Está en la página 1de 101

Fundamentos de la Investigación de Operaciones UAP

Aún recuerdo aquella tarde de 1990 cuando nuestro profesor entro al aula,
todos nosotros nos ubicamos en nuestros asientos, nos miró casi de reojo y
con voz pausada se dijo:
"les voy a enseñar Investigación de Operaciones" ¿Qué es eso? fue la
pregunta que lanzamos algunos de nosotros, algunas risas se escucharon
como siempre en el aula, el profesor sin inmutarse prosiguió su monólogo
diciendo :"es una nueva ciencia que apareció durante la Segunda Guerra
Mundial y que ayudó a derrotar a Alemania y ahora se ha trasladado a la
guerra que libran día a día las empresas en las cuales hay vencedoras y
vencidas ",¿que tan poderosa es esa nueva ciencia de la cuál nunca antes
había yo escuchado? ¿que armas tan potentes debe usar ? ¿ como hace para
que algunas empresas crezcan y otras queden destruidas? preguntas como
estas empezaron a hacerse eco en mi cabeza, y hasta ahora siguen
sorprendentemente siendo analizadas aún todavía en todo el mundo por
muchas personas.
Creo que ese momento marcó para mí el rumbo de mi vida ,poder
responder esas preguntas y muchas más hicieron que me interese de
sobremanera en Investigación de Operaciones porque era algo nuevo ( y
muchos veces aún todavía lo sigue siendo) y que a través de este tiempo
nuevas interrogantes han aparecido en esta aventura de estudiar esta
ciencia ya sea personalmente o mediante las charlas con los alumnos de las
universidades de Trujillo.
Hoy estoy frente a ti a través de estas línea, para acompañarte a ingresar a
un nuevo y fascinante mundo, cumpliendo uno de los mayores sueños que
he tenido, hacer realidad la publicación de un libro el cual no ha sido fácil,

1
Fundamentos de la Investigación de Operaciones UAP

hace algunos años hice publicaciones de Investigación de Operaciones e


Ingeniería Económica que tuvieron aceptación por los muchachos de las
diferentes universidades de Trujillo, y a través de estos años que he estado
ayudándoles con sus cursos mediante charlas de conocimientos, me seguía
dando vuelta esa idea de realizar un libro pero el tiempo pasaba : problemas
económicos, poco tiempo para plasmar ideas que sean de lo más simples
para que tú que estas leyendo estas líneas te sea más atractiva la lectura y
que no sea tan solo un libro rígido en conocimientos si no que además sea
de lectura amena y personal.
Mis ideas se plasmaron en realidad hoy, por eso es que espero que este
esfuerzo sea recompensado con tu preferencia y que aproveches de mejor
manera los conocimientos a desarrollar en los diferentes capítulos.

Ing. Néstor Huanqui Vela

2
Fundamentos de la Investigación de Operaciones UAP

CAPITULO I
Introducción a la Investigación de Operaciones Pag. 4

Capitulo II
2.1 Formulación de un modelo Lineal Pag. 7
2.2 Problema para formular: Nivel A Pag. 8

Capitulo III
3.1 Problemas para formular : Nivel B Pag. 21

Capitulo IV
4.1 Modelos para formular Pag. 41

CAPITULO V
Casos De Aplicación De Modelos Lineales Pag.58

ANEXO 1
Entrevista a George Dantzig:
Fundador de la Programación Lineal Pag.84

ANEXO 2
Historia de los métodos cuantitativos Pag.89

3
Fundamentos de la Investigación de Operaciones UAP

Fundamentos de la Investigación de Operaciones (I.O.)


Definición:
Para iniciar el estudio de una nueva disciplina debemos saber sobre que
trata y cuál es su aplicación mediante una definición, pero dar una
definición de I.O. es bastante compleja, debido al lugar y al tiempo ha
cambiando; para la ORSA ( The Operations Research Society of America )
"La I.O. concierne con la decisión científica de como diseñar y operar el
mejor sistema hombre-máquina, usualmente bajo condiciones de asignar
recursos".
Fases en un estudio de I.O.:
a) Definir el problema (alcances, límites, restricciones, objetivos).
b) Construcción o formulación del modelo (la realidad se expresa en forma
matemática).
c) Solución del modelo (se utilizan diferentes algoritmos).
d) Validación del modelo (valores posibles para dar un resultado esperado).
BREVE HISTORIA DE LA INVESTIGACION DE OPERACIONES
1759 QUESNAY: Uso de Modelos Primitivos de Programación
Matemática
1874 WALRAS : uso de técnicas similares a QUESNAY.
PRECURSORES DE LOS MODELOS LINEALES:
1873 Jordan , Minkowsky en 1896 y Farkas en 1903.
Modelos Dinámicos Probabilisticos: Markov a fines del siglo XIX.
Modelos de inventarios, de Tiempo y Movimientos : en los años 20 del
siglo XX.
Modelos de Asignación : Konig y Egervary en la segunda y tercera década
del siglo XX.
Estudios de las Líneas de Esperas: Erlang a principios del siglo XX.
Teoría de Juegos : Von Newman en 1937.
Teoría de Preferencias: Von Newman con Morgenstern.
Modelos de Distribución: Kantorovich en 1939.
Durante la Segunda Guerra Mundial existían grupos que asesoraban con
relación a las acciones bélicas a realizar: Análisis de estrategias de
bombardeo, defensa aérea y programación de operaciones logísticas; en
1937 científicos ayudaron a detectar aeroplanos enemigos mediante el
radar. En el verano de 1941 se estable una sección de Operations Research
(O.R,en español Investigación de Operaciones o I.O.) en la RAF(Real
Fuerza Aérea); de igual modo en la British Army y la Navy. Estos

4
Fundamentos de la Investigación de Operaciones UAP

científicos fueron conocidos como los O.R, por ser los primeros
investigadores operacionales. Al final de la guerra un grupo de ellos se
dedica a la industria y al gobierno, empezando la palabra I.O. para designar
a aquellos científicos que se preocupaban por resolver los problemas que
aparecían en la administración.
Se le debe a Gran Bretaña el haber iniciado la I.O. y a Estados Unidos por
el rápido crecimiento de esta disciplina.
El auge empieza en 1947 :

 1947 GEORGE DANTZING: EL MÉTODO SIMPLEX.


PROGRAMACION DINAMICA: BELLMAN.
PROGRAMACION NO LINEAL: KUHN Y TUCKER.
PROGRAMACION ENTERA: GOMORY.
REDES DE OPTIMIZACION: FORD Y FULKERSON.
SIMULACION : MARKOWITZ.
INVENTARIOS: ARROW, KARLIN, SCARF,WHITIN.
ANALISIS DE DECISIONES: RAIFFA.
PROCESOS MARKOVIANOS DE DECISION: HOWARD.
Debemos ser claros que los avance de los modelos matemáticos de la
Investigación de operaciones se han basado en estudios hechos de Cálculo
Diferencial e Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz,
Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la
Estadística ( Bernulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
* Año en que se dio inicio a la programación y con el uso de las
computadoras se empezó a extender la Investigación de Operaciones.
El tiempo va avanzando y para 1963, se habían clasificado las aplicaciones
en I.O., en problemas estructurales, de 8 formas básicas:
1. Asignación.
2. Inventario.

5
Fundamentos de la Investigación de Operaciones UAP

3. Reemplazo.
4. Líneas de espera.
5. Secuenciación y coordinación.
6. Trayectorias.
7. Competencia.
8. Búsqueda.

6
Fundamentos de la Investigación de Operaciones UAP

CAPITULO II

Modelos de Programación Lineal


Se llama programación lineal al conjunto de técnicas matemáticas que
pretenden resolver la situación siguiente:
Optimizar (maximizar o minimizar) una función objetivo, función lineal de
varias variables, sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.
Función Objetivo (F.O.):
Para seleccionar que función objetivo debe elegirse se toma en cuenta lo
siguiente:
a) Si vamos a encontrar situaciones en las cuales tendremos solo costos ya
sea de materia prima, costo de mano de obra, costo de uso de máquina,
costos de transporte, costos de depreciación ,etc. esto indica que
indudablemente la F.O. será de MINIMIZACION.
b) Si el enunciado solo da datos económicos de ganancia, precio de venta o
dinero a recibir por unidad producida la F.O. será de MAXIMIZACION.
c) Si el enunciado nos da al mismo tiempo costos y ganancias restaremos
de la siguiente manera:
GANANCIAS - COSTOS =UTILIDAD , la que tendrá como F.O.
MAXIMIZACION.
d) Si no nos dan ningún datos económico y solo se da tiempos, el tiempo se
minimiza, si nos da solo producción, la producción se ha de maximizar, si
el modelo corresponde a contratar al personal ,la función objetivo se
minimiza.
Restricciones:
Estas limitaciones o restricciones en los modelos lineales tienen sólo las
siguientes estructuras:
<= , >=, =.
Muchos problemas tienen expresiones características que nos pueden
anunciar que tipo de restricción debemos usar, por ejemplo:
Usar Para expresiones como :
<= como máximo, a lo más, disponibilidad, demanda máxima.
>= como mínimo, por lo menos, al menos, demanda mínima.
= total, proporción

7
Fundamentos de la Investigación de Operaciones UAP

Finalmente las restricciones deben tener las mismas unidades en tanto en su


lado izquierdo como derecho.
La no negatividad de algunas variables son muy importante para definir la
solución de algunos modelos , por lo tanto se dice que todas las variables
son >=0.

Programación Lineal
Formulación
En esta parte debemos considerar algo muy importante, hay una variedad
de aplicaciones de modelos lineales, en las siguientes paginas vamos a
tratar de considerar modelos lineales y sobre todo de mas aplicación al
inicio del aprendizaje de formulación de modelos lineales.

Nivel A:

Problema 1.-(producción)
Una industria vinícola produce vino y vinagre. El doble de la producción de
vino es siempre menor o igual que la producción de vinagre más cuatro
unidades. Por otra parte, el triple de la producción de vinagre sumado con
cuatro veces la producción de vino se mantiene siempre menor o igual a 18
unidades.
Halla el número de unidades de cada producto que se deben producir
para alcanzar un beneficio máximo, sabiendo que cada unidad de vino deja
un beneficio de S/8 y cada unidad de vinagre de S/2.
Solución:

Vino Vinagre
Beneficio S/8 / unidad S/ 2 /unidad

Variable de decisión:
Xi= Número de unidades producidas de i(i=Vino,vinagre=1,2) a elaborar.
Función Objetivo:
Max=8x1+2x2
Restricciones:
El doble de la producción de vino es siempre menor o igual que la
producción de vinagre más cuatro unidades:

8
Fundamentos de la Investigación de Operaciones UAP

2x1<=x2+4

el triple de la producción de vinagre sumado con cuatro veces la


producción de vino se mantiene siempre menor o igual a 18 unidades.
3x2+4x1<=18
Modelo Lineal

Max=8x1+2x2
Sujeto a:
2x1-x2<=4
4x1+3x2<=18
no negatividad:
Xi>=0

Problema 2.-(producción)
Una fábrica de carrocerías de automóviles y camiones tiene dos
departamentos. En el departamento A, para hacer la carrocería de un
camión, se invierten 7 días-operario, para fabricar la de un coche se
precisan 2 días-operario. En el departamento B se invierten tres días
operario tanto en carrocerías de camión como de coche. Por limitaciones de
mano de obra y maquinaria, el departamento A dispone de 300 días
operario, y el departamento B de 270 días-operario. Si los beneficios que se
obtienen por cada camión son de $6000 y por cada automóvil $2000
¿cuántas unidades de cada uno se deben producir para maximizar las
ganancias?
*Considere que para la producción se debe utilizar ambos departamentos.

Camión Automóvil Disponibilidad


Departamento 7 dias operario/camión 2 días 300 días
A operario/coche /operario
Departamento 3 dias operario/camión 3 días 270 días
B operario/coche /operario
Beneficios $6000 /camión $2000/automovil

Variable de decisión:
Xi= Número de vehículos tipo i(i=camion,automovil=1,2) a producir.

Función objetivo:
Maximizar beneficios:
9
Fundamentos de la Investigación de Operaciones UAP

Max=6000x1+2000x2

Restricciones:
Departamento A
7x1+2x2<=300
Departamento B
3x1+3x2<=270
No negatividad:
Xi>=0

Problema 3.-(inversión)
Una entidad financiera capta depósitos y presta dinero. La captación de
depósitos lleva una hora para convencer al cliente y otra de trabajo
burocrático. El préstamo de dinero lleva una hora para convencer al cliente
y dos horas de trabajo burocrático. El máximo número de horas de trabajo
disponibles es de 40 horas para convencer a los clientes y 60 horas para el
trabajo burocrático. El beneficio obtenido por prestar dinero es 1/3 mayor
que el de captar depósitos. ¿Cuántas operaciones de cada tipo le conviene
realizar para obtener el máximo beneficio?
Solución:
Depósitos Prestamos Disponible
Horas de trabajo 1h/operación 1h/operación 40 h
para convencer al
cliente
Horas de trabajo 1h/operación 2h/operación 60 h
burocrático
Beneficio 1/operación (1+1/3)/operación
Variable de Decisión:
Xi= Número de operaciones de tipo i ( i = depósitos , prestamos = 1, 2) a
realizar.
Función objetivo:
Maximizar beneficios
Max=x1+1,333x2
Restricciones:
Horas de trabajo para convencer al cliente:
X1+x2<=40
Horas de trabajo burocrático:
X1+2x2<=60
No negatividad:
10
Fundamentos de la Investigación de Operaciones UAP

Xi>=0

Problema 4.-(Inversión)
Una persona tiene S/500.000 para invertir en dos tipos de acciones A y B.
El tipo A tiene bastante riesgo con un interés anual del 10% y el tipo B es
bastante seguro con un interés anual del 7%. Decide invertir como máximo
S/300.000 en A y como mínimo S/100.000 en B, e invertir en A por lo
menos tanto como en B. ¿Cómo deberá invertir sus S/500.000 para
maximizar sus intereses anuales?
Solución:

Acciones A Acciones B Disponibilidad


Interés 0,10 0,07
Inversión Máximo Mínimo
S/300 000 S/100 000
Dinero S/500 000

Variable de decisión:
Xi= Número de acciones de tipo i(i=A,B=1,2) a comprar.
Función objetivo:
Maximizar intereses
Max=0,10x1+0,07x2
Restricciones:
Dinero máximo a invertir en acciones tipo A
X1<=300000
Dinero mínimo a invertir en acciones tipo B
X2>=100000
invertir en A por lo menos tanto como en B
X1>=X2
Dinero disponible
X1+X2<=500000
No negatividad:
Xi>=0

11
Fundamentos de la Investigación de Operaciones UAP

Problema 5.-(mezcla)
Alicia, gerente de la Food Fast. Proporciona albergues para cachorros. El
alimento para perros Kennel se hace mezclando dos productos de soya para
obtener una "dieta para perros bien balanceada". En la figura se dan los
datos para los dos productos. Si Alicia quiere asegurarse de que sus perros
reciban al menos 8 onzas de proteínas y 1 onza de grasa diariamente, cuál
sería la mezcla del costo mínimo de los dos alimentos para perro?.

Solución:
Producto Costo Proteina (%) Grasas (%)
de soya Por onza
1 $0,60 50 10
2 $0,15 20 20

Variable de decisión:
Xi = Número de onzas del producto i(i=1,2) a comprar.

Función Objetivo:
Minimizar costos
Min=0,60x1+0,15x2
Restricciones:
Proteínas:
0,50x1+0,20x2>=8
Grasas:
0,10x1+0,20x2>=1
No negatividad:
Xi>=0.

12
Fundamentos de la Investigación de Operaciones UAP

Problema 6.-(Mezcla)
Pearce Dears, un antiguo entrenador de grupos de choque, se ha convertido
en avicultor. Desea alimentar a sus animales en forma tal que se cubran sus
necesidades de nutrición a un costo mínimo. Pearce está estudiando el uso
de maíz, soya, avena y alfalfa. En la figura se muestra la información
dietética importante por libra de grano (por ejemplo, 1 libra de maíz
proporciona 15 miligramos de proteína). Elabore un modelo de PL para
determinar la mezcla dietética que satisfará los requisitos diarios a un costo
mínimo.
Nutrientes por libra de grano
Nutriente Maíz Soya Avena Alfalfa Necesidades
(mg) (mg)
Proteína 15 30 15 7 Mínimo 50
Calcio 40 10 40 45 Mínimo 150
Grasas 20 50 8 25 Máximo 120 y Mínimo 25
Calorías 850 1500 1200 4000 Mínimo 5000
Costo por 70 45 40 90
libra

Solución:
Variable de Decisión:
Xi= Número de libras a comprar de i(i=Maiz,soya,avena,alfalfa=1,2,3,4) .
Función Objetivo:
Minimizar costos
Min =70x1 + 45x2 + 40x3 + 90x4
Restricciones:
Proteínas:
15x1 + 30x2 + 15x3 + 7x4 >= 50
Calcio:
40x1 + 10x2 + 40x3 + 45x4 >= 150
Grasas:
20x1 + 50x2 + 8x3 + 25x4 >= 25
20x1 + 50x2 + 8x3 + 25x4 <= 120
Calorías:
850x1 + 1500x2 + 1200x3 + 4000x4 >=5000
No negatividad:
Xi>=0

13
Fundamentos de la Investigación de Operaciones UAP

Problema 7.- (Encuesta)


Para realizar una encuesta por teléfono, un grupo de investigación de
mercado necesita comunicar por lo menos a 150 esposas, 120 maridos, 100
varones adultos solteros y 110 mujeres adultas solteras. Cuesta $2 realizar
una llamada telefónica durante el día, y $5 realizar una llamada telefónica
durante la noche(debido a mayores costos laborales). Estos resultados se
muestran en la tabla. Se pueden realizar a lo más la mitad de estas llamadas
en la noche, por disponer de un número limitado de empleados . Formule
un PL que minimice los costos para completar la encuesta.
Porcentaje Porcentaje
Persona de de
que llamadas llamadas
contestó Diurnas Nocturnas

Esposa 30 30
Marido 10 30
Soltero 10 15
Soltera 10 20
Nadie 40 5

Solución:
variables de decisión :
Xij= número de llamadas realizadas en el horario i (i=diurno/nocturno=1,2)
Función Objetivo:
Minimizar costos
Minimizar = 2x1 + 5x2
Restricciones:
Esposas encuestadas:
14
Fundamentos de la Investigación de Operaciones UAP

0.30x1+0.30x2>=150
Maridos encuestados:
0.10x1+0.30x2>=120
Solteros encuestados:
0.10x1+0.15x2>=100
Solteras encuestados:
0.10x1+0.20x2>=110
realizar a lo más la mitad de estas llamadas en la noche
x2<=(1/2)(x1+x2)
No negatividad: Xi>=0

Problema 8.-(Pesca)
Las restricciones pesqueras impuestas por el gobierno obligan a cierta
empresa a pescar como máximo 2.000 toneladas de merluza y 2.000
toneladas de jurel, además, en total, las capturas de estas dos especies no
pueden pasar de las 3.000 toneladas. Si el precio de la merluza es de
S/10/kg y el precio del jurel es de S/15/kg, ¿qué cantidades debe pescar
para obtener el máximo beneficio?+

Solución:
Merluza Jurel
Pesca Máximo Máximo
2000 tn 2000 tn
Total Máximo
3000 tn
Precio de S/10/kg S/15/kg
Venta
Variable de decisión:
Xi= Número de toneladas de pescado tipo i(i=merluza ,jurel=1,2) a pescar.

Función Objetivo:
Maximizar ingresos
Max=(S/ 10/kg)*(1000 kg)x1 tn+(S/15/kg)*(1000 kg)x2 tn

Restricciones:
Toneladas de merluza:
X1<=2000

15
Fundamentos de la Investigación de Operaciones UAP

Toneladas de Rape:
X2<=2000
Toneladas máximas a pescar:
X1+X2<=3000
No negatividad:
Xi>=0

Problema 9.-(Compra)
Un hipermercado necesita como mínimo 16 cajas de langostino, 5 cajas de
nécoras y 20 de percebes. Dos mayoristas, A y B, se ofrecen al
hipermercado para satisfacer sus necesidades, pero sólo venden dicho
marisco en contenedores completos. El mayorista A envía en cada
contenedor 8 cajas de langostinos, 1 de nécoras y 2 de percebes. Por su
parte, B envía en cada contenedor 2, 1 y 7 cajas respectivamente. Cada
contenedor que suministra A cuesta S/210, mientras que los del mayorista
B cuestan S/300 cada uno. ¿Cuántos contenedores debe pedir el
hipermercado a cada mayorista para satisfacer sus necesidades mínimas con
el menor coste posible?
Solución:
Contenedor A Contenedor B Necesidad
Langostino 8 cajas/contenedor 2cajas/contenedor 16 cajas
Nécoras 1 cajas/contenedor 1cajas/contenedor 5 cajas
Percebes 2 cajas/contenedor 7cajas/contenedor 20 cajas
Costo S/210/contenedor S/300/contenedor
Variable de decisión:
Xi = Cantidad de contenedores tipo i(i=A,B=1,2) a pedir.
Función objetivo:
Minimizar el costo
Min=210x1+300x2

16
Fundamentos de la Investigación de Operaciones UAP

Restricciones:
Langostinos
8x1+2x2>=16
Nécoras:
1x1+1x2>=5

Percebes:
2x1+7x2>=20
No negatividad:
Xi>=0

Problema 10.-
Una planta produce dos tipos de productos, en la misma línea de ensamble.
La línea de ensamble consta de tres departamentos. Los tiempos de
ensamblaje en los departamentos son:
(Unidades/minuto)
Departamento Producto 1 Producto 2
1 8 9
2 5 6
3 5 3
Cada departamento tiene disponible las 8 horas de trabajo diario. Sin
embargo los departamentos requieren mantenimiento diario, que utilizan el
5%, 8% y 6% del tiempo disponible para cada departamento diariamente.
La planta desea saber las unidades semanales ( se trabaja 6 dias a la
semana) que se ensamblaran a fin de minimizar la suma de tiempos no
ocupados (ociosos) en los tres departamentos.

Solución:
Indudablemente es una producción en línea por que el producto para
ensamblarse debe pasar por los tres departamentos, entonces

Variable de Decisión :
Xi= número de unidades del producto i(i=1,2) a elaborar semanalmente.
Sj= tiempo ocioso del departamento j(j=1,2,3).

Función Objetivo :
minimizar el tiempo ocioso
Min = s1 minutos + s2 minutos + s3 minutos

17
Fundamentos de la Investigación de Operaciones UAP

Restricciones:
Departamento 1:
(1 minuto/ 8 unidades)(X1 unidades/semana) + (1minuto/9 unidades)(X2
unidades/semana)+(s1 minutos/semana)=(48h/semana)(60 minutos/h)(0,95)

Departamento 2:
( 1 minuto/ 5 unidades)(X1 unidades/semana) + (1 minuto/6 unidades)(X2
unidades/semana)+(s2 minutos/semana)=(48h/semana)(60 minutos/h)(0,92)

Departamento 3:
( 1 minuto/ 5 unidades)(X1 unidades/semana) + (1 minuto/3 unidades)(X2
unidades/semana)+(s3 minutos/semana)=(48h/semana)(60 minutos/h)(0,94)

No negatividad:
Xi >=0, Si>=0

Problema 11.-
Una empresa manufacturera ha descontinuado la producción de cierta línea
de productos no provechosa. Esto creó un exceso considerable en la
capacidad de producción. El gerente está considerando dedicar esta
capacidad en exceso a uno o más de tres productos, llamémoslos
losproductos1,2,y3.La capacidad disponible de la máquinas que podría
limitar la producción se resume en la tabla siguiente:
TIPO DE MAQUINA TIEMPO DISPONIBLE
FRESADORA 500H/SEMANA
TORNO 350
RECTIFICADORA 150

El número de horas de máquina requerida por cada unidad de los productos


respectivos es:
Coeficiente de Productividad(en horas máquina por unidad)
TIPO DE MAQUINA PRODUCTO PRODUCTO 2 PRODUCTO
1 3
FRESADORA 9 3 5
TORNO 5 4 0
RECTIFICADORA 3 0 2

18
Fundamentos de la Investigación de Operaciones UAP

El departamento de ventas indica que el potencial de ventas para los


productos 1 y 2 es mayor que la tasa de producción máxima y que el
potencial de ventas para el producto 3 es de 20 unidades por semana.
La utilidad unitaria será de $30, $12 y $15, para los productos 1,2 y
3,respectivamente.

Formúlese el modelo PL para determinar cuánto debe producir la empresa


de cada producto para maximizar la utilidad.
Solución :
Variable de decisión:
Xi= Cantidad a producir del producto i(i=1,2,3)

Función Objetivo:
Maximizar=30x1+12x2+15x3
Restricciones:
Tiempo:
Fresadora: 9x1+3x2+5x3<=500
Torno: 5x1+4x2<=350
Rectificadora:3x1+2x3<=150
Potencial de ventas del producto3:
X3<=20
No negatividad:
xi>=0

Problema 12.-
Carmac Company fabrica carros compactos y subcompactos. La
producción de cada carro requiere una cierta cantidad de materia prima y
mano de obra, como se especifica en la siguiente tabla:
Materia Prima Mano de
obra
Compacto 200 18
Subcompacto 150 20
Costo unitario $10 $70
Total disponible 80 000 9 000
La división de comercialización ha estimado que a los más 1500 compactos
pueden venderse a $10 000 cada uno y que a lo mas 200 subcompactos
pueden venderse a $8000 cada uno.Como vicepresidente de programación,
formule un modelo para determinar la cantidad a fabricar de cada tipo de

19
Fundamentos de la Investigación de Operaciones UAP

carro para maximizar la ganancia total(ingresos menos gastos).Defina todas


las variables de decisión.

Solución:
Variable de decisión:
Xi= Numero de unidades del producto i (i=1,2) a elaborar.

Función Objetivo:
Max=($10000/unidad)(x1 unidades)+($8000/unidad)(x2 unidades)
-($10/unidad de materia prima)(200unidades de materia prima/unidad)(x1
unidades)-($70/unidad de materia prima)(18 unidades de materia
prima/unidad)(x1 unidades)-($10/unidad de materia prima)(150 unidades
de materia prima/unidad)(x2 unidades)-($70/unidad de materia prima)(20
unidades de materia prima/unidad)(x2 unidades)
Restricciones:
200x1 + 150x2 < =80000 (Restricción de materia prima)
18x1 + 20x2 < =9000 (Restricción de mano de obra)
x1 < =1500 (Número máximo de compactos)
x2 < =200 (Número máximo de subcompactos)
x1 , x2 >= 0

Problema 13.-
La empresa Elit elabora yogurt y jugos a base de mango y durazno, esta
empresa compra su materia prima al precio de $0,50 por kilogramo de
mango y $0,30 por kilogramo de durazno, las cantidades máximas que
puede comprar es de 1600 kilogramos de mango y 2100 kilogramos de
durazno.
El mercado de venta de yogurt es de 9000 botellas como máximo y para
jugo no hay limite,el precio de venta del yogurt y de jugo es de $5 y $3
por cada botella respectivamente;estos datos y otros se dan en la siguiente
tabla:
Yogurt Jugos Dispon. Costo
Mango 2 kg/botella 3 kg/botella 1600 kg $0.50/kg
Durazno 3 kg/botella 1 kg/botella 2100 kg $0.30/kg
Venta <=9000 botellas
P.Venta $5/botella $3/botella

20
Fundamentos de la Investigación de Operaciones UAP

Elabore un modelo lineal para la empresa Elit.


Solución:
Variable de decisión:
Xi= Numero de botellas de producto i(i=Yogurt,Jugos=1,2) a producir.
Función Objetivo:
Max=5x1+3x2 –0.50( 2x1+3x2)-0,30(3x1+1x2)

Restricciones:
Mango:
(2 kg/botella)(x1 botella) +( 3 kg/botella)(x2 botella)<=1600 kg
Durazno:
(3 kg/botella)(x1 botella)+(1 kg/botella)( x2 botella)<=2100 kg
Yogurt:
x1 botella <=9000 botella
No negatividad:
Xi>=0

21
Fundamentos de la Investigación de Operaciones UAP

CAPITULO III
Modelos para formular:

NIVEL B

Problema 1.-(mezcla)
Usted a decidido entrar en el negocio de los dulces. Está considerando
producir dos tipos de dulces: Easy Out Candy y Slugger Candy , que se
componen solamente de azúcar, nueces y chocolate. Actualmente, tiene en
bodega 100 onzas de azúcar, 20 oz de nueces y 30 oz de chocolate. La
mezcla para producir Easy Out Candy tiene que contener por lo menos 20%
de nueces.
La mezcla para producir Slugger Candy tiene que contener por lo menos
10% de nueces y por lo menos 10% de chocolate. Cada onza de Easy Out
Candy se vende a 25 centavos(de dólar), y una onza de Slugger Candy a 20
centavos. Formule un PL que le permita maximizar sus ingresos por la
venta de dulces.

Solución:
Easy Out Candy Slugger Candy Disponible
Azúcar 100 onzas
Nueces Por lo menos 20% Por lo menos 10% 20 onzas
Chocolate Por lo menos 10% 30 onzas
Precio de Venta $0,25 $0.20

Variable de decisión:
Xij = Usar onzas del ingrediente i (i= azúcar, nueces, chocolate = 1, 2 ,3)
para elaborar el tipo de dulce j ( j = Easy Out Candy , Slugger Candy=1,2).

Función Objetivo:
Maximizar el ingreso por el precio de venta:
Max = 0.25X11 + 0.25X21 + 0.25X31+ 0.20X12 + 0.20X22 + 0.20X32
Restricciones:
Azúcar:
X11 + X12 <= 100
Nueces:
X21 + X22 <= 20

22
Fundamentos de la Investigación de Operaciones UAP

Chocolate:
X31 + X32 <= 30

Porcentaje de nueces en Easy Out Candy:


X21>= 0.20(X11+X21+X31)

Porcentaje de nueces en Slugger Candy:


X22>= 0.10(X12+X22+X32)

Porcentaje de chocolate en Slugger Candy:


X32>= 0.10(X12+X22+x32)

No negatividad:
Xij>=0

Problema 2.-(Producción)
Sunco produce dos tipos de acero en tres diferentes acerías. Durante un mes
dado, cada acería dispone de 200 horas de alto horno . El tiempo y costo de
producción de una tonelada (ton) de acero , difiere de una fábrica a otra ,
debido a las diferencias en los hornos de cada fábrica En la tabla , se
muestran el tiempo y costo de producción para cada fábrica . Cada mes .
Sunco tiene que producir por lo menos 500 ton de acero 1 y 600 ton de
acero 2. Formule un PL para minimizar los costos para producir el acero
deseado.
Tabla: Producir una tonelada de acero
Acero 1 Acero 2
Costo tiempo Costo Tiempo
Acería 1 $10 20 min $11 22 min
Acería 2 $12 24 min $9 18 min
Acería 3 $14 28 min $10 30 min

Solución:
Variable de decisión:
Xij = Toneladas que la acería i(i=1,2,3) produce del acero j(j=1,2).
Función Objetivo:
Minimizar costos

23
Fundamentos de la Investigación de Operaciones UAP

Min = 10x11+11x12+12x21+9x22+14x31+10x32
Restricciones:
Tiempo de producción:
Acería 1:
(20 min/ton)(x11)ton +( 22 min/ton)(x12)ton<= (200h) (60min/h)

Acería 2:
(24 min/ton)(x21)ton + (18 min/ton)(x22)ton<=(200h) (60 min/h)
Acería 3:
(28 min/ton)(x31)ton + (30 min/ton)(x32)ton<=(200h) (60 min/h)
Producción:
Acero 1:
( x11+x21+x31) ton>=500 ton
Acero 2:
(x12+x12+x32) ton>=600 ton
No negatividad:
Xij>=0

Problema 3.-(producción )
Funco fabrica mesas y sillas. Hay que fabricar cada mesa y cada silla
completamente de roble o de pino. Se dispone de un total de 150 pies de
tabla de roble y de 210 pies de tabla de pino. Una mesa requiere 17 p.t. de
roble, o bien 30 p.t. de pino y una silla necesita 5 p.t. de roble, o bien, 13
p.t. de pino. Se puede vender cada mesa a 40 dólares y cada silla a 15
dólares. Formule un PL que se puede usar para maximizar los ingresos.
Solución:
Mesa Silla Disponible
Roble 17 5 150
Pino 30 13 210
Precio de Venta $40 $15

Variable de Decisión:
Xij= Numero de unidades de tipo i (i= mesas, silla = 1,2) usado elaborado
a base de j ( j =roble, pino =1,2)
Función objetivo Maximizar ingresos:
Max = 40(x11+x12)+15(x21+x22)
Restricciones:
Roble:

24
Fundamentos de la Investigación de Operaciones UAP

17x11+5x21<=150
Pino:
30x12+13x22<=210
No negatividad:
Xij>=0

Problema 4.-( producción )


Se va a elaborar un producto a base de tres componentes que se producen
en tres diferentes departamentos, disponiendo con los siguientes datos. El
objetivo es determinar el número de horas de cada departamento a ser
asignadas a cada parte, para maximizar el número de unidades completas
del producto final. Formule como un modelo de Programación lineal.
Departamento Capacidad Tasa de Producción (unid/h)
(horas) C1 C2 C3
1 250 12 10 18
2 300 9 12 11
3 360 10 5 12
Solución:
Variable de decisión:
Xij= Numero de horas a laborar para la producción del componente
i(i=1,2,3)en el departamento j(j=1,2,3).
Función Objetivo:
Maximizar producción
Maximizar =P
Restricciones:
Numero de unidades del componente 1:
12X11 + 9X12+10X13= P

Numero de unidades del componente 2:


10X21 + 12X22 +5X23= P

Numero de unidades del componente 3:


18X31 + 11X32 + 12X33=P

Capacidad de horas del departamento 1:


X11 + X21+ X31<= 250

25
Fundamentos de la Investigación de Operaciones UAP

Capacidad de horas del departamento 2:


X12 + X22 + X32 <= 300

Capacidad de horas del departamento 3:


X13 + X23 + X33 <= 360
No negatividad: Xij>=0

Problema 5.- (personal)


Un cierto restaurante opera 7 días a la semana . A las camareras se les
contrata para trabajar 6 horas diarias . El contrato del sindicato especifica
que cada camarera tiene que trabajar 5 días consecutivos y después tener 2
días consecutivos de descanso . Cada camarera recibe el mismo sueldo
semanal. En la tabla se presentan las necesidades de contratación.
Supóngase que este ciclo de necesidades se repite en forma indefinida y no
toma en cuenta el hecho de que el número de camareras contratadas tiene
que ser un número entero. El gerente desea encontrar un programa de
empleo que satisfaga estas necesidades a un costo mínimo. Formule este
problema como un programa lineal.
Necesidades de contratación de camareras
NUMERO MINIMO DE HORAS DE
DIA CAMARERAS NECESARIO
Lunes 150
Martes 200
Miércoles 400
Jueves 300
Viernes 700
Sábado 800
Domingo 300

Solución:
Variable de decisión:
Xi= Camareras que ingresan el día i ( i = lunes, martes, miércoles, jueves,
sábado, domingo = l, m, mi, j, v, s, d).
Función Objetivo:
Minimizar = XL+XM+XMI+XJ+XV+XS+XD
Restricciones:
Lunes :
6( XL + XJ + XV + XS + XD) >=150
26
Fundamentos de la Investigación de Operaciones UAP

Martes :
6( XL + XM + XV + XS + XD ) >= 200
Miércoles:
6( XL + XM + XMI + XS + XD ) >= 400
Jueves:
6( XL + XM + XMI + XJ + XD ) >=300

Viernes:
6( XL + XM + XMI + XJ + XV ) >= 700

Sábado :
6( XM + XMI + XJ + XV + XS ) >= 800
Domingo:
6( XMI + XJ + XV + XS +XD ) >= 300

No negatividad:
Xi>=0

Problema 6.-(mezcla)
Un viñedo desea mezclar cuatro cosechas diferentes para producir tres tipos
de vino mezclado. Se establecen restricciones al porcentaje de la
composición de las mezclas .
Se puede vender cualquier cantidad de la mezcla B y de la mezcla C pero a
la mezcla A se le considera una mezcla de alta calidad y por consiguiente
no se venden más de 50 galones. Elabore un modelo de PL que hará el
mejor uso de las cosechas con que se cuenta .
Composición de las mezclas

MEZCLA VENDIMIA PRECIO DE


VENTA
1 2 3 4 POR GALON

A POR LO MENOS 75% DE 1 Y 2 * CUANDO MAS 50% $70

B POR LO MENOS 35% DE 1 Y 2 * * 40

C * * * CUANDO MAS 40% 30

Oferta 180 250 200 400


27
Fundamentos de la Investigación de Operaciones UAP

(galones)

. Señala que no existe restricción.

Solución:
Vendimia 1 Vendimia 2 Vendimia 3 Vendimia 4
Mezcla A X1a X2a X3a X4a
Mezcla B X1b X2b X3b X4b
Mezcla C X1c X2c X3c X4c

Variable de decisión:
Xij = número de galones a utilizar de la vendimia i(i=1,2,3,4) para la
elaboración de la mezcla j(j=A,B,C) .

Función Objetivo:
Maximizar = ($70/gal)(X1a + X2a + X3a + X4a)gal +($ 40/gal)(X1b +X2b
+X3b +X4b) gal + ($30/gal)( (X1c + X2c + X3c + X4c) gal

Restricciones:
Mezcla A :
en la expresión por lo menos 75% de 1 y 2 , se tiene que ver quienes son la
que componen la mezcla A para ubicarlas como denominador, en el

numerador se tiene a las vendimias 1 y 2 , obteniéndose la siguiente


expresión:
(X1a + x2a) gal / (x1a+x2a+x3a+x4a) gal >= 0.75

en la expresión cuando más 50%, el denominador es igual a la restricción


anterior por que se refiere a la misma mezcla pero el numerador es solo con
respecto a la vendimia 4, la expresión queda:
( X4a ) gal / (x1a+x2a+x3a+x4a) gal <= 0.50
Mezcla B:
En la expresión por lo menos 35% , el denominador esta formado por todas
la vendimias pero el numerador se refiere sólo a las vendimias 1 y 2, la
expresión es:

28
Fundamentos de la Investigación de Operaciones UAP

(X1b + X2b) gal / (x1b + x2b +x3b + x4b) gal >= 0.35
Mezcla C:
En la expresión cuando más 40%, el denominador esta formado por todas la
vendimias pero el numerador se refiere sólo a la vendimia 4, la expresión
es:
(X4c ) gal / (x1c + x2c + x3c +x4c) gal < = 0.40
Oferta:
Vendimia 1 tiene en oferta 180 galones, como esto es lo máximo que se
dispone entonces la restricción queda:
(x1a + X1b + X1c) gal <= 180 gal.

Vendimia 2 tiene en oferta 250 galones, como esto es lo máximo que se


dispone entonces la restricción queda:

(X2a + X2b + X2c ) gal <= 250 gal.

Vendimia 3 tiene en oferta 200 galones, como esto es lo máximo que se


dispone entonces la restricción queda :
(X3a + X3b + X3c ) gal <= 200 gal.

Vendimia 4 tiene en oferta 400 galones, como esto es lo máximo que se


dispone entonces la restricción queda :
(X4a + X4b + X4c ) gal <= 400 gal.

No negatividad: Xij >=0.

Problema 7.-(Producción)
Química S.A. diluye cada litro de ácido sulfúrico concentrado con 20 litros
de agua destilada para producir H2SO4. De manera similar, cada litro de
ácido clorhídrico concentrado se diluye con 30 litros de agua destilada para
producir HCL. Estos dos productos son vendidos a escuelas de segunda
enseñanza a $0.10 por botella de 100 mililitros ( esto es, 0.1 litros). La
compañía actualmente tiene 50000 botellas vacías en inventario. Suponga
que existe una cantidad virtualmente ilimitada de agua
destilada que cuesta $0.15 por litro y que se dispone de los siguientes datos:

29
Fundamentos de la Investigación de Operaciones UAP

Acido Sulfúrico Acido


Clorhídrico
Costo ($/litro) 12 18
Suministro(litros) 200 150

Formule un modelo para determinar la cantidad de cada ácido concentrado


por diluir para maximizar las ganancias totales.
Solución:
Variable de decisión:
x1= número de litros de H2SO4 concentrado
x2= número de litros de HCL concentrado
y1= número de litros de agua para concentrado de H2SO4
y2= número de litros de agua para concentrado de HCl
p1= número de litros de H2SO4 para venta
p2= número de litros de HCl para venta
Función Objetivo:
Max = ($0,10/0,10 litros)p1 litros +($0,10/0,10 litros)(p2)litros
-($0,15/litros(y1+y2)litros
-($12/litro)(x1)-($18/litro)(x2)litros

Restricciones:
Cantidad de H2SO4:
X1 <= 200
Cantidad de HCL:
X2 <= 150
Cantidad de botellas:
(1 botella/0.1 lit)( X1+y1) lit)+ (1 botella/0.1 lit)(X2+y2) lit <= 50000
botellas

Proporción:
1 X1 1 X2
------ = ------ -------- = ------
20 Y1 30 Y2
Producción:

p1= x1 + y1 p2= x2 + y2

30
Fundamentos de la Investigación de Operaciones UAP

De no negatividad:
Xi>=0

Otra manera de solución:

Xi= Cantidad de litros de i( ácido sulfúrico, ácido clorhídrico=1,2) a


producir.
Función Objetivo:
Max = ($0,10/0,10 litros)x1 litros +($0,10/0,10 litros)(x2)litros
- ($0,15/litros)(20/21)(x1)litros –($0,15/litros)(30/31)(x2)litros
- ($12/litro)(1/21)(x1)-($18/litro)(1/31)(x2)litros
-
Restricciones:
Botellas:
x1/0.10+ x2/0.10 <=50000
Acido sulfúrico:
(1/21)x1<=200
Acido Clorhídrico:
(1/31)x2<=150;

no negatividad:
Xi>=0

Problema 8.-(juegos)
Un matemático desea distribuir fichas de valor entre 1 y 6 en un tablero de
3 filas y 3 columnas, con tal que la suma de este de 6, ¿Cuál debe ser el
valor de cada ficha a colocar con tal que se cumpla el objetivo propuesto?
Solución:
Variable de Decisión:
Xij= Valor de la ficha de la fila i(i=1,2,3) y la columna j(j=1,2,3)
Función Objetivo:
Min= x11+x12+x13+x21+x22+x23+x31+x32+x33
Restricciones:
Filas
X11+x12+x13=6
X21+x22+x23=6
X31+x32+x33=6
Columnas
X11+x21+x31=6
31
Fundamentos de la Investigación de Operaciones UAP

X12+x22+x32=6
X13+x23+x33=6
Valores
X11>= 1
X11<=6
X12>=1
X12<=6
X13>=1
X13<=6
X21>= 1
X21<=6
X22>=1
X22<=6
X23>=1
X23<=6
X31>= 1
X31<=6
X32>=1
X32<=6
X33>=1
X33<=6
No negatividad: Xij>=0

Problema 9 .- (Agricultura)
Una cooperativa agricola grande del suroeste de los Estados Unidos de
Norteamérica opera cuatro granjas.La producción de cada granja está
limitada por la cantidad de agua disponible para irrigación y por el número
de acres disponibles para cultivo. Los datos de la tabla A describen las
granjas. Normalmente, la cooperativa cultiva 3 tipos de productos, aunque
cada una de las granjas no necesariamente cultiva todos ellos. Debido a la
limitación en la disponibilidad de equipo para cosechar, existen
restricciones sobre el número de acres de cada producto que se cultivan en
cada granja. Los datos de la tabla B reflejan el máximo de acres de cada
cultivo que pueden producirse en cada granja. El agua que se requiere
(expresada en millares de pies cúbicos por acre) para los respectivos
cultivos son: 6, 5 y 4. Las utilidades que se proyectan por acre para cada
uno de los tres cultivos son $500, $350 y $200, respectivamente.

32
Fundamentos de la Investigación de Operaciones UAP

Para mantener una carga de trabajo equilibrada entre las 4 granjas, la


cooperativa ha adoptado la política de hacer que en cada granja se cultive
un porcentaje igual de terreno disponible. Plantee un modelo de PL para el
problema que permita la cooperativa a determinar la cantidad (acres) de
cada cultivo que deben plantarse en cada granja para que se maximice la
utilidad total esperada para la cooperativa.
Tabla A
Disponibilidad de Agua Disponibilidad de Tierra
Granja (pies cúbicos) (acres)
1 480 000 450
2 1320 000 650
3 370 000 350
4 890 000 500

Tabla B

Granja Granja Granja Granja


Cultivo 1 2 3 4
A 200 300 100 250
B 150 200 150 100
C 200 350 200 300

Solución:
Variables de decisión:
Xij= Número de acres a sembrar en la granja i(i=1,2,3,4) con el cultivo
j(j=1,2,3)

Función Objetivo:
Maximizar=
($500/acres)(x11+x21+x31+x41)acres
+ ($350/acres)(x12+x22+x32+x42)acres
+ ($200/acres)(x13 +x23+x33+x43)acres

Restricciones:
Cantidad máxima de acre en cada granja para cada cultivo:
33
Fundamentos de la Investigación de Operaciones UAP

x11 acres <= 200 acres


x12 acres <= 150 acres
x13 acres <= 200 acres
x21 acres <= 300 acres
x22 acres <= 200 acres
x23 acres <= 350 acres
x31 acres <= 100 acres
x32 acres <= 150 acres
x33 acres <= 200 acres
x41 acres <= 250 acres
x42 acres <= 100 acres
x43 acres <= 300 acres

Agua Disponible para la granja 1:


(6000 pies cúbicos/acre)(x11 acres) + (5000 pies cúbicos/acre)(x12 acres)
+ (4000 pies cúbicos/acre)(x13 acres)
<= 480 000 pies cúbicos
Agua Disponible para la granja 2:
(6000 pies cúbicos/acre)(x21 acres) + (5000 pies cúbicos/acre)(x22 acres)
+ (4000 pies cúbicos/acre)(x23 acres)
<= 1 320 000 pies cúbicos
Agua Disponible para la granja 3:
(6000 pies cúbicos/acre)(x31 acres) + (5000 pies cúbicos/acre)(x32 acres)
+ (4000 pies cúbicos/acre)(x33 acres)
<= 370 000 pies cúbicos
Agua Disponible para la granja 4:
(6000 pies cúbicos/acre)(x41 acres) + (5000 pies cúbicos/acre)(x42 acres)
+ (4000 pies cúbicos/acre)(x43 acres)
<= 890 000 pies cúbicos
Cantidad de Acres por Granja 1:
(x11 + x12 +x13) acres <= 450 acres

Cantidad de Acres por Granja 2:


(x21 + x22 +x23) acres <= 650 acres

Cantidad de Acres por Granja 3:


(x31 + x32 +x33) acres <= 500 acres
Proporción de acres a cultivar:
Granja 1 igual a Granja 2
34
Fundamentos de la Investigación de Operaciones UAP

(x11 + x12 +x13) acres/450 acres = (x21 + x22 +x23) acres/650 acres
Granja 2 igual a Granja 3
(x21 + x22 +x23) acres/650 acres = (x31 + x32 +x33) acres/350 acres
Granja 3 igual a granja 4
(x31+x32+x33)acres/350 acres =(x41+x42+x43)/500 acres
No negatividad: Xij>=0

Problema 10.- (Mezcla)


La Georgia Outdoors Company fabrica tres tipos de combinaciones
energéticas de semillas que se venden a mayoristas los cuales asu vez los
venden a expendios al menudeo. Los tres tipos son normal, especial y extra
y se venden en $1.50 , $2.20 y $3.50 por libra, respectivamente. Cada
mezcla requiere los mismos ingredientes: maní, pasas y algarrobo. Los
costos de estos ingredientes son:
Maní: $0.90 por libra
Pasas: $1.60 por libra
Algarrobo: $1.50 por libra
Los requerimientos de las mezclas son:
Normal: cuando menos 5% de cada ingrediente.
Especial: cuando menos 20% de cada ingrediente y no mas de 50% de
cualquiera de ellos.
Extra: cuando menos 25% de pasas y no mas de 25% de maní.
Las instalaciones de producción hacen que haya disponibles por semana
como máximo 1000 libras de maní, 2000 de pasas y 3000 de algarrobo.
Existe un costo fijo de $2000 para la fabricación de las mezclas. Existe
también la condición de que la mezcla normal debe limitarse al 20% de la
producción total. plantee un problema de PL para maximizar las utilidades.
Solución:
Variables de Decisión:
Xij= Cantidad de libras a utilizar del ingrediente i (i = Maní, Pasas,
Algarrobo =1,2,3) para elaborar la mezcla tipo j(j = Normal , Especial,
Extra = 1,2,3)
Función Objetivo:
Maximizar = ($1.50/lib)(x11 + x21 + x31)lib + ($2.20/lib)(x12 + x22 +
x32) + ($3.50/lib)(x13 + x23 + x33)lib - ($0.90/lib)(x11 + x12 + x13)lib -
($1.60/lib)(x21 + x22 + x23)lib-($1.50/lib)(x31 + x32 + x33)lib
Restricciones:
Disponibilidad de Maní:
(x11 + x12 + x13)lib <= 1000 lib
35
Fundamentos de la Investigación de Operaciones UAP

Disponibilidad de pasas:
(x21 + x22 + x23)lib <= 2000 lib
Disponibilidad de algarrobo:
(x31 + x32 + x33)lib <= 3000 lib
Cantidad de cada ingrediente en la mezcla normal:
(x11 lib) >= 0.05(x11 + x21 + x31)lib
(x21 lib) >= 0.05(x11 + x21 + x31)lib
(x31 lib) >= 0.05(x11 + x21 + x31)lib
Cantidad de cada ingrediente en la mezcla normal:
(x12 lib) >= 0.20 (x12 + x22 + x23)lib
(x22 lib) >= 0.20 (x12 + x22 + x23)lib
(x23 lib) >= 0.20 (x12 + x22 + x23)lib
(x12 lib) <= 0.50 (x12 + x22 + x23)lib
(x22 lib) <= 0.50 (x12 + x22 + x23)lib
(x23 lib) <= 0.50 (x12 + x22 + x23)lib
Cantidad de pasas en la mezcla normal:
x23 lib >= 0.25(x13 + x23 + x33)lib
Cantidad de maní en la mezcla normal:
x13 lib <= 0.25(x13 + x23 + x33)lib
Mezcla normal con respecto a la producción total:
(x11 + x21 + x31) <= 0.20(x11 + x12 + x13 + x21 + x22 + x23 + x31 +
x32 +x33)

No negatividad: Xij>=0

Problema 11.-(Abastecimiento)
La Fargo Water Co. tiene tres depósitos con una entrada diaria estimada de
15,20 y 25 millones de litros de agua fresca, respectivamente. Diariamente
tiene que abastecer cuatro áreas A,B,C y D, las cuales tienen una demanda
esperada de 8, 10, 12 y 15 millones de litros , respectivamente . El costo de
bombeo por millón de litros es como sigue.

AREA
Deposito A B C D
1 2 3 4 5
2 3 2 5 3
3 4 1 2 3

36
Fundamentos de la Investigación de Operaciones UAP

Formule el problema de la Fargo Water Co. como un modelo de


programación lineal . Asuma que el exceso de agua no representa un costo
para la compañía.

Solución:
Variable de decisión:
Xij= Millones de litros de agua que se trasladan desde el depósito i
(i=1,2,3) hacia el área j (j= A,B,C,D).

Función Objetivo:
Minimizar= ($2/litro)(x1a litro)+($3/litros)(x1b litros)
+ ($4/litro)(x1c litro)+($5/litro)(x1d litro)
+ ($3/litro)(x2a litro)+($2/litro)(x2b litro)
+ ($5/litro(x2c litro)+($2/litro)(x2d litro)
+ ($4/litro)(x3a litro)+($1/litro)(x4b litro)
+ ($2/litro)(x3c litro)+($3/litro)(x3dLitro)
Restricciones:
Depósitos:
(X1a+x1b+x1c+x1c+x1d) litros de agua<= 15 litros de agua
(X2a+x2b+x2c+x2d)litros de agua<= 20 litros de agua
(X3a+x3b+x3c+x3d)litros de agua<= 25 litros de agua
Areas:
(X1a+x2a+x3a) litros de agua=8 litros de agua
(X1b+x2b+x3b)litros de agua=10 litros de agua
(X1c+x2c+x3c) litros de agua=12 litros de agua

(X1d+x2d+x3d)litros de agua=15 litros de agua


No negatividad:
Xij>=0

Problema 12.-(Energia)
El departamento de energía de Lilliput actualmente está en el proceso de
desarrollar un plan nacional de energía para el año siguiente . Lilliput puede
generar energía de cualquiera de cinco fuentes. carbón , gas natural, materiales
nucleares , proyectos hidroeléctricos y petróleo. Los datos sobre los recursos de
energía, las capacidades de generación medidas en megawatt-horas (MW-hr), y los
costos unitarios de generación se dan en la tabla 1.
Lilliput necesita 50 000 MW-hr de energía de uso doméstico , y el país tiene un
compromiso para producir 10 000MW-hr para exportación. Más aún, a fin de

37
Fundamentos de la Investigación de Operaciones UAP

conservar los recursos de energía y proteger el ambiente , el gobierno ha aprobado


las siguientes regulaciones.

1. La generación proveniente de materiales nucleares no


debe exceder 20% de la energía total generada por
Lilliput .
2. Debe utilizarse al menos 80% de la capacidad de las
plantas de carbón .
3. Los enfluentes que salen a la atmósfera no deben exceder
los límites especificados en la tabla 2
4. La cantidad de energía generada a partir de gas natural
debe ser al menos 30% de la generada a partir del
petróleo.
Formule un programa lineal para determinar un plan de energía
de costo mínimo .

Tabla 1 Capacidades de generación y costos

Fuente de Energía Capacidad Total Costo de Generación


(MW-hr) ($/MW-hr)
Carbón 45000 6
Gas Natural 15000 5,5
Nuclear 45000 4,5
Hidroeléctrica 24000 5
Petróleo 48000 7

Tabla 2 Datos de polución en la generación de energía

Contaminante (gm/MW-hr)
Fuente de Dióxido de Monoxido de Partículas de Desechos
Energía azufre Carbono Polvo Sólidos
Carbón 1,5 1,2 0,7 0,4
Gas Natural 0,2 0,5
Nuclear 0,1 0,2 0,7
Hidroeléctrica
Petróleo 0,4 0,8 0,5 0,1
Kg máximos 75 60 30 25
permitidos

Solución:
38
Fundamentos de la Investigación de Operaciones UAP

Variables de Decisión:

CUD= Mw-h producido por Carbón de uso domestico.


CUE= Mw-h producido por Carbón de uso externo.
GNUD= Mw-h producido por Gas natural de uso domestico.
GNE= Mw-h producido Gas natural de uso externo.
NUD= Mw-h producido Nuclear de uso domestico.
NUE= Mw-h producido Nuclear de uso externo.
HUD= Mw-h producido Hidróelectrica de uso domestico.
HUE= Mw-h producido Hidróelectrica de uso externo.
PUD= Mw-h producido Petróleo de uso domestico.
PUE= Mw-h producido Petróleo de uso externo.

Función Objetivo:
Minimizar =6.0/Mw-h(CUD+DUE)Mw-h+5.5/Mw-h(GUD+GUE)Mw-h
+4.5/Mw-h(NUD+NUE)Mw-h+5.0/Mw-h(HUD+HUE)Mw-h
+7.0/Mw-h(PUD+PE)Mw-h

Restricción:

Demanda de energía de uso domestico


(CUD+GNUD+NUD+HUD+PUD)Mw-h=50000Mw-h

Demanda de energía de uso externo


(CUE+GNUE+NUE+HUE+PUE)Mw-h=10000Mw-h

1.-
Energía generada por material nuclear
(NUD+NUE)Mwh<=0.20(CUD+CUE+GNUD+GNUE+NUD+NUE+HUD+HUE
+PUD+PUE)Mw-h
2.-
Capacidad de producción de la planta de carbón
(CUD+CUE)Mw-h=>0.80(45000)

Dióxido de Azufre:
*( 1.5GR DE DIOXIDO DE AZUFRE/Mw-h)(CUD+CUE)Mw-h
+( 0.2GR DE DIOXIDO DE AZUFRE/Mw-h)(GNUD+GNUE)Mw-h
+( 0.4GR DE DIOXIDO DE AZUFRE / Mw-h )( PUD + PUE ) Mw-h
<=75Kg(1000GR/1Kg)

Monoxido de carbono:
39
Fundamentos de la Investigación de Operaciones UAP

*(1.2GR DE MONOXIDO DE CARBONO/Mw-h)(CUD+CUE)Mw-h


+(0.5GRDE MONOXIDO DE CARBONO/Mw-h)(GNUD+GNUE)Mw-h
+(0.1GR DE MONOXIDO DECARBONO/Mw-h)(NUD+NUE)Mw-h
+( 0.8 GR DE MONOXIDO DE CARBONO / Mw-h )(PUD+PUE)Mw-h
<=60Kg(1000GR/1Kg)

Partículas de Polvo:
*(0.7GR DE PARTICULAS DE POLVO/Mw-h)(CUD+CUE)Mw-h
+(0.2GR DE PARTICULAS DE POLVO/Mw-h)(NUD+NUE)Mw-h
+( 0.5 GR DE PARTICULAS DE POLVO/ Mw-h )( PUD+PUE )Mw-h
<=30Kg(1000GR/1Kg)

Desechos sólidos:
*(0.4GR DE DESECHOS SOLIDOS/MW-H)(CUD+CUE)Mw-h
+(0.7GR DE DESECHOS DE POLVO/Mw-h)(NUD+NUE)Mw-h
+(0.1GR DE DESECHOS DE POLVO/Mw-h)(PUD+PUE)Mw-h
<=25Kg(1000GR/1Kg)

4.-
Cantidad de energía generada a partir de gas natural
(GNUD+GNUE)Mw-h=>0.30(PUD+PUE)Mw-h

No negatividad
CUD>=0
CUE>=0
GNUD>=0
GNE>=0
NUD>=0
NUE>=0
HUD>=0
HUE>=0
PUD>=0
PUE>=0

Problema 13.-(Producción)
Cada semana Florida Citrus, Inc., usa una sola máquina durante 150 horas para
destilar jugo de naranja y de toronja en concentrados, estos jugos estan
almacenados en dos tanques separados de 1000 galones cada uno antes de
congelarlos.La máquina puede procesar 25 galones de jugo de naranja por hora,
40
Fundamentos de la Investigación de Operaciones UAP

pero sólo 20 galones de jugo de toronja. Cada galón de jugo de naranja cuesta
$1.50 y pierde 30% de contenido de agua al destilarse en concentrado.
El concentrado de jugo de naranja se vende después en $6 por galón, cada galón de
jugo de toronja cuesta $2 y pierde 25% de contenido de agua al destilarse en
concentrado. El concentrado de jugo de toronja se vende después en $8 por galón.
Formule un modelo de PL para determinar un plan de producción que maximice la
ganancia para la siguiente semana.

Solución:
Variables de decisión:
Xi= número de galones de jugo tipo i(i= naranja, toronja=1, 2)
a usar en la producción.

Función objetivo: Maximizar utilidades = Precio de Venta- Costos

Max= ($6/galón)(0.70 X1 galón) + ($8/galón)(0.75 X2 galón)


-($1.50/galón)(X1 galón)-($2/galón)(X2 galón)

Restricciones:

Tiempo de producción:
(1h/25 galón)(X1 galón) + (1h/20 galón)(X2 galón) <= 150 h

Galones de jugo de naranja a usar:


(X1 galón) <= 1000 galones

Galones de jugo de toronja a usar:


(X2 galón) <= 1000 galones

No negatividad:
X1 >=0, X2 >=0.

41
Fundamentos de la Investigación de Operaciones UAP

Capitulo IV
Modelos para formular

NIVEL C

Problema 1.
Se esta diseñando un vehículo espacial para llevar astronautas a Marte y
traerlos de regreso. Este vehículo tendrá tres compartimentos , cada uno
con su propio sistema de mantenimiento de la vida independiente. El
elemento clave en cada uno de estos sistemas es una pequeña unidad
oxidante que provoca un proceso químico para producir oxigeno. Sin
embargo, no pueden probarse con anticipación y solo se logra algo en
provocar este proceso químico. Por lo tanto, es importante tener unidades
de apoyo para cada sistema. En virtud de la diferencia en los
requerimientos para los tres compartimentos, las unidades que se necesitan
para cada uno tienen características un tanto diferentes. Ahora debe tomarse
una decisión sobre cuantas unidades proporcionar a cada compartimento,
tomando en cuenta las limitaciones de diseño sobre la cantidad total de
espacio, peso y costo que pueden ser asignadas a estas unidades en relación
con la nave completa. La tabla siguiente resume estas limitaciones así como
las características de las unidades individuales por cada compartimento:

Compartimento Espacio Peso Costo Probabilidad


(pulg3) (lb) ($) de falla
1 40 15 30000 0.30
2 50 20 35000 0.40
3 30 10 25000 0.20
Si todas las unidades fallan en solo uno o dos de los compartimentos, los
astronautas pueden ocupar el compartimento, o los compartimentos
restantes y continuar su viaje espacial pero con cierta perdida en la cantidad

42
Fundamentos de la Investigación de Operaciones UAP

de información científica que puede ser obtenida. Sin embargo, si todas las
unidades fallan en los tres compartimentos, entonces los astronautas
todavía pueden regresar la nave con seguridad, pero el viaje en conjunto
debe ser completamente abortado a gran costo. Por lo tanto, el objetivo es
minimizar la probabilidad de que esto ocurra, sujeto a las limitaciones antes
mencionadas y a la restricción adicional de que cada compartimento tenga
una probabilidad de no mas del 0.05 de que todas sus unidades fallen.
Plantéese el modelo de programación lineal para este problema.
(sugerencia: úsense logaritmos)

Solución:
Variable de decisión:
Sea Xi = el numero de unidades de apoyo en el compartimento i (i=1,2,3)

Restricciones :
Espacio
40X1 + 50X2 + 30X3 <= 500
Peso
15X1 + 20X2 + 10X3 <=200

Costo
30000X1 + 35000X2 + 25000X3 <= 400000

Probabilidad de falla
Compartimento 1
(0.30)X1 <=0.05
Compartimento 2
(0.40)X2 <=0.05
Compartimento 3
(0.20)X3 <=0.05

Esto ultimo se explica, porque si el compartimento 1 existiera una unidad,


la probabilidad de falla seria 0.3, si hubieran dos unidades, la probabilidad
seria (0.3) (0.3) = (0.09), y de modo general, si hubieran X1 unidades, la
probabilidad seria (0.3)x

Función Objetivo:
43
Fundamentos de la Investigación de Operaciones UAP

Prob (compart. 1) Prob (compart. 2) Prob (compart. 3)

min Z = (0.3)X1 (0.4)X2 (0.2)X3

Con la finalidad de linealizar, se recurre a los logaritmos, obteniéndose


min = x1 1n (0.3) + x2 1n (0.4) + x3 1n (0.2)
Restricciones:
Espacio
40x1 + 50x2 + 30x3 <= 500
Peso
15x1 + 20x2 + 10x3 <= 200

costo
30x1 + 35x2 + 25x3 <= 400
Unidades de apoyo en el compartimento 1
x1 >= 1n (0.05) / 1n (0.3)
Unidades de apoyo en el compartimento 2
x2 >= 1n (0.05) / 1n (0.4)
Unidades de apoyo en el compartimento 3
x3 >= 1n (0.05) / 1n (0.2)
No negatividad:
x1, x2, x3 >= 0
Problema 2.-
Una familia de granjeros posee 100 acres de tierra y tiene $30000 en fondos
disponibles para inversión.Sus miembros pueden producir un total de 3500
horas - hombre de mano de obra durante los meses de invierno(de
mediados de septiembre a mediados de mayo) ,4000 horas - hombre
durante el verano. Si no se necesitan cualesquiera de estas horas - hombre
,los miembros mas jóvenes de la familia usarán para trabajar en una granja
vecina por$4.00/hora, durante los meses de invierno, y $4.50/hora, durante
el verano.
El ingreso de efectivo puede obtenerse a partir de tres cultivos y dos tipos
de animales: vacas lecheras y gallinas ponedoras. No se necesita invertir en
los cultivos .Sin embargo ,cada vaca requerirá un desembolso de $900 y
cada gallina requerirá de $7. Cada vaca requerirá 1.5 acres de tierra,100
horas - hombre de trabajo durante los meses de invierno ,y otras 50
horas - hombre durante el verano .Cada vaca producirá un ingreso anual
neto en efectivo de $800 para la familia .Los valores correspondientes para
44
Fundamentos de la Investigación de Operaciones UAP

las gallinas son : nada de tierra, 0,6 horas hombre durante el verano y un
ingreso anual neto en efectivo de $ 5. El gallinero puede acomodar un
máximo de 300 gallinas y el tamaño del granero limita el rebaño a un
máximo de 32 vacas .Las horas hombres y los ingresos estimados por acre
plantado en cada uno de los tres cultivos son :

Frijol de soya Maíz Avena


Horas hombre en 20 35 10
invierno
Horas hombre en 50 75 40
verano
Horas anual neto 375 550 250
en efectivo($)

La familia desea saber cuántos acres deben plantarse en cada uno de


cultivos y cuántas vacas y gallinas deben tener para maximizar su ingreso
neto de efectivo.
Plantéese el modelo de programación lineal para este problema.
Solución:
Variables de Decisión:
X1= número de acres de tierra asignados a frijol de soya
X2= número de acres de tierra asignados a maíz
X3= número de acres de tierra asignados avena
X4= número de vacas
X5= número de gallinas
X6=horas-hombre ociosas en invierno
X7=horas-hombre ociosas en verano
Función Objetivo:
Max = 375X1 +550X2 +250X3 +800X4 +5X5 +4X6 +4.5X7

Restricciones:
Acres:
(X1 +X2 +X3 +1.5X4) acres <= 100 acres
Tamaño del gallinero:
X5 gallinas <= 300 gallinas
Tamaño del rebaño:
X4 vacas <= 32 vacas
Horas-hombre en verano:

45
Fundamentos de la Investigación de Operaciones UAP

(20X1 +35X2 +10X3 +100X4 +0.6X3 +X6)h-h = 3500 h-h


Horas-hombre en invierno:
(50X1 +75X2 +40X3 +50X4 +0.3X5 +X7) h-h =4000 h-h
Fondos:
($900/vaca)(X4 vacas) +($7/gallina)(X5)gallinas < = $30 000
No negatividad:
X1 ,X2 ,X3 ,X4 ,X5 ,X6 ,X7 >= 0

Problema 3.-
La corporación Brady produce armarios. Necesitan semanalmente 90 000
pie cúbico de madera procesada. Puede conseguir madera procesada de dos
maneras.
Primero, puede comprar madera de un proveedor eterno , y después secarla
en su propio horno . Segundo, puede cortar troncos en sus propios terrenos ,
convertidos en madera en su propio aserradero y , finalmente, secar la
madera en su propio horno . Brady puede comprar madera clase 1 o clase 2
. La madera clase 1 cuesta 3 dólares/pie cúbico y produce 0.7 pie cúbico de
manera útil luego de secarla . La madera clase 2 cuesta 7 dólares/pie cúbico
y produce 0.9 pie cúbico de madera útil ya seca. Le cuesta 3 dólares a la
compañía cortar un tronco . Después de cortarlo y secarlo , un tronco
produce 0.8 pie cúbico de madera . Brady incurre en un costo de 4
dólares/pie cúbico de madera seca. Cuesta 2.50 dólares/pie cúbico procesar
troncos en el aserradero . El aserradero puede procesar semanalmente hasta
35 000 pie cúbico de madera . Se puede comprar cada semana hasta 40 000
pie cúbico de madera de clase 1 , y hasta 60 000 pie cúbico de madera de
clase 2. Semanalmente, se disponen de 40 horas para secar madera de clase
1, madera clase 2, o troncos, es el siguiente. clase 1,2 segundos, clase 2,o.8
segundos, troncos, 1.3 segundos . Formule un PL para ayudar a Brady a
minimizar los costos semanales para satisfacer las demandas de madera
procesada.
Solución:
Variables de Decisión:
T= Número de troncos a cortar semanalmente
PCL1=Número de pies cúbicos de madera comprada de clase
1 semanalmente
PCL2=Número de pies cúbicos de madera comprada de clase
2 semanalmente
Función Objetivo:

46
Fundamentos de la Investigación de Operaciones UAP

Min.: (3/pie3)PCL1pie3/semana+(7/pie3)(PCL2)(pie3/tronco)
(T)tronco/semana+(4/pie3)(PCL1)pie3/semana+(4/pie3)
(PCL2)pie3/semana+(4/pie3)(0.8pie3/semana)(T)tronco/semana +
(2.5/pie3util)(0.7pie3util/pie3)(PCL1pie3/semana) +
(2.5/pie3util)(0.19pie3util/pie3)(PCL2pie3/semana) +
(2.5/pie3)(0.8pie3/tronco)(T)tronco/semana

Restricciones:
Compra:
Clase1: (PCL1)pie3/semana <= 40000 pie3/semana
Clase2: (PCL2)pie3/semana <= 60000 pie3/semana

Tiempo de secado:
(2seg/pie3)PCL1 pie/semana + (0.8seg/pie3)PCL2pie3/semana
+ (T)troncos(1.3seg/tronco) <=(40h/semana)(3600seg/h)
Capacidad de aserradero:
(0.7pie3util)/pie3 (PCL1)pie3 + (0.9pie3util/pie3)(PCL2)pie3
+ (0.8pie3util/tronco)(Ttronco) <=35000 pie3/semana
Pedido:
(0.7pie3util)/(pie3)(PCL1(pie3/semana))+(0.9pie3util/pie3)
(PCL2(pie3/semana))+(0.8pie3util)tronco(T)tronco=90000 pie3util/semana

Problema 4.-
Un consumidor requiere, durante los próximos cuatro meses, 50, 65, 100 y
70 unidades, respectivamente, de cierto artículo (no se permiten demandas
pendientes). Los costos de producción son 5 dólares, 8 dólares, 4 dólares y
7 dólares por unidad, durante estos meses.
El costo de almacenaje de un mes al siguiente, es de 2 dólares por
unidad(aplicado al terminar el inventario). Se estima que cada unidad
sobrante al final del cuarto mes, tendrá que venderse a 6 dólares. Formule
un PL que minimice los costos netos para cumplir con las demandas
durante los próximos cuatro meses.
Solución:
Mes
1 2 3 4
Demanda 50 65 100 70

47
Fundamentos de la Investigación de Operaciones UAP

Costo de $5/unid $8/unid $4/unid $7/unid


producción

Variables de decisión:
Ii= Número de unidades en el mes i(i=1,2,3,4)
Pi= Número de unidades producidas en el mes i(i=1,2,
Di= Número de unidades demandadas en el mes i(i=1,2,3,4)

Función Objetivo:
Minimización = ($5/unid)(P1 unid) + ($8/unid)(P2 unid)
+($4/unid)(P3 unid) + ($7/unid)(P4 unid)
+($2/unid)(I1 + I2 + I3)unid
-($6/unid)(I4)unid

Restricciones:

INVENTARIO EN EL MES 1: DEMANDA EN EL MES 1:

I1=I0-P1-D1 D1=50
INVENTARIO EN EL MES 2: DEMANDA EN EL MES 2:

I2=I1-P2-D2 D2=65

INVENTARIO EN EL MES 3: DEMANDA EN EL MES 3:


I3=I2-P3-D3 D3=100

INVENTARIO EN EL MES 4: DEMANDA EN EL MES 4:


I4=I3-P4-D4 D4=70

NO HAY NADA GUARDADO:


I0=0No negatividad.
I1, I2, I3, I4 , D1, D2, D3, D4,P1,P2,P3,P4>=0

PROBLEMA 5.-
Una compañía de seguros cree que necesitarán las siguientes cantidades de
computadoras personales durante los próximos seis meses: enero, 9;
febrero, 5; marzo, 7; abril, 9; mayo,10; junio,5. Se pueden rentar
computadoras por un período de uno, dos o tres meses, a las rentas unitarias
48
Fundamentos de la Investigación de Operaciones UAP

siguientes: renta por un mes; 200 dólares; renta por dos meses, 350 dólares;
renta por tres meses, 450 dólares.
Formule un PL que se pueda utilizar para minimizar los costos de renta de
computadoras requeridas. Puede suponer que si se renta una máquina por
un período que se prolongue más allá de junio, habrá que promediar el
costo de la renta. Por ejemplo, si se renta una computadora por tres meses,
a principios de mayo, entonces se tendrá que aplicar una cuota por la renta
2/3(450)=300 dólares, y no 450 dólares, a la función objetivo.

Periodos
1 2 3 Por lo
menos
Enero E1 E2 E3 9
Febrero F1 E2+F2 E3+F3 5
Marzo M1 F2+M2 E3+F3+M3 7
Abril A1 M2+A2 F3+M3+A3 9
Mayo MY1 A2+MY2 M3+A3+MY3 10
Junio J1 MY2+J2 A3+MY3+J3 5
Costo $200 $350 $450

Variables de decisión:
Ei= Número de computadoras a alquilar en el mes de Enero durante i
meses (i=1,2,3).
Fi= Número de computadoras a alquilar en el mes de Febrero durante i
meses (i=1,2,3).
Mi= Número de computadoras a alquilar en el mes de Marzo durante i
meses (i=1,2,3).
Ai= Número de computadoras a alquilar en el mes de Abril durante i
meses (i=1,2,3).
MYi= Número de computadoras a alquilar en el mes de Mayo durante i
meses (i=1,2,3).

49
Fundamentos de la Investigación de Operaciones UAP

Ji= Número de computadoras a alquilar en el mes de Junio durante i


meses (i=1,2,3).

Función Objetivo:
Minimizar=($200/unid)(E1 + F1 + M1 + A1 + MY1 + J1)unid
+($350/unid)(E2 + F2 + M2 + A2 + MY2 + J2)unid
+($450/unid)(E3 + F3 + M3 + A3 + MY3 + J3)unid
- ($150/unid)(MY3 unid) - ($175/unid)(J2 unid)
- ($300/unid)(J3 unid)

Restricciones:
Enero:
E1 + E2 + E3 >= 9
Febrero:
F1 + F2 + F3 + E2 + E3 >=5

Marzo:
M1 + M2 + M3 + F2 + F3 + E3 >= 7
Abril:
A1 + A2 + A3 + M2 + M3 + F3 >= 9
Mayo:
MY1 + MY2 + MY3 + A2 + A3 + M3 >= 10
Junio:
J1 + J2 + J3 + MY2 + MY3 + A3 >= 5

No Negatividad
E1, E2, E3 , F1, F2, F3 , M1, M2, M3, A1, A2, A3,
MY1, MY2, MY3 , J1, J2 ,J3 >=0

Problema 6.-
Un proveedor debe preparar con 5 bebidas de fruta en existencias, al menos
500 galones de un ponche que contenga por lo menos 20% de jugo de
naranja, 10% de jugo de toronja y 5% de jugo de arándano. Si los datos del
inventario son los que se muestran en la tabla siguientes ¿Qué cantidad de
cada bebida deberá emplear el proveedor a fin de obtener la composición
requerida a un costo total mínimo?

50
Fundamentos de la Investigación de Operaciones UAP

Jugo de Jugo de
Jugo de Existencia Costo
Naranja Toronja
Arándan [gal] [$/gal]
o
Bebida A 40 40 0 200 1,50
Bebida B 5 10 20 400 0,75
Bebida C 100 0 0 100 2,00
Bebida D 0 100 0 50 1,75
Bebida E 0 0 0 800 0,25
Nota: Las tres primeras columnas indican el porcentaje de un tipo de
jugo dentro de una determinada bebida.

Solución:
Objetivo: Minimizar costos cumpliendo todos los requisitos.
Variables: Xi : cantidad de bebida "i" en galones incorporada al
ponche (i=A..E)
Constantes Ci : costo por galón de bebida tipo "i".
Ni : porcentaje de jugo de naranja en bebida tipo "i".
Ti : porcentaje de jugo de toronja en bebida tipo "i".
Ai : porcentaje de jugo de arándano en bebida tipo "i".
Ei : existencia de bebida tipo "i"
E
Función Objetivo: Min X
i A
i  Ci

Restricciones:

E
1) X
i A
i  500 (Cantidad de ponche requerida)

E E
2) X
i A
i  N i  0.2 X
i A
i (Proporción de jugo de naranja requerida)
E E
3) 
i A
X i  Ti  0.1  X
i A
i (Proporción de jugo de toronja requerida)
E E
4) X
i A
i  Ai  0.05  X
i A
i (Proporción de jugo de arándano

requerida)
5) X i  E i  i  A..E (No más de la existencia por
bebida)
51
Fundamentos de la Investigación de Operaciones UAP

6) X i  0  i  A..E (Naturaleza de las variables)

Problema 7.-
Un pequeño taller arma dispositivos mecánicos, ya sea como un producto
terminado que entrega al mercado, o como un proceso intermedio para
entregar a una gran fábrica. Trabajan 3 personas en jornadas de 40 horas
semanales. Dos de estos obreros no calificados reciben $0.4 por hora, y el
tercero, un obrero calificado, recibe $0.6 por hora. Los tres están dispuestos
a trabajar hasta 10 horas adicionales a la semana con un salario 50%
superior durante este período.
Los costos fijos semanales son de $800. Los gastos de operación
variables son de $1.0 por hora de trabajo de obrero no calificado y $2.4
por hora de obrero calificado. Los dispositivos mecánicos sin acabar
son vendidos a la planta a $6.5 cada uno. El taller tiene un contrato bajo
el cual debe entregar 100 de estos dispositivos semanalmente a la
empresa. El dueño del taller tiene como política el producir no más de
50 dispositivos a la semana por sobre el contrato.
Los dispositivos terminados se venden a $15 cada uno sin restricciones
de mercado.
Se requieren 0.5 horas de obrero no calificado y 0.25 horas de obrero
calificado para producir un dispositivo sin acabar listo para entregar a
la empresa. Uno de estos dispositivos puede ensamblarse y dejarlo
terminado agregándole 0.5 horas de trabajador calificado.
Un dispositivo acabado listo para entregar al mercado se puede
producir con 0.6 horas de obrero no calificado y 0.5 horas de obrero
calificado.
Plantear el modelo de programación lineal que permita responder la
consulta: ¿cómo y cuánto producir para cumplir el contrato de modo de
maximizar las utilidades?

Solución:

Objetivo: Maximizar utilidades.

Supuestos: Los obreros trabajan las 40 horas semanales, no menos.

52
Fundamentos de la Investigación de Operaciones UAP

Variables: Xi : cantidad de productos tipo "i" fabricados (i=1..3).


Zj : horas extra trabajadas por obreros tipo "j"
(j=1..2).
1 int ermedio

i  2 int ermedio que se temrina
3 terminado

1 obrero no calificado
j 
2 obrero calificado
Función Objetivo: Max U  I  C
I  6.5  X 1  15X 2  X 3  (Ingresos por venta)

C  2  40  0.4  0.6  Z 1  1  40  0.6  0.9  Z 2  1  2  40  Z 1  2.4  1  40  2.4  Z 2


(Costos por salarios y gastos de operación)

Restricciones:

X 1  100
1) (Demanda de productos intermedios)
X 1  150

0.5X 1  X 2   0.6  X 3  80  Z 1
2) (Horas de trabajo de obrero
Z 1  20
no calificado)

0.25  X 1  0.75  X 2  0.5  X 3  40  Z 2


3) (Horas de trabajo de
Z 2  10
obrero calificado)

X i  0 y enteros  i  1..3
4) (Naturaleza de las variables)
Z j  0  j  1,2

Problema 8.-
Un inversionista tiene oportunidad de realizar las actividades A y B al
principio de cada uno de los próximos 5 años (llámense años 1 al 5). Cada
53
Fundamentos de la Investigación de Operaciones UAP

dólar invertido en A al principio de cualquier año retribuye $1.40 (una


ganancia de $0.40) 2 años después (a tiempo para la reinversión inmediata).
Cada dólar invertido en B al principio de cualquier año retribuye $1.70, 3
años después.
Además, la actividad C estará disponible para inversión una sola vez en
el futuro. Cada dólar invertido en C al principio del año 2 da $1.90 al
final del año 5. La actividad D estará disponible sólo 2 veces, al inicio
del año 1 y del año 5. Cada dólar invertido en D al principio de año
retribuye $1.30 al final de ese año. El inversionista tiene $60000 para
iniciar y desea saber cuál plan de inversión maximiza la cantidad de
dinero acumulada año principio del año 6.
Formule el modelo de programación lineal para este problema.

Solución:
La situación se puede ilustrar gráficamente como:

1 2 3 4 5

Xa1
Xa2
Xa3
Xa4

Xd1

Xb1
Xb2

Xb3

Xc2

Xd5

54
Fundamentos de la Investigación de Operaciones UAP

Las líneas segmentadas indican el término del año en curso y el inicio del
año siguiente. Las flechas representa la duración de cada una de las
inversiones, antes de obtener los retornos.
Se debe considerar que al inicio de cada año sólo se puede destinar
a inversión el dinero proveniente de inversiones que terminan en ese
momento, o bien que sean excedentes del período inmediatamente anterior.
Objetivo: Maximizar utilidades al final del quinto año.
Variables: Xij : cantidad invertida de tipo "i" (i=A..D) al inicio del año
"j" (j=1..5)
Zj : excedente no invertido al inicio del año "j" (j=1..4).
Función Objetivo:
Max 1.4  X A 4  1.7  X B 3  1.9  X C 2  1.3  X D 5

Restricciones:
1) X A1  X D1  X B1  Z 1  60000 (Inversiones al
inicio del año 1)
2) X A 2  X B 2  X C 2  Z 2  1.3  X D1  Z 1 (Inversiones al
inicio del año 2)
3) X A 3  X B 3  Z 3  1.4  X A1  Z 2 (Inversiones al
inicio del año 3)
4) X A 4  Z 4  1.4  X A 2  1.7  X B1  Z 3 (Inversiones al
inicio del año 4)
5) X D 5  1.4  X A 3  1.7  X B 2  Z 4 (Inversiones al
inicio del año 5)

6) X ij , Z j  0 (Naturaleza de las variables)


Problema 9.-
Una empresa de arriendo de vehículos desea establecer la flota de
automóviles, camionetas y jeeps para el presente año. Para tales efectos,
estudia la adquisición de vehículos de los tres tipos. Todos los vehículos
comprados son depreciados y pagados en un período de 2 años, después del
cual son vendidos. La tabla siguiente muestra el precio de compra y los
ingresos del período para los tres tipos de vehículos (los ingresos para el
segundo año incluyen el valor de salvataje).
Vehículo Costo [US$] Ingresos primer Ingresos segundo
55
Fundamentos de la Investigación de Operaciones UAP

año [US$] año [US$]


Automóvil 7000 3000 5400
Camioneta 6500 2300 5300
Jeep 5800 2100 5000

Aún cuando la empresa puede pagar el costo de los vehículos


inmediatamente, puede también decidir diferir parte del costo de los
vehículos al final del primer o segundo año. El costo del crédito es de
14% anual. La empresa debe pagar por lo menos el 20% de la inversión
inicial al recibir un vehículo y por lo menos el 50% de la inversión
inicial más los intereses del crédito deben haber sido pagado al final del
primer año. La empresa dispone de US$2000000 para la compra de
vehículos este año. La compañía usa una tasa de descuento del 15%
para efectos de financiamiento (es decir, US$100 hoy valen US$85
dentro de un año). Todo excedente en cualquier año es invertido en
otros rubros y, por lo tanto, no puede considerarse en pagos futuros.
Formule un modelo de programación lineal para el problema. Defina
claramente variables, función objetivo y restricciones.

Solución:

Objetivo: Maximizar utilidades.

Variables: Xi : cantidad de vehículos tipo "i" comprados inicialmente


(i=1..3).
Yij : dinero pagado en vehículos tipo "i" al inicio
del año "j" (j=1..3).
Zij : saldo al inicio del año "j" en vehículos tipo "i".
1 autos

i  2 camionetas
3 jeeps

Constantes: Ci : costo del vehículos tipo "i".
Iij : ingresos por vehículo tipo "i" durante el año "j".

Función Objetivo:
Max

56
Fundamentos de la Investigación de Operaciones UAP

 0.85  I 
3 3
z 
i 1
i1  0.85 2  I i 3  X i   C
i 1
i  X i  0.14  Z i1  0.14  Z i 2 

Restricciones:
3
1) Y
i 1
i1  2  10 6 (Capital Inicial)

2) Yi1  0.2  C i  X i  i  1..3 (20% inicial mínimo)


3) Z i1  C i  X i  Yi1  i  1..3 (Saldo inicial)
3 3
4)  Yi 2  0.14  Z i1    I i1  X i
i 1 i 1
(Gastos no pueden ser mayores

al ingreso del primer año)


2
5) Y
j 1
ij  0.5  C i  X i  i  1..3 (50% del préstamo pagado al

inicio año 2)
2
6) Z i 2  C i  X i  Y j 1
ij  i  1..3 (Saldo al inicio del año 2)

3 3
7) 1.14  Z
i 1
i2  I
i 1
i2  Xi (Gastos no pueden ser mayores al

ingreso del segundo año)

X i  0 y enteros  i  1..3
8) (Naturaleza de las
Yij , Z j  0  i  1..3  j  1..3
variables)

Problema 10.-
Considere el problema de programación de la producción de un conjunto de
m tipos diferentes de artículos para los próximos n meses en una fábrica.
- En cuanto al uso de materias primas, el costo de producción de
cada artículo de tipo i se estima en ci.
- La producción de un artículo tipo i requiere moi horas de mano de
obra, disponiendo la fábrica de hj horas de mano de obra durante el
mes j. En ciertos meses, la fábrica puede emplear horas extras para
57
Fundamentos de la Investigación de Operaciones UAP

aumentar sus recursos de mano de obra. En general, se puede


denotar por stj la cantidad máxima de horas extras disponibles en el
mes j, cada una de las cuales tiene un costo unitario de cst.
- La demanda de artículos tipo i en el mes j se estima en dij, las
cuales necesariamente deben ser satisfechas.
- El exceso de producción puede ser almacenado a un costo mensual
unitario de s. Existe capacidad para almacenar un volumen máximo
de v, pudiéndose representar por vi el volumen de un artículo de
tipo i. Políticas de producción exigen que al final del período bajo
consideración exista un inventario mínimo de si unidades de
artículos tipo i.
Formule un modelo de programación lineal que permita planificar la
operación de la fábrica durante los próximos n meses de forma tal de
minimizar el costo total.
Solución:
Supuesto: Se trabaja por lo menos el total de horas "hj" de cada mes,
nunca menos.
Objetivo: Minimizar costos.
Variables:
Xij : Cantidad de artículos tipo "i" (i=1..m) producidos en mes
"j"(j=1..n).
Zj : Cantidad de mano extra empleada en mes "j".
Vij : Cantidad de artículos tipo "i" almacenados en mes "j".
m n n m n
Función Objetivo:  c
i 1 j 1
i X ij   cst  Z   s  V
j 1
j
i 1 j 1
ij

Restricciones:
m

1)
 mo
i 1
i  X ij  h j  Z j 
  j  1..n (Capacidad de mano de
Z j  st j 

obra mensual normal y extra)

X i1  di1  Vi1  i  1..m


2)
X ij  Vij 1  dij  Vij  i  1..m  j  2..n
(Se debe satisfacer la demanda mensual con artículos producidos
y/o almacenados)

58
Fundamentos de la Investigación de Operaciones UAP

m
3) v
i 1
i  V ij  v  j  1..n (No se puede almacenar más que la

capacidad de la bodega en cada mes)

4) Vin  si  i  1..m (Inventario final mínimo por tipo de artículo)

X ij ,Vij  0 y enteros  i  1..m  j  1..n


5) (Naturaleza de las
Z j  0  j  1..n
variables)

CAPITULO V
CASOS DE APLICACIÓN DE MODELOS LINEALES

CASO 1:
Gracias a una adecuada estrategia de marketing y a la calidad del producto,
cierta pequeña fábrica de canastos de mimbre ha recibido pedidos que
superan su actual capacidad de producción. Durante las próximas cuatro
semanas debe entregar 52, 65, 70 y 85 canastos, respectivamente.
Actualmente cuenta con seis artesanos.
La gerencia general de la fábrica ha decidido contratar personal nuevo para
poder cumplir sus compromisos comerciales. Dada la escasez de artesanos,
se deberá contratar personal sin experiencia. Un novato puede ser entrenado
para llegar a ser aprendiz durante una semana. La segunda semana trabaja
como aprendiz para ganar experiencia. Comenzando la tercera semana
(después de dos semanas de trabajo) se transforma en artesano.

La producción estimada y sueldos de los empleados es la siguiente:

PRODUCCIÖN SALARIOS
Canastos/semana $/semana
Artesano dedicado 10 30.000
sólo a la producción
Artesano dedicado a 5 40.000
prod. y entrenamiento

59
Fundamentos de la Investigación de Operaciones UAP

Aprendiz 5 15.000
Novato 1 5.000

Cada artesano puede entrenar hasta dos novatos por semana (el
entrenamiento de un novato sólo dura una semana). Todo excedente de
producción semanal puede ser guardado para cumplir los siguientes
compromisos comerciales.
Los analistas de la empresa estiman que la demanda semanal de
canastos difícilmente superará los noventa canastos, por lo que han
decidido terminar el período sin novatos y aprendices, pero con al menos
nueve artesanos. Los reglamentos sindicales de la empresa prohiben los
despidos por reducción de personal.

Formule un modelo de programación lineal que permita definir las


contrataciones a realizar, de modo de cumplir los compromisos comerciales
a costo mínimo.

Solución.

Para resolver el problema se utilizarán las siguientes variables de


decisión:

xij : personal de tipo “i” trabajando en semana “j”.


zj : sobreproducción de semana “j”.

Donde:

1 artesano productor
2 artesano instructor

i j  1..4
3 aprendiz
4 novato
Objetivo: cumplir con los compromisos a costo mínimo.
4 4
Min Z  
j1 i 1
i  x ij

donde  i : salario de empleado tipo " i"


Restricciones:
60
Fundamentos de la Investigación de Operaciones UAP

(Semana 1)
x 11  x 21  6
10 x115  x 21  x 41  52
x 41  2  x 21
z1  10 x115  x 21  x 41  52

(Semana 2)
x 32  x 41
x 12  x 22  x 11  x 21
10 x 12 5  x 22  x 42  5  x 32  z 1  65
x 42  2  x 22
z 2  10 x 12 5  x 22  x 42  5  x 32  z 1  65

(Semana 3)
x 33  x 42
x 13  x 23  x 12  x 22  x 32
10 x 13 5  x 23  x 43  5  x 33  z 2  70
x 43  2  x 23
z 3  10 x 13 5  x 23  x 43  5  x 33  z 2  70
(Semana 4)
x 34  x 43
x 14  x 13  x 23  x 33
10 x 14 5  x 34  z 3  85
x 14  9

x ij , z j  0 y enteros

61
Fundamentos de la Investigación de Operaciones UAP

Caso 2
La ciudad 1 produce 500 toneladas de basura por día y la ciudad 2 produce
400 toneladas por día. La basura debe ser incinerada en los incineradores 1
ó 2, y cada incinerador puede procesar hasta 500 toneladas de basura por
día. El costo de incinerar la basura es US$ 40/ton en el incinerador 1 y US$
30/ton en el incinerador 2. La incineración reduce cada tonelada de basura a
0.2 toneladas de cenizas, las cuales deben ser llevadas a uno de dos
depósitos. Cada depósito puede recibir a lo más 200 toneladas de cenizas
por día. El costo es de US$ 3/milla para transportar una tonelada de
material (ya sea ceniza o basura). Las distancias en millas se muestran en la
tabla.
Formule el problema de programación lineal que se puede usar para
minimizar los costos.

Incinerador Incinerador
1 2
Ciudad 1 30 5
Ciudad 2 36 42
Botadero 1 Botadero 2
Incinerador 1 5 8
Incinerador 2 9 6

Solución.

 Objetivo : el objetivo del problema es minimizar los costos


involucrados en el traslado e incineración de la basura. Este costo está
asociado al costo de transporte (función de la distancia) y al costo de
62
Fundamentos de la Investigación de Operaciones UAP

incinerar (función del incinerador y la cantidad). Para conseguir este


objetivo se debe considerar las posibles decisiones que admite el
problema:
 La cantidad de basura a trasladar desde cada ciudad (1 y 2) a cada uno
de los incineradores (1 y 2).
 La cantidad de ceniza a trasladar desde cada incinerador (1 y 2) a cada
uno de los botaderos (1 y 2).

 Supuestos :
 Toda la basura producida en un día debe ser incinerada durante ese
mismo día.
 Los botaderos no cobran por recibir las cenizas.
 Existe indiferencia en escoger el incinerador 1 ó 2 con relación a
cualquier variable que no sea el costo por tonelada incinerada.
 El cobre de transporte es una función exclusiva de la distancia
recorrida, dejando de lado cualquier otro factor.
 La decisión se tomará exclusivamente desde el punto de vista de
los costos.
 El análisis se realizará en el período de un día, dado los datos
entregados.

 Formulación:

De acuerdo al objetivo y: supuestos planteados, se escogerá las


siguientes variables de decisión:
 Xij : cantidad de basura en toneladas transportada desde la ciudad
“i” hasta el incinerador “j”, así, i=1..2 y j=1..2.
 Yij : cantidad de ceniza en toneladas transportada desde el
incinerador “i” hasta el botadero “j” así, i=1..2 y j=1..2.
Con la tabla de distancias dadas y los costos de incineración, se plantea
la función objetivo:

Z  3  30X11  5X12  36X 21  42X 22   3  5Y11  8Y12  9Y21  6Y22   40  X11  X 21   30  X12  X 22 
 
costo de transporte costo de incineración

 130 X11  45X12  148 X 21  156X 22  15 Y11  24Y12  27 Y21  18 Y22

63
Fundamentos de la Investigación de Operaciones UAP

Con la información de la producción de basura, capacidad de


incineración y la capacidad máxima de recepción de ceniza de los
botaderos, se construyen las restricciones del problema:

 X11  X 21  500 Capacidadmáx ima del incinerador 1


 X12  X 22  500 Capacidad máxima del incinerador 2
 X11  X12  500 Producción de basura de la ciudad1
 X 21  X 22  400 Producción de basura de la ciudad 2
 Y11  Y21  200 Recepciónmáxima del botadero1
 Y12  Y22  200 Recepciónmáxima del botadero 2
- X ij  0 & Yij  0 Relativoa la naturalezade las variables

Cabe destacar que todas las variables deben ser positivas y no


necesariamente enteras dado a que representan peso de basura o de ceniza.
Es importante agregar también dos condiciones relativas a que cada
tonelada de basura que entra al incinerador es transformada en 0.2
toneladas de ceniza, luego:

0.2  X11  X 21   Y11  Y12  0.2X11  0.2X 21  Y11  Y12  0 Relativoal incinerador 1
0.2  X12  X 22   Y21  Y22  0.2X12  0.2X 22  Y21  Y22  0 Relativoal incinerador 2

Las condiciones anteriores pueden ser agregadas al problema como dos


restricciones más, o bien despejar dos de ellas en función de otras tres,
de modo de reducir el problema a un total de seis variables.

La formulación anterior permite resolver el problema ya sea utilizando


el método Simplex o bien algún software especializado como LINDO.

64
Fundamentos de la Investigación de Operaciones UAP

Caso 3.-
Silicon Valley Corporation (Silvco) fabrica transistores. Un
aspecto importante en la fabricación de los transistores es fundir
un elemento denominado G (germanium) en un horno.
Lamentablemente el proceso de fundido varía mucho en cuanto a la
calidad que se obtiene del elemento G. Hay dos métodos que se
pueden usar para fundir el elemento G: el método 1 cuesta US$50
por transistor, y el método 2 US$70 por transistor. Las calidades
del elemento se muestran en la tabla. Silvco puede realizar un
proceso adicional para aumentar la calidad del elemento fundido.
Este cuesta US$25 por transistor. Los resultados del proceso
adicional se muestran en la tabla. Silvco tiene suficiente capacidad
de horneado ya sea para fundir o hacer el retratamiento de a lo más
20000 transistores al mes. Las demandas mensuales son 1000 de
transistores de nivel 4, 2000 del nivel 3, 3000 del nivel 2, y 3000
del nivel 1. Use programación lineal para minimizar el costo de
producir los transistores que se requieren.
Nivel del G Porcentaje producido por
fundido1 fundición
Método 1 Método 2
Defectuoso 30 20
Nivel 1 30 20
Nivel 2 20 25
Nivel 3 15 20
Nivel 4 5 15
1. Nivel 1es pobre; nivel 4 es excelente. La calidad del transistor fabricado
está en directa relación con.
Nivel del Porcentaje
elemento G producido por
reprocesado el proceso
adicional
Defectuoso Nivel 1 Nivel 2 Nivel 3
65
Fundamentos de la Investigación de Operaciones UAP

Defectuoso 30 0 0 0
Nivel 1 25 30 0 0
Nivel 2 15 30 40 0
Nivel 3 20 20 30 50
Nivel 4 10 20 30 50

Respuesta.

 Objetivo : el objetivo del problema es minimizar los costos


involucrados en la producción de los transistores, satisfaciendo la
demanda para cada nivel de ellos. Se considerarán dos métodos de
producción además de un método de retratamiento para mejorar la
calidad de dichos transistores. Para conseguir este objetivo se debe
considerar las posibles decisiones que admite el problema:
 La cantidad transistores a producir por el método 1 y por el método 2.
 La cantidad transistores de cada nivel: 3, 2, 1 y los defectuosos que se
envían a retratamiento con la esperanza de mejorar su nivel y con ello
su precio. Evidentemente no tiene sentido enviar los transistores de
nivel 4 al proceso adicional. Es importante considerar por separado los
transistores provenientes de cada proceso.

 Supuestos :
 Los porcentajes entregados en las tablas son exactos o 100%
confiables, es decir que si se fabrican 100 por el método 1 es
seguro que 30 de ellos van a ser defectuosos, ni uno más ni uno
menos. Se entiende también que se utilizará la misma
consideración para los datos del proceso adicional.
 Existe indiferencia entre los transistores de cada método, es decir
que un transistor de un nivel dado producido por el método 1 es
exactamente igual a uno del mismo nivel producido por el método
2.
 Similarmente para el proceso adicional, no existe ninguna
diferencia entre los transistores de un nivel dado proveniente de
uno de los dos métodos de fabricación que los provenientes del
retratamiento.

66
Fundamentos de la Investigación de Operaciones UAP

 El objetivo es producir exactamente la cantidad demandada, ni uno


de más ni uno de menos. Se considera además que los valores de
esta demanda son 100% confiables.
 Sólo se considerará que el proceso adicional se puede realizar una
vez, es decir la decisión de cuantas variables mandar al
retratamiento se realiza una vez.
 No es necesario producir a plena capacidad (20000 transistores al
mes), puede producirse esta cantidad o menos, la producción se
ajustará al resultado de este estudio.
 Como los datos entregados están referidos a un mes, el análisis se
hará para este intervalo de tiempo, pero en términos de cantidades
producidas al mes no de variables temporales propiamente tales.

 Formulación:

De acuerdo al objetivo y: supuestos planteados, se escogerá las


siguientes variables de decisión:
 X1 : cantidad de transistores producidos por el método 1.
 X2 : cantidad de transistores producidos por el método 2.
 Xij : cantidad de transistores provenientes del método “i” y de clase
“j” que se envían a reprocesar, así, i=1..2 y j=0...3. Se entiende por
clase “j”: de nivel “j”, considerando como defectuoso de clase “0”.
Es claro que no tiene sentido reprocesar los transistores de nivel 4,
por eso el subíndice “j” sólo llega hasta3.

Con las tablas de producción en porcentaje dadas y los costos de


fabricación por unidad, se plantea la función objetivo:

2 3
Z 
50 X1  70 X 2 

 25  X
i 1 j0
ij
Costos del proceso orignal 
 

cos tos del proceso adicional

Observación: Todas las funciones y restricciones serán trabajadas en


dólares.

67
Fundamentos de la Investigación de Operaciones UAP

Con la información de la producción de los distintos niveles por


método, más la información de la producción por niveles del
retratamiento, se construyen las restricciones del problema:

- Nivel de producción máximo : X1  X 2

 Demanda por transistores de nivel 4 :


0.05 X1  0.15 X 2  0.1X10  X 20   0.2X11  X 21   0.3X12  X 22   0.5X13  X 23   1000
 
No reprocesados Re procesados

 Demanda de transistores de nivel 3 :


0.2X2X23  0.2X10X20 0.2X11X21 0.3X12X22 0.5X13X23  2000
0.15X1 X13 
No reprocesados Re procesados

 Demanda de transistores de nivel 2 :


0.2X1X120.25X2X22  0.15

X10X20 0
.3X11  X 21   0.4X12  X 22   3000

No reprocesados Re procesados

 Demanda de transistores de nivel1 :


0.3X1X12 
0.2X 2  X 21   0.25X10  X 20   0.3X11  X 21   3000
    
No reprocesados Re procesados

 Cotas de las variables X ij :


X10  0.3X1 X 20  0.2X 2
X11  0.3X1 X 21  0.2X 2
X12  0.2X1 X 22  0.25 X 2
X13  0.15 X1 X 23  0.2X 2

 Restricciones dada la naturalezade las vaiables :


X1 , X 2 , X ij  0  I 0

68
Fundamentos de la Investigación de Operaciones UAP

Cabe destacar que todas las variables deben ser positivas y enteras dado
que representan número de unidades de transistores.

La formulación anterior permite resolver el problema ya sea utilizando


el método Simplex o bien algún software especializado como LINDO.

Caso 4
PLANEACION DE PRODUCCION DE CASSINELLI E HIJOS S.A.C
La empresa de bebidas gaseosas Enrique Cassinelli e Hijos S.A. es de
origen trujillano,se dedica a la producción y comercialización de bebidas
gaseosas cassinelli, en diferentes presentaciones y sabores.
Su comercialización se realiza tanto en la ciudad de Arequipa como en la
zona norte (Chiclayo,Piura,Talara) y nor Oriente (Bagua,Jaen,Tarapoto).
Actualmente Cassinelli tiene una participación en el mercado de Arequipa
de 10%,Concordia 14%,Kola Real 11%,Triple Kola 13.4%,Inka Kola
13.8%,Coca Cola 14.2%, y el 23.6% corresponde a otras marcas.
Gaseosas Cassinelli posee un potencial para tener una importante
participación en el mercado , ya que posee caracteristicas que se ajustan a
una bebida agradable y es percibida como una bebida regional ,sin embargo
presenta una baja recordación por alojamiento de la marca del mercado, por
lo que le hace perder preferencia ante otras marcas de gaseosas.
Por lo tanto la Gerencia General ha encomendado al Departamento de
Producción realizar un plan de Producción para maximizar sus ganancias
mensuales.

PLANEACION DE PRODUCCION DE CASSINELLI E HIJOS S.A.C.


Como se menciono ,la empresa Enrique Cassinelli e hijos se dedica a la
fabricación de bebidas gaseosas ,siendo las presentaciones comercializadas
las que se demuestran a continuación:
TIPO DE BEBIDA PRESENTACION
Gaseosa NR de 2.65 Lt. Caja x 12 unidades
Gaseosa NR de 1.75 Lt. Caja x 12 unidades
Gaseosa NR de 0.60 Lt. Caja x 12 unidades
Gaseosa NR de 0.296Lt. Caja x 24 unidades
Tabla 1 Presentación de las bebidas gaseosas

69
Fundamentos de la Investigación de Operaciones UAP

La empresa en estudio cuenta con una planta de producción que opera las
48 horas a la semana. Esta planta tiene una capacidad de producción de
160,000 caja/mes.
El proceso de fabricación de estos productos se lleva a cabo en dos etapas
(Areas de trabajo)
1. En el Dpto. de Elaboración se realiza la preparación de jarabes el mismo
que cuenta con 4 trabajadores permanentes.
2. En el Dpto. de Envasado se realiza trabajos inherentes al proceso de
envasado y presentación final del producto.Este Dpto. cuenta con 15
trabajadores
Las horas requeridas en ambos departamentos para producir 1000 cajas de
cada uno de los productos mencionados en la tabla 1,se muestran en la tabla
2.
PRESENTACION
2.65 lt. 1.75lt 0.60 lt 0.296 lt
Dpto. Elaboración 2.65 1.75 1.75 1.07
Dpto. Envasado 4.41 2.91 1.29 1.78
Tabla 2: requerimientos horas/1000 cajas

La demanda proyectada maxima para el mes de octubre 2002 se muestra


en la siguiente tabla:
TIPO DE BEBIDA DEMANDA
Gaseosa NR de 2.65 Lt. 10,552 cajas/mes
Gaseosa NR de 1.75 Lt. 40,556 cajas/mes
Gaseosa NR de 0.60 Lt. 56,712 cajas/mes
Gaseosa VR de 0.296Lt. 56,880cajas/mes
TOTAL OCTUBRE 2002 164,700 CAJAS/MES
Tabla 3: Demanda proyectada máxima para el mes de octubre 2002
El Dpto. de Contabilidad de la empresa estima un margen de ganancia para
cada producto,de:
TIPO DE BEBIDA MARGEN DE GANANCIA
Gaseosa NR de 2.65 Lt. s/1.38/Caja
Gaseosa NR de 1.75 Lt. S/1.22/Caja
Gaseosa NR de 0.60 Lt. S/1.02/Caja
Gaseosa NR de 0.296Lt. S/1.05/Caja
Tabla 4:Margen de ganancia por producto
La Gerencia ha solicitado determinar el Plan de Producción semanal
óptimo para el mes de octubre 2002.

70
Fundamentos de la Investigación de Operaciones UAP

Desarrollo del Caso


Objetivo General
Elaborar un modelo lineal que permita hallar el plan de producción óptimo
Objetivos especificos:
1.-Hallar la cantidad de cada tipo de gaseosa que se debe elaborar
semanalmente.
2.-Obtener la máxima utilidad en la producción de gaseosas Cassinelli.

Modelo Lineal
Variable de Decisión:
Xij= Número de cajas a producir de gaseosa tipo j(j=NR de 2.65 lt,NR de
1.75 lt,NR de 0.60 lt,VR de 0.296 lt=1,2,3,4) en la semana j(j=1,2,3,4)
Función Objetivo:
Maximizar ganancia
Max= Precio de venta*producción
max=(S/1.38/caja)*(x11+x12+x13+x14)cajas+(S/1.22/caja)*(x21+x22+x2
3+x24)cajas
+(S/1.02/caja)*(x31+x32+x33+x34)cajas+(S/1.05/caja)*(x41+x42+x43+x4
4)cajas;
Restricciones:
Demanda de gaseosas NR de 2.65 Lt.
(x11+x12+x13+x14)cajas<=10552 cajas;
Demanda de gaseosas NR de 1.75 Lt
(x21+x22+x23+x24)cajas<=40556cajas;
Demanda de gaseosas NR de 0.60 Lt
(x31+x32+x33+x34)cajas<=56712cajas;
Demanda de gaseosas VR de 0.296 Lt
(x41+x42+x43+x44)cajas<=56880cajas;
Producción de gaseosas NR de 2.65 Lt.
(x11+x12+x13+x14)cajas=t1 cajas;
Producción de gaseosas NR de 1.75 Lt.
71
Fundamentos de la Investigación de Operaciones UAP

(x21+x22+x23+x24)cajas=t2 cajas;
Producción de gaseosas NR de 0.60 Lt.
(x31+x32+x33+x34)cajas=t3 cajas;
Producción de gaseosas VR de 0.296 Lt.
(x41+x42+x43+x44)cajas=t4 cajas;
Capacidad de producción:
(t1+t2+t3+t4)cajas<=160000 cajas;

Tiempo de producción en el departamento de elaboración en la semana 1:


(2.65h/caja)*(x11 caja)+(1.75 h/caja)*(x21 caja)+(1.17 h/caja)*(x31 caja)
+(1.07 h/caja)*(x41 caja)<=48*1000;
Tiempo de producción en el departamento de elaboración en la semana 2:
(2.65 h/caja)*(x12 caja)+(1.75 h/caja)*(x22 caja)+(1.17 h/caja)*(x32
caja)+(1.07 h/caja)*(x42 caja)<=48*1000;

Tiempo de producción en el departamento de elaboración en la semana 3:


(2.65 h/caja)*(x13 caja)+(1.75 h/caja)*(x23 caja)+(1.17 h/caja)*(x33
caja)+(1.07 h/caja)*(x43 caja)<=48*1000;
Tiempo de producción en el departamento de elaboración en la semana 4:
(2.65 h/caja)*(x14 caja)+(1.75 h/caja)*(x24 caja)+(1.17 h/caja)*(x34 caja)
+(1.07 h/caja)*(x44 caja)<=48*1000;
Tiempo de producción en el departamento de envasado en la semana 1:
(4.41 h/caja)*(x11 caja)+(2.91 h/caja)*(x21 caja)+(1.29 h/caja)*(x31 caja)
+(1.78 h/caja)*(x41 caja)<=48*1000;
Tiempo de producción en el departamento de envasado en la semana 2:
(4.41 h/caja)*(x12 caja)+(2.91 h/caja)*(x22 caja)+(1.29 h/caja)*(x32 caja)
+(1.78 h/caja)*(x42 caja)<=48*1000;
Tiempo de producción en el departamento de envasado en la semana 3:
(4.41 h/caja)*(x13 caja)+(2.91 h/caja)*(x23 caja)+(1.29 h/caja)*(x33 caja)
+(1.78 h/caja)*(x43 caja)<=48*1000;
Tiempo de producción en el departamento de envasado en la semana 4:
(4.41 h/caja)*(x14 caja)+(2.91 h/caja)*(x24 caja)+(1.29 h/caja)*(x34
caja)+(1.78 h/caja)*(x44 caja)<=48*1000;

No negatividad:
Xij>=0

72
Fundamentos de la Investigación de Operaciones UAP

CASO FINAL
TCorporación para el desarrollo del lago SADDLEBACK.

LSDC está desarrollando una comunidad de casas y condominios en los


alrededores del lago Saddleback, Texas. La idea es utilizar 300 acres de
tierra de tal forma de maximizar sus ganancias ofreciendo una apropiada
variedad de diferentes alternativas de casas constituyendo diferentes
productos. Además, la corporación desea analizar la factibilidad de
desarrollar 10 acres para un complejo deportivo y de recreación.
LSDC está ofreciendo 4 productos: (1) La serie Gran Estado (2) La
colección Glen Wood (3) Casas con vista al lago y (4) casas en
Condominio. Cada uno de estos productos tiene 4 planos con diferentes
estilos, tal como se describe en la siguiente lista:

Plano Precio venta Tamaño Dormitorios Baños Pisos Tamaño


(US$) (ft2) Garage
(autos)
Gran
Estado
Trump 700.000 4000 5+manzarda 4 2 3
Vanderbilt 680.000 3600 4+manzarda 3 2 3
Hughes 650.000 3000 4 3 1 3
Jackson 590.000 2600 3 3 1 3
Glen Wood
Gran 420.000 2800 4+manzarda 3 2 3
Ciprés
Lazy Oak 380.000 2400 4 3 2 2
Wind Row 320.000 2200 3 3 2 2
Orangewoo 280.000 1800 3 2½ 1 2
d
Vista al
73
Fundamentos de la Investigación de Operaciones UAP

lago
Bayview 300.000 2000 4 2½ 2 2
Shoreline 270.000 1800 3+manzarda 2½ 2 2
Docks Edge 240.000 1500 3 2½ 1 2
Golden 200.000 1200 2 2 1 2
Pier

Condomio
Stream 220.000 1600 3 2 2 -
Weeping 160.000 1200 2 2 1 -
Wilow
Picket 140.000 1000 2 1½ 1 -
Fence

Tamaño de los lotes.

Todos los lotes incluyen el terreno donde se instalará la casa, el garage (el
cual no está considerado dentro de los metros cuadrados de la casa) y
espacio para jardín. Este no incluye el parking ni el espacio para parques,
carreteras, etc.
Todos los modelos de la serie Gran Estado se construyen sobre lotes de 1
media-acre, y 50 medias-acre se usan exclusivamente por las casas Gran
Estado. El precio de venta de estas casas tendrá un 30% adicional más
US$50.000 que los modelos que no están en el lago. (Por ejemplo, el
modelo Trump a US$700.000 se vendería en US$960.000 si se situara en el
lago). Cada una de la serie Gran Estado debe tener al menos ocho unidades
en el lago.
Algunos modelos Gran Ciprés (de la serie Glen Wood) podrían construirse
sobre lotes “premiados” de un-cuarto-acre. Estas casas se venden en
US$40.000 más que los modelos similares sobre lotes standards. Además,
algunos de los modelos Bayview (en la serie vista al lago) pueden
construirse sobre lotes “premiados” de un-sexto-acre, los cuales se venden
en US$30.000 más del precio de los modelos construidos en terrenos
standards. No más del 25% del total de los modelos Ciprés y 25% del total
de los modelos Bayview se pueden construir en lotes “premiados”.
Los tamaños de los lotes en el condominio son fijos y son de 1500 pie-

74
Fundamentos de la Investigación de Operaciones UAP

cuadrados.
El lote mínimo standard para casas de la serie Glen Wood y con vista al
lago (excepto los modelos “premiados”) es de un-décimo-acre. Los
tamaños de los lotes para ciertos modelos pueden ser mayores si el
siguiente cálculo excede a 1/10 acre.
Tamaño Lote= (Área de la Casa)+(Tamaño del Jardín)+(Tamaño del
Garage).
Area de la Casa.

El área de la casa de cualquier casa de un piso es el metraje cuadrado del


aviso de la casa. El área de la casa para casas de dos-pisos es de 75% del
metraje cuadrado del aviso de la casa.

Area para Jardín.

Para casas de la serie Glen Wood, el jardín es de 1200 pies cuadrados para
casas de un-piso y lo mismo que el área de la casa para casas con dos-pisos.
Para casas con vista al lago el tamaño del jardín es 900 pies cuadrados para
casas de un-piso. Para casas de dos-pisos de esta misma serie de casas el
tamaño de jardín será de 600 pies cuadrados más 50% del área de la casa.

Tamaño del Garage.

Garage para dos autos ocupan 500 pies cuadrados de área y para tres autos
ocupa 750 pies cuadrados. Note que los modelos en el condominio no tiene
terreno para garage.

Parking.

La ley exige tener un espacio de parking por dormitorio para cada unidad
construida. Por ejemplo,un espacio exterior de parking para dos autos es
necesario para una casa de 4 dormitorios que posee un garage para dos
autos. Cada parking exterior ocupará 200 pies cuadrados de espacio. Hasta
un máximo de 15 acres del proyecto podrán utilizarse para parking exterior.
Todos los parking del condominio son exteriores.

Carreteras, Parques...etc

Un total de 1000 pies cuadrados por casa se está pensando para la


75
Fundamentos de la Investigación de Operaciones UAP

construcción de carreteras y pequeños parques para hacer el proyecto más


agradable estéticamente hablando.

Variedad.
Como parte del proyecto se han definido ciertos requerimientos máximos y
mínimos arrojados por el departamento de estudios de mercado
(Condominio está incluído).

Casas con Máximo Mínimo


2-dormitorios 25% 15%
3-dormitorios 40% 25%
4-dormitorios 40% 25%
5-dormitorios 15% 5%

Además, ninguno de los cuatro productos (Gran Estado, Glen Wood, Vista
al lago, y Condominio) pueden ser más que el 35% ni menos que el 15% de

las unidades construidas en el desarrollo. Más aún, dentro de cada


producto, cada plano debe ocupar entre 20% y 35% del total de unidades de
ese producto. Por razones de estética hasta un máximo del 70% de las casas
de un-piso (salvo las de condominio) pueden ser casas de dos-pisos.

Abordables.
En el área del lago cualquier casa avaluada en US$200.000 o menos es
considerada “abordable”. El gobierno exige al menos 15% del proyecto
pueda ser considerado como abordable.

Ganancias.
LSDC ha determinado los siguientes porcentajes de los precios de ventas
como ganancias netas:

Gran Estado 22%


Glen Wood 18%
Vista al lago 20%
Condominio 25%

Objetivos.
1. LSDC necesita determinar el número de unidades de cada plano de
76
Fundamentos de la Investigación de Operaciones UAP

cada producto a construir, de tal manera de maximizar sus ganancias.


2. Si LSDC construye un complejo de recreación y deportivo en 10-acres,
esto podría reducir el área utilizable en 10-acres y a un costo de
alrededor US$8 millones. Sin embargo, LSDC cree que esto puede
cargarse al costo de las casas como sigue:

Gran Estado 5%
Glen Wood 3%
Vista al lago 2%
Condominio 5%

*Excepto para el modelo Golden Pier, es decir todavía puede ser catalogada
como abordable.

Informe:

Prepare un informe detallado analizando este proyecto y haga


sugerencias para la construcción. De recmendaciones si conviene o no
construir el complejo deportivo. Haga un análisis apropiado de “qué
sucede si..” (análisis de sensibilidad) y haga un resumen de sus
recomendaciones finales.
Informe.
Consideraciones y supuestos.

Antes de resolver el problema es importante especificar la


interpretación dada a algunas frases del enunciado del problema:

 Se entiende que cuando se habla de “1 media-acre” se está hablando


de la mitad de un acre, es decir ½ acre. Es decir “50 medias-acre”, en
términos de superficie son 25 acres.
 Cuando se dice que “50 medias-acres se usan exclusivamente por las
casas Gran Estado”, se dice que sólo se destinarán 25 acres al total de
casas de la serie Gran Estado, ni una acre más ni uno de menos. Esto
se reflejará como una igualdad en una de las restricciones.
 La frase “el lote mínimo standard para casa de la serie Glen Wood y
con vista al mar...”, suponemos que con “vista al mar” es en realidad
77
Fundamentos de la Investigación de Operaciones UAP

con “vista al lago” y que se refiere al producto Vista al Lago, y no a


que algunas casas de la serie Glen Wood tienen como propiedad tener
vista al lago. Luego se entiende que la frase se refiere al tamaño del
lote mínimo para casas de las series Glen Wood y Vista al Lago.
 Se supondrá también que cuando se habla del “aviso de la casa” se
refiere a la información del primer cuadro del enunciado.
 Las manzardas no se considerarán como dormitorios (para el cálculo
del parking).
 Los porcentajes que aparecen asociados a la variedad se trabajarán
sobre el total de todas las casas.
 Para la condición asociada a la proporción de las casas de dos pisos
frente a las de un piso, no se considerarán las casas del condominio de
un piso, es decir sólo se considerarán las casas del condominio de dos
pisos para esta restricción.
 Para la segunda parte, se considerará que los porcentajes que
aparecen en la última tabla se refieren al valor (precio de venta) de las
casas y no a un aumento porcentual exclusivamente de las utilidades
de cada casa.
 Para llevar todo a un mismo sistema de unidades se utilizará la
conversión:
1 acre = 43.560 ft2

Planteamiento.
Para poder resolver el problema es importante visualizar en forma
clara las distintas posibilidades para la construcción, esto se refiere no
sólo a los 4 series y 15 planos distintos dados sino que también a las
distintas posibilidades permitidas para cada plano. El análisis de las
distintas posibilidades ayudará a determinar el número de variables de
decisión con el objeto de resolver el problema vía programación lineal.

Similarmente es importante distinguir cada restricción observando


el efecto que está produciendo, esto se refiere si tiene un efecto en la
superficie utilizadas por las casas, cantidad de ellas, relaciones en
cantidad de los distintos tipos, etc.
De esta forma se puede distinguir:

 Producto Gran Estado.


Cada plano tiene dos posibilidades: estar o no en el lago.
78
Fundamentos de la Investigación de Operaciones UAP

Esto define 8 variables de decisión distintas.

 Producto Gleen Wood.


Existe una única posibilidad para cada plano a excepción de la Gran
Ciprés, que puede ser o no premiada.
Esto define 5 variables de decisión.

 Producto Vista al Lago.


Similarmente al producto anterior, existe un única posibilidad para
cada plano a excepción de la Bayview, que puede ser o no premiada.
Esto define 5 variables de decisión.

 Producto Condominio.
En este caso sólo se puede distinguir una posibilidad para cada plano.
Esto define 3 variables.
En resumen se tiene 8+5+5+3=21 variables de decisión.

Para denominar cada posibilidad para cada casa con una variable se
utilizará la siguiente convención:

Xijk

características
producto
plano

i=1..4 (Gran Estado, Gleen Wood,...


respectivamente)
j=1..4 (El significado dependerá del valor de i)
k=1..2 (El significado dependerá del valor de i y j)

El detalle de cada variable con los respectivos subíndices se


encuentra en la tabla1 de la siguiente página.

Antes de plantear las restricciones es conveniente plantear en


forma ordenada las características de cada casa en cuanto a superficie que
se le asigna en el proyecto, precio de venta, parking requeridos por esa
casa, ganancia asociada a ella, características generales, etc. La forma

79
Fundamentos de la Investigación de Operaciones UAP

más conveniente de presentar esta información es con la ayuda de un


cuadro (Tabla 1).

Tabla 1: Significado de cada variable y sus características.

Vars Descripci Área Precio Area Dorm Gara Parking Abor Gananci
. ón real [ft2] venta asignad . ge dable a
2
US$ a [ft ] US$
Gran
Estado
X111 Trump - 700.000 21.780 5+m 3 2 No 154000
standard
X112 Trump en - 960.000 21.780 5+m 3 2 No 211.200
el lago
X121 Vanderbi - 680.000 21.780 4+m 3 1 No 149.600
lt
standard
X122 Vanderbi - 934.000 21.780 4+m 3 1 No 205.480
lt en el
lago
X131 Hughes - 650.000 21.780 4 3 1 No 143.000
standard
X132 Hughes - 895.000 21.780 4 3 1 No 196.900
en el lago
X141 Jackson - 590.000 21.780 3 3 0 No 129.800
standard
X142 Jackson - 817.000 21.780 3 3 0 No 179.740
en el lago
Glen
Wood
X211 Gran 4950 420.000 4950 4+m 3 1 No 75.600
Ciprés
standard
X212 Gran - 460.000 10890 4+m 3 1 No 82.800
Ciprés
premiada
X221 Lazy Oak 4100 380.000 4356 4 2 2 No 68.400
standard
80
Fundamentos de la Investigación de Operaciones UAP

X231 Wind 3800 320.000 4356 3 2 1 No 57.600


Row
standard
X241 Orange 3500 280.000 4356 3 2 1 No 50.400
Wood
standard

Vista al
lago
X311 Bayview 3350 300.000 4.356 4 2 2 No 60.000
standard
X312 Bayview - 330.000 7.260 4 2 2 No 66.000
premiada
X321 Shoreline 3125 270.000 4.356 3+m 2 1 No 54.000
standard
X331 Docks 2900 240.000 4.356 3 2 1 No 48.000
Edge
standard
X341 Golden 2600 200.000 4.356 2 2 0 Sí 40.000
Pier
standard
Condomi
nio
X411 Stream - 220.000 1.500 3 - 3 No 55.000
standard
X421 Weeping - 160.000 1.500 2 - 2 Sí 40.000
Wilow
std.
X431 Picket - 140.000 1.500 2 - 2 Sí 35.000
Fence
stdandar
d

Siguiendo la nomenclatura descrita en la tabla procedemos a plantear el


problema de programación lineal. En este caso como se dispone de las
ganancias, se trata de un problema de maximización.

Función Objetivo.

Maximizar ganancia.

81
Fundamentos de la Investigación de Operaciones UAP

f= 154000*X111 + 211200*X112 + 149000*X121 + 205480*X122 +


143000*X131 + 1969000*X132 + 1298000*X141 +179740*X142 +
75600*X211 + 82800*X212 + 68400*X221 + 57600*X231 + 50400*X241
+ 60000*X312 + 54000*X321 + 48000*X331 + 40000*X341 +
55000*X411 + 40000*X421 + 35000*X431

Corresponde a la multiplicación de las ganancias por las unidades de cada


tipo de casa.

Restricciones.

1. Cantidad de casas de serie Gran Estado.


X111+X112 +X121+ X122+X131 + X132+X141+ X142=50

2. Cantidad de casas Gran Estado en el lago.


X112  8 ; X122  8 ; X132  8 ; X142  8

3. Cantidad de casas Gran Ciprés premiadas.


X212  0,25 X211  X212   3X 212  X 211  0

4. Cantidad de casas Bayview premiadas.


X312  0,25 X311  X312   3X 312  X 311  0

5. Superficie máxima para parking.


2002X111 - X112  X221  X311  X312  X421  X431    3X 411  X121  X122  X131  X132 
X 211  X 212  X231  X 241  X 321  X 331  15  43560
 3X 441  2X111  2X112  2X 221  2X 311  2X 312  2X 421  2X 431  X121  X121  X122  X131
 X132  X 211  X 212  X 231  X 241  X 321  X 331  3267

6. Superficie para carreteras y parques.


TOTPYC  1000  Xijk
i j k

7. Condición de variedad.
2 dormitorios:
0,15  Xijk  X341  X421  X431  0,25 Xijk
i j k i j k

3 dormitorios:
82
Fundamentos de la Investigación de Operaciones UAP

0,25  Xijk  X141  X142  X231  X241  X321  X331  X411  0,4 Xijk
i j k i j k

4 dormitorios:
0,25  Xijk  X121  X122  X131  X132  X211  X212  X221  X311  X312  0,4 Xijk
i j k i j k

5 dormitorios: 0,05  Xijk  X111  X112  0,15 Xijk


i j k i j k

8. Condición de número total de casas por serie.


Gran Estado:
0,15  Xijk  X111  X112  X121  X122  X131  X132  X141  X142  0,35 Xijk
i j k i j k

Glen Wood:
0,15  Xijk  X211  X212  X221  X231  X241  0,35 Xijk
i j k i j k

Vista al Lago:
0,15  Xijk  X311  X312  X321  X331  X341  0,35 Xijk
i j k i j k

Condominio:
0,15  Xijk  X411  X 421  X431  X341  0,35 Xijk
i j k i j k

9. Condición de cantidad dentro de cada serie.

GranEstado:
TGE  X111  X112  X121  X122  X131  X132  X141  X142
Trump: 0,2TGE  X111 X112  0,35TGE
Vanderbilt: 0,2TGE  X121 X122  0,35TGE
Hughes: 0,2TGE  X131 X132  0,35TGE
Jackson: 0,2TGE  X141 X142  0,35TGE
Glen Wood: TGG  X211  X212  X221  X231  X241
Gran Ciprés: 0,2TGG X211 X212  0,35TGG
Lazy Oak: 0,2TGG X221 0,35TGG

83
Fundamentos de la Investigación de Operaciones UAP

Wind Row: 0,2TGG X231 0,35TGG


Orange Wood: 0,2TGG X241 0,35TGG

Vista al Lago: TVL  X311  X312  X321  X331  X341


Bayview: 0,2TVL  X311 X312  0,35TVL
Shoreline: 0,2TVL  X321 0,35TVL
Docks Edge: 0,2TVL  X331 0,35TVL
Golden Pier: 0,2TVL  X341 0,35TVL
Condominio: TC  X411  X421  X431
Stream: 0,2TC  X411 0,35TC
Weeping Wilow: 0,2TC  X421 0,35TC
Picket Fence: 0,2TC  X431 0,35TC

10. Condición de proporción entre casas de uno y dos pisos.

X
111  X112  X121  X122  X 211  X 212  X 221  X 231  X 311  X 312  X 321  0,7X131  X132  X141  X142  X 241  X 31  X 341
     
CANTIDAD DE CASAS DE 2 PISOS CANTIDAD DE CASAS DE 1 PISO

11. Condición de abordables.


X341  X421  X431  0,15  Xijk
i j k

12. Condición de superficie total de 300 acres.


Considerando que la serie Gran Estado utilizan exactamente 25 acres,
la restricción puede ser escrita como:

21780 X111  X121  X131  X141 


  
SUPERFICIE CASAS GRAN ESTADO

10890X212
4950X211 
4356 X231
X221 X241
X311
X321
 
X331  
X341  7260 X 
1500
X312  
411 X  
421 
X 431
TOTAL SUPERFIE CASAS

 1000  Xijk  200



2X111
X112
X221
X311
  X312
  X421
X431
 3X411
 

 
ij k SUPERFICIE PARKING
CARRETERAS Y PARQUES

X121
200   X122
X131
X132
X211
 X212
  X231
X241
X321   275  43560
X331
SUPERFICIE PARKING

13. Condición por la naturaleza de las variables.


Xijk  0 y enteros
84
Fundamentos de la Investigación de Operaciones UAP

ANEXOS
George Dantzig: Fundador de la Programación Lineal
SIAM News, Noviembre de 1994
A pesar de los grandes adelantos en la optimización computacional
ocurridos durante los últimos 20 años (por ejemplo, los avances en los
métodos de punto interior), el método Simplex inventado por George B.
Dantzig en 1947 es aún la herramienta principal en casi todas las
aplicaciones de la programación lineal.
Dantzig es considerado como uno de los tres fundadores de la
programación lineal, compartiendo dicho honor con Von Neumann y
Kantorovich. A través de su investigación en teoría matemática,
computación, análisis económico y aplicaciones de problemas industriales
ha logrado contribuir más que cualquier otro investigador al desarrollo de la
programación lineal.
El trabajo de Dantzig ha sido reconocido con numerosos honores, de entre
los cuales sobresalen: La Medalla Nacional de la Ciencia (1975), el Premio
John Von Neumann de la Sociedad Americana de Investigación de
Operaciones y el Instituto de Ciencias Administrativas (1974), la
membresía en la Academia Nacional de Ciencias, la Academia Nacional de
Ingeniería y la Academia Americana de Ciencia y Arte.
La programación lineal y sus derivados (tales como la optimización no
lineal con restricciones y la programación entera) han sido capaces de pasar
la prueba del tiempo sin debilitarse, y en nuestros días afectan las prácticas
económicas de las organizaciones y sus administraciones. El científico
computacional Laszolo Lovasz dijo en 1980, "Si se tomaran estadísticas
acerca de cuál problema matemático usa la mayoría del tiempo
computacional en el mundo (sin incluir problemas de manejo de bases de
datos, como la búsqueda y ordenamiento), seguramente la respuesta sería la
programación lineal." En ese mismo año Eugene Lawler de Berkeley dijo
lo siguiente: "La programación lineal se usa para asignar recursos, planear
la producción, planear el horario de trabajadores, planear la cartera de
85
Fundamentos de la Investigación de Operaciones UAP

inversión y formular estrategias de mercado (y militares). La versatilidad e


impacto económico de la programación lineal en el mundo industrial actual
es realmente impresionantes."
En palabras del propio Dantzig: "El tremendo poder del método Simplex
me sorprende constantemente". Citando el simple ejemplo del problema de

asignación (70 personas para 70 tareas) y el enorme poder computacional


que se requeriría para analizar todas las permutaciones y seleccionar la
solución óptima, observó lo siguiente: "sólo toma un momento encontrar la
solución óptima usando una computadora personal y un paquete que
maneje el método simplex estándar".
Dantzig escribió en 1991: "es interesante notar que el problema original
que ocasionó mi investigación está todavía pendiente, es decir, el problema
de la planeación dinámica a través del tiempo, particularmente bajo
condiciones de incertidumbre. Si este tipo de problemas pudieran
resolverse satisfactoriamente, se podría contribuir (tras una buena
planeación) al mejoramiento de este mundo y del ser humano."
La contribución de Dantzig, según sus explicaciones, nació de su
experiencia en el Pentágono durante la Segunda Guerra Mundial, en donde
se convirtió en experto en programación (métodos de planeación hechos
con calculadoras). En 1946, como consejero matemático de la Fuerza Aérea
Norteamericana, tuvo el reto de mecanizar los procesos de planeación. En
aquellos tiempos de computadoras pre-electrónicas, mecanizar quería decir
usar aparatos analógicos o máquinas de tarjetas perforadas. ("Programar"
era un término militar que no se refería a las instrucciones usadas por la
computadora para resolver problemas, sino a los planes o calendarizaciones
propuestas para el entrenamiento, logística, o despliegue de unidades de
combate. El nombre de "programación lineal", que ha confundido a mucha
gente, está basado en la definición militar de "programa").
Las contribuciones de Dantzig van desde la programación lineal y el
método Simplex hasta la teoría de la descomposición, el análisis de
sensibilidad, los métodos de pivote complementarios, la optimización a
gran escala, la programación no lineal, y la programación bajo
incertidumbre. Sus estudios en la programación lineal han tenido un
impacto fundamental en el desarrollo de la investigación
de operaciones como una disciplina.
"Los que mandan generalmente mueven las manos y
dicen 'He considerado todas las alternativas'. Pero eso es
86
Fundamentos de la Investigación de Operaciones UAP

casi siempre basura. Lo más probable es que no pudiesen estudiar todas las
combinaciones."
George Bernard Dantzig nació el 8 de Noviembre de 1914 en Pórtland,
Oregon, USA. Actualmente es profesor emérito en el departamento de
Investigación de Operaciones de la Universidad de Stanford.

Se recomienda consultar la siguiente dirección en internet


www.stanford.edu/dept/eesor/people/faculty/dantzig/
George B. Dantzig , el creador de la programación lineal, en una entrevista
publicada en The College Mathematical Journal, Marzo de 1986. Se
presenta a continuación, parte de esta entrevista:
"Considere el problema de asignar 70 hombres a 70 empleos. Una
'actividad' consiste en asignar el iésimo hombre al j-ésimo empleo. Las
restricciones son dos: en primer lugar hay 70 hombres, cada uno de los
cuales debe asignarse a un puesto, y en segundo lugar, cada uno de los 70
puestos existentes debe estar ocupado. El nivel de una actividad puede ser
1, lo cual indica que está siendo usada, o 0, lo cual significa que no. En
consecuencia hay 2 x 70 =140 restricciones y 70 x 70 = 4900 actividades
con 4900 variables correspondientes de decisión uno-cero. Por desgracia
también hay factorial de 70 permutaciones o formas de hacer las
asignaciones. El problema consiste en comparar estas factorial de 70
formas y elegir la que sea la óptima o 'mejor' según algún criterio
previamente establecido."
"En el ejemplo anterior, factorial de 70 es un número muy grande. A fin de
tener una idea de qué tan grande es, supóngase que se hubiese tenido una
computadora IBM del tipo main-frame en el instante en el que ocurrió el
Big Bang hace quince millones de años. ¿Habría podido, entre ese entonces
y ahora, examinar todas las soluciones posibles? ¡No! No obstante,
supóngase que se hubiese tenido una computadora aun más poderosa, una
que pudiese examinar mil millones de asignaciones por segundo. La
respuesta seguiría siendo negativa. Aun si la Tierra se llenase con
computadoras cuyas rapideces fueran de nanosegundos, todas ellas
trabajando en paralelo, la respuesta aun sería no. Sin embargo, si existiesen
diez Tierras, todas llenas con computadoras del tipo mencionado, todas
programadas en paralelo desde el instante del Big Bang hasta que el Sol
fuese una esfera fría, entonces quizás la respuesta podría ser sí. Lo notable
es que el método Simplex, con la ayuda de una computadora moderna,
puede resolver este problema en una fracción de segundo".
87
Fundamentos de la Investigación de Operaciones UAP

"Cuando el problema de la planeación fue formulado inicialmente para la


Fuerza Aérea, no existía la noción exacta de una función objetivo, la idea
de una meta claramente definida. Por supuesto, teníamos sólo un falso
respeto hacia el concepto de objetivo. En el discurso de los militares
escuché a menudo decir, 'nuestro objetivo es ganar la guerra'. En el mundo
de los negocios se escucharía quizás 'nuestro objetivo es obtener ganancias'.
Sin embargo, era imposible hallar alguna relación directa entre la meta
establecida y las acciones emprendidas para tal fin."
"Si se estudiaba con cuidado el paso siguiente, se podía ver que algún líder
había promulgado un montón de reglas básicas que, en su concepto,
llevarían a la meta. Esto distaba mucho de lo que sería honestamente
estudiar todas las combinaciones alternativas de las acciones a seguir para
elegir la mejor combinación. Los que mandan generalmente mueven las
manos y dicen 'He considerado todas las alternativas'. Pero eso es casi
siempre basura. Lo más probable es que no pudiesen estudiar todas las
combinaciones. Antes de 1947 era inconcebible pensar en la existencia de
una herramienta como la programación lineal que permitiese examinar
millones de combinaciones. No había algoritmo o herramienta
computacional que pudiera hacer eso."
"No descubrí el modelo de la programación lineal en un instante, sino que
tuvo un proceso de evolución. Se dedicó casi un año completo a la tarea de
decidir si mi modelo podría ser utilizado en la formulación de problemas
prácticos de distribución de tiempos. Como usted sabe, la planeación y la
distribución de tiempos se llevaron a una escala inmensa durante la guerra.
El funcionamiento de la Fuerza Aérea fue equivalente al funcionamiento de
la economía de toda una nación. En el proceso intervinieron cientos de
miles de personas. La logística tuvo una magnitud difícil de entender para
alguien que no haya estado allí. Mi colega Marshall Wood y yo revisamos
miles de situaciones tomadas de nuestra experiencia durante la guerra."
"Las reglas básicas empleadas en la planeación se expresaban en un
formato completamente distinto del que se emplea en la actualidad para
formular un programa lineal. Lo que hicimos fue revisar estas reglas una
por una y demostrar que casi todas ellas podían reformularse
aceptablemente en un formato de programación lineal. Pero no todas. En
algunos casos era necesario tomar en cuenta el carácter discreto de las
variables y las no convexidades."
"Cuando formulé por primera vez mi modelo de programación lineal, lo
hice sin una función objetivo. Estuve luchando por algún tiempo con la
adición de reglas básicas para elegir de entre las soluciones factibles la que
88
Fundamentos de la Investigación de Operaciones UAP

en algún sentido fuese 'óptima'. Pero pronto abandoné esta idea y la sustituí
por la de una función objetivo a ser maximizada. El modelo que formulé no
estaba hecho específicamente para fines militares. Podía aplicarse a toda
clase de problemas de planeación; todo lo que tenía que hacerse era
cambiar los nombres de las columnas y los renglones, y entonces era
aplicable a un problema de planeación económica lo mismo que a un
problema de planeación industrial."

89
Fundamentos de la Investigación de Operaciones UAP

George Dantzig: Fundador de la Programación Lineal


SIAM News, Noviembre de 1994

ANEXO 2

Historia de los métodos cuantitativos

Introducción
El inicio formal de la Investigación Operativa tuvo lugar en Inglaterra a
finales de 1939, cuando la estación de investigación de Bawdsey, bajo la
dirección de A. Rowe, fue encargada del desarrollo de políticas óptimas
para el nuevo sistema de detección militar llamado radar. Poco después, se
presentó un estudio de las fases de las operaciones nocturnas en lo que sería
un modelo para los estudios posteriores del mismo tipo.

Poco después, debido a las extremas necesidades de personal que se


plantearon durante la guerra y a la complejidad de los nuevos sistemas de
defensa y ataque que se introdujeron, pareció indicado el empleo de
científicos en el estudio global de los problemas planteados. La finalidad
era conseguir la máxima eficiencia posible. Así, en Agosto de 1940, el
físico P.M.S. Blackett de la Universidad de Manchester fue
responsabilizado de formar un grupo de trabajo para estudiar el sistema de
defensa antiaérea gobernado por radar. Este grupo, estaba constituido por
tres psicólogos, dos físicos matemáticos, un astrofísico, un oficial del
ejército, un topógrafo, un físico y dos matemáticos. Fue jocosamente
denominado el «circo de Blackett», siendo generalmente admitido que en él
se daban todas las características de los grupos que trabajan en
Investigación Operativa:

Grupo de trabajo interdisciplinar


Empleo de modelos matemáticos
Punto de vista de análisis de sistemas

90
Fundamentos de la Investigación de Operaciones UAP

Uno de los primeros esfuerzos de este grupo fue dirigido al estudio del
ataque aéreo a los submarinos. Las bombas estaban programadas para
estallar a una profundidad de unos treinta metros, pues se argumentaba que
al divisar el submarino al bombardero se sumergiría; y dado que desde el
instante en que fuera localizado el bombardero hasta el del lanzamiento de
la bomba, transcurrirían aproximadamente dos minutos, unos treinta metros
era, aproximadamente, la profundidad alcanzada por el submarino en su
precipitada inmersión. Pero aunque el razonamiento era válido, los
resultados obtenidos con esta política eran muy limitados. Cuando el grupo
de Blackett fue encargado del estudio, su primera decisión consistió en la
observación directa de la situación, encaramándose en los bombarderos en
sus misiones de ataque a submarinos. Tras un elevado número de
observaciones llegaron a la conclusión, con el análisis de los datos de los
ataques, de que se producían las siguientes circunstancias:

a) Debido a la falta de precisión del bombardeo, muy pocas de las bombas


explotaban cerca de su objetivo, a treinta metros de profundidad.
b) La precisión aumentaba cuando el submarino no había tenido tiempo de
sumergirse, pero en ese caso las bombas estallaban a demasiada
profundidad y no producían grandes daños.

En definitiva, la profundidad de treinta metros era adecuada cuando el


submarino divisaba con antelación al bombardero, pero la falta de precisión
impedía obtener resultados. Y cuando la precisión era buena, la
profundidad a que estaba programada la explosión era inadecuada, pues
esto sólo ocurría cuando el submarino se mantenía cercano a la superficie.

A la vista de los datos estadísticos sobre la precisión del bombardeo y la


inmersión de los submarinos, se llegó a la conclusión de que la alternativa
más adecuada era optar por causar daños cuando el submarino estuviera en
la superficie. Así se hizo y los resultados mejoraron espectacularmente. En
este trabajo ya estaban incluidos los aspectos que caracterizan a los estudios
de Investigación Operativa:

1. Toma directa de datos.


2. Empleo de modelos matemáticos para el análisis de la situación, que en
este caso era simplemente estadístico.
3. Obtención de las políticas óptimas que corresponden al modelo.

91
Fundamentos de la Investigación de Operaciones UAP

4. Modificación de dichas políticas de acuerdo con factores reales no


considerados en el modelo: en este caso se emplearon espoletas que
explotaban a diez metros de profundidad, pues no se disponía de otras que
lo hiciesen más cerca de la superficie. Un resultado del estudio fue iniciar
su fabricación.

Como consecuencia de los resultados obtenidos, por éste y otros estudios


sobre problemas de índole militar, el Almirantazgo Británico creó el grupo
funcional «Naval Operational Research». El punto de vista empleado para
el análisis de los problemas por este grupo, y los que inmediatamente le
siguieron, fue denominado Operational Research. Dicha acepción fue

modificada en Estados Unidos por Operations Research. Según narran


autores ingleses, como Sir Robert Watson-Watt, fue a sugerencia suya el
que los norteamericanos introdujeran también grupos de científicos para el
estudio de operaciones militares tras el inicio de su participación en la
guerra. Para el mes de abril de 1942, las Fuerzas Aéreas, el Ejército y la
Marina poseían grupos funcionales conocidos como Operations Analysis,
Operations Research y Operations Evaluations, respectivamente. El último
de estos grupos era dirigido por Philp M. Morse [MOS55], del
Massachusetts Institute of Technology, que años más tarde sería el primer
presidente de la sociedad norteamericana de Investigación Operativa
(O.R.S.A.) y uno de sus principales difusores.

Durante la guerra, otros países aliados como Canadá y Francia, también


introdujeron grupos de Investigación Operativa en sus respectivos ejércitos.
Al finalizar la guerra, las circunstancias en Gran Bretaña y Estados Unidos
fueron distintas para estos grupos. En Estados Unidos, los fondos para la
investigación en el campo militar se incrementaron, por lo que la mayoría
de los grupos se consolidaron, aumentando su número y tamaño. Debido a
ello, la industria y la administración norteamericanas permanecieron
indiferentes a la Investigación Operativa durante el resto de la década. Uno
de los primeros establecimientos de investigación, dependiente del ejército
del aire y que tuvo gran influencia en el posterior desarrollo de esta
disciplina, fue la RAND Corporation fundada por Donald Douglas en 1946.
En la primera conferencia sobre la Investigación Operativa en la Industria,
que tuvo lugar en el Case Institute of Technology de Cleveland en 1951,
fue casi imposible encontrar aplicaciones industriales de carácter no militar.
Quizás las causas de este lento desarrollo en Estados Unidos, sea necesario
92
Fundamentos de la Investigación de Operaciones UAP

buscarlas en la situación de la Organización Industrial tradicional, que


estaba plenamente establecida, difundida y reputada. La Investigación
Operativa se percibía como un dudoso competidor de aquélla, a lo que hay
que añadir el celoso secreto con el que se mantenían las limitadas
experiencias que se llevaban a cabo.

En cambio, en Gran Bretaña, los componentes de los grupos que se habían


desarrollado en el medio militar pasaron a la sociedad civil. Los nuevos
problemas que se le plantearon a la nueva administración laborista inglesa,
con la nacionalización de importantes sectores de su economía y la
reconstrucción de gran parte de sus instalaciones industriales, estimularon
la implantación de la Investigación Operativa. Sir Charles Ellis,
responsable durante la guerra del grupo de Investigación Operativa del
Ejército, fue nombrado asesor científico en el Comité del Carbón, creando
un grupo de Investigación Operativa. Análogas circunstancias se dieron en
los sectores nacionalizados de la electricidad y el transporte. En el sector
privado, la industria inglesa mantiene instituciones cooperativas de
investigación, por lo que la difusión de nuevos métodos está menos
mediatizada por el secreto industrial. Quizás debido a ello, casi
inmediatamente la industria del acero y la textil introdujeron grupos de
Investigación Operativa. Otro aspecto importante en este contexto es que el
desarrollo de la Organización Industrial tradicional en Gran Bretaña había
sido más limitado, y con la excepción del Estudio del Trabajo, era todavía
una novedad en los círculos industriales. Por ello, todavía ciertos campos
como la gestión de inventarios se identifican con la Organización de la
Producción en Estados Unidos y con la Investigación Operativa en
Inglaterra. Así, toda una serie de metodologías de carácter cuantitativo se
difundieron en la industria de este último país bajo la denominación y con
el prestigio de la Investigación Operativa.

Simultáneamente, el desarrollo de los ordenadores y su implantación en la


industria, posibilitaron el tratamiento y estudio de problemas de gran
complejidad, por lo cual a mediados de la década de los cincuenta, la
Investigación Operativa se encontraba ya afianzada en el mundo industrial.
Los primeros cursos sobre Investigación Operativa se impartieron en el
M.I.T. de Boston en 1948, y un año después hubo un ciclo de conferencias
en el University College de Londres. Poco después, ofrecían programas
específicos completos las Universidades Case Western Reserve, Johns

93
Fundamentos de la Investigación de Operaciones UAP

Hopkins y North-Werstern en U.S.A.; y en el Imperial College y la London


School of Economics en Inglaterra.

El grupo de científicos ingleses que procedían de los establecimientos


militares formaron en 1948 el Operational Research Club, que daría lugar,
en 1954, a la Operational Research Society. Unos años antes, en 1950, se
había fundado la Operations Research Society of America. Ambas iniciaron
inmediatamente la publicación de revistas científicas monográficas para la
presentación pública de los resultados de las investigaciones en curso y la
difusión de la disciplina. Los primeros alumnos del programa de graduados
que obtuvieron el título de Doctores en Investigación Operativa se
graduaron en el Case Institute of Technology en 1957, siendo responsables
del programa los profesores Russell Ackoff y West Churchman.

Con la Investigación Operativa ya firmemente establecida, su rápida


evolución arrastró consigo la de la Organización de la Producción, de
forma tal que existe una correlación profunda y completa entre ambas
materias. Para destacar el solape se introduce ahora la reciente evolución de
los Métodos Cuantitativos hasta la situación en que se encuentran en la
actualidad.

Toda disciplina científica emerge de la convergencia de un creciente interés


en alguna clase de problemas y del desarrollo de métodos, técnicas e
instrumentos científicos adecuados para resolver esos problemas. La I.O.
utiliza resultados de muchas áreas científicas, aunque su base fundamental
se encuentra en la matemática, la economía y el cálculo de probabilidades y
estadística. Desde un punto de vista matemático se podrían establecer los
orígenes en diferentes trabajos sobre modelos lineales debidos a Jordan,
Minkowsky y Farkas a finales del siglo XIX. En relación con la estadística,
sus orígenes se encuentran en los trabajos de Erlang sobre fenómenos de
espera en los años veinte del presente siglo. En economía se deben a
Quesnay (XVIII) y Walras (XIX), que plantearon los primeros modelos de
programación matemática, que fueron posteriormente perfeccionados por
autores como Von Neumann , Kantorovich y Dantzig

Como puede observarse en los primeros estudios que se etiquetaron como


de Investigación Operativa, el aspecto técnico más característico consistió
en la estructuración estadística de los datos y en el empleo de modelos
94
Fundamentos de la Investigación de Operaciones UAP

descriptivos de tipo probabilístico. Sin embargo, el prestigio y difusión de


la Investigación Operativa está cimentado en la Programación Lineal,
aunque ello corresponda a una simplificación de la realidad.

Los fundamentos matemáticos de los modelos lineales discretos se


encuentran en la teoría de las desigualdades lineales desarrollada en el siglo
pasado. Otros conceptos que son paralelos a los de la Programación Lineal
fueron formulados por von Neumann en 1928, con la aplicación del
teorema del minimax a los juegos de estrategia. Como un antecedente
inmediato, se encuentra el planteamiento del problema de transporte, por F.
L. Hitchcock [HIT41], en 1941 en los Estados Unidos. En el contexto de la
planificación óptima de la asignación de obligaciones productivas, el
mismo modelo había sido estudiado y resuelto por Kantorovich en la Unión
Soviética en 1939, empleando lo que puede interpretarse como variables
duales. También, en un contexto concreto, Stiegler planteó el problema
lineal de obtener una dieta adecuada con coste mínimo a partir de setenta y
siete alimentos y considerando nueve nutrientes, reconociéndose en él la
estructura de optimizar una función lineal sujeta a restricciones lineales.
Pero el proyecto de formulación y ataque al problema lineal de forma
general, fue propuesto por el departamento del Ejército del Aire bajo el
nombre de proyecto SCOOP en 1947. El resultado inmediato fue el
algoritmo de resolución simplex, debido a George B. Dantzig, y su
implementación en un ordenador UNIVAC para la resolución de modelos
lineales de gran tamaño.

En el resto de los años cincuenta, la Programación Lineal quedó


completamente establecida, con los trabajos de Charnes [CHA52A-
54]sobre la degeneración, de Lemke sobre la dualidad, de Dantzig, Orden y
Wolfe sobre la forma compacta y la descomposición de grandes programas.
En estos mismos años, Ford y Fulkerson, también contratados por la
RAND Corporation, establecen los resultados sobre flujos en grafos y el
método primal-dual para los problemas de distribución. Sin embargo, la
Programación Lineal Entera no recibe atención hasta finales de esta década,
en que Gomory [GOM58-60C]obtiene la expresión general para aproximar
la envoltura convexa del conjunto admisible empleando sola y
exclusivamente planos secantes. A pesar de las esperanzas que el
procedimiento generó, sigue siendo un campo con métodos limitados e
insatisfactorios, donde la enumeración parcial e inteligente de posibles

95
Fundamentos de la Investigación de Operaciones UAP

soluciones es el socorrido último recurso que se hace necesario en multitud


de situaciones.

En los modelos no lineales, los resultados fundamentales proceden del


desarrollo del cálculo matemático en el siglo XVIII, siendo el concepto
básico el del Lagrangiano. La caracterización de las condiciones necesarias
de optimalidad en problemas restringidos, se generaliza a partir de los
resultados de Lagrange en el conocido teorema de Kuhn-Tucker [KUH51],
que recopila y estructura un conjunto de investigaciones llevadas a cabo por
numerosos autores en los años cuarenta, entre los que también ha de citarse
a Dantzig, y Fritz John . La Programación no Lineal progresó durante los
años sesenta y setenta, pudiendo atacarse la resolución de problemas de
tamaño medio con varias decenas de restricciones y algunos cientos de
variables. Sin embargo, la investigación en la búsqueda de algoritmos
eficientes seguía siendo muy activa, pues los existentes no eran plenamente
satisfactorios.

En cuanto a la Programación Dinámica, su inicio y desarrollo básico se


debe a Richard Bellman al principio de los cincuenta. La trascendencia de
esta metodología no se limita a la Investigación Operativa, sino que es
también de gran importancia en la Teoría del Control Óptimo, en estrecha
relación con el principio del máximo de Pontryagin . En lo que aquí nos
concierne, el desarrollo de la Programación Dinámica se ha visto limitado
en su aplicabilidad concreta debido a la complejidad computacional que le
acompaña, tanto debido a la cardinalidad del espacio de estado como al
número de períodos que intervienen. En este sentido, el trabajo de Larson
ha colaborado a su tratamiento, pero muchos autores aún consideran a la
Programación Dinámica como un punto de vista conceptual y un bagaje
teórico para el análisis de problemas; y no como un método o conjunto de
ellos, implantable en algoritmos de tipo general. En esta dirección, los
trabajos de Denardo, identificando la estructura de los procesos de
decisiones secuenciales, suponen un avance para establecerlos.

La Teoría de Colas se inicia con el trabajo del ingeniero danés A. K. Erlang


en la industria telefónica de principios de siglo. El estudio en detalle de los
modelos más usuales, en que tanto la distribución de llegadas al sistema
como la del tiempo de servicio son conocidas, y pertenecen a categorías
bien establecidas, está completamente caracterizado. Pero los recursos
96
Fundamentos de la Investigación de Operaciones UAP

técnicos de carácter matemático que se requieren para llevar a cabo estos


análisis hacen que sea la simulación el método habitual de estudio cuando
los procesos de colas son de cierta complejidad. Debe resaltarse la
existencia de multitud de lenguajes de simulación a disposición de los
usuarios de computadores de las empresas de mayor importancia en el
sector.

La Teoría de Juegos se inicia con los primeros resultados de von Neumann


sobre el teorema del minimax en 1926. Sobre todo a partir de la publicación
de su obra básica en unión de Morgenstern, asentando la teoría de juegos
matriciales. Posteriormente, y como consecuencia de las aportaciones de la
Teoría del Control Óptimo, se bifurca en los Juegos Diferenciales, que
ahora no nos conciernen, y en el estudio de los juegos cooperativos. Dentro
de estos últimos, el desarrollo se sustenta en el estudio de la teoría del
núcleo, incluyendo el concepto de valor de Shapley y los resultados de
Nash. En cualquier caso, la influencia de esta teoría sobre la Organización
de la Producción ha sido muy limitada. En cuanto a la Teoría de la Decisión
en condiciones de incertidumbre, toda ella se basa en la estadística
bayesiana y la estimación subjetiva de las probabilidades de los sucesos. La
estructuración de la teoría axiomática de la utilidad es más reciente,
encontrándose en fase de pleno desarrollo, como muestran las
publicaciones de Schlaifer y Raiffa . En la actualidad se la considera un
instrumento válido para la estructuración de la toma de decisiones con
incertidumbre cuando la información no es completa. La aplicabilidad a la
Organización de la Producción es reducida debido a que en ella la situación
es bastante estructurada, pudiendo accederse a una satisfactoria
información sobre el contexto. Si acaso, en los planteamientos estratégicos
que pueden darse en la fase de diseño en que la información es menor o
incluso no existe, pueden emplearse estos métodos.

Desde su origen, la Investigación Operativa se encuentra encarada con


problemas para los que no existe método analítico alguno que permita
obtener, con seguridad y en un tiempo conveniente, el óptimo teórico. Éste
es, por ejemplo, el caso de los problemas combinatorios en que el sentido
común da por imposible la enumeración. Es más que normal que el tamaño
y la naturaleza de ciertos problemas combinatorios nos prohibían
abordarlos por la vía del sentido común. Nuestro buen sentido, educado por
la ciencia, sabe distinguir particularmente los problemas NP completos,
para los cuales no existe un algoritmo que en tiempo polinomial sea capaz
97
Fundamentos de la Investigación de Operaciones UAP

de encontrar la solución (Garey and Johnson ). De siempre, la investigación


de operaciones ha establecido, por tales razones, métodos denominados
heurísticos, incapaces de proporcionar el óptimo formal, pero susceptibles
de llegar a soluciones buenas, tanto más fiables en cuanto que permiten
determinar al mismo tiempo una cota (superior o inferior) del óptimo
teórico con el que se comparan. Con el auge de los microordenadores, hacia
principios de los ochenta, estos métodos han ido ganando terreno, puesto
que se iba haciendo, cada vez más, factible y fácil intentar diferentes
heurísticas y juzgar su eficacia relativa.

Es de destacar también la gran difusión que ha sufrido el «software» de


optimización debido al incremento en la potencia de cálculo de los
ordenadores y al abaratamiento del coste de las aplicaciones y del
«hardware». Entre algunas de ellas se pueden citar nombres de aplicaciones
de programación matemática (para la resolución de modelos lineales,
mixtos y no lineales) como GINO, MINOS, IMSL, XA, GPSS y CPLEX.
También se pueden mencionar otras aplicaciones pre y postprocesadoras de
las anteriores: ANALYZE, GAMS, AMPL, etc. que permiten de una forma
amigable generar los modelos y analizar sus resultados.

Durante los últimos años han aparecido una serie de métodos, denominados
metaheurísticas, cuya finalidad es la de encontrar buenas soluciones a
problemas de optimización (lineal o no lineal y con o sin restricciones).
Entre ellos se pueden enumerar los algoritmos genéticos, el recocido
simulado, la búsqueda tabú y las redes neuronales. Su aplicación a los
problemas de secuenciación de todo tipo es una finalidad típica y clásica.
Es más, prácticamente todos ellos están basados en intentar resolver, de la
mejor forma posible, problemas típicos de Organización de la Producción.
Así, los problemas típicos de secuenciación de trabajos en máquinas, de
equilibrado de líneas de montaje, de asignación de rutas, de planificación
de la producción, etc. han sido, son y, casi con toda seguridad, serán el
banco de pruebas de las más modernas técnicas de búsqueda de soluciones
a problemas en los que, de entrada, se declina la posibilidad de encontrar la
solución óptima.

Los algoritmos genéticos («genetic algorithms») fueron introducidos por


Holland para imitar algunos de los mecanismos que se observan en la
evolución de las especies. Los mecanismos no son conocidos en
profundidad pero sí algunas de sus características: la evolución ocurre en
98
Fundamentos de la Investigación de Operaciones UAP

los cromosomas; un ser vivo da vida a otro mediante la decodificación de


los cromosomas de sus progenitores, el cruce de los mismos, y la
codificación de los nuevos cromosomas formando los descendientes; las
mejores características de los progenitores se trasladan a los descendientes,
mejorando progresivamente las generaciones.
Basándose en estas características, Holland creó un algoritmo que genera
nuevas soluciones a partir de la unión de soluciones progenitoras utilizando
operadores similares a los de la reproducción, sin necesidad de conocer el
tipo de problema a resolver.
Los algoritmos de recocido simulado («simulated annealing») fueron
introducidos por Cerny y Kirkpatrick et al. para la optimización de
problemas combinatorios con mínimos locales. Utilizan técnicas de
optimización no determinista: no buscan la mejor solución en el entorno de
la solución actual sino que generan aleatoriamente una solución cercana y
la aceptan como la mejor si tiene menor coste, o en caso contrario con una
cierta probabilidad p; esta probabilidad de aceptación irá disminuyendo con
el número de iteraciones y está relacionada con el empeoramiento del coste.
Estos algoritmos derivan de la analogía termodinámica con el proceso
metalúrgico del recocido: cuando se enfría un metal fundido
suficientemente despacio, tiende a solidificar en una estructura de mínima
energía (equilibrio térmico); a medida que disminuye la temperatura, las
moléculas tienen menos probabilidad de moverse de su nivel energético; la
probabilidad de movimiento se ajusta a la función de Boltzmann.
Entre los distintos métodos y técnicas heurísticas de resolución de
problemas combinatorios surge, en un intento de dotar de "inteligencia" a
los algoritmos de búsqueda local, el algoritmo de búsqueda tabú («tabu
search»),Glover .
La búsqueda tabú, a diferencia de otros algoritmos basados en técnicas
aleatorias de búsqueda de soluciones cercanas, se caracteriza porque utiliza
una estrategia basada en el uso de estructuras de memoria para escapar de
los óptimos locales, en los que se puede caer al "moverse" de una solución
a otra por el espacio de soluciones. Al igual que en la búsqueda local, la
búsqueda tabú selecciona de modo agresivo el mejor de los movimientos
posibles en cada paso. Al contrario que sucede en la búsqueda local, se
permiten movimientos a soluciones del entorno aunque se produzca un
empeoramiento de la función objetivo, de manera que sea posible escapar
de los óptimos locales y continuar estratégicamente la búsqueda de mejores
soluciones.

99
Fundamentos de la Investigación de Operaciones UAP

Las redes neuronales (<neural networks>) son modelos analógicos que


tienen como objetivo reproducir en la medida de lo posible las
características y la capacidad de procesamiento de información del
conjunto de neuronas presentes en el cerebro de los seres vivos. Las
características principales de estos modelos son su robustez, tolerancia a
fallos, capacidad de adaptación y aprendizaje y la capacidad de procesar
información defectuosa.
Los modelos de redes neuronales intentan conseguir unos buenos
resultados basándose en una densa interconexión de unos sencillos nodos
computacionales llamados neuronas. Aleksander y Morton definen una red
neuronal como un "Procesador distribuido paralelo que posee una
propensión natural para el almacenamiento de conocimiento experimental
haciéndolo disponible para su uso. Recuerda al cerebro humano en dos

aspectos: el conocimiento se adquiere mediante un proceso de aprendizaje,


y la conexión interneuronal se utiliza para el almacenamiento del
conocimiento.
Una ventaja importante que presentan las heurísticas frente a las técnicas
que buscan soluciones exactas es que, por lo general, permiten una mayor
flexibilidad para el manejo de las características del problema. No suele ser
complejo utilizar algoritmos heurísticos que en lugar de funciones lineales
utilicen no linealidades. Habitualmente las heurísticas proponen un

conjunto de soluciones, ampliando de esta forma las posibilidades de


elección del decisor, especialmente cuando existen factores no
cuantificables que no han podido ser reflejados en el modelo pero deben ser
tenidos en cuenta.
En resumen, podría decirse que el uso de estas técnicas supone la
posibilidad de resolver, de forma práctica, problemas de gran complejidad
que resultaban intratables mediante técnicas exactas.

100
Fundamentos de la Investigación de Operaciones UAP

101