podrían quedar profesores sin curso. Las
restricciones son:
n
x
j 1
ij 1 i  1,..., n.
x
i 1
ij 1 j  1,..., n.
En otros problemas de este tipo se tiene sólo un conjunto de objetos, por lo tanto cada par
está formado por objetos del mismo conjunto. Por ejemplo, si se considera la siguiente situación: en
el departamento de estudios de una empresa trabajan n ingenieros que deben evaluar ½ n proyectos,
donde n es par. Se ha decidido formar equipos de dos ingenieros para llevar a cabo esta tarea. Cada
ingeniero ha manifestado, en alguna escala, su preferencia para trabajar con los otros. Sea cij la
preferencia del ingeniero i para trabajar en equipo con el ingeniero j. Se define la variable:
xij  1 si el ingeniero i forma equipo con el ingeniero j

0 en caso contrario

donde ij, i =1,, n. De esta forma, el modelo que determina la asignación que maximiza la
satisfacción de las preferencias es:
n 1 n
Max z   c ij xij
i 1 j i 1
s.a.
n
x
j 2
1j 1
i 1 n
 xki 
k 1
x
j i 1
ij  1 i  2,...,n  1
n 1
x
k 1
kn 1
xij  0,1 i  1,...,n  1; j  i  1,...,n.
Este problema se denomina "problema de apareamiento perfecto" (perfect matching problem, en

inglés).
2.6.3. Selección de Proyectos
Un inversionista dispone de $ K para invertir en n proyectos diferentes. El proyecto j

requiere una inversión aj y tiene una rentabilidad estimada rj, j = 1,, n. No se pueden realizar
fracciones de proyectos, esto es, un proyecto se realiza completo o no se realiza. El modelo que
maximiza la rentabilidad total de la inversión, suponiendo que las unidades monetarias son
consistentes, es:
n
Max z =  r j x j
j 1
s.a.
n
aj 1
j xj  K
x j  0,1 j  1,...,n.
donde xj = 1 si se invierte en el proyecto j y xj = 0 en caso contrario. Este problema corresponde a un

knapsack binario, donde los objetos son proyectos. En muchos casos prácticos existen relaciones
entre los proyectos que generan restricciones adicionales en el modelo.
Restricciones adicionales
a) Proyectos excluyentes: no se puede invertir en el proyecto i y en el proyecto k simultáneamente,

esto es, se puede invertir en el proyecto i o en el proyecto k o en ninguno de ellos, pero no en
ambos:
xi + xk  1.
b) Proyectos incluyentes: los proyectos i y k se realizan simultáneamente o no se realiza ninguno:
xi = xk.
c) Proyectos requisito:
Un requisito: para invertir en el proyecto i se requiere invertir en el proyecto k. Sin embargo, se

puede invertir en el proyecto k sin invertir en el i:
xi  xk.
Varios requisitos: para invertir en el proyecto i se requiere invertir en al menos uno de los proyectos
del conjunto Q  {1, 2,, n}:
xi   x j .
j Q
2.6.4. El Problema del Vendedor Viajero
Un vendedor debe viajar a n ciudades. El costo de viajar de la ciudad i a la ciudad j es cij. El

vendedor desea partir en alguna ciudad, visitar cada una de las ciudades restantes exactamente una
vez, y retornar a la ciudad de donde partió ¿cuál es orden en que el vendedor debe visitar las
ciudades si desea que el costo total del viaje sea mínimo?
El viaje completo se denomina circuito, puesto que corresponde a entrar y salir exactamente
una vez de cada cuidad, retornando a la ciudad inicial. Supongamos, sin pérdida de generalidad, que
el vendedor inicia su viaje en la ciudad 1.
Sea la siguiente variable
1 si el vendedor va de la ciudad i a la ciudad j en el circuito

xij  
Restricciones
a) El vendedor debe entrar exactamente una vez a cada ciudad:

n
x
i 1
ij 1 j  1,..., n.
b) El vendedor debe salir exactamente una vez de cada ciudad:
x
j 1
ij  1 i  1,..., n.
c) Estas restricciones no son suficientes para describir un circuito, dado que son satisfechas por
subcircuitos. Por ejemplo, si el vendedor debe recorrer 5 ciudades, la solución x14 = x45 = x51 = x23 =
x32 =1 y el resto de las variables iguales a 0, verifica las restricciones anteriores, pero no corresponde
a un circuito, sino a dos subcircuitos, como se muestra en la figura 2.7.
1
2 3
5 4
Figura 2.7. Subcircuitos.
Para asegurar que la solución corresponde a un circuito, se requieren restricciones

adicionales. Se han propuesto diversas formas para evitar los subcircuitos. Una de ellas surge de
observar que para tener un circuito, evitando los dos subcircuitos del ejemplo, se debe realizar un
viaje entre alguna ciudad del conjunto {1,4,5} hacia alguna ciudad del conjunto {2,3} y viceversa.
En general, para cada subconjunto de ciudades U{1,, n} tal que 2 Un–2 las restricciones:

(i, j): i U, j V \U
xij  1  U  V tal que 2  U  n  2.
son verificadas por todo circuito, pero cada subcircuito viola al menos una de ellas. Otra opción es
considerar el siguiente conjunto de restricciones:

(i, j): i U, j U
x ij  | U |- 1 2  | U |  n - 2.
Lo anterior es una formulación adecuada del problema; sin embargo, el número de estas
restricciones es enorme: O(2n), lo que dificulta la resolución.
d) Binariedad de las variables:
xij  0,1  i, j  1,..., n.
Función objetivo
Para obtener el viaje o circuito de menor costo total la función objetivo es:
n n
Min z    cij xij .
i1 j 1
Algunas aplicaciones de este problema se presentan en ruteo de vehículos, por ejemplo si un

vehículo debe distribuir cierto producto en diferentes lugares, o bien recoger productos o pasajeros
de distintos puntos de una ciudad. También se puede aplicar en la construcción de aparatos donde un
dispositivo debe realizar una operación en diferentes lugares o componentes, por ejemplo un brazo
automático que efectúa la unión de partes en circuitos integrados VLSI.
2.7. MODELOS DE PROGRAMACIÓN LINEAL ENTERA MIXTA
Existen modelos lineales que contienen algunas variables de decisión continuas y otras
enteras o binarias; en este caso se dice que el modelo es mixto. En esta sección se presentan algunos
modelos de esta clase.
2.7.1. Localización de Plantas
Los problemas de localización constituyen una clase importante de problemas que pueden
ser formulados por medio de un modelo lineal entero. El más simple de ellos tiene la siguiente
estructura: dado un conjunto N = {1, 2,, n} de localizaciones posibles para instalar P plantas y un
conjunto M = {1,, m} de clientes que demandan producto, determinar cuál es la ubicación de las
plantas que permite satisfacer la demanda a un mínimo costo.
El costo de instalar una planta en la localidad i es ci, i = 1,, n. Cada cliente tiene una
demanda de bj unidades, j = 1,, m y el costo unitario de transporte desde la localidad i al cliente j
es hij. La capacidad de una planta instalada en la localidad i es ui.
Se desea decidir dónde instalar las plantas y cómo efectuar la distribución del producto a los
clientes. Se definen las siguientes variables:
1 si se instala una planta en la localidad i


xi  
0 en caso contrario.

yij = cantidad de producto a ser transportada desde la planta i al cliente j.
Restricciones
a) Satisfacción de demanda: a cada cliente debe enviarse la cantidad de producto demandada:
y
i 1
ij  bj j  1,..., m.
b) Capacidad de planta: la cantidad total de producto enviada por una planta no puede exceder la
capacidad de esa planta:
y
j 1
ij  u i xi i  1,..., n.
Se observa que si en esta restricción xi=0, entonces todas las variables yi1, yi2,..., yim también
son iguales a cero. Esto debe ser así puesto que xi=0 significa que no se construye una planta en i,
luego no se puede enviar productos desde esta localidad.
c) Número de plantas: se pueden instalar hasta P plantas:

n
x
i1
i  P.
d) No negatividad y binariedad de las variables:
yij 0 i = 1,, n; j = 1,, m,

xi {0,1} i = 1,, n.
Función objetivo
Se desea minimizar el costo total, es decir, el costo de instalación de las plantas más el costo
de transporte del producto.
n n m
Min z =  ci xi +   hij yij.
i 1 i 1 j 1
Este tipo de modelos es un caso particular de la situación que se describe a continuación.

2.7.2. Modelamiento de Costos Fijos
En los modelos lineales donde las variables de decisión representan el nivel que deben tener
las actividades consideradas, se asume que la función objetivo es una función lineal de las variables.
Sin embargo, en muchas situaciones prácticas el costo asociado a una actividad tiene la forma
indicada en la figura 2.8., es decir, el costo de realizar la actividad j al nivel xj es 0 si xj = 0 y es
dj + cj xj si xj 0. El costo dj se denomina costo fijo y se incurre en él cuando la actividad j se realiza
a cualquier nivel positivo y no depende del nivel de la actividad. Por ejemplo, si xj es la cantidad de
madera que se transporta desde el bosque a un aserradero, entonces dj es el costo de construir el
camino entre el bosque y el aserradero. El costo cj representa el costo variable de transportar la
madera hasta el aserradero, una vez que el camino ha sido construido.
Costo
Actividad j
cj
dj
xj
Figura 2.8. Costo fijo.
El problema de encontrar una solución que minimice el costo total, esto es, los costos fijos
más los costos variables, si las restricciones son también lineales, se denomina el problema lineal de
costo fijo,. La función objetivo en este caso es:
n
Min z = 
j J
d j  cj xj.
j=1
donde J es el conjunto { j : j tal que xj 0 }.
La función z es discontinua en el origen. Si los coeficientes dj son positivos, se puede

demostrar que z es una función cóncava. Por lo tanto, el problema lineal de costo fijo consiste en
minimizar una función cóncava sujeta a restricciones lineales. Debido a la estructura de la función
objetivo no es posible resolver el problema con algoritmos como el Simplex. Estos problemas se
pueden formular como problemas enteros mixtos. Para este caso se define la variable yj tal que:
1 si x j  0

yj  
0 si x = 0
 j
Las siguientes restricciones incorporan al modelo la relación entre ambas variables:
xj M yj j = 1,, n,
xj  0 j = 1,, n,
yj {0,1} j = 1,, n.
donde M es un número positivo suficientemente grande. En general, es posible obtener valores

apropiados para M de modo que, por una parte, no se impongan restricciones artificiales al valor
óptimo de xj y que, por otra, no se generen problemas numéricos en los algoritmos.
Claramente, cuando yj es igual a 0, la variable xj debe ser igual a 0. Por otro lado, cuando xj
es positiva, la variable yj debe ser igual a 1.
De esta forma la función objetivo es:
n n
Min z   c j x j   d j y j
j 1 j 1
Costos con esta estructura surgen en situaciones que incluyen construcción de caminos,
sistemas de distribución de agua, petróleo o gas a través de una red de cañerías, oleoductos o
gasoductos que se deben construir, localización de instalaciones, etc.
2.7.3. Programación de Trabajos
Como se vio en el capítulo 1, este tipo de problemas surge cuando se desea determinar la
secuencia óptima de procesamiento de trabajos en un conjunto de máquinas. Consideremos un taller
que necesita efectuar n trabajos en m máquinas. Cada trabajo debe ser procesado por cada una de las
m máquinas y el orden de las máquinas para cada trabajo está preestablecido. Cada máquina puede
procesar un trabajo a la vez, y cada trabajo debe ser completamente procesado, antes de procesar
otro en la misma máquina. Se desea determinar una secuencia para procesar todos los trabajos de
manera que la suma de los tiempos totales de procesamiento de todos los trabajos sea mínima.
Sea sij el tiempo de procesamiento en la máquina i del trabajo j, i = 1,, m y j = 1,, n.

Para simplificar, se asume que el orden de procesamiento es igual para todos los trabajos, es decir,
cada trabajo debe ser procesado primero por la máquina 1, a continuación por la máquina 2, ..., etc.
Para establecer el orden en las distintas máquinas para cada uno de los trabajos se define la
siguiente variable de decisión:
tij = instante en que se inicia el procesamiento en la máquina i del trabajo j, i = 1,, m y j = 1,, n.
Restricciones
a) El procesamiento en la máquina (k+1) del trabajo j no puede comenzar antes que se complete el
proceso en la máquina k:
tk+1,j  tkj + skj k = 1,, m-1; j = 1,, n.
b) Cada máquina puede procesar un trabajo a la vez: si el trabajo p es realizado en la máquina k

antes que el trabajo q, entonces se tiene que:
tkq tkp + skp
pero si el trabajo q es realizado en la máquina k antes que el trabajo p, entonces se tiene que:
tkp tkq + skq
Esto es, una de estas dos restricciones debe cumplirse para el par de trabajos p y q en la máquina k.
Para representar esta relación disyuntiva entre estas dos restricciones se define la siguiente variable
binaria:
1 si el trabajo p es procesadoen la maquina k antes que el trabajo q


x kpq 

y se consideran las siguientes restricciones:
M xkpq + tkp – tkq  skq k = 1,, m; p, q = 1,, n.
M(1 – xkpq) + tkq – tkp  skp k = 1,, m; p, q = 1,, n.
donde M es suficientemente grande.
c) No negatividad:
tkp 0 k = 1,, m; p = 1,, n.
d) Binariedad de las variables:
xkpq {0,1} k = 1,, m; p,q = 1,, n.

Función objetivo
Se desea minimizar la suma de los tiempos totales de procesamiento de todos los trabajos:
n
Min z   t mj .
j 1
El modelo contiene m n  variables binarias. Para valores de m y n de interés práctico no se

 2
han encontrado métodos eficientes que permitan resolverlo. Por otra parte, las situaciones prácticas
suelen ser más complejas que la discutida aquí; es necesario, por ejemplo, considerar los tiempos de
preparación de las máquinas, relaciones de precedencia más sofisticadas entre los distintos trabajos
debido al tipo de proceso de fabricación, fechas de entrega de los trabajos, etc.
2.8. MODELOS DE PROGRAMACIÓN NO LINEAL
El supuesto de linealidad de los modelos de programación lineal, si bien es cierto que es

aplicable en una amplia variedad de problemas, en otras aplicaciones no lo es. Dado que un modelo
representa aproximadamente la realidad, en muchas situaciones prácticas se linearizan los elementos
no lineales, debido a que para muchos modelos lineales se cuenta con herramientas que permiten
resolverlos en forma más eficiente. Lo importante es distinguir en qué situaciones la linearización de
una situación esencialmente no lineal es adecuada y considerar qué nivel de desviación en las
soluciones es aceptable. En esta sección se presentan algunos problemas que pueden ser modelados
utilizando programación no lineal.
2.8.1. Diseño de Embalajes
Una empresa exportadora debe enviar cada mes cierta cantidad de producto a sus clientes. El
producto es embalado en una caja rectangular. El fondo de la caja es de un material resistente, cuya
disponibilidad máxima es de 60 metros cuadrados y la altura de la caja no puede exceder de 12
metros. ¿Qué dimensiones debe tener la caja, de manera que el volumen sea máximo?
Sea x el largo, y el ancho y w la altura de la caja, como se indica en la figura 2.9. El modelo
que maximiza el volumen de la caja, considerando que el fondo puede tener hasta 60 m2, es el
siguiente:
Figura 2.9. Caja de embalaje.

Max z = xyw
s.a.
xy 60
w 12
x, y, w  0.
Otra versión muy conocida de este problema consiste en determinar las dimensiones de
varias cajas. Supongamos que, además del fondo, la cara frontal y la cara posterior son del mismo
material, del cual se dispone de hasta 60 m2. Sin embargo, el material de las otras dos caras y la tapa
debe comprarse a un costo de M$ 5 el metro cuadrado. Por otro lado, existe un costo de transporte
de M$ 3 por caja. El modelo que determina las dimensiones de cada caja y la cantidad Q de cajas
que se requieren para transportar un volumen V de producto, es el siguiente:
Min z = 3Q + 10 wyQ + 5 xyQ

s.a.
Qwxy = V
2wy + xy  60
w, x, y, Q  0.
2.8.2. Algunos Problemas Geométricos
Existen diversos problemas en geometría que pueden ser modelados mediante programación
matemática. A continuación se presentan dos de ellos a modo de ejemplo.
Distancia de un punto a una recta
Encontrar la distancia mínima desde el origen a cualquier punto contenido en la recta que
pasa por los puntos (0,3) y (3,0).
La recta que contiene los puntos señalados es x1 + x2 = 3. Sea d la distancia mínima desde el
origen a esta recta. Entonces el problema es:
½
Min d = [ x12 + x22 ]
s.a.
x1 + x2 = 3.
Circunferencia de menor radio
Determinar el menor radio de una circunferencia con centro en el punto (2,2) que contiene al
menos un punto del conjunto
{ (x1, x2) / 2x1 + 2x2  4, 4x1 + x2  4 }.

Sea r el radio de la circunferencia. El problema consiste en:

½
Min r = [ (x1 – 2)2 + (x2 – 2)2 ]
s.a.
2x1 + 2x2  4
4x1 + x2  4.
2.8.3. Localización de una Planta
Una empresa cuenta con n centros de distribución de sus productos. Se desea instalar una
planta, de tal forma que la distancia total hasta los centros distribuidores sea mínima, como se
muestra en la figura 2.10.
Sean (xi, yi) las coordenadas del centro de distribución i, en algún sistema de tipo cartesiano.
(xi,yi) (xn,yn)
(x,y)
(x1,y1)
Figura 2.10. Localización de una planta.
Para decidir la localización de la planta, sean (x,y) las coordenadas de la planta. Entonces el
modelo consiste en:
n ½
Min z =  [ (x – xi)2 + (y – yi)2 ]
i 1
De esta forma, el problema se puede modelar como uno de programación no lineal sin
restricciones.
2.8.4. Planificación de la Producción con Costos No Lineales
Consideremos nuevamente el problema de planificación de la producción de cierto producto

para un horizonte de T períodos. Se ha estimado que la demanda en un período t es dt, y ella puede
ser satisfecha con la producción del período y/o con producto en inventario al comienzo del período.
El costo de almacenar una unidad de producto durante un período es de h u.m (unidades

monetarias). En la fabricación del producto intervienen m insumos (materias primas) y mano de
obra. La disponibilidad del insumo i en el período t es bit y la cantidad de insumo i que requiere una
unidad de producto es ai. Un trabajador produce k unidades del producto en un período. La mano de
obra puede ser contratada o despedida según las necesidades. Sin embargo, tanto contratar como
despedir trabajadores tiene un costo, por lo que la planificación debe ser tal que el nivel de mano de
obra utilizada sea lo más estable posible.
Se desea determinar para cada período el nivel de producción, el inventario que se dejará
para el período siguiente y el nivel de la mano de obra, de manera de satisfacer la demanda sin
exceder la disponibilidad de insumos y, de tal modo, que la cantidad de trabajadores sea lo más
estable posible y el costo de inventario sea mínimo.
Se definen las siguientes variables:
xt = cantidad de producto a fabricar durante el periodo t,

It = cantidad de producto en inventario al final del período t,
Lt = nivel de la mano de obra (cantidad de trabajadores) al final del período t.
Restricciones
a) Disponibilidad de insumos: la cantidad de insumos utilizada durante un período no puede

exceder de la cantidad disponible:
ai xt  bit i = 1,, m; t = 1,, T.
b) Satisfacción de demanda: la demanda de un período puede ser satisfecha con producción del
período y/ o con inventario del periodo anterior, donde I0 es el inventario inicial:
xt + It-1 – It = dt t = 1,, T.
c) Nivel de la mano de obra: el nivel de mano de obra necesaria en un período depende del nivel de
producción en ese período:
xt – k Lt  0 t = 1,, T.
d) Variación en el nivel de mano de obra: la variación del nivel de mano de obra entre dos períodos
consecutivos se medirá con dos variables auxiliares, una asociada al aumento y otra a la
disminución, que denotaremos wt e yt, respectivamente:
Lt – Lt-1 – yt + wt = 0 t = 1,, T.
e) No negatividad de las variables
xt, Lt, It, yt, wt  0 t = 1,, T.
Función objetivo
Supongamos inicialmente que el costo de la variación de la mano de obra es lineal. Sea  el

costo de contratar un nuevo trabajador y el costo de despido. En este caso la función objetivo es
T T T
Min z =  h It +   yt +   wt.
t=1 t=1 t=1
En muchas situaciones prácticas, estos costos no son lineales. Si los costos de contratación y
despido son proporcionales al cuadrado del aumento o disminución en el nivel de mano de obra, la
función objetivo es:
T T T
Min z =  h It +   yt2 +   wt2.
t=1 t=1 t=1
Análogamente, es posible que en algunas situaciones el costo de inventario sea proporcional

al cuadrado del nivel de producto almacenado. En este caso la función objetivo es:
T T T
Min z =  h It2 +   yt +   wt .
t=1 t=1 t=1
2.8.5. El Problema de Distribución de Instalaciones (Layout)
Este problema corresponde en realidad a uno de localización y tiene mucha importancia en la

gestión de operaciones. Se presenta, por ejemplo, en una fábrica en la cual debe decidirse sobre la
instalación de la maquinaria. El punto es que una ubicación “inteligente” de esa maquinaria puede
reducir considerablemente las distancias recorridas por las componentes intermedias que tienen que
pasar de una máquina a otra, con el consiguiente ahorro de tiempo y dinero. Otro ejemplo, esta vez
no industrial, es el de distribuir de manera inteligente las áreas de atención médicas en un
consultorio, también con el objeto de reducir el tiempo empleado en traslados.
Lo anterior se traduce intuitivamente en que dos unidades entre las que hay un gran número
de viajes, deberán estar cerca. Pero a esto se pueden unir objetivos contrapuestos: por alguna razón
dos unidades deben estar lejos, por ejemplo, la sección de rayos X debiera estar lejos de la recepción
por el riesgo de radiación al personal y las personas que esperan.
Es posible formular un modelo de programación matemática para resolver el problema, si es

que los lugares posibles en que se pueden instalar las máquinas están definidos. Suponiendo que hay
n lugares posibles y que se quiere instalar m máquinas, se definen los siguientes parámetros:
Tij = el número de viajes por unidad de tiempo entre la máquina i y la máquina j.

dkl = distancia entre el lugar k y el lugar l.
y las variables de decisión binarias:
1 si la maquina i se instala en el lugar k

xik  
Las siguientes restricciones son inmediatas y establecen que cada máquina se debe instalar
en un sólo lugar y que cada lugar acepta a lo más una máquina.
x
k 1
ik 1 i  1,...,m.
m
x
i 1
ik 1 k  1,...,n.
La función objetivo debe contabilizar la distancia total recorrida por unidad de tiempo y eso
se logra con:
m m n n
Min z     T d ij kl x ik x jl .
i1 j 1 k 1 l 1
El problema resultante tiene función objetivo no lineal y además es entero. Se conoce como
problema de localización cuadrática y pertenece a la clase de problemas NP-completo, por lo tanto,
difícil resolución.
La necesidad de mantener ciertas unidades “alejadas” puede manejarse introduciendo pesos

wij que serán relativamente pequeños si la máquina i debe estar lejos de la máquina j. La función
objetivo cambia a
m m n n
Min z     w ij Tij dkl xik x jl .
i 1 j 1 k 1 l 1
y el problema tiene la misma estructura mencionada.
2.8.6. Selección de Inversiones con Riesgo
Los administradores de grandes carteras de inversión consideran tanto el rendimiento o

utilidad esperada, como el riesgo asociado a la inversión. Se puede formular un modelo de este
problema de la siguiente manera. Supongamos que se tienen n tipos de acciones o instrumentos
financieros, en los cuales es posible invertir. Sea xj el porcentaje del capital disponible que será
invertido en acciones del tipo j. Asumamos que j y jj son la media y la varianza estimadas de la
utilidad por cada unidad monetaria invertida en acciones de tipo j, donde jj representa el riesgo de
estas acciones. Sea ij la covarianza de la utilidad entre una acción tipo i y otra acción de tipo j. De
esta forma, el valor esperado de la cartera completa es:
n
R(x) =  j xj
j 1
n n
y la varianza es V(x) = 
i 1 j 1
aij xi xj
donde V(x) corresponde al riesgo de la cartera.
Por lo tanto, si se desea determinar la composición de la cartera de inversiones de modo que

se garantice que la utilidad esperada es de al menos  millones de pesos por cada unidad monetaria
invertida y que minimiza el riesgo, el modelo es:
n n
Min z   a ij xi x j
i 1 j 1
s.a.
n
x
j 1
j 1
n

j 1
j xj  
xj  0 j  1,...,n.
2.9. MODELOS EQUIVALENTES
Dada una situación real que puede ser modelada como problema de optimización, no existe
un único modelo que la represente. Es interesante que la formulación escogida sea adecuada a los
propósitos establecidos, tanto en relación con las propiedades de sus soluciones, como en lo
referente a las herramientas que permiten determinar las soluciones. De ahí, la importancia de
considerar distintas formulaciones para un mismo problema de optimización.
Definición: Dados dos modelos de optimización (P) y (P ), se dice que ellos son equivalentes si
ambos modelos tienen las mismas soluciones óptimas o bien existe una transformación que permite
construir la solución de uno de los modelos a partir de la solución del otro.
A continuación se presentan algunos modelos de optimización que son equivalentes, en el

sentido de la definición anterior.
RELACIÓN 1
Sean (P) y (P ) los siguientes problemas de optimización:
(P) Max f(x) (P ) Min f(x)

s.a. s.a.
xS. xS.
donde f (x) = – f(x) y S Rn.
Un punto x* es solución óptima del problema (P) si y sólo si x* es solución óptima del
problema (P).
Ejemplo 1: Consideremos el siguiente problema
(P) Max f(x) = 2x – (x–2)2

s.a.
x  0.
y el problema
(P ) Minf (x) = –2x + (x–2)2
s.a.
x  0.
La solución óptima de ambos problemas es x* = 3. Como se aprecia en la figura 2.11.
5
f(x)
3 x
f(x)
-5
Figura 2.11. Problemas equivalentes.

RELACIÓN 2
Sean (P) y (P) los siguientes problemas de optimización:
(P) Min f(x) (P ) Min f ( x) = g(f (x))

s.a. s.a.
xS. xS.
donde g: RR es una función estrictamente creciente.
Se tiene que x* es solución óptima del problema (P) si y sólo si x* es solución óptima del
problema (P ). Además, si (P) es un problema convexo y g es una función creciente, entonces el
problema (P ) es también un problema convexo. Un caso particular de esta relación la constituyen
el siguiente par de problemas equivalentes:
f(x)
(P) Min e (P ) Min f(x) = f(x)
s.a. s.a.
xS. xS.
Se ilustra este caso con un ejemplo, ya clásico en la literatura.
Ejemplo 2: Una fábrica de armamento de un país está estudiando la fabricación de tres tipos de
armas antiaéreas: cohetes, aviones, y cañones. Los requerimientos unitarios de mano de obra e
insumos, y la cantidad disponible de cada uno de ellos se indica en la tabla 2.9.
Tabla 2.9. Requerimientos en fabricación de armas.
Tipo de arma Requerimientos unitarios

Mano de obra Insumos
(miles de horas-hombre) ( cientos de unidades)
Cohetes 3 1
Aviones 2 2
Cañones 2 3
Cantidad disponible 50 20
La experiencia permite suponer que la probabilidad de éxito de cada una de estas armas es de
0,40, 0,30 y 0,40 respectivamente. Se desea determinar la cantidad de armas de cada tipo que
conviene producir a fin de maximizar la probabilidad de éxito.
Sean las siguientes variables de decisión:
x1 = cantidad de cohetes que se han de fabricar,

x2 = cantidad de aviones que se han de fabricar,
x3 = cantidad de cañones que se han de fabricar.
Las restricciones se refieren a la disponibilidad de mano de obra y de insumos:
3x1 + 2x2 + 2x2  50

x1 + 2x2 + 3x3  20
x1, x2, x3  0.
Maximizar la probabilidad de éxito es equivalente a minimizar la probabilidad de fracaso.

Sea z esta probabilidad. Entonces la función objetivo es:
Min z = (1 - 0,4 ) x 1 (1 - 0,3 ) x 2 (1 - 0,4 ) x 3

.
Considerar esta función objetivo es equivalente a considerar:
Min z  = log z = log (1- 0,4 )x 1 (1- 0,3 )x 2 (1- 0,4 )x 3 .

Luego, el modelo es:
Min z' = x1 log 0,6 + x2 log 0,7 + x3 log 0,6

s.a.
3x1 + 2x2 + 2x2  50
x1 + 2x2 + 3x3  20
x1, x2, x3  0.
De esta forma, se obtiene un modelo de programación lineal equivalente al modelo original.
RELACIÓN 3
Todo problema de optimización con función objetivo no lineal puede ser reformulado como
un problema con función objetivo lineal. En efecto, el siguiente problema:
(P) Min f(x)

s.a.
xS.
es equivalente al problema:
(P ) Min y
s.a.
f(x)  y
xS.
o bien al problema:
(P ) Min y
s.a.
f(x) = y
xS.
Este tipo de transformaciones es especialmente útil cuando se tiene más de un criterio que se
desea optimizar, pero por conveniencia o mayor facilidad de resolución se ha decidido utilizar un
modelo unicriterio, es decir, uno con un solo criterio como función objetivo. En este caso se puede
seleccionar uno de los criterios como función objetivo y los otros incorporarlos como restricciones,
estableciendo cotas o valores apropiados.
RELACIÓN 4
En algunas situaciones es necesario resolver un problema de optimización que tiene la

siguiente forma:
n
(P) Min z '  c j ( x j  x j )
 
j 1
s.a.
n
a
 
ij ( x j  x j ) bi i  1,...,m,
j 1
 
( x j  x j )  0.
donde xj es el valor absoluto de xj y cj  0, j = 1,, n.
Este tipo de problemas se puede reformular como problema de programación lineal de la

siguiente manera. Dado que la variable xj es irrestricta, se puede sustituir por la diferencia de dos
variables auxiliares no negativas:
xj = xj+ – xj¯ con xj+, xj¯  0.

Si, además xj+  xj¯ =0, es decir, sólo una de las variables auxiliares puede ser no nula,
entonces xj = xj+ + xj¯ , y se puede resolver el problema (P) resolviendo el problema siguiente:
n
(P) Min z '  c j ( x j  x j )
 
j 1
s.a.
n
a
 
ij ( x j  x j ) bi i  1,...,m,
j 1
 
(x j  x j )  0 j  1,...,n.
No es necesario incluir en el modelo la condición anterior, xj+  xj¯=0, como se justificará

posteriormente a partir de los resultados de programación lineal.
RELACIÓN 5
Dado un sistema de desigualdades lineales, se puede reformular el problema de determinar

una solución del sistema como un problema de optimización. Sea el siguiente sistema de
desigualdades lineales:
n
(S) a j 1
ij x j  bi i  1,..., m.
Se puede definir el siguiente problema de optimización:
(P) Min f(x)

s.a.
xRn.
donde
2
1m   n 
f (x)  min 0,  ai j x j  bi  .
2 i 1   j 1 
El problema (P) es convexo y continuamente diferenciable. El conjunto de soluciones del

sistema (S) es no vacío si y sólo si el valor óptimo del problema (P) es cero.
Las relaciones presentadas aquí se refieren a modelos de programación matemática. También

es posible, como se verá posteriormente, modelar una situación utilizando otras herramientas y
estructuras, como por ejemplo grafos y redes. En el capítulo 8 se modelan algunos de los problemas
discutidos en éste como problemas de flujo en una red y en el capítulo 9 se modelan con el enfoque
de programación dinámica.
2.10. CASOS
En esta sección se presentan algunas aplicaciones de los modelos discutidos en las secciones
anteriores.
2.10.1. Estructura de las Colocaciones Financieras de una Empresa
En lo que sigue se presenta, en forma simplificada, una aplicación que fue realizada por
Etcheberry et als. [1978] en COPEC (Compañía de Petróleos de Chile).
La compañía se dedica principalmente a distribuir y comercializar combustibles y

lubricantes a lo largo del país. Adquiere el combustible de ENAP (Empresa Nacional de Petróleos),
lo transporta a sus plantas de almacenamiento y lo distribuye a sus revendedores y clientes. Los
lubricantes los adquiere de MOBIL y los distribuye por los mismos canales mencionados
anteriormente. La mayor parte de los ingresos proviene de la venta de combustibles, existiendo
diferentes modalidades de pago, variando en cada caso los días del crédito otorgado. Dado que el
mercado es estable, el ingreso monetario por concepto de ventas se puede determinar fácilmente. Por
otro lado, los pagos a ENAP se realizan con periodicidad, puesto que existe una entrega continua de
productos. Otro ítem relevante en los egresos lo constituyen los impuestos, los que se pagan con un
crédito que depende del tipo de impuesto. Cuando las condiciones financieras lo permiten, se
realizan colocaciones a corto y mediano plazo en el mercado de capitales.
Dado que tanto el precio de compra como el de venta son fijos, una de las metas de la
compañía es minimizar los costos de transporte y distribución. Además de ello, existen otros
criterios que reflejan una adecuada eficiencia de la empresa, por ejemplo una buena utilización de
los excedentes transitorios de caja efectuando colocaciones más ventajosas en el mercado de
capitales, invirtiendo en filiales, etc.
El trabajo en referencia trata de optimizar las colocaciones que se efectúan en el mercado de

capitales.
Se ha denominado "caja" de la compañía, al total de dinero disponible en las cuentas

corrientes bancarias más el dinero colocado en el mercado financiero. El monto de la caja en un día
cualquiera está determinado por los ingresos y egresos diarios, producidos tanto por la operación
normal de la empresa como por sus actividades de carácter financiero. La política de COPEC para
realizar sus inversiones financieras consiste en mantener el nivel de la caja lo más cercano posible de
un mínimo de seguridad, por lo que si después de un día cualquiera de operación se tienen
excedentes, éstos se derivan hacia colocaciones en el mercado financiero. Si, por el contrario, el
monto disponible no es suficiente para cubrir los pagos del día, se recurre a crédito bancario. Los
flujos de dinero se muestran esquemáticamente en la figura 2.12. Dadas las características de la
operación de la empresa se pueden estimar los ingresos y egresos diarios, para así estimar los flujos
monetarios netos en cada día hábil.
FN
F1 F2 Fj Fi Fk
wji wik
y0 y1 yi-1 yi yk yN
1 2 j i k N
x ji xik
Figura 2.12. Flujos monetarios.
El problema consiste en buscar la mejor forma de operar en el mercado financiero de corto y

mediano plazo, de modo de maximizar el total de dinero en caja al final del período de planificación,
satisfaciendo las obligaciones financieras contraidas para este período y manteniendo una cantidad
de seguridad en la caja durante todo el período.
Se supone que se pueden pedir préstamos y/o colocar dinero cada día hábil del horizonte de
planificación. Los volúmenes de estos préstamos y colocaciones son tales, que puede suponerse que
las tasas de interés no dependen de sus respectivos montos.
De lo expuesto anteriormente se tienen los siguientes datos:
Horizonte de planificación: N días hábiles,
Fi = flujo monetario neto del día i (puede ser positivo o negativo), i = 1,, N,
S = monto de seguridad operacional en caja,
ij = interés de una colocación efectuada el día i y que vence el día j. El día j se recibe (1 + ij )
por cada peso colocado el día i, i j,
ij = interés de un préstamo que se recibe el día i y que se paga el día j. Por cada peso recibido el
día i se paga (1 + ij) el día j.
yi = saldo en caja al final del día i, descontado el monto de seguridad operacional S, i = 1,, N,
xij = dinero colocado el día i y que vence el día j, ij,
wij = dinero recibido en crédito el día i que debe devolverse el día j.
Se definen sólo las variables relevantes, es decir, aquellas que corresponden a la forma en
que opera el mercado financiero. No se define, por ejemplo, la variable x12 pues no pueden
efectuarse colocaciones para el día siguiente.
Restricciones
a) Equilibrio de los flujos monetarios: el saldo en caja al final del día i será igual al saldo en caja el
día anterior (i–1) más el flujo neto del día i, las colocaciones anteriores que vencen el día i, los
préstamos pedidos el día i, menos las colocaciones efectuadas el día i y los préstamos que hay que
devolver el día i:
i 1 N N i 1
y i  y i 1  Fi   (1   ki ) x ki   wij   xij   (1   kj ) wkj i  1,..., N .
k 1 j 1 j i 1 k 1
b) No sobregiro de la caja:
yi  0 i = 1,, N.
c) No negatividad de los flujos monetarios:
xij, wij  0 i, j = 1,, N.
Función objetivo
Si se desea maximizar el saldo en caja al final del horizonte de planificación, es decir, en el

último período, la función objetivo es:
Max z = yN
El modelo presentado permitió a COPEC analizar un gran número de alternativas de

colocaciones y préstamos, lo que redundó en la selección de una mejor forma de operación
financiera. Uno de los cambios más importantes en la operación fue el pedir préstamos de corto
plazo, que anteriormente no se aceptaban. El modelo permitió demostrar claramente su
conveniencia.
Otras organizaciones que presentan problemas similares son los grandes supermercados y las
tiendas de departamento.
2.10.2. Asignación de Horarios
Como se mencionó en el capítulo 1, son muchas las decisiones relacionadas con la

asignación de horarios. En lo que sigue abordaremos solamente el problema de determinar los
horarios para un conjunto de cursos. No se considerarán las decisiones de asignación de profesores
ni de salas. Se supondrá que ya está decidido qué cursos se dictarán en el semestre en cuestión y
cuáles son los profesores asignados a estos cursos.
Se puede suponer, por ejemplo, que existen, 42 módulos horarios que se distribuyen en los
días de la semana según se indica en la tabla 2.10.
Tabla 2.10. Módulos horarios.
Horario del día Lunes Martes Miércoles Jueves Viernes Sábado

8:30-10:00 1 8 15 22 29 36
10:15-11:45 2 9 16 23 30 37
12:00-13:30 3 10 ......... .........................
14:30-16:00 4 ............ .........................
16:15-17:45 5 ............ .........................
18:00-19:30 6 ............ ................ 41
19:30-21:00 7 ........... ............ 42
Los horarios de los cursos deben ajustarse a estos módulos y se puede dictar a lo más una
cátedra del mismo curso en un día. El profesor y número de módulos (número de clases semanales)
que se deben asignar a cada curso están establecidos previamente. Por una parte, los cursos que dicta
un mismo profesor deben tener horarios diferentes, y por otra, los cursos que los alumnos desean
tomar simultáneamente deben tener, también, horarios diferentes.
Suponiendo que se cuenta con la siguiente información para un conjunto de N cursos y P

profesores:
nj = número de clases por semana que deben asignarse al curso j, j = 1,, N,
Cp = conjunto de cursos que dictará el profesor p durante el semestre, p = 1,, P.
Además, cada profesor informa cuál es el horario en que puede dictar clases. Mientras mayor
cantidad de módulos horarios disponibles ofrezca cada profesor, mayor es la probabilidad de
encontrar una solución aceptable.
Para la construcción del modelo es necesario determinar qué cursos deben tener horario
diferente debido a que los alumnos tienen interés en cursarlos en forma conjunta. Una forma de
obtener esta información consiste en considerar los cursos que un alumno debe cursar en cada
semestre, según la malla oficial de cursos por semestre. De esta forma, todos los cursos que deben
ser cursados, por ejemplo, en el 5º semestre, según la malla, deben tener horarios compatibles.
Análogamente, para los cursos de cada semestre de la carrera. En este caso, se puede definir un
conjunto de cursos por cada semestre. Si Js es el conjunto de cursos correspondientes al semestre s,
entonces los horarios asignados a los cursos contenidos en este conjunto deben ser tales que los
alumnos puedan cursarlos en forma simultánea.
Otra forma, dado que en un régimen curricular flexible los alumnos no toman
necesariamente los cursos de acuerdo al orden establecido por la malla oficial, consiste en definir
conjuntos de cursos que deben tener horario diferente porque los alumnos los toman históricamente
en forma conjunta. En este caso los conjuntos Js no están necesariamente asociados a un semestre.
Si se desea considerar información actualizada, en lugar de información histórica, se puede

realizar una preinscripción académica en la que cada alumno indica cuáles son los cursos que le
interesa tomar durante el semestre próximo. A partir de la preinscripción de los alumnos se pueden
construir los conjuntos Js.
Supongamos que de alguna forma se obtienen los conjuntos de cursos que deben tener
horarios diferentes. Sea
Jt = conjunto de cursos que deben tener horario diferente, t = 1,, T.
1 si se asigna el modulo horario k al curso j


x jk 

Sólo se definen para el curso j las variables xjk que corresponden a módulos que el profesor
del curso ha indicado como disponibles para dictar las clases.
Restricciones
a) Número de clases por semana: el número de módulos asignados a cada curso debe ser igual al
número de clases por semana que el curso tiene establecidas:
42
x
k 1
jk  nj j  1,..., N .
b) Una clase por día: se puede dictar a lo más una cátedra de cada curso en un mismo día de la
semana:
x
kL ( i )
jk 1 j  1,...,N ;  i relevante.
donde L(i) contiene los módulos horarios correspondientes al día i de la semana.

c) Conflicto entre cursos dictados por un mismo profesor: en un módulo k se puede asignar a lo más
uno de los cursos que dicta el profesor p:
x
jC p
jk 1  k , p relevantes.
d) Topes de horarios: los cursos pertenecientes a un conjunto Jt deben tener horarios diferentes:
x
jJ t
jk 1  t , k relevantes.
e) Binariedad de las variables:
xjk{0, 1} j = 1,, N; k relevante.
Función objetivo
Si se desea escoger entre los horarios posibles (factibles) aquel que sea de mejor "calidad"
desde el punto de vista de los alumnos se puede efectuar un análisis de las preferencias de éstos. Es
posible establecer una "preferencia" por módulo horario, por medio de una encuesta o suponiendo,
por ejemplo, que las preferencias de la mayoría de los alumnos es tener clases en la mañana. Así,
todos los módulos de 8:30 a 10:00 tienen preferencia 7, los de 10:15 a 11:45 preferencia 6,..., y los
módulos de 19:30 a 21:00 tienen preferencia 1.
Sea ck la preferencia del módulo k. De acuerdo al criterio anterior, ck =7 para k=1, 8, 15, 22,
29, 36; ..., ck =1 para k=7, 14, 21, 28, 35,42. Luego, si se desea maximizar la satisfacción de las
preferencias, la función objetivo es
42 N
Max z = 
k=1
ck 
j=1
x jk .
La experiencia ha demostrado que si el número de cursos es grande y se tienen muchos

conjuntos de cursos cuyos horarios deben ser compatibles, es decir muchos conjuntos Jt, es muy
probable que el problema sea infactible. Una posibilidad para relajar el problema, y así aumentar la
probabilidad de que tenga soluciones factibles, es definir una cantidad reducida de estos conjuntos Jt,
considerando sólo los conjuntos de cursos que un número importante de alumnos desea cursar en
forma conjunta. En la práctica, la determinación de este parámetro (número "importante" de
alumnos) se realizó experimentando con diversos valores, hasta conseguir uno para el cual el
problema fuera factible. Este valor era por lo general muy grande, de modo que el horario resultante
no era satisfactorio para una cantidad apreciable de alumnos.
Dado que la mayor dificultad del problema reside en las restricciones de tope de horario,
otra opción consiste en intentar diseñar un horario que minimice la cantidad de topes de horario no
deseados. El modelo para este caso se presenta a continuación.
Se definen las siguientes variables:

1 si se asigna el módulo horario k al curso j
x jk  

1 si el horario del cursoi topa con el horario del curso j


z ij  

Restricciones
a) Número de clases por semana: el número de módulos asignados a cada curso debe ser igual al
número de clases por semana que el curso tiene establecidas:
42
x
k 1
jk  nj j  1,..., N .
b) Una clase por día: se puede dictar a lo más una cátedra de cada curso en un mismo día de la
semana:
x
jC p
jk 1  k , p relevantes.
c) Conflicto entre cursos dictados por un mismo profesor: en un módulo k se puede asignar a lo más
uno de los cursos que dicta el profesor p:
x
kL ( i )
jk 1 j  1,...,N ;  i relevante.
d) Topes de horario: la variable zij indica el tope de horario de los cursos i y j. Se considera que el
curso i topa con el curso j si ambos tienen asignado al menos un módulo común. Luego, su valor
depende de la asignación de módulos que tenga este par de cursos, es decir, del valor de las variables
xjk:
zij  xik + xjk –1 k, (i,j) relevantes.

Esta restricción se establece sólo para los pares de cursos (i, j) tales que los alumnos desean cursar
en forma conjunta, es decir, para aquellos pares de cursos que se desea que no topen.
e) Binariedad de las variables:
xjk{0,1} j; k relevante,

zij{0, 1} (i, j) relevante.
Función objetivo
La calidad de un horario está dada por el grado de satisfacción de las demandas por cursos
por parte de los alumnos y por el grado de satisfacción de los deseos de los profesores en cuanto a
dictar clases en el horario que ellos tienen disponible. El segundo aspecto se internaliza en el modelo
por medio de las restricciones, y el primero se considera en la función objetivo.
Maximizar el grado de satisfacción de los alumnos es equivalente a minimizar la

insatisfacción. Esta insatisfacción representa un costo para los alumnos: intereses insatisfechos,
atraso en la conclusión de la carrera, etc. Por lo tanto, el tope de horario entre dos cursos que tienen
demanda compartida tiene un costo asociado.
Sea cij = el costo que tiene para el alumnado el tope entre los cursos i y j. Entonces la función
objetivo es:
Min z = 
(i, j)
c ij z ij .
Otra alternativa es minimizar el número de alumnos cuyas demandas o deseos son

insatisfechos. Sea nij el número de alumnos que desean tomar en forma conjunta los cursos i y j. La
función objetivo, en este caso, es:
Min z = (i, j)
n ij z ij
Se pueden combinar ambas funciones objetivos asignando los pesos relativos adecuados a
cada criterio.
En la práctica existen otras restricciones que debe satisfacer un horario, además de las
mencionadas, por lo que el problema es aún más complejo.
2.10.3. Localización de Maquinaria para Cosecha Forestal
Como se mencionó en el capítulo 1, este problema ha sido abordado en el Departamento de

Ingeniería Industrial de la Universidad de Chile, utilizando herramientas de modelamiento
matemático. Parte de la información que requiere el modelo se obtiene de un sistema desarrollado
anteriormente, PLANEX, el cual combinado con un Sistema de Información Geográfico permite
contar con una descripción muy detallada del bosque y sus características. Utilizando estos sistemas
es que se ha escogido discretizar el área en estudio, dividiéndola en un número grande de celdas
(típicamente de 1010 m). PLANEX permite conocer, para una posible localización de maquinaria,
cuál será el área cubierta, es decir, cuál es el conjunto de celdas que puede ser explotado desde ese
punto. PLANEX también permite anticipar un trazado preliminar de caminos y definir, de este
modo, una red de caminos potenciales junto a caminos ya existentes. La figura 2.13. muestra un
esquema de una zona de bosque en donde se muestra un posible punto de localización de torre, junto
con el área posible de explotar. Se muestran, además, algunos de los caminos. Todos estos
elementos son utilizados en el modelo y se describen a continuación.
Figura 2.13. Area del bosque en estudio mostrando cobertura de torre.
Se definen los siguientes elementos:
Se denota por 1, 2,, n las celdas en que se ha particionado el bosque. Como ya se

mencionó, un subconjunto de ellas debe ser explotado. Se denota por M este último conjunto. Las
celdas donde se puede localizar maquinaria de cosecha constituyen el conjunto T. Algunas de estas
celdas corresponden a celdas que se deben explotar y, por lo tanto, están también en el conjunto M.
Además, el conjunto T puede contener celdas que no serán explotadas, pero que son el único lugar
posible donde instalar maquinaria para cosechar las áreas cercanas.
Tk = conjunto de celdas en las cuales se puede localizar maquinaria de cosecha del tipo k (k =1
indica torres de madereo, k = 2 indica skidders).
T = T1 T2conjunto de celdas donde se puede instalar algún tipo de maquinaria.
M = conjunto de celdas que deben ser explotadas.
s: índice de la celda de salida de la madera del área en estudio.

I(j) = conjunto de celdas de localización de equipo desde donde se puede explotar la madera de la
celda j, jM, I(j)  T.
1 si la celda j puede ser explotada


 desde la celda i por un equipo de tipo k,
aij  
k
 i T k y j  M.

0 en caso contrario,
vj = volumen de madera disponible en la celda j, jM.
K = constante que acota superiormente el máximo flujo de madera que puede circular por un
camino.
El camino entre las celdas i y j será denotado (i, j). Sea A el conjunto de caminos potenciales.
ki = costo de instalación de un equipo del tipo k en la celda i.
ji = costo unitario de explotación de la celda j a través de la celda i.
ij = costo de construcción del camino (i, j).
ij = costo unitario de transportar madera por el camino (i, j).
Se consideran las siguientes variables:
1 si en la celda i  T k se instala un equipo de tipo k


xik  
0 en caso contrario

1 si se contruyeel camino entre las celdas i y j


z ij  

wijk = volumen de madera de la celda j extraído a través de la celda i, jM, iI(j), por máquina tipo
k,
yi = volumen de madera extraído a través de la celda i, iT,
fij = flujo de madera en el camino (i,j).
Restricciones
a) Disponibilidad de madera: la cantidad total de madera extraída de una celda no puede superar la
cantidad disponible en esa celda:
 k iT k
wkij a ij  v j
k
 j  M.
b) Volumen de madera cosechada por el equipo de la celda i: la variable yi contabiliza la cantidad

total de madera cosechada por el equipo instalado en la celda i:
k
wkij  v j x i  j  M,  i  I(j), k.
c) Consistencia:
Se puede extraer madera de la celda j por la celda i, sólo si se ha instalado alguna maquinaria en la
celda i:

k j M
wkij = y i  i  T.
Puede existir flujo de madera, en ambos sentidos, por el camino (i,j) sólo si el camino ha sido
construido:
fij  K zij
fji  K zij  (i, j)A
d) Conservación de flujo:
Para celdas donde se puede instalar maquinaria: el volumen total de madera que sale de cada celda i
con destino a otras celdas, a través de la red de caminos, debe ser igual al volumen total de madera
que llega desde otras celdas a la celda i más el volumen de madera que es cosechado en i:
Para celdas que no tienen maquinaria, ni corresponden al punto de salida: el volumen total de

j:(i, j) A
f ij - 
k:(k,i) A
f ki = yi i T
madera que llega a cada celda i debe ser igual al volumen total de madera que sale de esa celda:

j:(i, j) A
f ij - 
k:(k,i) A
f ki = 0 i  M - (T  {s }).
Ç
Para la celda que corresponde al punto de salida: el volumen total de madera que llega a la celda de
salida s debe ser igual al volumen total cosechado en el bosque, es decir, toda la madera cosechada
se recoge en la celda de salida:

k:(k,s) A
f ks = y
j T
j
e) Exclusividad de los equipos: en una celda puede instalarse un equipo y sólo de un tipo:
x 1  i T.
k
i
k
f) No negatividad y binariedad de las variables:
wijk, fij  0, yi  0,
xik, zij{0,1}
Función objetivo
El objetivo del modelo es decidir la localización de los equipos y la construcción de caminos

a un mínimo costo. Luego, la función objetivo corresponde a
Min z = C1 + C2 + C3 + C4 + C5,
donde
C1 es el costo total de instalación de los equipos:
C1 =  
i T k
ik1xik.
C2 es el costo total de explotación de la madera:
C2 = 
k iT jM
ij2 wijk.
C3 es el costo total de construcción de caminos:
C3 = 
( i , j )A
ij3 zij.
C4 es el costo total de transporte:
C4 = 
( i , j )A
ij4 ( fij+ fji).
En este modelo se ha relajado la restricción de extraer toda la madera del área en

consideración. Esto es, no se impone explícitamente ninguna restricción que asegure que la madera
de una celda explotable debe ser cosechada. Dado que el modelo minimiza costos, la solución trivial
(no instalar ninguna maquinaria, no cosechar nada y no transportar nada), es óptima. Para conseguir
el comportamiento deseado en el modelo, es decir, una solución distinta de la trivial, se introduce un
beneficio asociado a la explotación de madera. Este beneficio está representado por C5.
C5 = – 
i T
yi donde 0.
En la resolución de este modelo de programación lineal entera mixta, Vera et als. [1997]
utilizan técnicas de relajación lagrangeana. También se han utilizado heurísticas, como búsqueda
tabú. Esto se describe en Vera y Manzo [1995].
2.10.4. Construcción de Caminos para Explotación Forestal
Las empresas forestales generalmente poseen varias regiones de bosque potencialmente

explotables, las que pueden estar dispersas geográficamente. Al interior de un bosque se definen
áreas denominadas rodales. Cada rodal contiene árboles con características silviculturales
relativamente homogéneas (edad, altura etc.). Las decisiones de cuánto, cómo y dónde cortar
distintas áreas del bosque en el mediano plazo, se deben tomar en forma simultánea con las
decisiones de qué caminos construir, cuándo y cómo construirlos, además de determinar la forma de
transportar la madera.
Este problema es más agregado y de un horizonte de planificación mayor que el problema de

localización de maquinaria. Los resultados de este problema pueden ser utilizados como parámetros
en el de localización. En efecto, el modelo que se presenta a continuación determina los rodales que
deben ser explotados en cada período para lo cual se debe localizar la maquinaria respectiva.
En el modelo que se describe a continuación, si se decide cortar un rodal debe cortarse

completamente. Además, debe decidirse qué alternativa de manejo se utilizará en la explotación de
cierto rodal, esto es, con qué tipo de maquinaria se efectuará la explotación: torres de madereo,
skidders, etc. Durante el horizonte de planificación sólo se puede cortar cada rodal una vez, puesto
que el intervalo de tiempo considerado no es suficiente para que el bosque crezca y permita realizar
otro corte.
Con el objetivo de permitir que la fauna que habita en los bosques tenga tiempo de emigrar
de un sector que ha sido cortado a otro sector que no lo ha sido, no se permite cortar, durante el
mismo período, rodales colindantes o adyacentes. Se puede hacer analogía con un tablero de ajedrez
en el que sólo se pueden cortar las áreas blancas o las negras durante un período determinado.
Los caminos corresponden a caminos dentro del predio, es decir, entre rodales. Los caminos
se caracterizan por dos puntos: uno que indica el comienzo del camino y otro que indica el final del
mismo. Los puntos, tanto de inicio como de término, corresponden a intersecciones de caminos o a
lugares de carguío de madera. Los caminos pueden ser construidos a diferentes estándares: tierra,
ripio, arena etc., y tienen una capacidad de transporte determinada, que depende, entre otros, del
estándar al que se construye. La construcción debe, además, respetar el presupuesto asignado para
estos fines, en cada período.
Dados dos conjuntos: uno de rodales y otro de caminos potenciales, para un horizonte de
planificación de mediano plazo, se definen los siguientes elementos:
M= número total de rodales que se debe considerar.
T = número de períodos en el horizonte de planificación.
L = número de alternativas de manejo.
{1, 2,, n} = conjunto de puntos que forman la red de caminos.

100 Optimización y Modelos para la
Gestión
Un camino se denota por ab, con a<b, donde a y b son puntos de la red. Así,
ab = camino que une el punto a y el punto b.
K = número de estándares posibles para construcción de caminos.
(b)= para cada punto b, define el conjunto de puntos que están unidos a b por un camino y que
pueden enviar madera hacia b.
(b) = para cada punto b, define el conjunto de puntos que están unidos a b por un camino y que
pueden recibir madera desde b.
Vblit = cantidad de madera enviada al punto b, desde el rodal i, al ser explotado con la alternativa de
manejo l, durante el período t.
Cab,k,t = capacidad de transporte del camino ab durante el período t, si es construido en el estándar k,

es decir, el volumen máximo de madera que se puede transportar por el camino ab en el
período t.
Hab,k,t = costo de construcción del camino ab si se construye en el período t y en el estándar k.
Ct = recursos monetarios disponibles para construcción de caminos en el período t.
Para identificar los rodales que son adyacentes se definen los siguientes conjuntos:
A(i) = conjunto de rodales adyacentes al rodal i.
Las decisiones en cada período del horizonte se refieren a la explotación de los rodales, la
construcción de los caminos al interior del predio forestal y al transporte de madera. Por lo tanto, se
definen las siguientes variables:
Proyectos de recurso:

1 si el rodal i es cortadodurante el periodo t con la alternativa de manejo l
xl it  

0 en caso contrario
Proyectos de caminos:

1 si el camino ab se construyedurante el periodo t en el estándar k
z ab,k,t  

Tráfico de madera:
wab,k,t = cantidad de madera que circula por el camino ab, desde a hacia b, en el estándar k, durante
el período t.
Restricciones
a) Exclusividad para construcción de caminos: cada camino ab se construye a lo más una vez
durante el horizonte de planificación y sólo en un estándar:
T K
 z
t 1 k 1
ab,k,t 1 camino ab.
b) Capacidad de los caminos: la cantidad de madera transportada sobre cada camino en un periodo
t, sin importar la dirección, no puede superar la capacidad del camino. Además, sólo puede circular
carga por un camino si éste ha sido construido:
wab,k,t  wba,k,t  C ab,k,t  z ab,k,s ab,k,t.

s t
c) Exclusividad de proyectos de recurso: Cada rodal i se puede explotar, a lo más, una vez durante
el horizonte, cualquiera que sea la alternativa de manejo utilizada:
T L
 x
t 1 l 1
lit 1 i.
d) Conservación de flujo en cada periodo: el flujo total de madera que llega a un punto b debe ser
igual al flujo que sale de él. Los flujos que llegan a b están en el lado izquierdo de la ecuación y
pueden ser flujos que provienen de otros puntos o bien que entran a la red por el punto b. Los flujos
que salen de b, están en el lado derecho de la ecuación y sólo pueden dirigirse hacia otro punto de
la red:
M L K K
 V
i 1 l 1
blit x lit   w
a (b) k  1
ab,k,t   w
c (b) k  1
bc,k,t  a,  t.
e) Adyacencia: en cada uno de los conjuntos de adyacencia considerados, se puede cortar, a lo más,
un rodal durante un mismo período:
L
 x
j A(i) l 1
ljt 1 i,t.
f) Presupuesto: el gasto en construcción de caminos no puede exceder el presupuesto disponible

para cada período:
K
 H
ab k 1
ab,k,t z ab,k,t  Ct  t.
Gestión
g) No negatividad y binariedad de las variables:
wab,k,t  0  ab, k, t.
zab,k,t {0,1}  ab, k, t.
xlit {0,1}  i, l, t.
Se pueden incluir opcionalmente otras restricciones como exigir el corte de algún rodal, o
exigir que si se corta un rodal en particular se debe cortar otro, etc.
Función objetivo
Se pueden definir distintos tipos de función objetivo, tales como maximizar el valor presente
neto de la explotación, minimizar el daño ecológico o maximizar el volumen total de madera
obtenida durante el horizonte de planificación. La más utilizada corresponde a maximizar el valor
presente neto (VPN). Para ello se definen los siguientes parámetros:
Flit: ingreso actualizado asociado a la explotación del rodal i durante el período t si se usa la
alternativa de manejo l,
Gab,k,t: costo unitario de transporte de madera por el camino ab, construido en el estándar k,
orientado de a hacia b, durante el período t.
De esta forma la función objetivo es:
M L T K T K T K T
Min z     Flit x lit     H ab,k,t z ab,k,t     Gab,k,t w ab,k,t    Gba,k,t w ba,k,t .
i1 l 1 t 1 k  1 ab t  1 k  1 ab t  1 k 1 ba t 1
El primer término corresponde al ingreso total asociado a la explotación, el segundo al costo

total de construcción de caminos y el tercero y cuarto al costo total de transporte. Es posible que el
costo de transporte desde a hacia b sea diferente al de ir de b hacia a. Tal sería, por ejemplo, el caso
de un camino con pendiente.
Resolver este modelo en términos prácticos, es decir, modelos que describen bosques reales,
es complejo, debido a la existencia de numerosas variables binarias. Por lo tanto, debe enfrentarse
con técnicas diferentes de las tradicionales. Para el caso de la empresa Forestal Millalemu, que
corresponde a este modelo con algunas variaciones, se desarrolló una heurística que está actualmente
en operación en la empresa. En Andalaft [1995] se examina el uso de técnicas de relajación
lagrangeana aplicadas a este problema.
COMENTARIOS
 Un modelo matemático de apoyo a la gestión es un conjunto de relaciones matemáticas que

caracterizan las alternativas posibles de gestión, esto es, las alternativas que pueden ser
implementadas considerando las limitaciones (restricciones) existentes. El proceso de desarrollo
de un modelo, por lo general, permite adquirir un mayor conocimiento y comprensión de la
forma en que se realiza la gestión en la organización. Construir modelos, como los presentados
en este capítulo, es más un arte que una técnica. Es importante destacar que aquí solamente se
han discutido aspectos que, a juicio de los autores, son interesantes de tener en cuenta durante el
proceso de modelamiento. El lector interesado en temas más generales y su aplicación a otras
áreas del conocimiento puede consultar Morris [1967], Simon [1990] y Gass [1983].
 La utilización de los modelos de optimización se encuentra ampliamente difundida en muchas

áreas de aplicación. Ejemplos de modelos que han alcanzado gran éxito pueden encontrarse en la
gestión de empresas de manufactura y servicios, en el transporte, en la gestión hospitalaria, etc.
Las revistas del área, como Operations Research, Management Science e Interfaces publican
continuamente artículos donde se comentan y discuten diversas aplicaciones. Actualmente, la
red Internet provee nutrida información en todos los ámbitos y el lector interesado puede
consultar, entre otras, la página de Michael Trick en http://mat.gsia.cmu.edu
 El problema de planificación de la producción, discutido en la sección 2.2., corresponde a una de

las áreas en que la programación matemática ha sido aplicada intensamente. Lo mismo puede
decirse respecto de los modelos de mezcla de productos. Estos problemas son frecuentes en el
ámbito de la gestión de operaciones. Véase, por ejemplo, Chase y Aquilano [1995] y Melnyk y
Denzler [1996].
 El problema de la dieta es un caso particular de mezcla de productos. Uno de los primeros

modelos reales de programación lineal que se resolvió corresponde precisamente a un problema
de la dieta. Según Dantzig [1963] este problema tenía 9 restricciones y 27 variables y su
resolución tomó, en 1948, 120 días–hombre usando calculadoras de escritorio. Actualmente es
posible resolver modelos con varias decenas de miles de restricciones y variables en minutos.
 Se atribuye a Hitchcock [1941] la primera formulación y discusión de un modelo de transporte.

Durante la segunda guerra mundial Koopmans [1947], consideró también este problema en el
contexto de la logística naval. Por estos investigadores es que el problema de transporte básico
se conoce como Problema de Hitchcock–Koopmans. Kantorovic realizó una importante
contribución a su formalización en términos matemáticos (Kantorovic [1942] y Kantorovic y
Gavurin [1949]). En Orden [1956] se aborda el modelo de transporte con transbordo.
 Los modelos de programación entera tienen también muchas aplicaciones. Sus orígenes se
encuentran en la modelación de problemas combinatoriales en los cuales se debe evaluar una
gran cantidad de alternativas discretas para seleccionar la mejor.
 El modelo de la vestimenta quirúrgica, de la sección 2.5.2., es más conocido como Problema de

las Servilletas (reemplazando vestimenta por servilleta). Según Gass [1970], este problema surge
Gestión
inicialmente como una aplicación en el ambiente militar, donde se debía planificar la entrega de
motores de aviación (servilletas), los cuales necesitaban ser sometidos a reparaciones periódicas.
El problema fue también formulado, entre otros, por Gaddum et als. [1954] y por Jacobs [1954].
 El problema de pérdida en cortes de material, de la sección 2.5., fue introducido entre otros por
Paull y Walter [1955] como una aplicación del corte de rollos de papel periódico. El problema
de costo fijo fue planteado por Hirch y Dantzig [1954] y es una de las formas más utilizadas de
modelamiento, particularmente, para incorporar relaciones lógicas en los modelos de
programación matemática.
 El problema del vendedor viajero es uno de los más antiguos y más estudiados en optimización
combinatorial. Problemas de este tipo fueron considerados por Euler [1759] y por Vandermonde
[1771]. El problema que ellos estudiaron es el del recorrido de caballo de ajedrez por los 64
casilleros del tablero, por los que puede moverse esta pieza pasando exactamente una vez por
cada casillero. En el contexto de teoría de grafos, este problema corresponde al circuito
Hamiltoniano que deriva de los trabajos del matemático Hamilton [1856]. Al parecer, el primero
en usar la denominación de Problema del Vendedor Viajero fue A. Tucker en 1931–1932 y
quién la popularizó fue M. Flood. El problema ha sido estudiado en extenso, desde diferentes
enfoques, y la cantidad de referencias sobre el tema es enorme. Recomendamos al lector el libro
de Lawler, Lenstra, Rinnooy Kan y Shmoys [1985].
 Kantorovich [1939] fue uno de los primeros en modelar la asignación de trabajos a máquinas
utilizando programación lineal. Este problema tiene muchas variantes, la gran mayoría de difícil
resolución. El lector interesado puede encontrar en Pinedo [1995] una discusión amplia acerca de
este problema.
 Al modelar una gran cantidad de situaciones, en la práctica, resulta un modelo de características

no lineales. Generalmente la “linearización” de estos modelos permite resolverlos con mayor
facilidad, sin que esto signifique necesariamente que se pierda la capacidad de representar la
situación adecuadamente. No obstante, existen problemas en los cuales la linearización no es
conveniente y se deben utilizar técnicas de optimización no lineal, como las que se discuten en el
capítulo siguiente.
 Los modelos de programación lineal entera permiten representar muy bien algunas situaciones
reales; no obstante, por lo general su resolución presenta un mayor grado de dificultad que los
modelos lineales continuos. Por esta razón, muchas veces se modelan como variables continuas.
Si los valores de estas variables son “grandes” (en orden de magnitud) entonces la aproximación
puede ser aceptable. En otros casos, sin embargo, no lo es y será necesario considerar el mayor
esfuerzo computacional que requiere la resolución del modelo. El “juicio educado” del tomador
de decisiones es importante para decidir en qué situaciones estas aproximaciones son o no
aceptables.
EJERCICIOS
1) Un estudiante ha decidido participar en un concurso de cocina dietética y desea participar con un

postre del mejor sabor posible. Los postres deben tener un contenido máximo de 300 calorías y 20
mg de lípidos. El estudiante ha seleccionado como ingredientes: chocolate, galletas, crema y
almendras. Para establecer la bondad del sabor ha asignado coeficientes de agrado a cada uno de los
ingredientes en orden decreciente de agrado. En la tabla 2.11. se indican los contenidos de calorías y
lípidos por gramo de ingrediente, y también los coeficientes de agrado. Se supone que la mezcla de
ingredientes tiene un coeficiente de agrado igual a la suma, ponderada por la cantidad utilizada, de
los coeficientes individuales. Construya un modelo de optimización que ayude al estudiante a
decidir cuánto usar de cada ingrediente para lograr el postre de mejor sabor.
Tabla 2.11. Características de los ingredientes.
Ingredientes Calorías Lípidos Coeficiente de agrado

por gramo (mg /gr) por gramo
Chocolate 1 18 10
Galletas 0,2 10 3
Crema 0,5 32 8
Almendras 0,7 24 5
2) Cierto día de verano, una compañía de arriendo de automóviles debe abastecer de vehículos a
cuatro localidades. La compañía posee tres sucursales desde donde pueden entregarse los
automóviles. El inventario disponible en las sucursales, las distancias (en km) entre las sucursales y
destinos, y los requerimientos de cada destino se señalan en la tabla 2.12. Asumiendo que el costo de
trasladar los automóviles a sus destinos es proporcional a la distancia recorrida, construya un modelo
de programación matemática que permita decidir cuál es la mejor forma de efectuar el
abastecimiento.
Tabla 2.12. Disponibilidad y requerimientos de automóviles.
Sucursal Automóviles disponibles Destino

A B C D
1 6 7 11 3 2
2 1 1 6  1
3 10 9 15 8 5
AUTOMÓVILES 2 3 5 7
REQUERIDOS
Gestión
3) Considere el problema de transporte de frutas de la sección 2.4.1. y suponga que Bogotá, Santiago
y San Pablo pueden ser puntos intermedios en la distribución y que, además, la empresa posee
frigoríficos en las ciudades de Lima y Mendoza. En la tabla 2.13. se indican los costos unitarios de
transporte y la capacidad de almacenaje de cada punto intermedio. Construya el modelo de
programación lineal que permita decidir cuál es la distribución de menor costo total.
Tabla 2.13. Costos unitarios de transporte.
San Bogotá Santiago Río de Quito Caracas Lima Mendoza Capacidad

Pablo Janeiro (ton)
Rancagua 18 30 3 20 30 30 10 6 0
San Pablo 0 35 15 5 35 40 20 12 200
Bogotá 35 0 45 25 10 12 25 30 50
Santiago 15 45 0 15 30 48 12 10 150
Lima 20 25 12 22 8 30 0 15 150
Mendoza 12 30 10 15 12 35 15 0 180
4) Un agricultor que dispone de una superficie de 80 hectáreas desea programar sus actividades para
el próximo semestre. Los estudios realizados indican que los cultivos técnica y económicamente
posibles son trigo, maíz, alfalfa y arroz.
Dependiendo del tipo de cultivo a que está dedicada, cada hectárea tiene un rendimiento y
requerimientos de capital, mano de obra y agua de riego. El capital considera las semillas,
fertilizantes, etc. La mano de obra está constituida por el agricultor y sus dos hijos que trabajan 25
días por mes, en promedio. Durante el primer trimestre, la jornada de trabajo es de hasta 8 horas por
día y el segundo trimestre hasta 12 horas diarias. Los rendimientos en quintales métricos (qq) por
hectárea y requerimientos por cultivo, así como el precio de venta se indican en la tabla 2.14. La
mano de obra está en horas hombre (hh) por día y por hectárea.
Formule un modelo de programación lineal que permita al agricultor decidir qué cantidad de
hectáreas dedicar a cada cultivo de modo que el beneficio sea máximo, si dispone de un capital total
de $ 3.000.000, 90.000 m3 de agua de riego para el primer trimestre y 120.000 m3 para el segundo, y
la horahombre se valoriza a $ 200.
Tabla 2.14. Rendimientos y requerimientos por cultivo.
Cultivo Rendimiento Precio Capital Agua Agua Mano obra Mano obra
(qq/ha) de venta ($/ha) 1.er trim 2.o trim 1.er trim 2.o trim
($/qq) (m3/ha) (m3/ha) (hh/ha) (hh/ha)
Trigo 25 10.000 1.500 600 800 1,5 2,5

Maíz 30 7.000 1.200 800 1.000 1,0 2
Alfalfa 20 8.000 1.000 700 800 1,5 2
Arroz 30 12.000 1.500 900 1.300 2,0 3,0
5) La empresa TODOAUDIO Ltda. que fabrica televisores, radios y videos ha adquirido

recientemente una nueva planta cuyas instalaciones permiten fabricar televisores y videos. La
gerencia desea programar la producción de ambas plantas para el próximo año.
Los estudios indican que la capacidad anual de la planta 1 es de 5.000 televisores, o 2.000
radios, o 4.000 videos, o alguna combinación adecuada de estos tres productos. Análogamente, la
capacidad anual de la planta 2 se ha estimado en 2.500 televisores, o 3.000 videos, o cualquier
combinación adecuada de estos dos productos (la planta 2 no fabrica radios).
La empresa tiene contratos para exportar 2.000 televisores y 1.200 videos. El departamento
comercial estima que debido a la disminución de la demanda de radios, la venta máxima en el
mercado interno de este producto será de 1.500 unidades. Por otro lado, el análisis del mercado de
televisores indica que este producto tendrá una demanda levemente inferior al año anterior, por lo
que la demanda interna se estima en 2.500 unidades. Como los videos están teniendo gran éxito
comercial, no se prevé limitaciones en su venta.
Los precios de venta y los costos variables unitarios, en miles de pesos (M$), se muestran en
la tabla 2.15.
Tabla 2.15. Precios de venta y costos de producción.
Televisores Radios Videos

Precio de venta (M$) 160 45 120
Costo variable (M$)
Planta 1 110 35 95
Planta 2 120 – 80
Se estima que al inicio del año en cuestión los inventarios de los productos serán de 400
televisores, 120 radios y 250 videos. Se desea diseñar un plan de producción para cada planta para el
próximo año que maximice el beneficio total asociado a este negocio. Formule un modelo lineal que
apoye el diseño del plan de producción.
6) El gerente de ventas de una editorial tiene seis grandes agentes que puede asignar a tres regiones
distintas de América Latina. Se ha decidido que cada región debe tener, por lo menos, un agente y
que cada agente debe ser encargado de, a lo más, una región. Se desea determinar el número de
agentes que es conveniente asignar a cada región de modo de lograr el máximo aumento de ventas.
La tabla 2.16. muestra el incremento estimado en ventas para cada región según el número de
agentes que se asignen a ellas.
Tabla 2.16. Incremento estimado en ventas.

Gestión
Cantidad de Región
Agentes Cono Sur Brasil México
1 21 35
2 48 42 41
3 70 56 63
4 89 70 75
7) Un club deportivo desea participar en una competencia de natación. La competencia es de relevos

de 400 metros y cada equipo deberá incluir cuatro nadadores diferentes, quienes nadarán
sucesivamente 100 metros de pecho, mariposa, espalda y libre. El club debe presentar tres equipos y
dispone de 12 nadadores. Sea tik el tiempo, en segundos, en que el nadador i, i = 1,,12, cubre 100
metros nadando estilo k, k = 1 (pecho), 2 (mariposa), 3 (espalda) y 4 (libre). El entrenador del club
desea determinar cómo formar los tres equipos de modo que cada uno de los nadadores participe en
un equipo y que la suma de los tiempos totales de los tres equipos sea mínima. Formule un modelo
lineal que apoye la decisión del entrenador.
8) Una industria fabrica n diferentes productos, y utiliza para ello m materias primas. El producto j
necesita una cantidad aij de la materia prima i por unidad de producto (i = 1,, m; j = 1,, n).
Si se fabrica el producto j sólo puede manufacturarse en las cantidades Aj, Bj o Cj,

j = 1,.., n. El precio del producto j es pj por unidad de producto y cj es el costo unitario. Si se
fabrica el producto j se incurre en un costo fijo igual a Kj.
En este proceso productivo se usa petróleo como combustible. Se sabe que el consumo de
petróleo por unidad fabricada del producto j es gj. Por razones ambientales, el consumo máximo
total permitido de petróleo es G. Sin embargo, si la empresa coloca un sistema de filtro en su
caldera, el consumo máximo puede ascender a H. El costo de instalar el filtro es R. Además, si se
coloca este filtro, entonces el producto j solamente podrá ser fabricado en las cantidades Bj o Cj,
j = 1,, n. Con estos antecedentes construya un modelo de programación lineal que permita
determinar cuánto producir de cada producto y la conveniencia o no de instalar el sistema de filtro,
de tal manera que se maximice el beneficio total ( diferencia entre ingreso total y costo total de
producción y de inversión en el filtro).
9) Un estudiante debe rendir exámenes en los cursos de Cálculo, Mecánica, Literatura y

Optimización. Para estudiar para estos cuatro exámenes dispone solamente de 20 horas. Con el
propósito de asignar el tiempo dedicado a cada curso, el estudiante ha fraccionado su tiempo
disponible en bloques de 4 horas cada uno.
La nota que obtendrá en un examen determinado dependerá del número de bloques que
dedique al estudio de ese curso. Sea cij la nota que obtendrá en el curso i si le asigna j bloques de
tiempo, i = 1, 2, 3, 4; j = 0, 1, 2, 3, 4, 5. Para aprobar el curso de Mecánica necesita obtener al
menos nota 4 en el examen y para aprobar el de Optimización, al menos nota 3. Los otros dos cursos
los aprueba con cualquier nota en el examen.
Construya un modelo de programación lineal que permite determinar una asignación del
tiempo disponible del estudiante que le permita aprobar los 4 cursos, obteniendo la máxima suma de
notas en los exámenes.
10) Tres productos idénticos deben ser programados en tres máquinas: A, B y C. Cada producto
debe ser procesado primero en la máquina A, luego en la B y por último en la C. Toma 20 minutos
procesar un producto en la máquina A, 12 minutos en la máquina B y 25 minutos en la C. Construya
un modelo de programación lineal que permita decidir cómo deben procesarse los productos de
modo que el tiempo total de proceso sea mínimo. Asuma que cada máquina sólo puede procesar un
producto a la vez.
11) Una empresa fabrica refrigeradores y lavadoras de platos. Se desea determinar cuál es la
tecnología más apropiada para instalar en la planta de fabricación para los próximos cinco años. La
demanda anual estimada para ambos productos se muestra en la tabla 2.17. Los recursos de la planta
(maquinaria y mano de obra) necesarios para producir 1 refrigerador son equivalentes a los
necesarios para fabricar 2 lavadoras.
Tabla 2.17. Demanda estimada de refrigeradores y lavadoras de ropa.
AÑO
1 2 3 4 5
Refrigeradores 2.000 2.300 2.400 2.600 2.800
Lavadoras 1.800 2.000 2.500 2.900 3.200
Existen dos alternativas de tecnología. La primera es una convencional en la industria

electrodoméstica y requiere una inversión inicial de US$ 4 millones y la segunda es una de
manufactura flexible que requiere una inversión inicial de US$ 7 millones. La tecnología
convencional implica un costo de producción de US$ 300 para cada refrigerador (o bien 2 lavadoras)
y la de manufactura flexible tiene uno de US$ 105 por refrigerador. Construya un modelo de
programación matemática que permita decidir qué tecnología utilizar de modo de satisfacer la
demanda al menor costo total (inversión y producción).
12) Considere nuevamente el problema del ejercicio 11 y suponga ahora que existe la posibilidad de
reemplazar la tecnología en alguno de los cinco años, cuando se adquiere desde el comienzo la
convencional. Para esto, la empresa debe invertir los mismos US$ 7 millones, pero puede entregar
en parte de pago los equipos convencionales, los que serán avaluados según la tabla 2.18. Reformule
el modelo anterior para considerar esta situación.
Tabla 2.18. Valor residual de los equipos.
Valor residual de los equipos convencionales

(US$ millones)
año
2 3 4 5
3,6 3,2 2,8 2,4
13) Una empresa forestal posee P predios para explotación. La cantidad de madera disponible, es
decir, la cantidad de madera que se extrae si se cortan todos los árboles, del predio i es mi metros
cúbicos, i = 1,, P. La planificación se realiza para T períodos. Para el período t la demanda por
Gestión
madera es dt y el beneficio neto por metro cúbico de madera es ct , t = 1,, T. Por política de la
empresa, un predio se corta completo o no se corta. Además, al final del horizonte de planificación,
esto es, al final del período T deben quedar al menos M metros cúbicos de madera en pie (sin cortar).
Debido al tiempo que requieren los árboles en crecer nuevamente, cada predio se puede
cortar a lo más una vez en el horizonte de planificación. Construya un modelo de programación
lineal que ayude a decidir qué predios cortar y cuándo, de manera que se maximice el beneficio neto
total.
14) Una empresa de seguridad tiene M propiedades que deben ser vigiladas en forma remota. Para
realizar la vigilancia se necesita construir cierto número de estaciones de monitoreo. La empresa ha
diseñado el sistema de modo tal que cada propiedad quede conectada en forma permanente a alguna
estación de monitoreo. Cada estación tiene un radio de cobertura máximo R, igual para todas las
estaciones. Existen N lugares posibles en los cuales puede instalarse una estación. Se conoce la
distancia dij entre un lugar posible i, i = 1,, N y cada una de las propiedades a vigilar, j = 1,, M.
Formule un modelo de programación matemática que permita decidir en qué lugares hay que instalar
las estaciones de monitoreo, de manera que en cada lugar se instale a lo más una estación y cada una
de las propiedades quede conectada a una de las estaciones. La solución debe ser tal que el número
de estaciones instaladas sea el menor posible.
15) Considere la programación de M máquinas y N trabajos. Los N trabajos están divididos en

grupos de trabajos iguales. Sea aij el tiempo requerido para hacer el trabajo i en la máquina j y cij su
costo.
Todas las máquinas son aptas para cada uno de los trabajos, pero por razones operativas,
cada grupo debe realizarse en una sola máquina, es decir, una vez que un trabajo de un grupo se ha
realizado en una máquina, todos los demás trabajos del grupo deben realizarse en la misma
máquina. Construya un modelo de optimización que apoye la programación de los trabajos en las
distintas máquinas, de modo que el tiempo total de ejecución sea el menor posible.
16) SUPER Ltda., considera la fabricación de tres tipos de computadores: MEGA1, MEGA2 y
MEGA3. En la tabla 2.19. se indican los recursos necesarios de memoria y mano de obra para
fabricar cada uno de ellos y el beneficio unitario. Se dispone de 400 unidades de memoria RAM y
50.000 horas-hombre. Construya un modelo de programación lineal que maximice la utilidad total
de SUPER.
Tabla 2.19. Recursos y utilidad de los computadores.
Recurso MEGA1 MEGA2 MEGA3
Memoria RAM 8 16 32
(Mgbytes)
Mano de obra 40 30 50
(horas-hombre)
Beneficio 200 300 420
(US $)
17) Considere el problema del ejercicio 16 y suponga ahora que para que la producción de un tipo de
computador sea económicamente conveniente se deben fabricar por lo menos 500 computadores de
ese tipo. Haga las modificaciones necesarias al modelo anterior para incluir esta condición.
18) Una empresa forestal posee un total de N rodales (regiones de bosque) que pueden ser
explotados el próximo año. Para cada rodal j se ha estimado la cantidad aj, j = 1,, N de madera
que contiene. La empresa desea decidir qué rodales cortar con el objetivo de extraer la mayor
cantidad de madera posible. Sin embargo, la legislación vigente establece que si se corta un rodal no
se puede cortar ninguno de los rodales adyacentes a él. Esto se debe hacer para preservar el hábitat
de la fauna silvestre. Suponga, entonces, que para cada rodal j se tiene una lista A(j) que especifica
los rodales adyacentes a él. Construya un modelo de programación matemática que permita decidir
qué rodales conviene cortar el próximo año.
(Referencia: Barahona et als. 1992)
19) Un estudio de grabación se dedica al doblaje de películas. Para ello cuenta con un estudio y un
equipo de N actores. Cada actor tiene asignados un número nj, j = 1,, N de personajes que debe
doblar. El horario total disponible para grabación en el estudio se ha dividido en M módulos de 20
minutos cada uno y se ha estimado que el actor j requiere un tiempo de tjk módulos para doblar el
personaje k, k = 1,, nj. Además, cada actor ha indicado el horario disponible para grabar sus
personajes. Construya un modelo de programación matemática que permita asignar los horarios de
grabación a cada uno de los actores, considerando que sólo puede grabar un actor a la vez en el
estudio y de modo que el tiempo total de grabación del doblaje sea el menor posible.
20) Una compañía del área de las comunicaciones debe ejecutar en el curso de un año una serie de
obras de infraestructura como ser: cableado de redes, instalación de centrales subterráneas, etc. Para
realizar estas obras se recurre a subcontratistas, los cuales, para adjudicarse una obra, deben ofertar
un precio. Dada la variedad de trabajos, la empresa ha definido una unidad estandarizada de obras
llamada punto. Existe un total de M contratistas y los trabajos deben efectuarse en N zonas en las que
se ha dividido el país. Sea bi la cantidad de puntos que se han de ejecutar en la zona i, i = 1,, n. El
precio unitario ofertado por el contratista j para obras en zona i es pji.
a) Formule un modelo de optimización que ayude a decidir cuántos puntos de obra asignar a cada
contratista en cada zona.
b) Suponga ahora que existe una capacidad anual máxima Kj para cada contratista, ¿Cómo cambia el
modelo?
c) Ahora, además, se presenta la restricción que a los contratistas se les debe asignar trabajo en zonas
más o menos contiguas. Para ello, el total de zonas se ha particionado en p conjuntos F1, F2,, Fp,
es decir, FiFp = M y Fi  Fj=  para ij. La restricción es que todo trabajo de un contratista
debe estar ubicado en sólo uno de estos conjuntos.
21) Una fábrica de jugos de larga duración dispone de 30 litros de pulpa de naranja con la cual
puede fabricar dos tipos de jugos: concentrado y normal. Cada litro de jugo concentrado requiere de
0,3 litros de pulpa y el normal de 0,2 litros. Se ha estimado que la demanda de estos productos
depende del precio de la siguiente manera: d1 = 250 – 40p1 y d2 = 200 – 20p2, donde di es la cantidad
demandada y pi el precio del jugo concentrado (i=1) y normal (i=2), respectivamente. Formule un
modelo de optimización que permita determinar cuánto fabricar de cada producto y qué precios
asignar, de modo que se maximice el ingreso total si se asume que se vende toda la producción.
Gestión
22) Un laboratorio científico es puesto en órbita elíptica alrededor de la tierra. La órbita está descrita
por la ecuación x2 + 5y2 +3y =10, donde x e y son las coordenadas con respecto a algún sistema de
referencia ubicado en el centro de la tierra. Todas las comunicaciones de radio con las estaciones
terrestres se hacen a través de otro satélite que tiene una posición fija con respecto al sistema de
referencia. La energía requerida para las comunicaciones entre el laboratorio y el satélite es
proporcional al cuadrado de la distancia entre ambos. Asumiendo que el satélite es posicionado en el
mismo plano de la elipse, construya un modelo matemático que permita determinar cuál debería ser
la posición del satélite para minimizar el consumo de energía. Suponga que la tierra tiene un radio
R>0.
23) Considere una red de comunicaciones. Cada línea de comunicación directa entre dos puntos
geográficos opera en un sólo sentido. Una línea que envía información desde el punto i al punto j
tiene una probabilidad de falla igual a pij. Por lo tanto, la probabilidad de que esa línea esté operativa
es (1 – pij). Formule un modelo de programación matemática que permita determinar la ruta de
comunicaciones con mayor probabilidad de estar operativa, entre dos puntos s y t. Una ruta está
compuesta por varias líneas directas y es suficiente que falle una de estas líneas para que falle la ruta.
24) Una gran compañía multinacional maneja N productos, los cuales, según las circunstancias,
pueden ser importados desde otras filiales de la compañía en el extranjero, producidos localmente en
la fábrica nacional, o bien exportados si hay excedentes. Sea dit la demanda nacional total del
producto i para el período t, git el costo unitario total de importación del producto i en el período t y
hit el beneficio unitario de exportación del producto i en el período t. Se ha estimado que hit=it+itxit
donde xit es la cantidad exportada de producto i en el período t y it>0 y it<0 son constantes
conocidas. Además, sea ai la cantidad total de horas-hombre que se requiere en la fabrica nacional
para producir una unidad de producto i y pi el beneficio unitario en el mercado nacional. Se dispone
de un total de Lt horas-hombre en cada período t. También se desea que el déficit comercial no
supere los $ Dt en el período t, siendo el déficit comercial igual al valor total de las importaciones
menos el valor total de las exportaciones.
Formule un modelo de optimización que permita determinar qué y cuánto importar, exportar
y producir localmente en cada período, de modo que se satisfaga la demanda, no se exceda la
disponibilidad de mano de obra ni el límite del déficit comercial y se maximice el beneficio total.
25) Un problema muy importante durante la última década ha sido el de estudiar la forma en que las
proteínas se “doblan” espacialmente. El objetivo de este ejercicio es desarrollar un modelo para el
estudio de este proceso.
En primer lugar, se modela una proteína en el plano R2, para simplificar, como una cadena
de aminoácidos que están unidos entre sí por enlaces atómicos. Los aminoácidos se atraen o repelen
entre sí según las fuerzas electromagnéticas. El modelo asume una cadena de eslabones unidos entre
ellos y que pueden girar, uno en torno al otro, como se muestra en la figura 2.14. El aminoácido k
está conectado por sus dos extremos al k–1 y al k+1, y en ese punto pueden girar. Sólo el primero y
el último aminoácido de la cadena tienen una sola conexión. Los puntos marcados con  representan
los puntos de atracción y repulsión. Dos de esos puntos, xk y xl pertenecientes al aminoácido k y l,
respectivamente, se atraen o repelen con una energía Ekl = akl / dist (xk, xl) donde dist (xk, xl) es la
distancia euclideana entre xk y xl, y akl una constante. Se asume también que todos los aminoácidos
tienen largo igual a d.
Formule un modelo de optimización que permita determinar una configuración de energía

total mínima de la proteína.
k+1
d  
 k-1
  k
Figura 2.14. Modelo de una proteína.
26) Una empresa está efectuando el proceso de planificación de su parque de equipos. Según los
estudios realizados existen los siguientes costos.
- Costo de operación anual de un equipo de edad j: Cj.

- Inversión de un equipo nuevo: I.
- Valor residual o de venta de un equipo de edad j: Vj.
Además se han realizado estudios sobre productividad, determinando que la productividad

de un equipo de edad j es Pj toneladas/hora.
Asuma que el período de planificación es N años, y que al final de éste se venden todos los
equipos. Los requerimientos anuales son Rt toneladas en el año t. El máximo de inversión por año
que se permite corresponde a Kt.
Nota: Un año productivo posee 250 días y cada día 16 horas.
Formule un modelo lineal que permita resolver el problema en el horizonte de planificación

indicado.
27) Considere una matriz AMmn de coeficientes positivos o nulos y un vector bR de coeficientes
no negativos. Una hiper-caja interna de Axb es un conjunto de desigualdades xi  ui, i = 1,, n tal
que  x que satisface xi  ui, i = 1,, n entonces también satisface Axb. Formule un modelo de
programación lineal que maximice el perímetro de una hiper-caja para Axb.
28) Considere el problema anterior para una matriz A cualquiera y un vector b con coeficientes sin
restricción de signo. Formule un modelo para el mismo problema anterior en este caso.
29) Una empresa posee n factores productivos para fabricar cierto

producto, cada uno con un costo unitario ci, i = 1,, n. La
empresa posee una función de producción f: RnR, que indica la
forma en que los factores productivos pueden ser combinados para
generar un determinado nivel de producción. Formule un modelo de
programación matemática que permita determinar el costo de
producir q unidades de producto.
Gestión
Indicación: lo que se desea determinar es la combinación de factores productivos que minimiza el
costo de dichos factores.
30) Considere el problema 29), extienda el modelo para el caso en que existen m productos, cada
uno con una función de producción fi y se desea fabricar qi unidades del producto i, i = 1,., m.
31) Una empresa que fabrica una línea de productos químicos, desea establecer un plan de
producción y distribución para las próximas T semanas.
La empresa posee K plantas productoras y cada una de ellas es capaz de fabricar los N
productos de la línea. Una vez que los productos son fabricados, todos ellos se llevan a las bodegas
de la planta y allí se mantienen hasta que son despachados a M laboratorios (centros de consumo).
Para el transporte desde las bodegas a los laboratorios se puede elegir entre dos medios de transporte
que se diferencian por la rapidez y el costo. El envío por medio de ferrocarril demora 1 semana y
por buque demora 2 semanas.
Se dispone de la siguiente información:
Kk = capacidad semanal de la planta k para producir cualquier producto (lt)

fn = espacio que ocupa un litro de producto n (m3)
Ik = costo de mantener una unidad (lt) de producto en inventario en la bodega de la planta k
($/lt-semana)
bn = costo unitario de fabricación del producto n ($/lt)
dnj = requerimiento semanal de producto n en el laboratorio j (lt)
Hk = capacidad de la bodega k (m3)
Ckj1 = costo unitario de transporte desde la bodega k al laboratorio j si se utiliza ferrocarril ($/m3).
Ckj2 = costo unitario de transporte desde la bodega k al laboratorio j si se utiliza buque ($/m3).
Formule un modelo de programación lineal que apoye la determinación del plan de producción y
distribución de mínimo costo total que satisface los requerimientos del problema. Asuma que los
inventarios iniciales son conocidos y que los costos de transporte entre las plantas y sus respectivas
bodegas es despreciable.
32) Considere el siguiente problema de distribución de petróleo mediante buques. Se tienen tres
puertos: San Antonio, Coquimbo e Iquique, que requieren 1,8, 2,2 y 2,0 mil barriles,
respectivamente. Se dispone de petróleo en Punta Arenas y en Puerto Natales. En Punta Arenas se
dispone de 4,8 mil barriles y en Puerto Natales de 1,5 mil barriles. El costo de transporte es de $ 200
por barril y por kilómetro.
a) Suponiendo conocidas las distancias (en kilómetros) entre cada par de puertos, formule un modelo
de programación lineal que permita apoyar la decisión de distribución de este producto, de modo
que se satisfaga la demanda y que el costo de transporte sea mínimo.
b) Suponga ahora que en Punta Arenas se dispone sólo de 3 buques A, B y C, cada uno con
capacidad para transportar 2,5 mil barriles, pero ahora se debe considerar un costo fijo por cada uno
de estos buques y que cada uno de ellos sólo puede ir a uno de los puntos de demanda. Los costos
fijos son: $ 10.000, 14.000 y 12.000 para el buque A, B y C, respectivamente y se incurre en este
costo sin importar la distancia recorrida por el buque. Formule un modelo de programación lineal
que permita apoyar la decisión de distribución a costo total mínimo, en este caso.

Optimizacion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimizacion PDF

Cargado por

Copyright:

Formatos disponibles

Leonid Kantorovic

Desarrolló muchos de los fundamentos

El modelamiento es un proceso propio de los seres humanos. Mediante este proceso el

Respecto a la interpretación individual, debe observarse que el modelo es fruto de la

Uno de los aspectos relevantes en la concepción de un modelo corresponde a la definición

grado de incertidumbre respecto a su representabilidad y, por lo tanto, es necesario analizar si ese

Finalmente, la representación del fenómeno corresponde a la transformación de los

2.1.2. Construcción de un Modelo de Apoyo a la Toma de Decisiones

A continuación se proponen algunos criterios que pueden guiar el desarrollo de modelos

El proceso de desarrollo de un modelo debe ser visto como un proceso de aprendizaje y

Un buen punto de partida en el desarrollo de un modelo lo constituyen las analogías y

Existen diversos criterios para evaluar la bondad de un modelo. En el ámbito de la toma de

2.1.3. Modelos Matemáticos de Apoyo a Decisiones

Un modelo matemático de apoyo a la toma de decisiones es un modelo matemático que

Max ( Min) f(x1,, xn)

Los elementos incluidos en este modelo son:

a) Condición de optimización: corresponde a establecer si el modelo será de maximización o

2.2. PLANIFICACIÓN DE LA PRODUCCIÓN

2.2.1. Planificación de la Producción de Puertas y Ventanas

Tabla 2.1. Requerimientos de recursos.

Producto Madera Corte Barnizado

Tabla 2.2. Precios y costos.

Producto Precio Costo unitario

FORMULACIÓN DEL MODELO

x1 = cantidad de puertas dobles que se deben fabricar en el mes,

Las restricciones deben establecer las limitaciones existentes en cuanto a la disponibilidad de

4,0 x1 + 2,5 x2 + 3,0 x3 + 1,8 x4  800.

La cantidad de horas-máquina de sierra utilizada en el corte no puede exceder la cantidad máxima

1,5 x1 + 1,0 x2 + 2,0 x3 + 0,8 x4  400.

La cantidad de horas-hombre para barnizado utilizada no puede exceder la cantidad máxima

2,0 x1 +1,2 x2 + 1,5 x3 + 0,8 x4  300.

b) Cumplimiento de compromisos de entrega:

c) No negatividad de las variables:

x1, x2, x3, x4  0.

Como beneficio total = ingreso total – costo total de producción, entonces

Beneficio total = z = 40 x1 + 30 x2 + 25 x3 + 30 x4.

En resumen, el modelo lineal que maximiza el beneficio total es:

2.2.2. Problema General de Producción

FORMULACIÓN DEL MODELO

xjt = cantidad que se ha de producir del producto j en el período t, j=1,, n; t=1,, T,

a) Disponibilidad de recursos: en cada período, la cantidad utilizada de recursos no debe exceder

b) Satisfacción de demanda y balance de inventario: en cada período, la cantidad producida más la

c) No negatividad de las variables:

El costo total es z = costo total de producción + costo total de mantención de inventario

2.3. MEZCLA DE PRODUCTOS

El objetivo de este problema es determinar la composición, de mínimo costo o máximo

Existen aplicaciones del problema de mezcla de productos en diversas áreas productivas:

2.3.1. Diseño de la Composición de Alimento de un Plantel Cunícola

El administrador de un plantel cunícola (i.e., crianza de conejos) desea determinar la

La dieta debe tener las siguientes características:

Tabla 2.3. Características de los ingredientes.

Ingredientes proteínas fibra hidratos de calorías costo

FORMULACIÓN DEL MODELO

a) Cantidad total: se necesita una cantidad de 1.000 kg:

b) Proteína: el alimento debe contener 15% de proteína:

9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15 ( x1 + x2 + x3 + x4 + x5 ), o bien

9x1 + 55x2 + 7x3 + 12x4 + 8,5x5 = 15.000.

c) Fibra: el alimento debe contener al menos 25% de fibra:

1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5  800 (x1 + x2 + x3 + x4 + x5 ),

1.000 x1 + 1.950 x2 + 1.750 x3 + 450 x4 + 1.700 x5  1.800 (x1 + x2 + x3 + x4 + x5 ).

g) No negatividad de las variables:

x1, x2, x3, x4, x5  0.

Min z = 45 x1 + 100 x2 + 70 x3 + 45 x4 + 80 x5.