Programación lineal

Este artículo o sección posee referencias, pero necesita más para

complementar su verificabilidad.
Puedes colaborar agregando referencias a fuentes fiables como se indica en esta página. El
material sin fuentes fiables podría ser cuestionado y eliminado.

La programación lineal es un procedimiento o algoritmo matemático mediante el cual

se resuelve un problema indeterminado, formulado a través de un sistema de
inecuaciones lineales, optimizando la función objetivo, también lineal.

Consiste en optimizar (minimizar o maximizar) una función lineal, denominada función

objetivo, de tal forma que las variables de dicha función estén sujetas a una serie de
restricciones que expresamos mediante un sistema de inecuaciones lineales.

Índice
 1 Historia de la programación lineal
 2 Variables
 3 Restricciones
 4 Función Objetivo
 5 Programación entera
 6 Aplicaciones
 7 Ejemplo
 8 Véase también
 9 Referencias
o 9.1 Bibliografía

Historia de la programación lineal

Cronología1
Año Acontecimiento
Joseph Fourier anticipa la programación lineal. Carl Friedrich Gauss
1826
resuelve ecuaciones lineales por eliminación "gaussiana".
1902 Gyula Farkas concibe un método para resolver sistemas de inecuaciones.
George Dantzig publica el algoritmo simplex y
John von Neumann desarrolló la teoría de la dualidad.
1947
Se sabe que Leonid Kantoróvich también formuló la teoría en forma
independiente.
Narendra Karmarkar introduce el método del punto interior para resolver
1984
problemas de programación lineal.

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos,

a Joseph Fourier, después de quien nace el método de eliminación de Fourier-Motzkin.
La programación lineal se plantea como un modelo matemático desarrollado durante la
Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los
costos al ejército y aumentar las pérdidas del enemigo. Se mantuvo en secreto hasta
1947. En la posguerra, muchas industrias lo usaron en su planificación diaria.

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex,
en 1947, John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y
Leonid Kantoróvich, un matemático ruso, que utiliza técnicas similares en la economía
antes de Dantzig y ganó el premio Nobel en economía en 1975. En 1979, otro
matemático ruso, Leonid Khachiyan, diseñó el llamado Algoritmo del elipsoide, a
través del cual demostró que el problema de la programación lineal es resoluble de
manera eficiente, es decir, en tiempo polinomial.2 Más tarde, en 1984, Narendra
Karmarkar introduce un nuevo método del punto interior para resolver problemas de
programación lineal, lo que constituiría un enorme avance en los principios teóricos y
prácticos en el área.

El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a

70 puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia
de computación necesaria para examinar todas las permutaciones a fin de seleccionar la
mejor asignación es inmensa (factorial de 70, 70!) ; el número de posibles
configuraciones excede al número de partículas en el universo. Sin embargo, toma sólo
un momento encontrar la solución óptima mediante el planteamiento del problema
como una programación lineal y la aplicación del algoritmo simplex. La teoría de la
programación lineal reduce drásticamente el número de posibles soluciones factibles
que deben ser revisadas.

Variables
Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.

Restricciones
Las restricciones pueden ser de la forma:

Tipo 1:

Tipo 2:

Tipo 3:
Donde:

 A = valor conocido a ser respetado estrictamente;

 B = valor conocido que debe ser respetado o puede ser superado;
 C = valor conocido que no debe ser superado;
 j = número de la ecuación, variable de 1 a M (número total de restricciones);
 a; b; y, c = coeficientes técnicos conocidos;
 X = Incógnitas, de 1 a N;
 i = número de la incógnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N

> M; ó, N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.

Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.

Función Objetivo
La función objetivo puede ser:

Donde:

 = coeficientes son relativamente iguales a cero.

Programación entera
En algunos casos se requiere que la solución óptima se componga de valores enteros
para algunas de las variables. La resolución de este problema se obtiene analizando las
posibles alternativas de valores enteros de esas variables en un entorno alrededor de la
solución obtenida considerando las variables reales. Muchas veces la solución del
programa lineal truncado esta lejos de ser el óptimo entero, por lo que se hace necesario
usar algún algoritmo para hallar esta solución de forma exacta. El más famoso es el
método de 'Ramificar y Acotar' o Branch and Bound por su nombre en inglés. El
método de Ramificar y Acotar parte de la adición de nuevas restricciones para cada
variable de decisión (acortar) que al ser evaluado independientemente (ramificar) lleva
al óptimo entero.
Aplicaciones
La programación lineal constituye un importante campo de la optimización por varias
razones, muchos problemas prácticos de la investigación de operaciones pueden
plantearse como problemas de programación lineal. Algunos casos especiales de
programación lineal, tales como los problemas de flujo de redes y problemas de flujo de
mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente
importantes como para generar por si mismos mucha investigación sobre algoritmos
especializados en su solución. Una serie de algoritmos diseñados para resolver otros
tipos de problemas de optimización constituyen casos particulares de la más amplia
técnica de la programación lineal. Históricamente, las ideas de programación lineal han
inspirado muchos de los conceptos centrales de la teoría de optimización tales como la
dualidad, la descomposición y la importancia de la convexidad y sus generalizaciones.
Del mismo modo, la programación lineal es muy usada en la microeconomía y la
administración de empresas, ya sea para aumentar al máximo los ingresos o reducir al
mínimo los costos de un sistema de producción. Algunos ejemplos son la mezcla de
alimentos, la gestión de inventarios, la cartera y la gestión de las finanzas, la asignación
de recursos humanos y recursos de máquinas, la planificación de campañas de
publicidad, etc.

Otros son:

 Optimización de la combinación de cifras comerciales en una red lineal de

distribución de agua.

 Aprovechamiento óptimo de los recursos de una cuenca hidrográfica, para un

año con afluencias caracterizadas por corresponder a una determinada
frecuencia.

 Soporte para toma de decisión en tiempo real, para operación de un sistema de

obras hidráulicas;

 Solución de problemas de transporte.

Ejemplo
Este es un caso curioso, con solo 6 variables (un caso real de problema de transporte
puede tener fácilmente más de 1.000 variables) en el cual se aprecia la utilidad de este
procedimiento de cálculo.

Existen tres minas de carbón cuya producción diaria es:

 La mina "a" produce 40 toneladas de carbón por día;

 La mina "b" produce 40 t/día; y,
 La mina "c" produce 20 t/día.

En la zona hay dos centrales termoeléctricas que consumen:

 La central "d" consume 40 t/día de carbón; y,

 La central "e" consume 60 t/día

Los costos de mercado, de transporte por tonelada son:

 De "a" a "d" = 2 monedas

 De "a" a "e" = 11 monedas
 De "b" a "d" = 12 monedas
 De "b" a "e" = 24 monedas
 De "c" a "d" = 13 monedas
 De "c" a "e" = 18 monedas

Si se preguntase a los pobladores de la zona cómo organizar el transporte, tal vez la

mayoría opinaría que debe aprovecharse el precio ofrecido por el transportista que va de
"a" a "d", porque es más conveniente que los otros, debido a que es el de más bajo
precio.

En este caso, el costo total del transporte es:

 Transporte de 40 t de "a" a "d" = 80 monedas

 Transporte de 20 t de "c" a "e" = 360 monedas
 Transporte de 40 t de "b" a "e" = 960 monedas
 Total 1.400 monedas.

Sin embargo, formulando el problema para ser resuelto por la programación lineal se
tienen las siguientes ecuaciones:

 Restricciones de la producción:

 Restricciones del consumo:

  La función objetivo será:

La solución de costo mínimo de transporte diario resulta ser:

 Xb-d = 40 resultando un costo de 12 x 40 = 480 monedas

 Xa-e = 40 resultando un costo de 11 x 40 = 440 monedas
 Xc-e = 20 resultando un costo de 18 x 20 = 360 monedas
 Total 1.280 monedas.

120 monedas menos que antes.

Indice

2. Desarrollo
3. Métodos de solución
4. Aspectos Fundamentales Del Método Simplex
5. Bibliografía
6. Problemas

1. Introducción

Mucha gente sitúa el desarrollo de la programación lineal entre los avances científicos
más importantes de la mitad del siglo XX, y debemos estar de acuerdo con esta
afirmación si tenemos en cuenta que su impacto desde 1950 ha sido extraordinario. Se
han escrito decenas de libros de texto sobre la materia y los artículos publicados que
describen aplicaciones importantes se cuentan ahora por cientos. De hecho, una
proporción importante de todo el cálculo científico que se lleva a cabo en computadoras
se dedica al uso de la programación lineal y a técnicas íntimamente relacionadas. (Esta
proporción se estimó en un 25%, en un estudio de la IBM).

Un modelo de programación lineal proporciona un método eficiente para determinar

una decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran
número de decisiones posibles.

En todos los problemas de Programación Lineal, el objetivo es la maximación o

minimización de alguna cantidad.

2. Desarrollo

Contrucción de los Modelos de Programación Lineal

De forma obligatoria se deben cumplir los siguientes requerimientos para construir un

modelo de Programación Lineal.

Requerimiento 1. Función objetivo. (F.O).

Debe haber un objetivo (o meta o blanco) que la optimización desea alcanzar.

Requerimiento 2. Restricciones y decisiones.

Debe haber cursos o alternativas de acción o decisiones, uno de los cuáles permite
alcanzar el objetivo.

Requerimiento 3. La F.O y las restricciones son lineales.

Deben utilizarse solamente ecuaciones lineales o desigualdades lineales.

Modelo standard de Programación Lineal

Optimizar Z = C1X1+ C1X2 +….+ Cn Xn). Función objetivo.

Sujeta a a11X1+ a11X2 +…..+ a1nXn) £ b1

a21X1+ a21X2 +…..+ a2nXn) £ b1

Restricciones

am1X1+ am1X2 +…..+ amnXn) £ bm

Debiendo ser

X1 ³ 0, X2 ³ 0, ….. Xn ³ 0

Donde :

Xj : variables de decisión, j = 1,2.., n.

n : número de variables.

m : número de restricciones.

aij , bi , cj constantes, i = 1,2.., m.

Pasos para la construcción del modelo

1. Definir las variables de decisión.

2. Definir el objetivo o meta en términos de las variables de decisión.
3. Definir las restricciones.
4. Restringir todas las variables para que sean no negativas.

Ejemplo: Taller de mantenimiento.

Un taller de mantenimiento fabrica dos tipos de piezas para la reparación de equipos

fundamentales del proceso productivo. Estas piezas requieren un cierto tiempo de
trabajo en cada una de las tres máquinas que las procesan. Este tiempo, así como la
capacidad disponible (h) y la ganancia por cada pieza se muestran en el cuadro
siguiente:

Máquina Tiempo por Pieza Fondo de Tiempo(h)

A B
I 2 2 160
II 1 2 120
III 4 2 280
Ganancia ($/Pieza) 6 4

Se logra vender todo lo producido y se desea determinar la cantidad de piezas a fabricar

que optimice la ganancia.

Formulando el modelo

X1 : Número de piezas del tipo A.

X2 : Número de piezas del tipo B.

Optimizando la ganancia (Z).

Max Z = 6X1 + 4X2

Sujeto a las restricciones:

2X1 + 2X2 £ 160 Fondo de tiempo de la máquina 1.

X1 + 2X2 £ 120 Fondo de tiempo de la máquina 2.

4X1 + 2X2 £ 280 Fondo de tiempo de la máquina 3.

Como ninguna variable implicada puede ser negativa.

X1 ³ 0; X2 ³ 0

3. Métodos de solución

El método simplex es un procedimiento iterativo que permite tender progresivamente

hacia la solución óptima. Es un procedimiento sistemático y eficiente para encontrar y
probar soluciones situadas en los vértices de optimalidad.

El método requiere que las restricciones sean ecuaciones en lugar de inecuaciones, lo

cual se logra añadiendo variables de holgura a cada inecuación del modelo, variables
que nunca pueden ser negativas y tienen coeficiente 0 en la función objetivo. Para el
modelo formulado anteriormente tenemos:

Z – 6X1 – 4X2 = 0
2X1 + 2X2 + s1 = 160

X1 + 2X2 + s2 = 120

4X1 + 2X2 + s3 = 280

Todas las variables son no negativas.

La solución básica inicial se obtiene seleccionando las variables de holgura como

variables básicas, resultando conveniente disponer los valores como se muestran en la
tabla siguiente:

i VB Z X1 X2 S1 S2 S3 Bi
1 Z 1 - 6 -4 0 0 0 0
2 S1 0 2 2 1 0 0 160
3 S2 0 1 2 0 1 0 120
4 S3 0 4 2 0 0 1 280

Cada ecuación debe tener una única variable básica(VB), con el coeficiente unidad en la
fila correspondiente.

Esta solución básica debe ser examinada para observar si puede ser mejorada. La
presencia de coeficientes negativos en la FO indica que la solución básica puede ser
mejorada, pues el valor de Z se incrementará.

Cuando no hay coeficientes negativos, significa que la solución es óptima.

Para encontrar una solución mejorada es necesario:

 Elegir la variable que entra como la de mayor coeficiente negativo (X1)

 Elegir la variable que sale como aquella que al ser removida permita que la
variable que entra a la base pueda tener un valor tan grande como sea posible,
sin violar alguna de las restricciones en el modelo. En este caso la variable S3
deja la base y a su vez X1 se introduce como la nueva variable básica.
 El elemento pivote es el coeficiente que está en la intersección de la columna de
la variable que entra y la fila de la variable que sale.
 Los valores correspondientes a la nueva fila pivote se obtienen dividiendo los
coeficientes de la fila pivote en la tabla inicial por el elemento pivote.
 Las otras filas de la solución mejorada se calculan por la expresión:

Nueva fila = Fila anterior – elemento de la columna pivote(nueva fila pivote)

Así, se obtiene la siguiente tabla:

i VB Z X1 X2 S1 S2 S3 Bi
0 Z 1 0 -1 0 0 1.5 420
1 S1 0 0 1 1 0 -0.5 20
2 S2 0 0 1.5 0 1 - 0.25 50
3 X1 0 1 0.5 0 0 0.25 70

Como se puede apreciar esta no es aún la solución óptima ¿Por qué?

Iterando nuevamente se obtiene la tabla correspondiente que se muestra a continuación:

i VB Z X1 X1 S1 S2 S3 Bi
0 Z 1 0 0 1 0 1 440
1 X2 0 0 1 1 0 - 0.5 20
2 S2 0 0 0 - 1.5 1 0.5 20
3 X1 0 1 0 - 0.5 0 0.5 60

¿Es esta la solución óptima? Si lo es determine entonces los valores de las variables
para el óptimo.

Se ha aplicado el algoritmo para el caso del modelo estándard, cuando se presentan

problemas con restricciones ³ o = y el criterio de optimización es mínimo, entonces hay
que introducir variables artificiales y se sugiere convertir el problema en un problema
de maximizar.

4. Aspectos Fundamentales Del Método Simplex

1. Encuentra una solución óptima

2. Es un método de cambio de bases
3. Requiere que la función objetivo sea expresada de tal forma que cada variable
básica tenga como coeficiente 0
4. Requiere que cada variable básica aparezca en una y solamente una ecuación de
restricción.

Dualidad

Asociado a cada problema de Programación Lineal existe un llamado dual, de hecho al

de Programación Lineal se le llama primal. La forma general del problema dual es la
siguiente:

Optimizar Z = b1Y1+ b1Y2 +….+ bn Yn). Función objetivo.

Sujeta a a11Y1+ a11Y2 +…..+ am1Y1) £ C1

a21Y1+ a22Y2 +…..+ am2Y2) £ C1

. Restricciones

a1mY1+ a2mY2 +…..+ amnYm) £ Cn

Para facilitar la comprensión de lo anterior considérese el diagrama siguiente:

Primal Dual
C1……. Cn (1) b1……. bm (3)

a11 b1 (2) a11……. am1 C1

(2) (3) (1)

am1 bm C2
Variables Variables

X1……. Xn Y1……. Ym

El problema dual tiene las siguientes características:

 El el objetivo de la optimización es contrario al del primal.

 Las inecuaciones de restricción son inversas.
 La solución del dual es la misma que la del primal.

Desde el punto de vista económico, el significado de las variables duales es de gran

interés para los gerentes, ya que representan el valor por unidad de recurso adicional, lo
cuál permite tomar decisiones sobre donde invertir para incrementar las utilidades.

Análisis de Sensibilidad

El objetivo del análisis de sensibilidad es determinar la influencia de ciertos valores en

la solución óptima, que nos permite la interpretación razonable de los resultados
obtenidos. En muchos casos la información lograda por la aplicación del análisis de
sensibilidad puede ser más importante y más informativa que simple resultado obtenido
en la solución óptima.

El análisis deviene del resultado de los cambios en:

 Los coeficientes en la función objetivo.

 Los términos independientes en las restricciones.

5. Bibliografía

1. Arbonas, M.E. Optimización Industrial (I): Distribución de los recursos.

Colección Productica No. 26. Marcombo S.A, 1989.
2. Arbonas, M.E. Optimización Industrial (II): Programación de recursos.
Colección Productica No. 29. Marcombo S.A, 1989.
3. Anderson, D.R., Sweeney.J. , Williams,T.A. , Introducción a los Modelos
Cuantitativos para Administración. Grupo Editorial Iberoamérica. 1993.
4. Moskowitz,H. y Wright G.P. Investigación de Operaciones. Prentice_Hall
Hispanoamericana S.A. 1991.
 5. Trujillo,J;Batista,A: Métodos Económicos-Matemáticos I.Editorial ISPJAE,
Habana,1986.
6. Taha,H: Investigación de Operaciones.Alfaomega,México,1995.
7. Buffa,E: Operations Management: Problems and Models. Edición
Revolucionaria,La Habana, 1968.

6. Problemas

1- Una empresa se dedica a la producción de pinturas para interiores y exteriores para su

distribución al mayoreo. Se utilizan dos materiales básicos, A y B, para producir las
pinturas. La disponibilidad máxima de A es de 6 toneladas diarias; la de B es de 8
toneladas por día. La necesidad diaria de materia prima por tonelada de pintura para
interiores y exteriores se resumen en la tabla que sigue:

Toneladas de MP por Disponibilidad

tonelada de pintura máxima en toneladas

Exterior Interior

Materia prima A 1 2 6

Materia prima B 2 1 8

El estudio de mercado ha establecido que la demanda diaria de pintura para interiores no

puede ser mayor que la pintura para exteriores en más de una tonelada. Así mismo, el
estudio señala que la demanda máxima de pintura para interiores está limitada a dos
toneladas diarias.

La ganancia por tonelada es de $3000 para la pintura de exteriores y $2000 para la

pintura de interiores.

Cuánta pintura para exteriores e interiores debe producir la empresa todos los días para
maximizar el ingreso bruto?

2- A una empresa se le ha planteado la tarea de cumplir un contrato de explotación de

dos productos A y B para el próximo semestre. El contrato estipula que deben ser
entregados como mínimo 2000 unidades de ambos productos, siendo al menos 800 de
B. Los precios de venta son de 50 y 80 pesos por unidad para A y B respectivamente.
La empresa cuenta con 3 establecimientos que pueden acometer esa tarea disponiendo
los mismos de 550, 800 y 930 horas de tiempo productivo en el semestre
respectivamente.

El tiempo de producción que toma cada producto, en horas, para cada establecimiento,
así como el costo por hora de producción de cada uno, se dan en la tabla siguiente:

Productos

Establecimientos A B Costo/hora(pesos/h)
1 0,9 1,3 25

2 1,2 - 20

3 1,0 1,5 22

Para balancear el uso de la fuerza laboral, se desea por la empresa que el % de

capacidad productiva utilizada en los tres establecimientos sea la misma.

Por otra parte para el terminado de los productos se utiliza una materia prima de
importación de las que disponen 3000 unidades, siendo la norma unitaria de consumo
de una unidad para A y 2 para B.

Plantee el modelo matemático que permita conocer la forma más provechosa de cumplir
el contrato.

3- Existen dos centrales cerca de la bahía de Nipe: el Nicaragua y el Rafael Freire, para
los cuales se plantea revincular sus dos zonas cañeras de modo que se minimicen los
costos de producción de azúcar (incluyendo los costos de transportación de caña).

El costo de producción por arroba de azúcar para cada caso se muestra a continuación:

Zona Nicaragua Rafael Freire

I 1,25 1,30

II 1,80 1,60

El central Nicaragua debe moler entre un mínimo de 20 millones de arrobas de caña y

un máximo de 30 millones de caña; y el Rafael Freire entre 15 y 25 millones de arrobas
de caña.

Las zonas cañeras a distribuir son dos: la Zona I con una producción de caña estimada
en 20 millones de arrobas, y la zona II con 15 millones de arrobas. No debe quedar caña
sin cortar.

En la tabla siguiente se muestran los factores de conversión de arrobas de caña

necesarias para producir una arroba de azúcar los cuales varían en cada central y por
zona cañera:

Zona Nicaragua R. Freire

I 8,35 9,10

II 8,00 7,70

La meta de producción para los dos centrales en conjunto es por lo menos de 57500
arrobas de azúcar. Todos los datos del problema corresponden a una zafra.
4- Una empresa siderúrgica produce tres tipos de rollos, cada uno hecho de una
diferente aleación. El problema consiste en determinar las cantidades de cada aleación
que debe producirse, dentro de las limitaciones de venta y de las capacidades de las
máquinas, para hacer máximas las ganancias. Los datos sobre capacidades y otros
elementos se presentan en las siguientes tablas.

Operación Máquinas Turnos de 8 h/Semana Tiempo Ocioso en %

Caja de Recocido 4 21 5
Recocido Continuo 1 20 10
Molinos Continuos 1 12 0
Aleación Operación Velocidad Potencial Ventas Ganancia (T)
(T/mes)
1 Caja de Recocido 28 h/10 T 1250 25
Molinos 15 m/min
Continuos
Recocido 6 m/min
Continuo
Molinos 8 m/min
Continuos
2 Caja de Recocido 35 h/10 T 250 35
Recocido 11 m/min
Continuo
Molinos 6 m/min
Continuos
3 Recocido 5 m/min 1500 40
Continuo
Molinos 6 m/min
Continuos

Los rollos de cada aleación son de 122 m de largo y pesan 4 T.4- Una empresa
siderúrgica produce 3 tipos de rollos, cada uno hecho de una diferente aleación.

5- Un barco tiene 3 bodegas: en la proa, en la popa y en el centro. Los límites de

capacidad son:

Proa 2000t 100000 metros cúbicos

Centro 3000t 135000 metros cúbicos

Popa 1500t 30000 metros cúbicos

Pueden ser transportadas las cantidades de mercancías que aparecen en la siguiente

tabla. Puede aceptarse el total o una porción cualquiera de cada artículo.

Volumen en Ganancia en
Artículo Cantidad en toneladas t/ metro cúbico pesos/toneladas

A 6000 60 6

B 4000 50 8

C 2000 25 5

Para preservar el equilibrio del barco, el peso en cada bodega debe ser proporcional a la
capacidad en toneladas. Cómo debe distribuirse la carga para hacer máxima la ganancia.

6- Una empresa tiene 2 talleres A y B. En ambos se producen los productos tipo 1 y

tipo2 en base a las materias primas M y N. La empresa dispone diariamente de 10 t de
M y 4t de N.

El consumo de M y N por cada producto en cada taller es el siguiente en Kg:

Taller 1 Taller 2

MNMN

Producto 1 0,7 0,3 Producto 1 0,6 0,4

Producto 2 0,8 0,2 Producto 2 0,9 0,1

La capacidad de producción del Taller 1 es de 4000 productos 1 o 6000 productos 2 o la

combinación de ambos. El taller 2 puede producir 5000 productos 1 o 7000 productos 2
o la combinación de ambos.

Deben producirse al menos 4000 productos 1 y la cantidad de productos 2 que se

produzcan en ambos talleres debe ser la misma.

El costo de producción del producto 1 en el taller 1 es de $0,60 y del producto 2, $0,80

El del taller 2 son un 20% mayores.

Si las capacidades de producción deben aprovecharse como mínimo a un 90% y a un

85% en cada taller. Plantee el modelo matemático que minimice los costos de la
empresa.

7- En el combinado del vidrio de la Lisa se producirán en el próximo período 2 modelos

de jarrones, uno de cenicero y 2 modelos de vasos de cristal para el consumo nacional.

En la obtención de estos productos se combinan dos materias primas (P y Q), siendo el

consumo en Kg para cada producto y el costo de producción los que se muestra en la
tabla a continuación:

Jarrones Cenicero Vasos de Cristal

1212
P 0,03 0,63 0,07 - -

Q 0,09 0,11 0,05 0,01 0,04

Costo 2 3 1 0,5 1

($/u)

La materia prima Q es de importación y solo se dispone de 820 Kg en el período y de la

materia prima P se recibirán 560 Kg. Todos los productos pasan por tres procesos:
horneado, acabado y envasado de la producción.

En el Dpto de horneado pueden colocarse en un horno 200 jarrones o 350 ceniceros o

400 vasos o una combinación factible( este Dpto cuenta con 4 hornos de este tipo en el
período)

En el Dpto de acabado se le da un tratamiento especial a los modelos de tipo 2 de

jarrones y vasos de cristal, pudiendo atenderse 10 y 20 jarrones y vasos por hora
respectivamente.

En el Dpto de envasado se invierten 3, 2 y 3 minutos en el embalaje de los jarrones,

ceniceros y vasos respectivamente.

Se espera que para el período analizado se contará con un fondo de tiempo de 280 horas
para cada uno de estos Departamentos.

Por las características de la demanda se desea que la cantidad de vasos producidos sea al
menos el doble de la de jarrones y que por cada jarrón del modelo tipo 1 se produzca un
cenicero.

Plantee el modelo m+atemático que permita obtener la planificación óptima de la

producción.

8- La empresa confitera Habana se dedica a la elaboración de un amplio surtido de

caramelos y bombones, considerándose que existen cuatro grupos fundamentales de
estos productos, los cuales son:

Grupo Precio de venta($/Kg)

1 Caramelos especiales 1,37

2 Caramelos normales 1,23

3 Bombones surtido 5,00

4 Bombones especiales 6,00

La materia prima fundamental de los grupos 1 y2 es azúcar refino, colorante y

saborizante y de los grupos 3 y 4, azúcar refino, cocoa, altea y licores.
Los caramelos pueden ser de tres sabores diferentes y los bombones especiales pueden
ser elaborados con dos tipos de licor.

En la tabla siguiente se muestra el insumo( Kg de mat prima/ Kg de producto),

disponibilidades y costo total.

M. PRIMA GRUPO DE PRODUCTOS DISPON(T) COSTO($)

1234

azúcar refino 0,7 0,6 0,5 0,35 60 18000

colorante 0,2 0,2 - - 2 800

saborizante 1 0,1 0,2 - - 5 500

saborizante 2 0,1 0,2 - - 5 600

saborizante 3 0,1 0,2 - - 4 400

cocoa - - 0,3 0,5 45 27000

altea - - 0,2 0,05 5 700

licores 1 - - - 0,1 4 1200

licores 2 - - - 0,1 3 900

En la producción intervienen 2 grupos de obreros calificados cuyas productividades son:

OBREROS PRODUCTIVIDAD(T/H) por SALARIO POR HORA

grupo de producto

1234

Obrero A 0,04 0,04 0,05 0,04 0,90

Obrero B 0,015 0,03 0,02 0,04 0,80

Se dispone de 40 obreros de calificación A y 60 de calificación B, los cuales laborarán

24 días al mes durante 8 horas cada día. No existen restricciones en cuanto al fondo de
tiempo productivo disponible de sus máquinas. Plantee el modelo matemático que
maximice la ganancia.

Categoría: Administración y finanzas

Categoría propuesta: Investigación de Operaciones

Palabras claves
Programación lineal, Investigación de Operaciones, Optimización, Método Simplex

Datos de los autores

Fernando Marrero Delgado. Máster en Informática Aplicada. Ingeniero Industrial.

Profesor Asistente Departamento de Ingeniería Industrial. Universidad Central de Las
Villas. Santa Clara. Cuba.
fmarrero[arroba]fce.uclv.etecsa.cu

Javier Asencio García. Doctor en Ciencias Técnicas. Ingeniero Industrial. Profesor

Titular. Departamento de Ingeniería Industrial. Universidad Central de Las Villas. Santa
Clara. Cuba. asencio[arroba]fce.uclv.etecsa.cu

René Abreu Ledón. Máster en Ingeniería Industrial. Ingeniero Industrial. Profesor

Asistente Departamento de Ingeniería Industrial. Universidad Central de Las Villas.
Santa Clara. Cuba. rabreu[arroba]fce.uclv.etecsa.cu

René Orozco Sánchez. Ingeniero Industrial. Aspirante a Máster del Departamento de

Ingeniería Industrial. Universidad Central de Las Villas. Santa Clara. Cuba.
fmarrero[arroba]fce.uclv.etecsa.cu

Hugo R. Granela Martín. Doctor en Ciencias Técnicas. Ingeniero Industrial. Profesor

Auxiliar. Departamento de Ingeniería Industrial. Universidad Central de Las Villas.
Santa Clara. Cuba.
hugran[arroba]fce.uclv.etecsa.cu

Autor:

Fernando Marrero Delgado

Leer más: http://www.monografias.com/trabajos6/proli/proli.shtml#ixzz2tnxtaW36

w.slideshare.net/cjgafis/la-logica-proposicional-9314069