Está en la página 1de 386

INVESTIGACION DE OPERACIONES

APLICADA A LOS NEGOCIOS”

Minimizar
m n
X0  C i 1 j 1
ij X ij

Sujeto a :
m

X
i 1
ij  bj
n

X
j 1
ij  ai

X ij  0  i  1, 2, . . . , m
 j  1, 2, . . . , n

AUTOR:MG. FIDEL ONESIMO ARAUCO CANTURIN

PRIMERA EDICION-2011

i
UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU

INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA

DE SISTEMAS

INFORME FINAL

INVESTIGACION DE OPERACIONES

APLICADA A LOS NEGOCIOS

PRESENTADO POR:

 FIDEL ONESIMO ARAUCO CANTURIN

FECHA DE INICIO : 15 DE JUNIO DE 2011

FECHA DE CULMINACIÓN : 15 DE DICIEMBRE DE 2011

HUANCAYO - PERU

2011

ii
INVESTIGACION DE

OPERACIONES APLICADA A

LOS NEGOCIOS

iii
AUTOR: FIDEL ONESIMO ARAUCO CANTURIN

PRIMERA EDICION.

TIRAJE: 200 UNIDADES.

INVESTIGACIÓN DE OPERACIONES
AUTOR-EDITOR
FIDEL ONESIMO ARAUCO CANTURÍN
Calle Ucayali, Mz. B-8, Of. 201, Urb. Tila Ate, Lima.
Teléfono: 01-3551140
Correo electrónico: ingenieroarauco@yahoo.com

iv
PRODUCTOR:
Bubu’s.NET
Av. Alfredo Benavides 5409, Stand 7
Urb. Las Gardenias – Santiago de Surco, Lima
Teléfono: 01-6529257
Correo electrónico: mvcopy@yahoo.es

PRIMERA EDICIÓN: 2012


Tiraje: 200 unidades
ISBN: 978-612-00-0758-7
Hecho el depósito en la Biblioteca Nacional del Perú Nº
Producido en los Servicios Informáticos de Bubu’s.NET
Av. Alfredo Benavides 5409 Stand 07, Urb. Las Gardenias, Surco

v
EL AUTOR

Magíster en Administración e
Ingeniero Industrial egresado
de la Universidad de Lima, con
más de 20 años de experiencia
en la docencia universitaria en
universidades estatales y
privadas, impartiendo la
cátedra de Investigación de
operaciones a nivel de
pregrado y postgrado; con
amplia experiencia en la
asesoría y consultoría de
empresas en temas de
optimización.

vi
PROLOGO

La Investigación de operaciones es sin duda alguna una de las


herramientas mas eficaces para lograr la optimización del uso de
los recursos de la organización, su desarrollo data desde la
segunda guerra mundial, donde los británicos la desarrollaron y le
dieron el uso militar para lograr la supremacía de su ejército frente
a los ejércitos del eje. Posteriormente se trasladó su uso al campo
civil empresarial,

La Investigación de operaciones es un conjunto de métodos y


técnicas matemáticas que buscan maximizar los beneficios o
minimizar los costos en los que incurre la empresa, el objetivo
general es la optimización del sistema.

La forma de optimizar es resolviendo el modelo que representa al


sistema, la realidad llamada sistema, se abstrae mediante un
modelo tipo lógico matemático, este modelo busca imitar el
comportamiento del sistema, se puede utilizar en casi todos los

vii
campos de la actividad humana, para el diseño o rediseño de
sistemas empresariales, procesos productivos y comerciales.
Este libro ofrece un tratamiento exhaustivo de la optimización
lineal, así como los pasos para el modelamiento con el software
apropiado, se enfatiza el uso de los Softwares Lindo y lingo.
Los objetivos que persigue esta obra son proporcionar los
conocimientos y técnicas necesarias para que el lector pueda
iniciarse y profundizar en el trabajo del modelamiento y simulación
de sistemas, utilizarlo como una herramienta poderosa de apoyo a
la toma de decisiones (DSS) e inculcar la cultura para que su uso
sea común en todas la empresas industriales y comerciales de
modo que logren sus objetivos bien sea maximizar sus beneficios o
minimizar sus costos.
El Autor.

viii
PRESENTACIÓN
La presente obra ofrece un tratamiento amplio de las técnicas de la
Investigación de Operaciones, comprende el Enfoque Sistémico en
La Toma de Decisiones, Optimización Lineal, Administración de
Proyectos, Teoría de Inventarios, Teoría de Líneas de Espera,
Programación Dinámica y Procesos de Markov.
La obra se puede utilizar para impartir la asignatura tanto a nivel de

pregrado como a nivel de postgrado, así como para apoyarse en

los trabajos de consultoría y asesoría en temas de optimización de

sistemas.

Para mayor utilidad se presentan casos empresariales resueltos


utilizando los Softwares Arena y Stella, que será beneficioso para
el lector que desee empezar con el trabajo de optimización en sus
organizaciones.

ix
CONTENIDO GENERAL
PÁG.
CAPITULO I: EL PROCESO DE TOMA DE DECISIONES

MEDIANTE LA INVESTIGACIÓN DE OPERACIONES

1.1. INTRODUCCION ...................................................................01

1.2. PROCEDIMIENTO DE SOLUCIÓN DE PROBLEMAS

MEDIANTE EL ENFOQUE SISTEMICO ...............................02

1.3. LOS MODELOS DE OPTIMIZACIÓN TIPOS Y SU

SIGNIFICADO .......................................................................05

1.4. CLASIFICACIÓN DE MODELOS ..........................................08

1.5. LOS METODOS DE OPTIMIZACION....................................10

1.6. MODELOS DE OPTIMIZACIÓN RESTRINGIDA .................12

1.7. GLOSARIO ...........................................................................19

CAPÍTULO II: OPTIMIZACIÓN LINEAL

2.1. INTRODUCCIÓN A LA OPTIMIZACIÓN LINEAL ..................21

2.2. MODELO DE PROGRAMACIÓN LINEAL ............................23

2.3. PASOS PARA LA FORMULACIÓN DE MODELOS

LINEALES..............................................................................26

2.4. EL MÉTODO SIMPLEX .........................................................40

2.5. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL

SIMPLEX ..............................................................................48

x
2.6. INTERPRETACIÓN DE RESULTADOS Y ANALISIS DE

SENSIBILIDAD ......................................................................50

2.6.1. INTERPRETACIÓN DE LOS RESULTADOS ............50

2.6.2. ANALISIS DE SENSIBILIDAD ....................................55

2.7. EL PROBLEMA DUAL ...........................................................58

2.7.1. PROBLEMA DUAL CONSTRUCCIÓN Y

SIGNIFICADO .............................................................58

2.7.2. PASOS PARA LA CONSTRUCCIÓN DE

PROBLEMAS DUALES ..............................................59

2.7.3. APLICACIONES DEL PROBLEMA DUAL ..................61

2.7.4. CÁLCULO DE LOS PRECIOS SOMBRA....................67

2.7.5. COMPORTAMIENTO DE LOS CAMBIOS EN LOS

VALORES RHS DEL VALOR ÓPTIMO.......................68

2.7.6. INTERPRETACIÓN DEL PRECIO SOMBRA .............70

2.7.7. PRECIOS SOMBRA ALTERNATIVOS .......................71

2.8. USOS Y APLICACIONES DE LOS MODELOS DE

OPTIMIZACION LINEAL........................................................73

2.8.1. APLICACIONES GENERALES DE LA

OPTIMIZACIÓN LINEAL .............................................73

2.8.2. APLICACIONES EN MERCADOTECNIA ..................74

2.8.3. SELECCIÓN DE MEDIOS ..........................................75

xi
2.8.4. INVESTIGACIÓN DE MERCADOS.............................82

2.8.5. APLICACIONES FINANCIERAS .................................89

2.8.5.1. SELECCIÓN DE CARTERA .........................90

2.8.5.2. PLANEAMIENTO FINANCIERO ..................99

2.8.6. APLICACIONES EN LA ADMINISTRACIÓN DE LA

PRODUCCIÓN Y DE LAS OPERACIONES .............107

2.8.6.1. DECISIÓN DE FABRICAR O COMPRAR ........108

2.8.6.2. PROGRAMACIÓN DE LA PRODUCCIÓN .......117

2.8.7. ASIGNACIÓN DE LA FUERZA DE TRABAJO ................137

2.8.8. APLICACIONES DE MEZCLAS DE PRODUCTOS ........147

2.9. CASOS EMPRESARIALES DE APLICACIÓN DE LA

OPTIMIZACIÓN LINEAL ............................................................157

2.9.1. CASO PROGRAMACION DE LA PRODUCCION EN UNA

EMPRESA TEXTIL .........................................................157

2.9.2. CASO COMPAÑÍA CONSTRUCTORA DE BARCOS .....164

2.9.3. CASO EMPRESA PRODUCTORA DE CALZADOS .....171

2.9.4. CASO COMPAÑÍA MAQUINADO ...................................178

2.9.5. CASO EMPRESA AGRICOLA ........................................189

2.9.6. CASO EMPRESA PRODUCTORA DE GUANTES .........192

2.10. GLOSARIO ...............................................................................196

xii
CAPÍTULO III: PLANIFICACIÓN Y ADMINISTRACIÓN DE

PROYECTOS CON PERT – CPM

3.1. ANTECEDENTES DE PERT Y CPM ..................................200

3.2. ETAPAS DE LA PLANIFICACIÓN DE PROYECTOS .........201

3.3. CONSTRUCCIÓN DE LA RED DEL PROYECTO ..............203

3.4. TECNICA DEL PERT ..........................................................208

3.5. TIEMPOS DE CULMINACIÓN DE UNA ACTIVIDAD Y

TIEMPO DE CULINACIÓN DEL PROYECTO UTILIZADOS

EN PERT .............................................................................211

3.6. ANÁLISIS PERT DE CULMINACIÓN DEL PROYECTO .....214

3.7. TECNICA DEL CPM ............................................................217

3.7.1. TIEMPOS DE CULMINACIÓN DEL PROYECTO ...217

3.7.2. COSTOS .................................................................217

3.8. GLOSARIO ..........................................................................220

CAPITULO IV: TEORIA DE INVENTARIOS

4.1. INTRODUCCIÓN .................................................................221

4.2. LA ADMINISTRACION DE INVENTARIOS .........................222

4.3. OBJETIVOS Y FUNCION DE LOS INVENTARIOS ............223

4.4. CARACTERISTICAS DE LOS SISTEMAS DE

INVENTARIOS ....................................................................224

xiii
4.4.1. COSTOS DE INVENTARIO ......................................224

4.4.2. TIPOS DE DEMANDA ..............................................225

4.4.3. TIPOS DE PEDIDO O CICLO DE PEDIDO ..............225

4.5. MODELOS DE INVENTARIO ..............................................226

4.5.1. MODELO DE COMPRA SIN DEFICIT .....................226

4.5.2. MODELO DE COMPRA CON DEFICIT ...................232

4.5.3. CANTIDAD ECONOMICA DE PEDIDO CON

DESCUENTOS POR CANTIDAD .............................234

4.5.4. INVENTARIO ESTOCÁSTICO O PROBABILÍSTICO 237

4.6. MODELOS DE LOS INVENTARIOS ESTOCÁSTICOS .....238

4.6.1. MODELO DE PERIODO SIMPLE ............................238

4.6.2. CASO DE ADMINISTRACION DE INVENTARIOS...239

CAPÍTULO V: TEORIA DE COLAS

5.1. DEFINICIONES GENERALES ............................................250

5.2. TERMINOLOGÍAS UTIÑIZADAS EN LA TEORIA DE

COLAS ................................................................................250

5.3. TIPOS DE MODELOS DE LINEAS DE ESPERA ................251

5.3.1. MODELO DE LÍNEA DE ESPERA SIMPLE (M/M/1) 252

5.3.2. MODELO DE LÍNEA DE ESPERA DE MÚLTIPLES

CANALES (M/M/K) ....................................................253

xiv
5.4. CASO ATENCIÓN EN UNA AGENCIA BANCARIA: BANCO

DE CRÉDITO DEL PERÚ BCP ..........................................255

5.4.1. PLANTEAMIENTO DEL PROBLEMA .......................255

5.4.2. OBTENCIÓN DE DATOS Y CARACTERÍSTICAS

DEL SISTEMA ..........................................................258

5.4.3. DESARROLLO DEL MODELO DE SIMULACIÓN E

INGRESO DE LAS CARACTERÍSTICAS DE LOS

MÓDULOS ................................................................262

5.5. PROBLEMAS RESUELTOS................................................265

5.6. PROBLEMAS PROPUESTOS ............................................280

CAPITULO VI: PROGRAMACION DINAMICA

6.1. CONCEPTOS GENERALES ..............................................285

6.2. EL PROBLEMA DE PROGRAMACIÓN DINÁMICA ...........286

6.3. CARACTERÍSTICAS DE LOS PROBLEMAS DE

PROGRAMACIÓN DINÁMICA ............................................295

6.4. ELEMENTOS DE LA PROGRAMACIÓN DINÁMICA ..........300

6.5. PROGRAMACION DINAMICA DETERMINISTA .................302

6.6. CASO APLICATIVO.............................................................305

xv
CAPITULO VII: PROCESOS DE MARKOV

7.1. INTRODUCCIÓN .................................................................311

7.2. PROCESOS ESTOCÁSTICOS. .........................................312

7.3. CADENAS DE MARKOV .....................................................314

7.4. CASOS DE PROGRAMACION DINAMICA .........................316

7.4.1. PROCESO DE MARKOV APLICADO A LA

PREFERENCIA DE AUTOMÓVILES .......................316

BIBLIOGRAFÍA ..............................................................................325

xvi
AGRADECIMIENTO

Agradeciendo, a la
Universidad Nacional del
Centro del Perú, a la Facultad
de Ingeniería de Sistemas y al
Instituto de Investigación de la
Facultad de Ingeniería de
Sistemas, por haber permitido
la inscripción de este
Proyecto de Elaboración de
libro.

xvii
INTRODUCCIÓN

Este texto trata del uso de la programación lineal y de la


administración de proyectos, como métodos de apoyo para la toma
de decisiones en la empresa, cual es su contribución en el logro
de los objetivos empresariales de manera óptima, que equivale a
decir obteniendo el mínimo costo o los máximos beneficios.

La Investigación de Operaciones data su inicio en la segunda


guerra mundial, con las aplicaciones militares para vencer al
enemigo, se produjeron numerosos desarrollos, pero el más
importante de ellos fue el descubrimiento hecho por George Danzig
en 1947 del método simplex para la resolución de modelos de
programación lineal. Este método consiste en realizar operaciones
de filas sobre matrices de forma iterativa para ir encontrando las
soluciones; en cada iteración la solución se mejora hasta llegar al
óptimo o mejor solución de entre las infinitas soluciones que tienen
el modelo lineal.

Este texto será de gran utilidad a los estudiantes de pregrado y


postgrado en las asignaturas de Investigación de operaciones,
métodos cuantitativos o programación lineal, contiene las

xviii
aplicaciones de la programación lineal en los negocios y casos
desarrollados en las organizaciones.

El texto está dividido en siete capítulos, cada uno de los cuales


presentan sus aplicaciones y un glosario de términos utilizados, de
manera que se aclare al estudiante con el significado a que se
refiere en esta obra.
Los temas que trata incluyen: La capacidad de toma de decisiones
aplicando los métodos y técnicas de la investigación de
operaciones, método simplex para la solución de programas
lineales, aplicaciones de la programación lineal en los negocios,
casos desarrollados en las organizaciones y la administración de
proyectos mediante PERT y CPM, Teoría de Inventarios, Teoría
de Líneas de Espera, Programación Dinámica y Procesos de
Markov.

xix
CAPITULO I

EL PROCESO DE TOMA DE DECISIONES MEDIANTE LA

INVESTIGACIÓN DE OPERACIONES

1.8. INTRODUCCION

Se inicia desde la revolución industrial, en los libros se dice

que fue a partir de la segunda Guerra Mundial. La

investigación de operaciones se aplica a casi todos los

problemas de la organización. En 1947, en E.U., George

Datzing desarrolla el método SIMPLEX para el problema de

programación lineal. En la investigación de operaciones, las

computadoras y el software son sus herramientas

fundamentales.

Los métodos y técnicas de optimización, consiste en la

aplicación del método científico por un grupo

multidisciplinario de personas para solucionar un problema;

1
principalmente relacionado con la distribución óptima de los

recursos limitados (dinero, materia prima, mano de obra,

energía), que se apoya en el enfoque de sistemas.

La figura Nº 1.1 ilustra la toma de decisiones utilizando un

modelo de optimización.

Figura Nº 1.1.- LA TOMA DE DECISIONES EN LA EMPRESA

1.9. PROCEDIMIENTO DE SOLUCIÓN DE PROBLEMAS

MEDIANTE EL ENFOQUE SISTEMICO

1. Delimitación del problema

Los problemas están presentes en la realidad, sistema o

empresa; se manifiestan mediante los síntomas, por

ejemplo el incremento de los costos de producción, el

2
ausentismo laboral, productos finales con calidad

diferente a las especificaciones, etc. El especialista en

investigación de operaciones estudia y delimita la

realidad, encuentra los síntomas y formulando la sencilla

pregunta ¿por qué? Llega a la raíz del problema.

2. Modelación del problema

El problema tiene que ser modelado en términos de

variables lógico matemático, el modelo refleja la parte

de la realidad que se ha tomado con fines de estudio.

3. Resolución del modelo

El modelo lógico matemático se resuelve utilizando un

programa de computador, es casi imposible resolver

manualmente debido al la cantidad muy grande de

operaciones. Se obtienen resultados numéricos respecto

a las variables del modelo.

4. Verificación con la realidad

Los resultados obtenidos anteriormente se comparan

con la realidad, realizando alguna prueba estadística.

5. Implantación

La alta dirección de la organización decide

implementarla en la realidad para lo cual realiza

3
inversiones, después de haber hecho un análisis costo

beneficio.

6. Conclusiones

El trabajo realizado puede servir para otros casos

similares o servir como referencia o antecedente para

otros trabajos de optimización.

En la figura Nº 1.2 se ilustra el proceso de la toma de

decisiones en la organización mediante la solución del

modelo de optimización.

Figura Nº 1.2.- LA TOMA DE DECISONES MEDIANTE EL MODELO

4
1.10. LOS MODELOS DE OPTIMIZACIÓN TIPOS Y SU

SIGNIFICADO

Un modelo es una representación ideal de un sistema y la

forma en que este opera. El objetivo es analizar el

comportamiento del sistema o bien predecir su

comportamiento futuro. Obviamente los modelos no son tan

complejos como el sistema mismo, de tal manera que se

hacen las suposiciones y restricciones necesarias para

representar las porciones más relevantes del mismo.

Claramente no habría ventaja alguna de utilizar modelos si

estos no simplificaran la situación real. En muchos casos

podemos utilizar modelos matemáticos que, mediante letras,

números y operaciones, representan variables, magnitudes

y sus relaciones; particularmente el tipo de modelo que le

interesa a la investigación de operaciones es el lógico

matemático.

El modelo lógico matemático es producto de la

abstracción del sistema real: eliminando las complejidades y

haciendo las suposiciones pertinentes, se aplica una técnica

matemática y se obtiene una representación simbólica del

5
mismo, en la figura Nº 1.3 se representa el modelo, que sale

de la realidad y la representa con fines de estudio y análisis.

Figura Nº 1.3.- REPRESENTACIÓN DEL MODELO

El modelo lógico matemático contiene tres conjuntos básicos

de elementos, los cuales son:

1. Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser

determinadas a partir de la solución del modelo. Los

parámetros representan los valores conocidos del

sistema o bien que se pueden controlar.

2. Restricciones

Las restricciones son relaciones entre las variables de

decisión y magnitudes que dan sentido a la solución del

problema y las acotan a valores factibles. Por ejemplo si

6
una de las variables de decisión representa el número

de empleados de un taller, es evidente que el valor de

esa variable no puede ser negativo.

3. Función Objetivo

La función objetivo es una relación matemática entre las

variables de decisión, parámetros y una magnitud que

representa el objetivo o producto del sistema. Por

ejemplo si el objetivo del sistema es minimizar los costos

de operación, la función objetivo debe expresar la

relación entre el costo y las variables de decisión. La

solución ÓPTIMA se obtiene cuando el valor del costo

sea mínimo para un conjunto de valores factibles de las

variables.

Es decir hay que determinar las variables:

x1, x2,..., xn

Que optimicen el valor de: Z = f(x1, x2,..., xn)

Sujeto a restricciones de la forma:g(x1, x2,..,xn) b.

Donde x1, x2,..., xn son las variables de decisión, Z es

la función objetivo, f es una función matemática.

7
1.11. CLASIFICACIÓN DE MODELOS

Muchos problemas de decisión implican un gran número de

factores o variables importantes o pueden tener muchas

opciones a considerar por lo que se hace necesario la

utilización de software y computadoras para su solución.

Por ejemplo una empresa puede contar con varias fábricas

donde produce bienes para enviar a cientos de clientes.

Decidir la programación de las fábricas y determinar cuales

de ellas deben atender a cuales clientes, para minimizar

costos, implica cientos de variables y restricciones que

pueden tener millones de posibles soluciones. Los modelos

de programación lineal y programación entera son las

técnicas más utilizadas para resolver problemas grandes y

complejos de negocios de este tipo. En ellos se aplican

técnicas matemáticas para hallar el valor máximo (o el

mínimo) de un objetivo sujeto a un conjunto de restricciones.

La simulación es una técnica para crear modelos de

sistemas grandes y complejos que incluyen incertidumbre.

Se diseña un modelo para repetir el comportamiento del

sistema. Este tipo de modelo se basa en la división del

8
sistema en módulos básicos o elementales que se enlazan

entre sí mediante relaciones lógicas bien definidas.

Problemas dinámicos los problemas dinámicos de decisión

implican un tipo particular de complejidad cuando hay una

secuencia de decisiones interrelacionadas a través de varios

períodos. Por ejemplo modelos de inventario, para

determinar cuando pedir mercadería y cuanto debe

mantenerse en existencia; la figura Nº 1.4 ilustra el modelo y

sus componentes.

Figura Nº 1.4.- EL MODELO Y SUS COMPONENTES

9
1.12. LOS METODOS DE OPTIMIZACION

Los métodos de optimización mas utilizados por las

organizaciones y empresas se encuentran los siguientes:

1. METODOS DETERMINISTICOS: El valor de las

variables están terminadas bien sea con un valor

puntual o esta definida en un rango, Ej. Programación

lineal, programación entera, método de transporte,

programación no lineal, teoría de localización o redes,

método de asignación, programación por metas, teoría

de inventarios determinísticos; el 70 % de las

organizaciones utilizan estos métodos determinísticos.

2. METODOS PROBABILISTICOS: El valor de las

variables esta definida en una distribución de

probabilidad continua o discreta, según la variable sea

discreta o continua. Ej. Cadenas de Markov, teoría de

juegos, líneas de espera, teoría de inventarios con

demanda probabilística, aquí se encuentran en general

los métodos y técnicas de simulación.

10
3. METODOS HIBRIDOS: Es una combinación entre los

métodos determinísticos y probabilísticos, el caso más

saltante es la como la teoría de inventarios.

4. METODOS HEURISTICOS: Son las soluciones basadas

en la experiencia, como la programación heurística, el

proceso jerárquico analítico, la programación de metas,

entre los más comunes.

El experto en Métodos y Técnicas de optimización debe

elegir el plan de acción más efectivo para lograr las metas

de la organización, debe seleccionar un conjunto de

medidas de desempeño, utilizar una unidad monetaria y

tomar decisiones, debe seguir un proceso general de

solución, en cualquier situación, durante la toma de

decisiones deben establecerse los criterios de tomas de

decisiones (costos, cantidades, máximos, mínimos etc.),

seleccionar las alternativas, determinar un modelo y

evaluarlo, integrar la información cuantitativa obtenida para

luego decidir. Muchas veces hay que incorporar factores

cualitativos tales como el ánimo y el liderazgo en la

11
organización, problemas de empleo, contaminación u otras

de responsabilidad social.

Las dificultades evidentes en los cálculos de los modelos

matemáticos han obligado a los analistas a buscar otros

métodos de cálculo que aunque no garantizan la optimalidad

de la solución final, buscan una buena solución al problema.

Tales métodos se denominan heurísticos. Suelen emplearse

con dos fines: En el contexto de un algoritmo de

optimización exacto, con el fin de aumentar la velocidad del

proceso. En segundo lugar para obtener una solución al

problema aunque no óptima, la que puede ser muy difícil

encontrar.

1.13. MODELOS DE OPTIMIZACIÓN RESTRINGIDA

En un problema de optimización se busca maximizar o

minimizar una cantidad específica llamada objetivo, la cual

depende de un número finito de variables, en un modelo de

optimización restringida, éstas se encuentran relacionadas a

través de una o más restricciones. El planteamiento de este

modelo se conoce como programa matemático. Los

programas matemáticos tienen la forma:

12
Optimizar z = f(x1, x2,.., xn) (1)

Con las condiciones: g1(x1, x2,.., xn)...b1


g2(x1, x2..., xn) b2
...................... =
.......................
Gm(x1, x2... xn) <...bm
Cada una de las m relaciones emplea uno de los signos ,

, = respecto de las constantes bi , i = 1,..,m.

Entre los modelos de optimización más comúnmente

utilizados se tienen:

a) PROGRAMACIÓN LINEAL

Un programa matemático es lineal si:

f (x1, x2,.., xn) y cada gi(x1, x2,.., xn) j = 1,.., m son

lineales en cada uno de sus argumentos, es decir

f (x1, x2,..,xn) = c1x1 + c2x2 + ... + cnxn

gi(x1,x2,..,xn) = ai1x1 + ai2x2 + ... + ainxn

Donde las cj y las aij (i = 1,..m; j = 1, .. n) son constantes

conocidas o parámetros del sistema.

Ejemplo Nº 1.1:

13
Modelo de programación lineal con dos variables y la

función objetivo es maximizar:

Maximizar Z = 5 X1 + 3 X2

Con restricciones:

2X1 + X2 <= 40

X1 + 2X2 <= 50

Para X1, X2 no negativos.

Donde X1 y X2 son las variables, con dos restricciones del

tipo <=

b) PROGRAMACIÓN ENTERA

Un programa lineal que tiene la restricción adicional de que

las variables de decisión son números enteros se conoce

como programa entero. No es necesario que las cj y las aij

y las bj sean enteros, pero, normalmente esto es así.

En el siguiente ejemplo se ilustra la formulación del modelo

de programación lineal entera.

Ejemplo Nº 1.2:

Un fabricante de dos productos A y B dispone de 6 unidades

de material y 28 Horas para su ensamblaje, el modelo A

requiere 2 unidades de de material y 7 horas de ensamblaje,

14
el modelo B requiere una unidad de material y 8 horas de

ensamblaje, los precios de los productos son $120 y $80

respectivamente. ¿Cuantos productos de cada modelo debe

fabricar para maximizar su ingreso?

Sea x1 y x2 la cantidad de productos a producir de A y B

El objetivo se Expresa Como:

Maximizar z = 120x1 + 80x2

El fabricante está sujeto a dos restricciones:

Material: 2x1 + x2 6

Horas: 7x1 + 8x2 28

Con la condición de no negatividad x1 0 y x2 0

Además no se venden productos no terminados por lo tanto

las variables x1 y x2 deben ser enteras.

c) PROGRAMACIÓN NO LINEAL

En este caso se destaca el estudio de optimización en una

variable sin restricciones de la forma:

Optimizar z = f(x)

Donde f es función no lineal de x, la optimización se realiza

en (a, b). Si la búsqueda se circunscribe a un sub intervalo

finito [a, b] el problema es de optimización no lineal

restringida y se transforma a

15
Optimizar z = f(x), con la condición a x b.

d) OPTIMIZACIÓN NO LINEAL MULTIVARIABLE

Es el caso análogo al anterior, pero en el caso en que la

función f es de más de una variable, es decir:

Optimizar z = f(X) donde X = [x1, x2,..., xn]T

Si existen las restricciones

Gi (X) = 0

Es un problema no lineal multivariable restringido.

Ejemplo Nº 1.3:

Una Compañía desea construir una planta que recibirá

suministros desde tres ciudades A, B, C, tomando como

origen la ciudad A, B tiene coordenadas (300 Km. al

Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al

Este, 300 Km. al Norte) respecto de A. La posición de la

planta debe estar en un punto tal que la distancia a los

puntos A, B y C sea la mínima.

La formulación del modelo de optimización se desarrolla de

la siguiente manera:

Sean X1 y X2 las coordenadas desconocidas de la planta

respecto de A.

16
Utilizando la fórmula de la distancia, debe minimizarse la

suma de las distancias:

d (x12 + x22) +d ((x1 - 300)2 + (x2 - 400)2) + d ((x1 - 700)2 + (x2 - 300)2)

No hay restricciones en cuanto a las coordenadas de la

planta ni condiciones de no negatividad, puesto que un valor

negativo de x1 significa que la planta se localiza al Oeste del

punto A. La ecuación es un programa matemático no lineal

sin restricciones.

e) PROGRAMACIÓN CUADRÁTICA

Es un caso particular de programación matemática no lineal.

Un programa matemático en el cual cada restricción gi es

lineal pero el objetivo es cuadrático se conoce como

programa cuadrático, es decir:

f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi

Ejemplo Nº 1.4:

Minimizar z = x12 + x22

Con las condiciones x1 - x2 = 3

X2 3

17
Donde ambas restricciones son lineales, con n = 2 (dos

variables):

c11 = 1; c12 = c21 = 0; c22 = 1 y d1 = d2 = 0.

f) PROGRAMACIÓN DINÁMICA

El programa matemático:

Optimizar z = f1(x1) + f2(x2) +... + fn (xn)

Con la condición x1 + x2 +... + xn b

Con todas las variables enteras y no negativas.

En que las funciones fi (xi) son funciones no lineales

conocidas de una sola variable, b es un número entero

conocido. Corresponde al modelo importante de decisión en

etapas múltiples en que el número de etapas es n. La etapa

1 comprende la especificación de la variable x1 con

contribución f1(x1) al rendimiento total; como ilustración se

presenta el siguiente ejemplo.

Ejemplo Nº 1.5:

Una persona dispone de $4000 para invertir y se le

presentan tres opciones de inversión. Cada opción requiere

de depósitos en cantidades de $1000, puede invertir lo que

18
desee en las tres opciones. Las ganancias esperadas se

presentan en el cuadro Nº 1.1.

Cuadro Nº 1.1.- GANANCIAS ESPERADAS POR OPCIÓN

INVERSION

GANANCIAS 0 1000 2000 3000 4000

OPCION 1 0 2000 5000 6000 7000

OPCION 2 0 1000 3000 6000 7000

OPCION 3 0 1000 4000 5000 8000

La pregunta que interesa al inversionista se plantea de la

siguiente manera: ¿Cuánto dinero deberá invertirse en cada

opción para maximizar las ganancias?

La formulación del modelo matemático se realiza de la

siguiente manera:

Sea z la ganancia total, que es la suma de las ganancias de

cada opción, las inversiones tienen la restricción de ser

múltiplos de $1000, la tabla muestra las fi(x) = Etapa i, (i =

1, 2,3), x es la cantidad de dinero invertida en cada opción.

El programa matemático es el siguiente:

Maximizar z = f1(x1) + f2(x2) + f3(x3)

La persona sólo posee $4000 para invertir:

19
Las condiciones son:

X1 +x2 + x3 4000

Con todas variables enteras y no negativas.

1.14. GLOSARIO

Método. Procedimiento normado y secuencial reiterativo

para encontrar la solución.

Óptimo.

Modelo. Abstracción que representa una realidad, puede

ser modelo físico o modelo lógico matemático.

Modelo lineal. Modelo lógico matemático cuyas variables

tienen por exponente a la unidad.

Óptimo. Máximo o mínimo valor de la solución de un

modelo.

Problema. Situación indeseable que impide el logro de los

objetivos, limita el desarrollo de la organización.

Recursos. Bienes o servicios que utiliza la organización.

Restricciones. Limitación de recursos, hasta un tope

máximo.

Sistema. Conjunto de partes interrelacionados y que buscan

lograr objetivos comunes.

20
Toma de decisiones. Proceso mediante el cual se decide

hacer una acción.

What if. Pregunta ¿Qué ocurre si? Útil para realizar el

análisis de sensibilidad.

21
CAPÍTULO II

OPTIMIZACIÓN LINEAL

2.11. INTRODUCCIÓN A LA OPTIMIZACIÓN LINEAL

La humanidad hace tiempo que busca, mejores maneras de

realizar las tareas cotidianas de la vida. A lo largo de la

historia de la humanidad, se puede observar la búsqueda de

fuentes más efectivas de alimentos al comienzo y luego de

materiales, energía y manejo del entorno físico. Sin

embargo, relativamente tarde en la historia de la humanidad,

comenzaron a formularse ciertas clases de preguntas

generales de manera cuantitativa, primero en palabras y

después en notaciones simbólicas.

Un aspecto predominante de estas preguntas generales era

la búsqueda de lo "mejor" o lo "óptimo". Generalmente, los

gerentes buscan simplemente lograr alguna mejora en el

22
nivel de rendimiento, es decir, un problema de "búsqueda de

objetivo", cabe destacar que estas palabras normalmente no

tienen un significado preciso.

Se han realizado grandes esfuerzos por describir complejas

situaciones humanas y sociales. Para tener significado, esto

debería escribirse en una expresión matemática que

contenga una o más variables, cuyos valores deben

determinarse. La pregunta que se formula, en términos

generales, es qué valores deberían tener estas variables

para que la expresión matemática tenga el mayor valor

numérico posible (maximización) o el menor valor numérico

posible (minimización). A este proceso general de

maximización o minimización se lo denomina optimización.

La optimización, también denominada programación

matemática, sirve para encontrar la respuesta que

proporciona el mejor resultado, la que logra mayores

ganancias, mayor producción o felicidad o la que logra el

menor costo, desperdicio o malestar. Con frecuencia, estos

problemas implican utilizar de la manera más eficiente los

recursos, tales como dinero, tiempo, maquinaria, personal,

existencias, etc.

23
Los problemas de optimización generalmente se clasifican

en lineales y no lineales, según las relaciones del problema

sean lineales con respecto a las variables. Existe una serie

de paquetes de software para resolver problemas de

optimización. Por ejemplo, LINDO o WinQSB resuelven

modelos de programas lineales y LINGO y What's Best!

resuelven problemas lineales y no lineales.

El objetivo de la optimización global es encontrar la mejor

solución de modelos de decisiones difíciles, frente a las

múltiples soluciones locales.

2.12. MODELO DE PROGRAMACIÓN LINEAL

La Programación Lineal (PL) es un procedimiento

matemático para determinar la asignación óptima de

recursos escasos, la PL es un procedimiento que encuentra

su aplicación práctica en casi todas las facetas de los

negocios, desde la publicidad hasta la planificación de la

producción; Problemas de transporte, distribución, y

planificación global de la producción son los objetos más

comunes del análisis de PL.

La industria petrolera parece ser el usuario más frecuente de

la PL. Un gerente de procesamiento de datos de una

24
importante empresa petrolera recientemente calculó que del

5% al 10% del tiempo de procesamiento informático de la

empresa es destinado al procesamiento de modelos de PL y

similares.

La programación lineal aborda una clase de problemas de

programación donde tanto la función objetivo a optimizar

como todas las relaciones entre las variables

correspondientes a los recursos son lineales.

Este problema fue formulado y resuelto por primera vez a

fines de la década del 40, rara vez una nueva técnica

matemática encuentra una gama tan diversa de aplicaciones

prácticas de negocios, comerciales e industriales y a la vez

recibe un desarrollo teórico tan exhaustivo en un período tan

corto. Hoy en día, esta teoría se aplica con éxito a

problemas de presupuestos de capital, diseño de dietas,

conservación de recursos, juegos de estrategias, predicción

de crecimiento económico y sistemas de transporte.

Recientemente la teoría de la programación lineal también

contribuyó a la resolución y unificación de diversas

aplicaciones.

25
Es importante que el lector entienda desde el comienzo que

el término "programación" tiene un significado distinto

cuando se refiere a Programación Lineal que cuando

hablamos de Programación Informática. En el primer caso,

significa planificar y organizar mientras que en el segundo

caso, significa escribir las instrucciones para realizar

cálculos. La capacitación en una clase de programación

tiene muy poca relevancia directa con la otra clase de

programación. De hecho, el término "programación lineal" se

acuñó antes de que la palabra programación se relacionara

con el software de computación. A veces se evita esta

confusión utilizando el término optimización lineal como

sinónimo de programación lineal.

Cualquier problema de PL consta de una función objetivo y

un conjunto de restricciones. En la mayoría de los casos, las

restricciones provienen del entorno en el cual usted trabaja

para lograr su objetivo.

Cuando se quiere lograr el objetivo deseado, se dará cuenta

de que el entorno fija ciertas restricciones (es decir,

dificultades, limitaciones) para cumplir con su deseo (vale

decir, el objetivo); es por eso que las religiones, como el

26
Budismo entre otras, prescriben vivir una vida abstemia. Sin

deseo, no hay dolor. ¿Puede usted seguir este consejo con

respecto a su objetivo de negocios?

El Modelamiento es el proceso de traducir el enunciado

verbal de un problema a un enunciado matemático. En

programación lineal, el enunciado matemático del problema

es un programa lineal.

El modelo de programación lineal es un modelo del tipo

lógico matemático, cuyas variables son lineales, es decir los

exponentes de las variables son exclusivamente la unidad.

2.13. PASOS PARA LA FORMULACIÓN DE MODELOS

LINEALES

El proceso de formular modelos de programación lineal es

un arte que sólo se puede dominar a través de la práctica y

la experiencia. Aunque todo problema ofrecerá algunas

características únicas, la mayor parte de los problemas

también contiene características comunes. Pueden resultar

de utilidad algunas guías de acción generales para la

formulación de modelos, entre los cuales se mencionan los

siguientes pasos:

a) Comprender el problema en su totalidad

27
Lea la descripción del problema completamente para

obtener una idea de lo que está involucrado. Identifique

aquellos elementos que piensa deberían incluirse en el

modelo; si el modelo es especialmente complejo, tome

notas que le ayudarán a enfocarse en ideas y hechos

claves.

b) Escriba un enunciado verbal de la función objetivo y

de cada una de las restricciones

¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es

decir, ¿qué quiere el dueño del problema? ¿De qué

manera se relaciona el objetivo con las variables de

decisión del dueño del problema? ¿Es un problema de

maximización o minimización? El objetivo debe

representar la meta del decisor.

Posteriormente traducirá estos enunciados verbales en

enunciados matemáticos. En este paso, escribir la función

objetivo como:

Maximizar la utilidad o minimizar los costos

c) Defina las variables de decisión

Pregúntese a sí mismo cuáles son las decisiones que el

Gerente debe tomar.

28
¿Cuáles son las variables de decisión? Es decir, ¿cuáles

con las entradas controlables? Defina las variables de

decisión con precisión utilizando nombres descriptivos.

Recuerde que las entradas controlables también se

conocen como actividades controlables, variables de

decisión y actividades de decisión.

¿Qué es lo que él controla? Las variables de decisión

deberán ser escogidas para representar estas decisiones;

también deberán definirse a fin de facilitar la escritura de

un enunciado matemático de la función objetivo y del lado

izquierdo de las restricciones.

d) Describa la función objetivo en función de las

variables de decisión Traduzca su enunciado verbal de

la función objetivo, desarrollado en el paso b, en un

enunciado matemático, el cual debe ser una función lineal

de las variables de decisión.

e) Escriba las restricciones en función de las variables

de decisión

¿Cuáles son las restricciones? Es decir, ¿qué

requerimientos se deben cumplir? ¿Debería utilizar un

tipo de restricción de desigualdad o igualdad? ¿Cuáles

29
son las conexiones entre las variables? Escríbalas con

palabras antes de volcarlas en forma matemática.

Traduzca su enunciado verbal de cada restricción

desarrollada en el paso e, en un enunciado matemático;

el lado izquierdo de la ecuación resultante o de la

desigualdad deberá ser una función lineal de las variables

de decisión.

Ejemplo Nº 2.1: El problema de la empresa

Comunicaciones Electrónicas

La empresa fabrica radios portátiles que pueden utilizarse

en comunicaciones de dos vías. El nuevo producto de la

empresa, que tiene un rango de hasta 25 kilómetros, es ade-

cuado para una diversidad de usos comerciales y

personales. Los canales de distribución para el nuevo radio

son:

1. Distribuidores de equipo marino.

2. Distribuidores de equipo de oficinas.

3. Cadenas nacionales de tiendas al menudeo.

4. Pedidos por correo.

Debido a diferentes costos de distribución y promocionales,

la redituabilidad del producto variará según el canal de

30
distribución. Además, el costo de publicidad y el esfuerzo de

ventas personales requerido también variarán de acuerdo

con los canales de distribución.

El cuadro Nº 2.1 resume la contribución a la utilidad, el costo

de publicidad y los datos de esfuerzo de ventas personales

correspondientes al problema de la empresa.

La empresa ha formulado un presupuesto de publicidad de

hasta 5,000 dólares.

Está disponible un máximo de 1800 horas de la fuerza de

ventas para asignar al esfuerzo de ventas.

La Gerencia también ha decidido producir 600 unidades

durante el periodo de producción.

Finalmente, un contrato vigente con la cadena nacional de

tiendas al menudeo requiere que por lo menos se

distribuyan 150 unidades a través de este canal de

distribución.

Cuadro Nº 2.1.- DATOS DE UTILIDADES, COSTO DE

PUBLICIDAD Y TIEMPO DEL PERSONAL DE VENTAS (por

unidad vendida)

TIEMPO

CANAL DE UTILIDAD COSTO DE DEL

31
DISTRIBUCIÓN NETA PUBLICIDAD PERSONAL

Distribuidores

marinos $ 90 $ 10 2 horas

Distribuidores de

oficinas $ 84 $8 3 horas

Tiendas al menudeo $ 70 $9 3 horas

Pedidos por correo $ 60 $ 15 ninguna

La empresa ahora se enfrenta al problema de establecer

una estrategia de distribución para los radios, que maximice

la rentabilidad general de la producción de nuevos radios.

Debe tomarse decisiones en relación con cuántas unidades

deben asignarse a cada uno de los cuatro canales de

distribución, así como asignar el presupuesto de publicidad y

el esfuerzo de la fuerza de ventas a cada uno de los canales

de distribución.

SOLUCIÓN

a) Formulación de la función objetivo del problema

Un enunciado escrito del problema ha sido

presentado. Ahora escribir un enunciado verbal de la

función objetivo y de cada una de las restricciones.

Como función objetivo se puede enunciar:

32
Función objetivo: Maximizar la utilidad

b) Planteamiento de las restricciones

Para este problema se necesitan 4 restricciones,

debido a:

 un presupuesto de publicidad limitado.

 una disponibilidad limitada de la fuerza de ventas.

 un requerimiento de producción.

 un requerimiento de distribución por las tiendas al

menudeo.

Restricción 1: Gastos de publicidad ≤ Presupuesto

Restricción 2: Tiempo de ventas utilizado ≤ Tiempo

disponible

Restricción 3: Radios producidos = Requerimiento

de la Adm.

Restricción 4: Distribución al menudeo ≥ Requisito

por contrato

c) Definición de las variables

Con esta descripción verbal de la función objetivo y

de las restricciones, a continuación se definen las

variables de decisión que representan las decisiones

que el Gerente debe tomar.

33
En el caso del problema de la empresa de

comunicaciones, se enuncian las 4 variables de

decisión.

X1 = el número radios producidos para el canal de

distribución de equipos marinos.

X2 = el número radios producidos para el canal de

distribución de equipos de oficina.

X3 = el número de radios producidos para el canal de

distribución de las cadenas nacionales al

menudeo.

X4 = el número de radios producidos para el canal de

distribución de pedidos por correo.

Utilizando los datos del cuadro Nº 2.1, se escribe la

función objetivo para la maximización de la

contribución a la utilidad total asociada con los radios,

de la forma:

Maximizar 90x1 + 84x2 + 70x3 + 60x4

A continuación se desarrolla el enunciado matemático

de las restricciones del problema. Con un presu-

puesto de publicidad de 5,000 dólares, la restricción

que limita la cantidad de gasto en publicidad es

34
10x1 + 8x2 + 9x3 + 15x4 ≤ 5, 000

De manera similar, para el límite de tiempo de ventas

de 1800 horas,

2x1 + 3x2 + 3x3 ≤ 1, 800

La decisión de la administración de producir 600

unidades durante el periodo de producción actual da

1x1 + 1x2 + 1x3 + 1x4 = 600

Finalmente, para tomar en consideración las 150

unidades o más que deben ser distribuidas por la

cadena nacional de tiendas al menudeo, se agrega la

restricción:

1x3 ≥ 150

d) Formulación del modelo lineal para la empresa

Combinando todas las restricciones con los

requerimientos de no negatividad, se formula el

modelo completo de programación lineal para el

problema de la empresa:

Maximizar 90x1 + 84x2 + 70x3 + 60x4

Sujeto a:

10x1 + 8x2 + 9x3 + 15x4 ≤ 5000 Presupuesto de

35
publicidad

2x2 + 3x2 + 3x3 ≤ 1800 Disponibilidad

de la fuerza de ventas

1x1 + 1x2 + 1x3 + 1x4 = 600 Nivel de producción

1x3 ≥ 150 Requerimiento de las

tiendas al menudeo

Para x1, x2, x3, x4 ≥ 0

e) SOLUCIÓN

En el cuadro Nº 2.2 aparece parte del resultado

obtenido utilizando el software Lingo para resolver el

problema. La sección del valor de la función objetivo

muestra que la solución óptima del problema da una

utilidad máxima de 48,450 dólares.

Cuadro Nº 2.2 SOLUCIÓN DEL PROBLEMA CON

RESULTADOS POR COMPUTADORA Y LINGO PARA

LA EMPRESA

Objective Function Value = 48450.000

36
Variable Value Reduced Costs

X1 25.000 0.000
X2 425.000 0.000
X3 150.000 0.000
X4 0.000 45.000
Constraint Slack/Surplus Dual Prices
1 0.000 3.000
2 25.000 0.000
3 0.000 60.000
4 0.000 -17.000

Ejemplo Nº 2.2: El Problema del Carpintero

Durante un par de sesiones de brain-storming con un

carpintero (nuestro cliente), éste nos comunica que

sólo fabrica mesas y sillas y que vende todas las

mesas y las sillas que fabrica en un mercado. Sin

embargo, no tiene un ingreso estable y desea

optimizar la producción.

El objetivo es determinar cuántas mesas y sillas

debería fabricar para maximizar sus ingresos netos.

Comenzamos concentrándonos en un horizonte de

tiempo, es decir, un plazo de planificación, para

revisar nuestra solución semanalmente, si fuera

necesario. Para saber más acerca de este problema,

37
debemos ir al negocio del carpintero y observar lo que

sucede y medir lo que necesitamos para formular

(para crear un modelo de) su problema. Debemos

comunicarnos con el cliente y confirmar que su

objetivo es maximizar sus ingresos netos.

Los datos referentes a la utilidad unitaria por la venta

de cada producto, mesa, y silla son S/. 5.00 y S/.

3.00 respectivamente.

Los factores limitantes, que normalmente provienen

del exterior, son las limitaciones de la mano de obra

(esta limitación proviene de la familia del carpintero) y

los recursos de materia prima (esta limitación

proviene de la entrega programada). Se miden los

tiempos de producción requeridos para una mesa y

una silla en distintos momentos del día y se calculan

en 2 horas y 1 hora, respectivamente. Las horas

laborales totales disponibles por semana son sólo 40.

La materia prima requerida para una mesa y una silla

es de 1 y 2 unidades, respectivamente. El

abastecimiento total de materia prima es de 50

unidades por semana.

38
SOLUCIÓN

Se definen las variables del problema (variables de

decisión), en este caso son dos: X1 número de mesas

a fabricar y X2 sea el número de sillas a fabricar.

El problema del carpintero se trata de determinar

cuántas mesas y sillas debe fabricar por semana;

entonces se debe establecer una función objetivo:

La función objetivo es: 5X1 + 3X2, donde X1 y X2

representan la cantidad de mesas y sillas; y 5 y 3

representan los ingresos netos (por ejemplo, en

soles) de la venta de una mesa y una silla,

respectivamente.

Las restricciones son:

Restricción de mano de obra 2X1 + X2 <= 40

Restricción de materiales X1 + 2X2 <= 50

Para X1 y X2 no negativas.

Este es un modelo matemático para el problema del

carpintero.

Las variables de decisión, es decir, las entradas

controlables son X1, y X2. La salida o el resultado de

este modelo son los ingresos netos totales 5 X1 + 3

39
X2. Todas las funciones empleadas en este modelo

son lineales (las variables de decisión están elevadas

a la primera potencia). El coeficiente de estas

restricciones se denomina Factores Tecnológicos

(matriz). El período de revisión es de una semana, un

período conveniente dentro del cual es menos

probable que cambien (fluctúen) las entradas

controlables (todos los parámetros tales como 5, 50,

2,..). Incluso en un plazo de planificación tan corto,

debemos realizar el análisis what-if o de hipótesis

para responder a cualquier cambio en estas entradas

a los efectos de controlar el problema, es decir,

actualizar la solución prescripta.

Nótese que dado que el Carpintero no va a ir a la

quiebra al final del plazo de planificación, agregamos

las condiciones que tanto X1 como X2 deben ser no

negativas en lugar de los requerimientos que X1 y X2

deben ser números enteros positivos. Recuerde que

las condiciones de no negatividad también se

denominan "restricciones implícitas". Nuevamente, un

Programa Lineal funcionaría bien para este problema

40
si el Carpintero continúa fabricando estos productos.

Los artículos parciales simplemente se contarían

como trabajos en proceso y finalmente se

transformarían en productos terminados, en la

siguiente semana.

Podemos intentar resolver X1 y X2 enumerando

posibles soluciones para cada una y seleccionado el

par (X1, X2) que maximice 5X1 + 3X2 (los ingresos

netos). Sin embargo, lleva mucho tiempo enumerar

todas las alternativas posibles y si no se enumeran

todas las alternativas, no podemos estar seguros de

que el par seleccionado (como una solución) es la

mejor de todas las alternativas. Otras metodologías

preferidas (más eficientes y efectivas), conocidas

como las Técnicas de Soluciones de Programación

Lineal están disponibles en el mercado en más de

4000 paquetes de software de todo el mundo.

La solución óptima, es decir, la estrategia óptima, es

establecer X1 = 10 mesas y X2 = 20 sillas.

Programamos las actividades semanales del

carpintero para que fabrique 10 mesas y 20 sillas.

41
Con esta estrategia (óptima), los ingresos netos son

de US $ 110.

Esta solución prescripta sorprendió al carpintero dado

que debido a los mayores ingresos netos

provenientes de la venta de una mesa (US$5), él

solía fabricar más mesas que sillas.

2.14. EL MÉTODO SIMPLEX

El método del simplex fue creado en 1947 por el matemático

George Datzing, se utiliza, sobre todo, para resolver

problemas de programación lineal en los que intervienen

tres o más variables. El álgebra matricial y el proceso de

eliminación de Gauss-Jordan para resolver un sistema de

ecuaciones lineales constituyen la base del método simplex.

Es un procedimiento iterativo que permite ir mejorando la

solución a cada paso; el proceso concluye cuando no es

posible seguir mejorando más dicha solución.

Partiendo del valor de la función objetivo en un vértice

cualquiera, el método consiste en buscar sucesivamente

otro vértice que mejore al anterior.

La búsqueda se hace siempre a través de los lados del

polígono (o de las aristas del poliedro, si el número de

42
variables es mayor), cómo el número de vértices (y de

aristas) es finito, siempre se podrá encontrar la solución.

El método del simplex se basa en la siguiente propiedad: si

la función objetivo, f, no toma su valor máximo en el vértice

A, entonces hay una arista que parte de A, a lo largo de la

cual f aumenta.

Para conocer el Método SIMPLEX, se va a resolver el

siguiente modelo:

MAXIMIZAR Z = f (x, y) = 3X + 2Y

SUJETO A: 2X +Y <= 18

2X +3Y <= 42

3X +Y <= 24

X, Y >= 0

El proceso de solución consta de los siguientes pasos:

a) Convertir las desigualdades en igualdades

Se introduce una variable de holgura (h, s, d) por cada una

de las restricciones, para convertirlas en igualdades,

resultando el sistema de ecuaciones lineales:

2x + y + h = 18

2x + 3y + s = 42

3x +y + d = 24

43
Siendo h, s y d variables de holgura

b) Igualar la función objetivo a cero

- 3x - 2y + Z = 0

c) Escribir la tabla inicial simplex

En las columnas aparecerán todas las variables del

problema, en las filas, los coeficientes de las igualdades

obtenidas, una fila para cada restricción y la última fila con

los coeficientes de la función objetivo, que se realiza en el

cuadro Nº 2.3.

Cuadro Nº 2.3.- Iteración Nº 1

Variable Variable
Valores
Base de de
solución
decisión holgura

x y h s d

h 2 1 1 0 0 18

s 2 3 0 1 0 42

d 3 1 0 0 1 24

Z -3 -2 0 0 0 0

44
d) Encontrar la variable de decisión que entra en la base y

la variable de holgura que sale de la base

 Para escoger la variable de decisión que entra en la

base, fijarse en la última fila, la de los coeficientes de la

función objetivo y escogemos la variable con el

coeficiente negativo mayor (en valor absoluto).

En nuestro caso, la variable x de coeficiente - 3.

Si existiesen dos o más coeficientes iguales que

cumplan la condición anterior, entonces se elige uno

cualquiera de ellos.

Si en la última fila no existiese ningún coeficiente

negativo, significa que se ha alcanzado la solución

óptima. Por tanto, lo que va a determinar el final del

proceso de aplicación del método del simplex, es que en

la última fila no haya elementos negativos.

La columna de la variable que entra en la base se llama

columna pivote

 Para encontrar la variable de holgura que debe salir de la

base, se divide cada término de la última columna

(valores solución) por el término correspondiente de la

45
columna pivote, siempre que estos últimos sean mayores

que cero, en este caso:

18/2 [=9], 42/2 [=21] y 24/3 [=8]

Si hubiese algún elemento menor o igual que cero no se

hace dicho cociente. En el caso de que todos los

elementos fuesen menores o iguales a cero, entonces

tendríamos una solución no acotada y no se puede

seguir.

El término de la columna pivote que en la división

anterior dé lugar al menor cociente positivo, 8 es el

menor, indica la fila de la variable de holgura que sale

de la base es d. Esta fila se llama fila pivote

Si al calcular los cocientes, dos o más son iguales,

indica que cualquiera de las variables correspondientes

puede salir de la base.

En la intersección de la fila pivote y columna pivote

tenemos el elemento pivote operacional, 3.

e) Encontrar los coeficientes de la nueva tabla.

46
Los nuevos coeficientes de x se obtienen dividiendo

todos los coeficientes de la fila d por el pivote

operacional, 3, que es el que hay que convertir en 1.

A continuación mediante la reducción gaussiana

(operaciones por filas en matrices), se convierte en

columna unitaria, que equivale a hacer cero los

restantes términos de su columna, con lo que

obtenemos los nuevos coeficientes de las otras filas

incluyendo los de la función objetivo Z, mostrado en el

cuadro Nº 2.4.

Cuadro Nº 2.4.- Iteración Nº 2

Variable de Valores
Base Variable de holgura
decisión solución

x y h s d

h 0 1/3 1 0 -2/3 2

s 0 7/3 0 1 -2/3 26

x 1 1/3 0 0 1/3 8

Z 0 -1 0 0 1 24

47
Como en los elementos de la última fila hay uno

negativo, -1, significa que no hemos llegado todavía a la

solución óptima. Hay que repetir el proceso:

1. La variable que entra en la base es y, por ser la

variable que corresponde al coeficiente -1

2. Para calcular la variable que sale, se divide los

términos de la última columna entre los términos

correspondientes de la nueva columna pivote:

2:1/3 [=6], 26:7/3 [=78/7] y 8:1/3 [=8]

y como el menor cociente positivo es 6, la variable

de holgura que sale es h.

3. El elemento pivote, que ahora hay que hacer 1, es

1/3.

Operando de forma análoga a la anterior obtenemos el

cuadro Nº 2.5, que corresponde a la tercera iteración.

Cuadro Nº 2.5.- Iteración Nº 3

Variable de Variable de Valores


Base
decisión holgura solución

x y h s d

y 0 1 3 0 -2 6

48
s 0 0 -7 0 4 12

x 1 0 -1 0 1 6

Z 0 0 3 0 -1 30

Como en los elementos de la última fila hay uno

negativo, -1, significa que no hemos llegado todavía a la

solución óptima. Hay que repetir el proceso:

1. La variable que entra en la base es d, por ser la

variable que corresponde al coeficiente -1

2. Para calcular la variable que sale, dividimos los

términos de la última columna entre los términos

correspondientes de la nueva columna pivote:

6/(-2) [=-3], 12/4 [=3], y 6:1 [=6]

y como el menor cociente positivo es 3, entonces la

variable de holgura que sale es s.

3. El elemento pivote, que ahora hay que hacer 1, es 4.

Realizando los cálculos correspondientes se obtiene

el cuadro Nº 2.6, correspondiente al tablero final, que

contiene la solución óptima final.

Cuadro Nº 2.6.- Final del proceso

49
Variable de Variable de Valores
Base
decisión holgura solución

x y h s d

y 0 1 -1/2 0 0 12

d 0 0 -7/4 0 1 3

x 1 0 -3/4 0 0 3

Z 0 0 5/4 0 0 33

Como todos los coeficientes de la fila de la función

objetivo son positivos, se ha llegado a la solución

óptima.

La solución óptima viene dada por el valor de Z en la

columna de los valores solución, en este caso: 33. En

la misma columna se puede observar el vértice donde

se alcanza, observando las filas correspondientes a

las variables de decisión que han entrado en la base:

D (3,12)

NOTA: Si en el problema de maximizar apareciesen como

restricciones inecuaciones de la forma: ax + by c;

multiplicándolas por - 1 se transforman en inecuaciones de

la forma - ax - by - c y estamos en el caso anterior.

50
Si en lugar de maximizar se trata de un problema de

minimizar se sigue el mismo proceso, pero

cambiando el sentido del criterio, es decir, para entrar

en la base se elige la variable cuyo valor, en la fila de

la función objetivo, sea el mayor de los positivos y se

finalizan las iteraciones cuando todos los coeficientes

de la fila de la función objetivo son negativos o al

contrario.

2.15. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL

SIMPLEX

Las sucesivas tablas que se han ido construyendo van

proporcionando el valor de la función objetivo en los distintos

vértices, ajustándose, a la vez, los coeficientes de las variables

iniciales y de holgura.

En la primera iteración (Tabla I) han permanecido todos los

coeficientes iguales, se ha calculado el valor de la función

objetivo en el vértice A (0,0), siendo este 0.

A continuación se desplaza por la arista AB, calculando el valor

de f, hasta llegar a B. Este paso aporta la Tabla II. En esta

segunda iteración se ha calculado el valor que corresponde al

vértice B (8,0): Z=f (8,0) = 24.

51
Sigue por la arista BC, hasta llegar a C, donde se para y

despliega los datos de la Tabla III. En esta tercera iteración se

ha calculado el valor que corresponde al vértice C (6,6): Z=f

(6,6)=30.

Se continúa haciendo cálculos a través de la arista CD, hasta

llegar al vértice D. Los datos que se reflejan son los del cuadro

Nº 2.6.

Concluye con este tablero final, advirtiendo que ha terminado

(antes ha comprobado que la solución no mejora al desplazarse

por la arista DE)

El valor máximo de la función objetivo es 33, y corresponde a x

= 3 e y = 12 (vértice D). Si calculas el valor de la función objetivo

en el vértice E (0,14), su valor no supera el valor 33, los vértices

donde se encuentran las soluciones se visualizan en la figura Nº

2.1.

Figura Nº 2.1.- POLÍGONO DE SOLUCIONES DEL MODELO DE

PROGRAMACIÓN LINEAL

52
2.16. INTERPRETACIÓN DE RESULTADOS Y ANALISIS DE

SENSIBILIDAD

2.16.1. INTERPRETACIÓN DE LOS RESULTADOS

Veamos el problema de la empresa de comunicaciones,

cuyo modelo fue formulado en la sección anterior y es el

siguiente:

Maximizar 90x1 + 84x2 + 70x3 + 60x4


Sujeto a:
10x1 + 8x2 + 9x3 + 15x4 ≤ 5000 Presupuesto de publicidad.
2x2 + 3x2 + 3x3 ≤ 1800 Disponibilidad de la fuerza
de ventas.
1x1 + 1x2 + 1x3 + 1x4 = 600 Nivel de producción.
1x3 ≥ 150 Requerimiento de las
tiendas al menudeo.
Para x1, x2, x3, x4 ≥ 0

SOLUCIÓN

En el cuadro Nº 2.7 se presenta la solución por

computadora, obtenida utilizando el software Lingo para

resolver el problema. La sección del valor de la función

objetivo muestra que la solución óptima del problema da

una utilidad máxima de 48,450 dólares.

53
Cuadro Nº 2.7.- RESULTADO POR COMPUTADORA Y

LINGO PARA LA EMPRESA

Objective Function Value =


Variable
48450.000 Value Reduced Costs

X1 25.000 0.000

X2 425.000 0.000

X3 150.000 0.000

X4 0.000 45.000

Constraint Slack/Surplus Dual Prices

1 0.000 3.000

2 25.000 0.000

3 0.000 60.000

4 0.000 -17.000

La interpretación de resultados de realiza de la siguiente

manera:

a) Interpretación de los valores de las variables

Los valores óptimos de las variables de decisión están

dados por:

x1 = 25, x2 = 425, x3 =150, x4 =0

54
Entonces la estrategia óptima para la empresa es

concentrarse en el canal de distribución de equipos de

oficina con x2 = 425 unidades. Además, la empresa debe-

rá asignar 25 unidades al canal de distribución marino (x1

= 25) y cumplir con su compromiso de 150 unidades con

el canal de distribución de la cadena nacional de tiendas

al menudeo (x3 = 150). En el caso de x4 = 0, la solución

óptima indica que la empresa no debe utilizar el canal de

distribución de pedidos por correo.

b) Interpretación del costo reducido

Ahora veamos la información contenida en la columna de

costos reducidos, recuerde que éstos indican cuánto

tendrá que mejorar cada coeficiente de la función

objetivo, antes que la variable de decisión

correspondiente pueda asumir un valor positivo en la

solución óptima.

Como se observa en el resultado de la computadora, los

primeros tres costos reducidos son cero, porque las

variables de decisión correspondientes ya tienen valores

positivos en la solución óptima. Sin embargo, el costo

reducido de 45.000 para la variable x4 indica que la

55
utilidad de los nuevos radios distribuidos vía el canal de

pedidos por correo tendría que incrementar su valor

actual de 60 dólares por unidad a por lo menos $60 + $45

= $105 por unidad, antes de que resultara redituable el

uso del canal de distribución de pedidos por correo.

c) Interpretación de las restricciones

Volviendo a enunciar la información de salida de la

computadora para las variables de holgura y excedentes

y precios duales, mostrados en el cuadro Nº 2.8.

Cuadro Nº 2.8.- RESULTADOS DE LAS RESTRICCIONES

Tipo de Holgura o Precio


Nº Restricción
restricción excedente dual
Presupuesto de
1 ≤ 0 3
publicidad
Disponibilidad de
2 ≤ 25 0
la fuerza de ventas
Nivel de
3 = 0 60
producción
Requisito de la
4 ≥ 0 -17
tienda de menudeo

La restricción del presupuesto de publicidad tiene una

holgura igual a cero, indicando que se ha utilizado la

totalidad del presupuesto de 5,000 dólares.

56
El precio dual correspondiente de 3 indica que un dólar

adicional que se agregue al presupuesto de publicidad

mejorará la función objetivo (incrementando la utilidad) en

3 dólares, por lo que la posibilidad de incrementar el

presupuesto de publicidad deberá considerarlo

seriamente la empresa.

La holgura de 25 horas en la restricción de la

disponibilidad de la fuerza de ventas muestra que son

adecuadas las 1800 horas de tiempo de ventas asignadas

para distribuir los radios, producidos y que 25 horas de

tiempo de ventas se quedarán sin utilizar.

En vista de que la restricción del nivel de producción es

una igualdad, se espera que exista una holgura o un

excedente igual a cero. Sin embargo, el precio dual de 60

asociado con esta restricción muestra que si la empresa

reconsiderase el nivel de producción para los radios, el

valor de la función objetivo, es decir la utilidad, mejoraría

a la tasa de 60 dólares por unidad producida.

Finalmente, el excedente cero, asociado con el

compromiso con el canal de distribución de tiendas al

menudeo, es resultado de que esta restricción sea un

57
recurso limitante. El precio dual negativo indica que, al

incrementar el compromiso de 150 a 151 unidades, de

hecho reducirá la utilidad en 17 dólares, por lo que la

empresa de comunicaciones pudiera desear pensar en

reducir su compromiso con el canal de distribución de

tienda al menudeo. Una reducción en el compromiso

realmente mejoraría la utilidad a la tasa de 17 dólares por

unidad.

2.16.2. ANALISIS DE SENSIBILIDAD

La información adicional de análisis de sensibilidad

proporcionada por el resultado de la computadora, según

se muestra en el cuadro Nº 2.9.

Cuadro Nº 2.9.- RANGOS DE COEFICIENTES OBJETIVO Y

DEL LADO DERECHO PROPORCIONADOS POR LINGO

PARA EL PROBLEMA

OBJECTIVE COEFFICIENT
Variable RANGES
Lower Limit Current Upper Limit
Valué
X1 84.000 No Upper
X2 50.000 90.000 Limit
X3 No Lower Limit 84.000 90.000

58
X4 No Lower Limit 70.000 87.000
60.000 105.000

RIGHT HAND SIDE


RANGES
Constrain Lower Limit Current Upper Limit
t Valué
4950.000 5850.000
1 1775.000 5000.000 No Upper
2 515.000 1800.000 limt
3 0.000 600.000 603.571
4 150.000 200.000

Los rangos de optimalidad de los coeficientes de la

función objetivo son:

84 ≤ c1 < Sin límite superior

50 ≤ c2 ≤ 90

Sin límite inferior < c3 ≤ 87

Sin límite inferior < c4 ≤ 105

El rango de optimalidad asociado con el coeficiente del

canal de distribución de pedidos por correo, c4. Esta

información es consistente con la observación anterior de

la porción del resultado relativa a costos reducidos. En

ambos casos, la utilidad por unidad tendría que aumentar

59
hasta 105 dólares antes de que el canal de distribución de

pedidos por correo pudiera aparecer en la solución óptima

con un valor positivo.

Finalmente, la información del análisis de sensibilidad

sobre los rangos del lado derecho nos da los rangos de

factibilidad para los valores del lado derecho, mostrados

en el cuadro Nº 2.10.

Cuadro Nº 2.10.- ANALISIS DE SENSIBILIDAD DE

LOS RANGOS

Restricción Lado derecho mínimo Valor actual Lado derecho


máximo
Presupuesto de publicidad 4950 5000 5850
Disponibilidad de la fuerza
de ventas 1775 1800 Sin límite
superior
Nivel de producción 515 600 603.57
Requerimiento de la tienda
al menudeo 0 150 200
Son posibles varias interpretaciones de estos rangos. En

particular, recuerde que el precio dual de la restricción del

presupuesto de publicidad permitió concluir que cada

incremento de un dólar en el presupuesto mejorana la

utilidad en 3 dólares. El rango del presupuesto de

60
publicidad muestra que esta declaración sobre el valor de

incrementar el presupuesto es apropiada hasta 5850

dólares. Aumentos por encima de este nivel no

necesariamente serían benéficos. Observe también que

el precio dual de -17 para el requerimiento de las tiendas

al menudeo sugería la deseabilidad de reducir ese

compromiso. El rango de factibilidad de esta restricción

muestra que el compromiso podría reducirse a cero, y el

valor de la reducción sería a la tasa de 17 dólares por

unidad.

El análisis de sensibilidad, es decir, el análisis de

postoptimalidad, dado por los paquetes de software por

computadora de los problemas de programación lineal

toman en consideración un solo cambio a la vez,

manteniendo todos los demás coeficientes del problema

según fueron especificados originalmente.

Finalmente, recuerde que la solución completa al

problema de la empresa solicito información no sólo del

número de unidades a distribuir en cada canal, sino

también en la asignación a cada canal de distribución del

presupuesto de publicidad y del esfuerzo de la fuerza de

61
ventas. En vista de que la solución óptima es x1, = 25, x2

= 425, x3 = 150 y x4 = 0, simplemente podemos evaluar

cada término en una restricción dada para determinar

cuanto del recurso de dicha restricción se asigna a cada

canal de distribución. Por ejemplo, la restricción del

presupuesto de publicidad de:

10x1 + 8x2 + 9x3 + 15x4 ≤ 5000

Muestra que 10x1, = 10(25) = $250, 8x2 = 8(425) = $3400,

9x3 = 9(150) = $1350 y 15x4 = 15(0) = $0. Por lo que las

asignaciones del presupuesto de publicidad son

respectivamente $250, $3400, $1350 y $0 para cada uno

de los cuatro canales de distribución.

2.17. EL PROBLEMA DUAL

2.17.1. PROBLEMA DUAL CONSTRUCCIÓN Y

SIGNIFICADO

Asociado a cada problema (primario) de PL existe un

problema correspondiente denominado problema dual. La

siguiente clasificación de las restricciones de las variables

de decisión resulta útil y fácil de recordar para construir el

problema dual.

Construcción del Problema Dual

62
Objetivo: Max (por
Objetivo: Min (por
ejemplo las
ejemplo los costos)
utilidades) Tipos de

variables: Tipos de
Tipos de
restricciones:
restricciones: > 0 una condición

usual >=una restricción


<= una restricción
usual
usual ... sin restricción

de signo = una restricción


= una restricción
limitada (estricta)
limitada (estricta) < 0 una condición

inusual <= una restricción


>= una restricción
inusual
inusual

Existe una correspondencia uno a uno entre el tipo de

restricción y el tipo de variable, utilizando esta

clasificación de restricciones y variables tanto para los

problemas primarios como los duales.

2.17.2. PASOS PARA LA CONSTRUCCIÓN DE

PROBLEMAS DUALES

63
Si el problema primario es un problema de maximización,

entonces su problema dual es un problema de

minimización (y viceversa).

 Utilice el tipo de variable de un problema para

determinar el tipo de restricción del otro problema.

 Utilice el tipo de restricción de un problema para

determinar el tipo de variable del otro problema.

 -Los elementos RHS de un problema se

transforman en los coeficientes de la función

objetivo del otro problema (y viceversa).

 Los coeficientes de la matriz de las restricciones de

un problema son la transposición de los

coeficientes de la matriz de las restricciones del

otro problema.

Puede verificar las reglas de construcción del problema

dual utilizando su paquete WinQSB.

EJEMPLO:

Considere el siguiente problema primario:

MINIMIZAR X1 - 2X2

SUJETO A:

X1 + X2 >= 2

64
X1 - X2 >= -1

X2 >= -

X1, X2 >= 0

Siguiendo la regla de construcción antes mencionada, el

problema dual es:

MAXIMIZAR 2U1 - U2 + 3U3

SUJETO A:

U1 + U2 <= 1

U1 - U2 + U3 <= -2

U1 <= 0

U2 <= 0

U3 <= 0

Ejemplo:

El Problema Dual del Problema del Carpintero.

Maximizar 5X1 + 3X2

Sujeto a:

2X1 + X2 <= 40

X1 + 2X2 <= 50

X1 <= 0

X2 <= 0

El problema dual es:

65
Minimizar 40U1 + 50U2

Sujeto a:

2U1 + U2 >= 5

U1 + 2U2 >= 3

U1 >= 0

U2 >= 0

2.17.3. APLICACIONES DEL PROBLEMA DUAL

La dualidad se utiliza en una amplia gama de aplicaciones

tales como:

a) En algunos casos, puede ser más eficiente resolver el

problema dual que el primario.

b) La solución dual proporciona una interpretación

económica importante tal como los precios sombra (es

decir, los valores marginales de los elementos RHS)

que son los multiplicadores Lagrangianos que

demuestran una cota (estricta) del valor óptimo del

problema primario y viceversa. Históricamente, el

precio sombra se definió como la mejora en el valor de

la función objetivo por aumento unitario en el lado

derecho, porque el problema generalmente adoptaba

66
la forma de una mejora de maximización de utilidades

(es decir, un aumento).

El precio sombra puede no ser el precio de mercado, el

precio sombra es por ejemplo el valor del recurso bajo

la "sombra" de la actividad comercial. Se puede

realizar un análisis de sensibilidad, es decir un análisis

del efecto de pequeñas variaciones en los parámetros

del sistema sobre las medidas de producción,

calculando las derivadas de las medidas de producción

con respecto al parámetro.

c) Si una restricción en un problema no es obligatoria (en

otras palabras, el valor LHS o valor del lado izquierdo)

concuerda con el valor RHS), la variable asociada en el

problema es cero. De manera inversa, si una variable

de decisión en un problema no es cero, la restricción

asociada en el otro problema es obligatoria, a estos

resultados se los conoce como Condiciones

Complementarias de Holgura.

 Obtener el rango de sensibilidad del RHS de un

problema partiendo del rango de sensibilidad del

coeficiente de costos del otro problema y viceversa.

67
Ejemplo:

El Problema dual del problema del carpintero y su

interpretación.

En esta sección, construiremos el Problema Dual del

Problema del Carpintero y presentaremos la

interpretación económica del mismo.

Recordemos los parámetros de entrada no controlables

del Problema del Carpintero mostrados en el cuadro Nº

2.11.

Cuadro Nº 2.11.- DATOS DE ENTRADA NO

CONTROLABLES

Recursos Mesas Sillas Disponible

Mano de obra 2 1 40

Materia prima 1 2 50

Ingresos netos 5 3

Y su formulación de PL

Maximizar Z = 5 X1 + 3 X2

2X1 + X2 <= 40 restricción de m.o.

68
X1 + 2X2 <= 50 restricción de materialestanto X1

como X2 son no negativas.

Donde X1 y X2 representan la cantidad de mesas y

sillas a fabricar.

Supóngase que el Carpintero desea contratar un seguro

para sus ingresos netos, digamos que:

U1 = el monto en dólares pagadero al Carpintero por

cada hora de trabajo perdida (por enfermedad, por

ejemplo),

U2 = el monto en dólares pagadero al Carpintero por

cada unidad de materia prima perdida (por incendio, por

ejemplo).

Por supuesto que el corredor de seguros intenta

minimizar el monto total de US $ (40U1 + 50U2)

pagadero al Carpintero por la Compañía de Seguros.

Sin embargo, como es de esperar, el Carpintero fijará

las restricciones (es decir las condiciones) para que la

compañía de seguros cubra toda su pérdida que

equivale a sus ingresos netos debido a que no puede

fabricar los productos.

69
En consecuencia, el problema de la compañía de

seguros es:

Minimizar 40 U1 + 50 U2

Sujeta a:

2U1 + 1U2 >= 5 ingresos netos por una mesa

1U1 + 2U2 >= 3 ingresos netos por una silla

U1, U2 son no negativas.

Si implementa este problema en un paquete de

software, verá que la solución óptima es U1 = US $ 7/3 y

U2 = US $ 1/3 con el valor óptimo de US $ 110 (el monto

que el Carpintero espera recibir). Esto asegura que el

Carpintero pueda manejar su vida sin inconvenientes. El

único costo es la prima que le cobra la compañía de

seguros.

Como puede ver, el problema de la compañía de

seguros está estrechamente relacionado con el

problema original.

Según la terminología del proceso de diseño de modelos

de IO/CA, el problema original se denomina Problema

Primario mientras que el problema relacionado se

denomina Problema Dual

70
Tal como vimos en el Problema del Carpintero y su

Problema Dual, el Valor Optimo es siempre el mismo

para ambos problemas. Esto se denomina Equilibrio

Económico entre el Problema Primario y el Problema

Dual.

ERRORES DE REDONDEO COMETIDOS POR LOS

GERENTES: tenga cuidado siempre que redondee el

valor de los precios sombra. Por ejemplo, el precio

sombra de la restricción de recursos en el problema

anterior es 8/3, por ende, si usted desea comprar más

de este recurso, no debería pagar más de US $ 2.66.

Sin embargo, siempre que usted quiera vender cualquier

unidad de este recurso, no debería hacerlo a un precio

inferior a US $ 2.67.

Podría darse un error similar si usted redondea en los

límites de los rangos de sensibilidad. Como siempre,

hay que prestar atención porque el límite superior e

inferior debe redondearse para abajo y para arriba,

respectivamente.

2.17.4. CÁLCULO DE LOS PRECIOS SOMBRA

71
Ahora ya sabe que los precios sombra son la solución del

problema dual, en esta sección presentamos un ejemplo

numérico.

Calcule el precio sombra para ambos recursos en el

siguiente problema de PL:

Maximizar - X1 + 2X2

Sujeto a:

X1 + X2 <= 5

X1 2X2 <= 6

Tanto X1 como X2 son no negativas.

La solución de este problema primario (utilizando por

ejemplo el método gráfico) es X1 = 0, X2 = 3, con el

sobrante S1 = 2 del primer recurso mientras que el

segundo recurso se utiliza por completo, S2 = 0.

Los precios sombra son la solución del problema dual:

Minimizar 5U1 + 6U2

Sujeto a:

U1 + U2 >= -1

U1 + 2U2 >= 2

tanto U1 como U2 son no negativas.

72
La solución del problema dual (utilizando por ejemplo el

método gráfico) es U1 = 0, U2 = 1 que son los precios

sombra para el primer y el segundo recurso,

respectivamente. Fíjese que siempre que la holgura /

excedente de una restricción no es cero, el precio sombra

relacionado con ese RHS de la restricción es siempre

cero, pero puede no darse el caso contrario.

En este ejemplo numérico S1 = 2 (es decir, el valor de

holgura del RHS 1 del problema primario), que no es

cero; por lo tanto U1 es igual a cero tal como es de

esperar.

2.17.5. COMPORTAMIENTO DE LOS CAMBIOS EN LOS

VALORES RHS DEL VALOR ÓPTIMO

Para estudiar los cambios direccionales en el valor óptimo

con respecto a los cambios en el RHS (sin restricciones

redundantes y con todos los RHS > =0) distinguimos los

dos casos presentados a continuación:

Caso I: Problema de Maximización

Para restricción de >= cambio en la misma dirección. Vale

decir que un aumento en el valor RHS no produce una

disminución en el valor óptimo sino que éste aumenta o

73
permanece igual según la restricción sea obligatoria o no

obligatoria.

Para restricción de <= cambio en la dirección opuesta.

Vale decir que un aumento en el valor RHS no produce

un aumento en el valor óptimo sino que éste disminuye o

permanece igual según la restricción sea obligatoria o no

obligatoria.

Para restricción de = el cambio puede ser en cualquier

dirección (ver la sección Más por Menos en este sitio).

Caso II: Problema de Minimización

Para restricción de <= cambio en la dirección opuesta.

Vale decir que un aumento en el valor RHS no produce

un aumento del valor óptimo sino que éste disminuye o

permanece igual según la restricción sea obligatoria o no

obligatoria).

Para restricción de >= cambio en la misma dirección. Vale

decir que un aumento en el valor RHS no produce una

disminución del valor óptimo sino que éste aumenta o

permanece igual según la restricción sea obligatoria o no

obligatoria.

74
Para restricción de = el cambio puede ser en cualquier

dirección (ver la sección Más por Menos en este sitio).

2.17.6. INTERPRETACIÓN DEL PRECIO SOMBRA

El Precio Sombra indica cuánto cambiará la función

objetivo si cambiamos el lado derecho de la

correspondiente restricción. Esto normalmente se

denomina "valor marginal", "precios duales" o "valor dual"

para la restricción. Por lo tanto, el precio sombra puede

no coincidir con el "precio de mercado".

Por cada restricción del RHS, el Precio Sombra indica

exactamente cuánto cambiará la función objetivo, si se

cambia el lado derecho de la restricción correspondiente

dentro de los límites fijados por el rango de sensibilidad

del RHS.

Por consiguiente, por cada valor RHS, el precio sombra

es el coeficiente del cambio en el valor óptimo causado

por cualquier aumento o disminución admisible en el RHS

dentro del cambio admisible.

Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS

Dado que el cambio en el RHS está dentro del rango de

sensibilidad.

75
Desafortunadamente, existen interpretaciones erróneas

con respecto a la definición del precio sombra. Una de

ellas indica: "En los problemas de programación lineal, el

precio sombra de una restricción es la diferencia entre el

valor optimizado de la función objetivo y el valor de la

función objetivo, evaluada de manera opcional, cuando el

RHS de una restricción aumenta en una unidad". El último

sitio Web establece lo siguiente "Precios Sombra: los

precios sombra para un problema de programación lineal

son las soluciones para su correspondiente problema

dual. El precio sombra i° es el cambio en la función

objetivo que resulta del aumento en una unidad en la

coordenada i° de b. Un precio sombra también es el

monto que un inversor tendría que pagar por una unidad

de un recurso para comprarle la parte al fabricante."

2.17.7. PRECIOS SOMBRA ALTERNATIVOS

Supóngase que tenemos una PL que tiene una única

solución óptima. ¿Es posible tener más de un conjunto de

precios duales?

Sí, es posible. Considere el siguiente problema:

76
Minimizar 16X1 + 24X2

sujeto a:

X1 + 3X2 >= 6

2X1 + 2X2 >= 4

todas las variables de decisión > 0.

Su dual es:

Maximizar 6U1 + 4U2

sujeto a:

U1 + 2U2 <= 16

3U1 + 2U2 <= 24

todas las variables de decisión > 0,

Este problema dual tiene diversas soluciones alternativas,

tales como, (U1 = 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las

combinaciones convexas de estos dos vértices también

son soluciones.

Existen casos generales para los cuales los precios

sombra no son únicos. Como en el ejemplo anterior,

siempre que exista redundancia entre las restricciones, o

si la solución óptima es "degenerada", puede haber más

de un conjunto de precios duales. En general, las

77
restricciones lineales independientes son condición

suficiente para que exista un único precio sombra.

2.18. USOS Y APLICACIONES DE LOS MODELOS DE

OPTIMIZACION LINEAL

2.18.1. APLICACIONES GENERALES DE LA

OPTIMIZACIÓN LINEAL

En la práctica, de todos los métodos de optimización

conocidos, la programación lineal ha demostrado ser uno

de los más exitosos procedimientos cuantitativos

administrativos para la toma de decisiones.

Son numerosas las aplicaciones en la industria química,

de aerolíneas, del acero, del papel, del petróleo y muchas

otras, entre los problemas más importantes y útiles se

incluyen:

Programación de la producción.

Selección de medios.

Planeación financiera.

Inversiones de capital.

Transporte.

Localización de plantas.

Mezclas de productos.

78
Planeamiento de necesidades de personal.

Composición de mezclas.

Como sugiere esta diversidad de aplicaciones, la

programación lineal es una herramienta flexible de

resolución de problemas, buscando optimizar los

resultados.

2.18.2. APLICACIONES EN MERCADOTECNIA

Se puede utilizar la programación lineal para determinar

el mix adecuado de medios de una campaña de

publicidad. Supóngase que los medios disponibles son

radio, televisión y diarios. El problema es determinar

cuántos avisos hay que colocar en cada medio. Por

supuesto que el costo de colocación de un aviso depende

del medio elegido. El objetivo es minimizar el costo total

de la campaña publicitaria, sujeto a una serie de

restricciones. Dado que cada medio puede proporcionar

un grado diferente de exposición a la población meta,

puede haber una cota inferior con respecto a la

exposición de la campaña. Asimismo, cada medio puede

tener distintos ratings de eficiencia para producir

resultados deseables y por consiguiente puede haber una

79
cota inferior con respecto a la eficiencia. Además, puede

haber límites con respecto a la disponibilidad para

publicar en cada medio.

Las aplicaciones de programación lineal en

mercadotecnia son numerosas. En esta sección

analizaremos aplicaciones en la selección de medios y en

la investigación de mercados.

2.18.3. SELECCIÓN DE MEDIOS

Las aplicaciones de selección de medios en la

programación lineal están diseñadas para ayudar a los

administradores de mercadotecnia a asignar un

presupuesto fijo de publicidad a diversos medios.

Los medios potenciales incluyen periódicos, revistas,

radio, televisión y correo directo; en estas aplicaciones el

objetivo es maximizar el alcance, frecuencia y calidad

de la exposición.

Las restricciones sobre la asignación de recursos

permisible generalmente aparecen al considerar políticas

de la empresa, requisitos contractuales y disponibilidad

de medios. En la aplicación que sigue se ilustra cómo

80
puede formularse un problema de selección de medios y

resolverse utilizando un modelo de programación lineal.

Ejemplo:

Una empresa de promoción al turismo esta desarrollando

una comunidad habitacional a la orilla de un lago de

propiedad privada, el mercado principal para los terrenos

y casas a la orilla del lago que esperan vender incluye

todas las familias de ingresos medio y alto dentro de

aproximadamente 100 Km. a la redonda del proyecto. La

empresa ha contratado a la agencia de publicidad J&J

para diseñar la campana publicitaria.

Después de considerar posibles medios y el mercado a

cubrir, J&J ha recomendado que la publicidad del primer

mes se limite a cinco medios, al final del mes, J&J

reevaluara su estrategia con base en los resultados del

mes.

J&J ha reunido datos sobre la cantidad de clientes meta

potenciales, el costo por anuncio, el número máximo de

veces que cada uno de ellos esta disponible y la

evaluación de la calidad de la exposición de cada uno de

los cinco medios.

81
La evaluación de la calidad se mide en función de una

unidad de calidad de exposición, una medida del valor

relativo de un anuncio en cada medio, esta medida, que

se basa en la experiencia de J&J en el negocio de la

publicidad, toma en consideración factores como la

demografía del auditorio (edad, ingresos y educación del

auditorio alcanzado), la imagen presentada y la calidad

del anuncio. La información que se ha reunido se

presenta en el cuadro Nº 2.12.

La empresa turística autorizó a J&J un presupuesto de

publicidad de 30,000 dólares para la campaña del primer

mes, además, la empresa impuso las restricciones

siguientes sobre la forma en que J&J puede asignar estos

fondos; debe utilizar por lo menos 10 comerciales de

televisión, se deben alcanzar por lo menos 50,000

clientes potenciales y no pueden gastarse mas de 18,000

dólares en anuncios en televisión.

La pregunta es: ¿Que plan de selección de medios

deberá recomendarse?

SOLUCIÓN:

82
La decisión a tomar es cuantas veces utilizar cada uno de

los medios. Empezamos definiendo las variables de

decisión:

X1 = número de veces en que se utiliza la televisión

diurna

X2 = número de veces en que se utiliza la televisión

nocturna

X3 = número de veces en que se utiliza el periódico

cotidiano

X4 = número de veces en que se utiliza el periódico

dominical

X5 = número de veces en que se utiliza la radio

Los datos del cuadro Nº 2.12 sobre la calidad de la

exposición muestran que cada anuncio en televisión

diurna se clasifica en 65 unidades de calidad de

exposición, por lo que un plan publicitario con anuncios

de televisión diurna proporcionara un total de 65 X1

unidades de calidad de exposición.

Cuadro Nº 2.12.- ALTERNATIVAS DE MEDIOS DE

PUBLICIDAD PARA LA EMPRESA

83
Número de Número

clientes máximo de Unidades de

potenciales Costo por tiempo disponible calidad de

Medios de publicidad alcanzados anuncio por mes* exposición

1. Televisión diurna (1 min), estación WKLA 1000 $ 1500 15 65


2. televisión vespertina (30 seguntos), stación WKLA 2000 3000 10 90
3. Periódico diario (página completa) 1500 400 25 40
The Morning Journal

4. Revista dominical del periódico 2500 1000 4 60


(1/2 página a color)

The Sunday Press

5. Radio, noticias de las 8:00 A.M. o de las 300 100 30 20


5:00 P.M. (30 segundos), estación KNOP

* El máximo número de veces que está disponible el medio es el número máximo de veces que puede utilizarse el medio (por

ejemplo, cuatro domingos del medio 4) o el número máximo de veces que BP&J recomienda que se utilice cada uno

Continuando con los datos presentados en el cuadro Nº

2.12, encontramos que la televisión diurna (X1) está

clasificada en 65 unidades de exposición, la televisión

nocturna (X2) está clasificada en 90 unidades de

exposición, el periódico diario (X3) en 40; el dominical (X4)

en 60 y la radio (X5) en 20.

Con el objetivo de maximizar las unidades totales de

calidad de exposición para el plan general de selección de

medios, la función objetivo se convierte en:

84
Maximizar 65 X1 + 90 X2 + 40 X3 + 60 X4 + 20 X5

(calidad de la exposición).

A continuación se formula las restricciones para el modelo

a partir de la información dada:

X1 ≤ 15
X2 ≤ 10
X3 ≤ 25 Disponibilidad
X4 ≤ 4 de los medios
X5 ≤ 30
1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 ≤ 30,000 Presupuesto
X1 + X2 ≥ 10
1500 X1 + 3OOO X2 ≤ 18,000 Restricciones

deClientes
1000 X1 + 2000 X2 + 1500 X3 + 2500 X4 + 300 X5 ≥ 50,000 la televisión
Xi ≥ 0
La solución por computadora de este modelo de

programación lineal con cinco variables y nueve

restricciones aparece en el cuadro Nº 2.13.

Cuadro Nº 2.13.- LA SOLUCIÓN DE LINGO PARA EL PROBLEMA DE


LA EMPRESA DE TURISMO
Objective Function Value = 2370.000

85
Variable Value Reduced Costs

X1 10.000 0.000
X2 0.000 65.000
X3 25.000 0.000
X4 2.000 0.000
X5 30.000 0.000

Constraint Slack/Surplus Dual Prices


Disponibilidad de
1 5.000 0.000
los medios
2 10.000 0.000
3 0.000 16.000 Presupuesto
4 2.000 0.000
Restricciones de
5 0.000 14.000
6 0.000 0.060 la televisión
7 0.000 -25.000
Disponibilidad de
8 3000.000 0.000
9 11500.003 0.000 los medios

La solución óptima requiere que se distribuyan anuncios

entre televisión diurna, periódico diario, periódico

dominical y radio. El número máximo de unidades de

calidad de exposición es 2370 y el número total de

clientes alcanzados es de 61,500. La columna de costos

reducidos del cuadro Nº 2.13, indica que el número de

unidades de calidad de exposición para televisión

vespertina tendría que aumentar en por lo menos 65

antes que esta alternativa de medios pudiera aparecer en

la solución óptima; nótese que la restricción presupuestal

(restricción 6) tiene un precio dual de 0.060, significa que

86
un incremento de un dólar en el presupuesto de

publicidad llevará a un incremento de 0.06 unidades de

calidad de exposición.

El precio dual de -25.000 correspondiente a la restricción

7 indica que una reducción en el número de comerciales

en televisión aumentara la calidad de exposición del plan

de publicidad, por lo que la empresa turística debería

considerar la reducción del requisito de tener por lo

menos 10 comerciales de televisión.

Una posible limitación a este modelo es que, incluso si la

medida de calidad de exposición no estuviera sujeta a

error, no hay ninguna garantía que la maximización de la

calidad de exposición total lleve a una maximización de

las utilidades o de las ventas (un sustituto acostumbrado

de las utilidades). Sin embargo, esto no es un defecto de

la programación lineal sino un defecto en el uso de la

calidad de exposición como criterio. Si fuéramos capaces

de medir directamente el efecto de un anuncio sobre las

utilidades, podríamos utilizar la utilidad total como el

87
objetivo a maximizar, el plan de publicidad para la

empresa se presenta en el cuadro Nº 2.14.

Cuadro Nº 2.14.- PLAN DE PUBLICIDAD PARA LA EMPRESA

TURISTICA

Medios Frecuencia Presupuesto

Televisión diurna 10 $ 15.000

Periódico diario 25 10.000

Periódico dominical 2 2.000

Radio 30 3.000

$ 30.000

Clientes totales alcanzados = 61,500

Unidades de calidad de exposición = 2,370

2.18.4. INVESTIGACIÓN DE MERCADOS

Una organización lleva a cabo la investigación de

mercados para aprender lo relacionado con las

características de los consumidores, sus actitudes y

preferencias. A menudo, las empresas de investigación

de mercados que se especializan en obtener esta

información son las que llevan a cabo la investigación en

88
nombre de las organizaciones cliente. Los servicios

típicos ofrecidos por una empresa de investigación de

mercados incluyen el diseño del estudio, la conducción de

encuestas de mercado, el análisis de los datos

recolectados y la preparación de informes de resumen y

de recomendaciones para el cliente. En la fase del diseño

de la investigación pueden establecerse metas o cuotas

para el número y tipo de personas que deben

encuestarse.

El objetivo de la empresa de investigación de mercados

es conducir la encuesta de manera que se satisfagan las

necesidades del cliente a un costo mínimo.

Ejemplo:

MS&Cia se especializa en la evaluación de la reacción de

los consumidores a nuevos productos, servicios y

campañas publicitarias, una empresa cliente ha solicitado

la ayuda de MS para saber cuál es la reacción de los

consumidores ante un producto domestico recién

introducido en el mercado.

En reuniones con el cliente, MS estuvo de acuerdo en

efectuar entrevistas personales puerta por puerta para

89
obtener respuestas en hogares con niños y en hogares

sin niños, además MS estuvo de acuerdo en hacer

entrevistas tanto durante el día como durante la noche; de

manera específica, el contrato del cliente exigía que MS

realizara 1000 entrevistas bajo las siguientes guías de

acción.

1. Se entrevistaran por lo menos 400 hogares con niños.

2. Se entrevistaran por lo menos 400 hogares sin niños.

3. El número total de hogares entrevistados por la noche

debe ser por lo menos tan elevado como el de los

entrevistados durante el día.

4. Por lo menos 40% de las entrevistas en hogares con

niños deberán hacerse durante la noche.

5. Por lo menos 60% de las entrevistas en hogares sin

niños deberán efectuarse durante la noche.

Debido a que las entrevistas en hogares con niños

ocupan más tiempo del entrevistador, y debido a que los

entrevistadores de la noche cobran más que los diurnos,

el costo varía según el tipo de entrevista; con base en

estudios de investigaciones anteriores, las estimaciones

90
de los costos de entrevistas se indican en el cuadro Nº

2.15.

Cuadro Nº 2.15.- COSTOS DE LAS ENTREVISTAS

Concepto Costo de la entrevista


Hogar Día Noche

Con niños $20 $25

Sin niños $18 $20

¿Cual es el plan de entrevistas, tipo de hogar y hora del

día que satisface los requisitos del contrato, a un costo

total de entrevistas mínimo?

SOLUCIÓN:

Formulación del modelo

Al formular el modelo de programación lineal para el

problema MS se utilizará la siguiente notación de las

variables de decisión:

X1 = número de entrevistas diurnas en hogares con

niños.

X2 = número de entrevistas nocturnas en hogares con

niños.

X3 = número de entrevistas diurnas en hogares sin niños.

91
X4 = número de entrevistas nocturnas en hogares sin

niños.

Empezamos la formulación del modelo de programación

lineal utilizando los datos de costo por entrevista para

desarrollar la función objetivo;

Mínimizar 20 X1 + 25 X2 + 18 X3 + 20 X4

La restricción que requiere un total de 1000 entrevistas es

X1 + X2 + X3 + X4 = 1000

Las cinco especificaciones que definen los tipos de

entrevistas son las siguientes:

 Hogares con niños:

X1 + X2 ≥ 400

 Hogares sin niños:

X3 + X4 ≥; 400

 Por lo menos tantas entrevistas nocturnas como

diurnas:

X2 + X4 ≥ X1 + X3

El formato normal para la formulación de modelos de

programación lineal y de entrada a la computadora coloca

todas las variables de decisión del lado izquierdo de la

desigualdad y, del lado derecho, una constante

92
(posiblemente cero), por lo que volvemos a escribir esta

restricción de la forma

-X1 + X2 – X3 + X4 ≥ 0

 Por lo menos 40% de las entrevistas en hogares con

niños durante la noche:

X2 ≥ 0.4 (X1 + X2) o -0.4X1 + 0.6X2 ≥ 0

 Por lo menos 60% de las entrevistas en hogares sin

niños durante la noche:

X4 ≥ 0.6(X3 + X4) o -0.6 X3 + 0.4 X4 ≥ 0

Cuando agregamos los requisitos de no negatividad, el

modelo de programación lineal con cuatro variables y seis

restricciones se convierte en

Minimizar 20 X1 + 25 X2 + 18 X3 + 20 X4

Sujeto a

X1 + X2 + X3 + X4 = 1000 Entrevistas totales

X1 + X2 ≥ 400 Hogares con niños

X3 + X4 ≥ 400 Hogares sin niños

-X1 + X2 - X3 + X4 ≥ 0 Entrevistas nocturnas

-0.4 X1 + 0.6 X2 ≥ 0 Hogares en la noche

con niños

-0.6 X3 + 0.4 X4 ≥ 0 Hogares por la noche

93
sin niños

X1, X2, X3, X4 ≥ 0 variables no negativos

En el cuadro Nº 2.16 aparece el número total de

entrevistas, mientras que la solución por computadora de

este programa lineal aparece en el cuadro Nº 5.6 La

solución muestra que el costo mínimo de 20,320 dólares

ocurre con el siguiente programa de entrevistas.

Cuadro Nº 2.16.- NÚMERO TOTAL DE ENTREVISTAS

Número de entrevistas
Diurno Nocturno Totales
Hogar
240 160 400
Con niños
240 360 600
Sin niños
480 520 100
Totales
0

Cuadro Nº 2.17.- S0LUCIÓN DE LINGO AL PROBLEMA DE

INVESTIGACIÓN DE MERCADOS

Objective Function Value = 20320.000

94
Variable Value Reduced Costs

X1 240.000 0.000

X2 160.000 0.000

X3 240.000 0.000

X4 360.000 0.000

Constraint Slack/Surplus Dual Prices

1 0.000 -19.200

2 0.000 -2.800

3 200.000 0.000

4 40.000 0.000

5 0.000 -5.000

6 0.000 -2.000

Entonces, se programaran 480 entrevistas durante el día

y 520 durante la noche.

Los hogares con niños serán cubiertos mediante 400

entrevistas y los hogares sin niños serán cubiertos

mediante 600 entrevistas.

95
2.18.5. APLICACIONES FINANCIERAS

El problema del inversor podría ser un problema de

selección del mix de su cartera de inversiones. En

general, la variedad de carteras puede ser mucho mayor

que lo que indica el ejemplo y se pueden agregar muchas

más restricciones distintas. Otro problema de decisión

implica determinar la combinación de métodos de

financiación para una cantidad de productos cuando

existe más de un método de financiación disponible.

El objetivo puede ser maximizar las ganancias totales

cuando las ganancias de un producto determinado

dependen del método de financiación. Por ejemplo, se

puede financiar con fondos internos, con deuda a corto

plazo o con financiación intermedia (créditos

amortizados). Puede haber limitaciones con respecto a la

disponibilidad de cada una de las opciones de

financiación, así como también restricciones financieras

que exijan determinadas relaciones entre las opciones de

financiación a los efectos de satisfacer los términos y

condiciones de los préstamos bancarios o financiación

intermedia. También puede haber límites con respecto a

96
la capacidad de producción de los productos. Las

variables de decisión serían la cantidad de unidades que

deben ser financiadas por cada opción de financiación.

La programación lineal se ha aplicado en las finanzas, en

problemas que involucran presupuestos de capital,

decisiones de fabricar o comprar, asignación de activos,

selección de carteras, planeación financiera y muchos

más. En esta sección describiremos un problema de

selección de cartera y otro que involucra el financiamiento

de un programa de retiro acelerado.

2.18.5.1. SELECCIÓN DE CARTERA

Los problemas de selección de cartera implican

situaciones en las que un administrador finan-

ciero debe seleccionar inversiones especificas

por ejemplo acciones y bonos entre una

diversidad de alternativas de inversión. Los

administradores de fondos mutualistas,

uniones de crédito, aseguradoras y bancos

frecuentemente se encuentran ante este tipo

de problemas.

97
Por lo general, la función objetivo para los

problemas de selección de cartera es la

maximización de un rendimiento esperado o la

minimización de un riesgo, Comúnmente las

restricciones toman la forma de limitaciones en

lo que se refiere al tipo de inversiones

permisibles, las leyes estatales, las políticas de

la empresa, el riesgo máximo permisible, y así

sucesivamente; problemas de este tipo se han

formulado y resuelto utilizando una diversidad

de técnicas de programación matemática.

En esta sección se muestra como formular y

resolver un problema de selección de cartera

como un programa lineal.

Ejemplo:

Considere el caso de una financiera, acaba de obtener

100,000 dólares convirtiendo bonos industriales en

efectivo, y ahora está buscando otras oportunidades de

inversión para estos fondos. Con base en las inversiones

actuales de la financiera, el analista principal financiero de

la empresa recomienda que todas las nuevas inversiones

98
se efectúen en la industria petrolera, en la industria del

acero o en bonos del gobierno. Específicamente, el ana-

lista ha identificado cuatro oportunidades de inversión y

ha proyectado sus tasas de rendimiento anual, las

inversiones y las tasas de rendimiento aparecen en el

cuadro Nº 2.18.

La administración de la financiera ha impuesto las

siguientes guías de inversión.

1. Ninguna de estas industrias (petrolera o acero) debe

recibir más de 50,000 dólares.

2. Los bonos del gobierno deben ser por lo menos 25%

de las inversiones de la industria del acero.

3. En la inversión en Pacific Oil, la inversión de elevado

rendimiento, pero de alto riesgo, no puede ser

mayor de 60% de la inversión total en la industria

petrolera.

¿Que recomendaciones de cartera inversiones y montos

deberán darse para los 100,000 dólares disponibles?

SOLUCIÓN

Dado el objetivo de maximizar el rendimiento proyectado

sujeto a restricciones impuestas por razones

99
presupuestales y por la administración, respondemos a

esta pregunta formulando un modelo de programación

lineal. Su solución nos dará las recomendaciones de

inversión.

Sean las siguientes variables:

X1 = Dólares invertidos en Atlantic Oil

X2 = Dólares invertidos en Pacific Oil

X3 = Dólares invertidos en Midwest Oil

X4 = Dólares invertidos en Huber Steel

X5 = Dólares invertidos en bonos del gobierno

Cuadro Nº 2.18.- OPORTUNIDADES DE INVERSIÓN PARA

LA FINANCIERA

TASA DE RENDIMIENTO
Nº INVERSIÓN EN
PROYECTADO

01 Atlantic Oil 7.3 %

02 Pacific Oil 10.3 %

03 Midwest Oilw 6.4 %

04 Huber Steel 7.5 %

05 Bono del Gobierno 4.5 %

100
Utilizando las tasas de rendimiento proyectadas, que

aparecen en el cuadro Nº 2.18 se escribe la función

objetivo para la maximización del rendimiento total de la

cartera, de la forma:

Maximizar 0.073 X1 + 0.103 X2 + 0.064 X3 + 0.075 X4 + 0.045 X5

La restricción que se refiere a la especificaci6n de la

inversión de los 100,000 dólares se formula así:

X1 + X2 + X3 + X4 + X5 = 100,000

Las restricciones respecto a que ni la industria petrolera ni

la del acero deben recibir más de 50,000 dólares se

formulan de la siguiente manera:

X1 + X2 + X3 ≤50,000

X4 ≤50,000

El requisito de que los bonos del gobierno sean por lo

menos 25% de la inversión en la industria del acero, se

expresa de la forma:

X5 ≥ 0.25 (X4)

Es decir - 0.25 X4 + X5 ≥ 0

Finalmente, la restricción de que Pacific Oil no puede ser

mayor del 60% de la inversión total de la industria

petrolera es

101
X2 ≤ 0.60 (X1 + X2 + X3)

Es decir - 0.60 X1 + 0.40 X2 – 0.60 X3 ≤ 0

Al agregar las restricciones de no negatividad, obtenemos

el modelo de programación lineal completo

correspondiente al problema de inversión de la

Financiera, formulado de esta manera:

Máximizar 0.073X1+ 0.103X2 + 0.064X3 + 0.075X4+0.045X5

El problema se resolvió utilizando Lingo, el resultado

aparece en el cuadro Nº 2.19 en la que se muestra la

forma en que se dividen los fondos entre valores; observe

que la solución óptima indica que la cartera deberá

quedar diversificada entre todas las oportunidades de

inversión, excepto Midwest Steel. El rendimiento anual

proyectado para esta cartera es de 8,000 dólares, es

decir un rendimiento general de 8%.

Sujeto a:
X1 + X2 + X3 + X4 + X5 = 100,000 Fondos disponibles

X1 + X2 + X3 ≤ 50,000 Tope de la industria petrolera

X4 ≤ 50,000 Tope de la industria del acero

102
- 0.25X4 + X5 ≥ 0 Tope de los bonos del gobierno

-0.60X1 + 0.40X2 – 0.60 X3 ≤ 0 Restricción sobre Pacific Oil

X1, X2, X3, X4, X5 ≥ 0 Condición de no negatividad

También los resultados muestran que el precio dual de la

restricción 3 es cero. La razón es que el máximo de la

industria del acero no es un recurso limitante; los

incrementos en el límite de 50,000 dólares de la industria

del acero no mejoraran el valor de la función objetivo.

Cuadro Nº 2.19.- S0LUCIÓN CON LINGO PARA EL PROBLEMA

DE LA FINANCIERA

Objective Function Value = 8000.000


Variable Value Reduced Costs

X1 20000.000 0.000

X2 30000.000 0.000

X3 0.000 0.011

X4 40000.000 0.000

X5 10000.000 0.000

103
Constraint Slack/Surplus Dual Prices

1 0.000 0.069

2 0.000 0.022

3 1000.000 0.000

4 0.000 -0.024

5 0.000 0.030

De hecho, la variable de holgura para esta restricción

muestra que la inversión actual de la industria de acero

queda 10,000 dólares por debajo de su límite de 50,000.

Los precios duales para las demás restricciones son

diferentes de cero, que indica que estas restricciones si

tienen recursos limitantes.

El precio dual de 0.069 para la restricción 1 muestra que

la función objetivo se puede incrementar en 0.069, si se

puede tener disponible un dólar más para inversión en

cartera; si se pueden obtener mas fondos a un costo

menor de 6.9%, la administración debería pensar en su

obtención. Sin embargo, si es posible obtener un

rendimiento adicional de 6.9% invirtiendo fondos en algún

104
otro lugar (distinto de estas cuatro inversiones) la

administración deberá poner en cuestionamiento la

validez de invertir la totalidad de los 100,000 dólares en

esta cartera.

Se pueden dar interpretaciones similares a los demás

precios duales. Note que el precio dual de la restricción 4

es negativa en -0.024; este resultado indica que al

aumentar el valor del lado derecho de la restricción en

una unidad se puede esperar que la función objetivo

empeore en 0.024. Esto es, en términos de la cartera

óptima, si Welte invierte un dólar adicional en bonos del

gobierno (más allá del requisito mínimo) el rendimiento

total se reducirá en $0,024. Para ver por que ocurre esta

reducción, observe de nuevo, del precio dual de la

restricción 1, que el rendimiento marginal de los fondos

invertidos en la cartera es 6.9% (el rendimiento promedio

es 8%).

La tasa de rendimiento de los bonos del gobierno es de

4.5%, por lo que el costo de invertir un dólar adicional en

bonos del gobierno es la diferencia entre los rendimientos

marginales de la cartera y de los bonos del gobierno:

105
6.9% - 4.5% = 2.4%.

Note que la solución optima muestra que Midwest Steel

no deberá incluirse en la cartera (X3 = 0). El costo

reducido asociado de 0.011 para X3 nos indica que el

coeficiente de la función objetivo de Midwest Steel tendrá

que aumentar en 0.011 antes de poder considerar como

aconsejable la alternativa de invertir en Midwest Steel.

Con este aumento, el rendimiento de Midwest Steel seria

de 0.064 + 0.011 = 0.075, lo que haría que esta inversión

fuera igual de deseable que la alternativa de inversión de

Huber Steel (actualmente seleccionada).

Finalmente, una modificación simple del modelo de

programación lineal de la financiera nos permite

determinar, en valor fraccionario, la parte de los fondos

disponibles invertidos en cada valor. Esto es, dividimos

entre 100,000 cada uno de los valores del lado derecho;

entonces, los valores óptimos de las variables nos darán

la fracción de los fondos que deberán invertirse en cada

una de los valores, para una cartera de cualquier tamaño.

2.18.5.2. PLANEAMIENTO FINANCIERO

106
La programación lineal se ha utilizado para una

diversidad de aplicaciones de plantación fi-

nanciera. El Método Cuantitativo en Acción:

Uso de Programación Lineal para la

Estructuración Optima de Arrendamientos,

describe la forma en que la programación lineal

optimiza la estructura de un arrendamiento

apalancado.

Ejemplo:

La Positiva ha establecido un programa para planes de

retiro anticipado como parte de su reestructuración

corporativa. Al cierre del periodo de aplicación voluntaria,

68 empleados habían elegido un retiro anticipado, como

resultado de estos planes de retiro anticipado.

La empresa ha incurrido durante los siguientes 8 años en

las siguientes obligaciones mostradas en el cuadro Nº

2.20.

Cuadro Nº 2.20.- NECESIDADES DE EFECTIVO

107
Años 1 2 3 4 5 6 7 8

Nec.de

efectivo 430 210 222 231 240 195 225 255

(miles de

soles)

Las necesidades de efectivo (en miles de soles) deben

desembolsarse al principio de cada año.

El tesorero corporativo debe determinar cuanto dinero

debe apartar hoy para cumplir con las obligaciones

financieras a 8 años conforme venzan, el plan financiero

del programa de retiro incluye inversiones en bonos del

gobierno, así como en ahorro, las inversiones en bonos

del gobierno se limitan a tres alternativas presentadas en

el cuadro Nº 2.21.

Cuadro Nº 2.21.- INVERSIÓN EN BONOS DEL GOBIERNO

Tipo de Bonos Precio por Tasa de Años hasta

del Gobierno Bono Rendimiento vencimiento

$ %

01 1150 8.875 5

02 1000 5.500 6

03 1350 11.750 7

108
Los bonos del gobierno tienen un valor a la par de 1000

dólares, lo que significa que incluso teniendo precios

diferentes, cada bono pagara 1,000 dólares al

vencimiento. Las tasas mostradas se basan en el valor a

la par. Para efectos de planeación, el tesorero ha

supuesto que cualquier fondo no invertido en bonos se

colocara en ahorro y ganara interés a la tasa anual de

4%.

SOLUCIÓN

Se definen las variables de decisión de la siguiente

manera:

F = dólares totales requeridos para cumplir con la

obligación a 8 años del plan de retiro

B1 = unidades del bono 1 adquiridas (valor a la par

= $1000)

B2 = unidades del bono 2 adquiridas (valor a la par

= $1000)

B3 = unidades del bono 3 adquiridas (valor a la par

= $1000)

Si = inversión en ahorros al principio del año i para i = 1,. ,8

109
La función objetivo es minimizar los dólares totales

necesarios para cumplir con la obligación a 8 años del

plan de retiro, es decir:

Minimizar F

Una característica clave de este tipo de problema de

planeación financiera es que existe una restricción para

cada uno de los años en el horizonte de planeamiento, en

general, cada restricción toma la forma:

Fondos disponibles _ Fondos invertidos en = Obligación en efectivo


al principio del año bonos y ahorros para el año actual

Definimos F como los fondos disponibles al principio del

año 1, con un precio actual de 1,150 dólares para el fondo

1 y las inversiones expresadas en miles de dólares; la

inversión total para Bl unidades del bono 1 sería 1.15B1

De manera similar, la inversión total en los bonos 2 y 3

sería de 1B2 y de 1.35B3 respectivamente. La inversión

en ahorro para el año 1 es S1 Utilizando estos resultados

y la obligación del primer Año de 430, obtenemos la

restricción para el año 1:

F - 1.15B1- B2- 1.35B3- S1- 430 = 430 Año 1

110
Las inversiones en bonos solo pueden ocurrir este primer

año y se conservarán hasta su vencimiento.

Los fondos disponibles al principio del Año 2 incluyen los

rendimientos sobre la inversión del monto 8.875% del

valor a la par del bono 1, 5.5% del valor a la par del bono

2, 11.75% del valor a la par del bono 3 y 4% del ahorro.

Para el Año 2 el nuevo monto a invertir en ahorro es S2.

Con una obligación de 210, la restricción para el Año 2

es:

0.08875B1 + 0.055B2 + 0.1175B3 - 1.04S1 - S2 = 210 Año 2

Similarmente, las restricciones para los años 3 a 8 son:

0.08875B1+ 0.055B2 + 0.1175B3-1.04S2-S3 = 222 Año 3

0.08875B1+ 0.055B2 + 0.1175B3-1.04S3 -S4 = 231 Año 4

0.08875B1+ 0.055B2 + 0.1175B3- l.04 S4 -S5 = 240 Año 5

1.08875B1+ 0.055B2 + 0.1175B3-1.04 S5 -S6 = 195 Año 6

1,055B2 + 0.1175B3-1.04 S6 -S7 = 225 Año 7

1.1175B3-1.04S7-S8 = 255 Año 8

Observe que la restricción correspondiente al Año 6

muestra que los fondos disponibles del bono 1 son

iguales a 1.08875B1 El coeficiente 1.08875 refleja que el

bono 1 vence al final del Año 5; como resultado, al

111
principio del Año 6 quedara disponible el Valor par del bo-

no 1, más el interés durante el Año 5.

También, puesto que el bono 1 vence en el Año 5 y

queda disponible para usarse al principio del Año 6, la

variable B1 ya no aparece en las restricciones de los años

7 y 8; note una interpretación similar para el bono 2, que

vence al final del año 6 y deja el valor par más el interés

disponible al principio del Año 7. Además, el bono 3

vence al final del Año 7, dejando el valor par, mas su

interés, disponibles al principio del Año 8.

Finalmente, observe que en la restricción correspondiente

al año 8 aparece una variable S8. La obligación

correspondiente al fondo de retiro se terminara a principio

del Año 8, por lo que anticipamos que S8 será igual a

cero y no se hará ninguna inversión en ahorro. Sin

embargo, la formulación incluye a S8, en caso de que los

ingresos por bonos, mes los intereses del ahorro del año

7 excedan la necesidad de 255 de efectivo para el Año 8.

Por lo que S8 es una variable de excedente, que mostrara

cualquier fondo que quede después de haber satisfecho

las necesidades de efectivo del año 8.

112
La solución del programa lineal con 12 variables y 8

restricciones aparece en el cuadro Nº 2.22, con el valor

de función objetivo de 1 728 794, la inversión total

requerida para cumplir con la obligación a 8 años del plan

de retiro es de 1, 728,794 dólares.

Utilizando los precios actuales de 1150, 1000 y 1350

dólares respectivamente para cada uno de los bonos,

podemos resumir la inversión inicial en los tres bonos

como sigue:

Cuadro Nº 2.22.- INVERSIÓN INICIAL EN LOS TRES BONOS

Bono Valor de la variable de decisión Monto de la inversión

1 B1=144.988 $1150 (144.988) = $ 166.736

2 B2=187.856 $1000 (187.856) = $ 187.856

3 B3=228.188 $1350 (228.188) = $ 308.054

La solución óptima mostrada en el cuadro Nº 2.23

muestra que todas las variables de decisión S1, S2, S3 y

S4 son superiores a cero, lo que indica que en cada uno

de los cuatro primeros años es necesario hacer inversión

en ahorro. Sin embargo, en los años 6 hasta el 8 con el

interés de los bonos, mas sus vencimientos, serán

113
suficientes para cubrir las necesidades de efectivo del

programa de retiro.

En esta aplicación los precios duales tienen una

interpretación interesante; cada valor del lado derecho

corresponde al pago que deberá efectuarse ese año.

Note que los precios duales son negativos, lo que indica

que en cualquier año, una reducción del pago resultaría

benéfica porque los fondos totales necesarios para la

obligación del programa de retiro serian inferiores.

Cuadro Nº 2.23.- S0LUCIÓN DE LINGO PARA EL PROBLEMA DE LA

POSITIVA

Objective Function Value = 1728.79385

Variable Value Reduced Costs

F 1728.79385 0.00000

B1 144.98815 0.00000

B2 187.85585 0.00000

B3 228.18792 0.00000

S1 636.14794 0.00000

S2 501.60571 0.00000

S3 349.68179 0.00000

S4 182.68091 0.00000

114
S5 0.00000 0.06403

S6 0.00000 0.01261

S7 0.00000 0.02132

S8 0.00000 0.67084

Constraint Slack/Surplus Dual Prices

1 0.00000 -1.00000

2 0.00000 -0.96154

3 0.00000 -0.92456

4 0.00000 -0.88900

5 0.00000 -0.85480

6 0.00000 -0.76036

7 0.00000 -0.71899

8 0.00000 -0.67084

La solución también muestra que se colocaran en ahorro

636,148 dólares (véase S1) al principio del primer año.

Empezando con 1, 728,794 dólares la empresa puede

efectuar las inversiones especificadas en bonos y ahorro,

y tener el suficiente sobrante para cumplir con la

necesidad de efectivo del primer año del programa de

retiro, que es de 430,000 dólares.

115
2.18.6. APLICACIONES EN LA ADMINISTRACIÓN DE LA

PRODUCCIÓN Y DE LAS OPERACIONES

Muchas veces en las industrias de proceso, una materia

prima en particular puede transformarse en una gran

variedad de productos. Por ejemplo, en la industria

petrolera, el crudo puede refinarse para producir nafta,

kerosene, aceite para calefaccionar y distintas clases de

aceite para motor. Según el margen de ganancia actual

de cada producto, el problema es determinar la cantidad

que se debería fabricar de cada producto. Esta decisión

está sujeta a numerosas restricciones tales como límites

de las capacidades de diversas operaciones de refinado,

disponibilidad de materia prima, demandas de cada

producto y políticas gubernamentales con respecto a la

fabricación de determinados productos. En la industria de

productos químicos y de procesamiento de alimentos

existen problemas similares.

Se han desarrollado muchas aplicaciones de

programación lineal para la administración de la

producción y de las operaciones, incluyendo la

programación de la producción, necesidades de personal,

116
control de inventarios y planeamiento de la capacidad. En

esta sección se explican los siguientes casos: decisiones

de fabricar o comprar, programación de la producción y

asignación de la mano de obra.

2.18.6.1.DECISIÓN DE FABRICAR O COMPRAR

Ilustramos el uso de un modelo de programación

lineal para determinar cuanto, de cada una de

las diversas partes componentes, debe producir

la empresa, y cuanto deberá adquirir de un

proveedor externo. Este tipo de decisión se

conoce como una decisión de fabricar y/o

comprar.

Ejemplo:

La Compañía vende varios productos para

oficina y de ingeniería. Actualmente, se está

preparando la introducción de dos nuevas

calculadoras: una para el mercado de oficinas,

llamada Financial Manager; y otra para el

mercado de ingeniería conocida como

Technician.

117
Cada calculadora tiene tres componentes: una

base, un cartucho electrónico y una carátula o

parte superior. En ambas calculadoras se utiliza

la misma base, pero los cartuchos y las

carátulas son diferentes. La empresa puede

fabricar todos los componentes, o puede

adquirirlos de proveedores externos. Los costos

de manufactura y los precios de adquisición de

los componentes se resumen en el cuadro Nº

2.24.

Los encargados de pronósticos en la compañía

indican que serán necesarias 3000 calculadoras

Financial Manager y 2000 Technician. Sin

embargo, la capacidad de producción está

limitada. La empresa cuenta con 200 horas de

tiempo normal de fabricación y 50 horas de

tiempo extra, que pueden utilizarse para la

fabricación de calculadoras. El tiempo extra

implica un sobrecosto, a un costo adicional de 9

dólares la hora, el cuadro Nº 2.25 muestra los

118
tiempos de fabricación (en minutos) de dichos

componentes.

El problema para la compañía es determinar

cuántas unidades de cada componente

manufacturar y cuántas adquirir.

SOLUCIÓN

Definimos las variables de decisión como sigue:

BM = número de bases fabricadas

BP = número de bases adquiridas

FCM = número de cartuchos Financial fabricados

FCP = número de cartuchos Financial adquiridos

TCM = número de cartuchos Technician fabricados

TCP = número de cartuchos Technician adquiridos

FTM = número de carátulas Financial fabricadas

FTP = número de carátulas Financial adquiridas

TTM = número de carátulas Technician fabricadas

TTP = número de carátulas Technician adquiridas

119
Cuadro Nº 2.24.- COSTOS DE MANUFACTURA Y PRECIOS DE

ADQUISICIÓN PARA LOS COMPONENTES DE LAS

CALCULADORAS DE JANDERS

Costo por unidad

Manufactura

Componente (Tiempo normal) Adquisición

Base $ 0.50 $ 0.60

Cartucho Financial 3.75 4.00

Cartucho Technician 3.30 3.90

Carátula Financial 0.60 0.65

Carátula Technician 0.75 0.78

Cuadro Nº 2.25.- TIEMPO EN MINUTOS DE MANUFACTURA POR

UNIDAD DE LOS COMPONENTES DE LAS CALCULADORAS DE

JANDERS

Tiempo de

Componente manufactura

Base 1.0

Cartucho Financial 3.0

Cartucho Technician 2.5

120
Carátula Financial 1.0

Carátula Technician 1.5

Es necesaria una variable de decisión adicional para

determinar las horas de tiempo extra que se deberán

programar:

OT = número de horas de tiempo extra a programar

La función objetivo es minimizar el costo total,

incluyendo costos de manufactura de adquisición y de

tiempo extra.

Utilizando los datos de costo unitario de la tabla Nº

7.10 y la tasa de costo por tiempo extra de 9 dólares

la hora, escribimos la función objetivo de la forma:

Minimizar 0.5BM + 0.6BP + 3.15FCM + 4FCP + 3.31TCM +

3.9TCP

+ Q.6FTM + Q.65FTP + 0.15TTM + 0.787TP + 9OT

Las cinco primeras restricciones definen la cantidad

que se debe obtener de cada componente para

satisfacer la demanda de 3000 calculadoras Financial

Manager y 2000 Technician. Se necesita un total de

121
5000 bases, y el volumen de los otros dos

componentes depende de la demanda de cada

calculadora en particular. Las cinco restricciones de

demanda son:

BM + BP = 5000 Bases

FCM + FCP = 3000 Cartuchos Financial

TCM + TCP = 2000 Cartuchos Technician

FTM + FTP = 3000 Carátulas Financial

TTM + TTP = 2000 Carátulas Technician

Se necesitan dos restricciones para garantizar que no

se exceda la capacidad de producción en tiempo

tanto normal como extra. La primera restricción limita

la capacidad del tiempo extra a 50 horas, es decir:

OT≤ 50

La segunda restricción dice que el tiempo total de

manufactura necesario para todos los componentes

debe ser menor que o igual a la capacidad total de

producción, incluyendo tiempo normal y extra. El

tiempo de manufactura de los componentes se

expresa en minutos, por lo que expresamos la

restricción de capacidad total de producción en

122
minutos, convirtiéndose las 200 horas de capacidad

de tiempo normal en 60(200) = 12,000 minutos. En

este momento el tiempo extra necesario es

desconocido, por lo que escribiremos el tiempo extra

como 60OT minutos. Utilizando los tiempos de

manufactura del cuadro Nº 7.14, se desarrolla la

restricción:

BM + 3FCM + 2.5TCM + FTM + 1.5TTM ≤ 12,000 + 60OT

Pasando la variable de decisión correspondiente al

tiempo extra al lado izquierdo de la restricción,

obtenemos la restricción por capacidad de

producción:

BM + 3FCM + 2.5TCM + FTM + 1.5TTM - 60OT ≤ 12,000

La formulación completa del problema de fabricar o

adquirir incluyendo todas las variables de decisión

mayores que o igual a cero se formula de la siguiente

manera:

Minimizar 0.5BM + 0.6BP + 3.15FCM + AFCP + 3.3TCM +3.9TCP +

0.6FTM + 0.65FTP + 0.757TM + 0.787TP + 9OT

Sujeto a:
BM + JSP = 5000 Bases

123
FCM + FCP = 3000
Cartuchos financial
TCM + TCP = 2000
Cartuchos Technician
FTM + FTP = 3000
Carátulas Financial
TTM + TTP = 2000
Carátulas Technician
OT ≤ 50 Horas de
tiempo extra
BM + 3FCM + 2.5TCM + FTM + 1.5TTM - 60OT ≤ 12,000 Capacidad
de Produc.
La solución por computadora de este programa lineal

con 11 variables y 7 restricciones aparece en el

cuadro Nº 2.26.

La solución óptima indica que deben fabricarse la

totalidad de las 5000 bases (BM), 667 cartuchos

Financial Manager (FCM) y 2000 cartuchos

Technician (TCM). Los restantes 2333 cartuchos

Financial Manager (FCP), todas las carátulas

Financial Manager (FTP) y todas las carátulas

Technician (TTP) deberán ser adquiridas. No es

necesario tiempo extra de manufactura y el costo total

asociado con el plan óptimo de fabricar o adquirir es

de 24,443.33 dólares.
124
El análisis de sensibilidad nos da alguna información

adicional sobre la capacidad de tiempo extra no

utilizada. La columna de costos reducidos muestra

que el sobrecosto de tiempo extra (OT) tendría que

disminuir en 4 dólares la hora, antes de que pudiera

considerarse producción en tiempo extra. Esto es, si

el sobrecosto por tiempo extra es $9 - $4 = $5 o

menos, la compañía pudiera desear reemplazar parte

de los componentes adquiridos por componentes fa-

bricados en tiempo extra.

El precio dual para la restricción por capacidad de

producción es decir la séptima, es 0.083. Este precio

indica que una hora adicional de capacidad de

manufactura vale $0.083 por minuto, es decir

($0.083)(60) = $5 por hora. El rango de factibilidad de

la restricción 7 muestra que esta conclusión es válida

hasta que el total del tiempo ordinario se eleve a

19,000 minutos, es decir a 316.7 horas.

125
También indica el análisis de sensibilidad que una

modificación a los precios cargados por los

proveedores externos puede afectar la solución

óptima.

Por ejemplo, el rango de optimalidad del coeficiente

de la función objetivo para BP es de 0.583, sin límite

superior. Si el precio de adquisición de las bases se

mantiene en $0.583 o más, el número de bases

adquiridas (BP) se conservará en cero.

Sin embargo, si el precio de adquisición baja por

debajo de $0.583, la compañia debería empezar a

adquirir las bases en lugar de fabricarlas. Se pueden

llegar a similares conclusiones de análisis de

sensibilidad sobre los rangos de precio de adquisición

de los demás componentes.

Cuadro Nº 2.26.- LA SOLUCIÓN DE LINGO EL PROBLEMA

DE FABRICAR O ADQUIRIR DE JANDERS

Objective Function Value = 24443,333

Variable Value Reduced Costs

126
BM 5000,000 0,000

BP 0,000 0,017

FCM 666,667 0,000

FCP 2333,333 0,000

TMC 2000,000 0,000

TCP 0,000 0,392

FMT 0,000 0,033

FTP 3000,000 0,000

TTM 0,000 0,095

TTP 2000,000 0,000

OT 0,000 4,000

Constraint Slack/Surplus Dual Prices

1 0,000 -0,583

2 0,000 -4,000

3 0,000 -3,508

4 0,000 -0,650

5 0,000 -0,780

6 50,000 0,000

7 0,000 0,083

2.18.6.2.PROGRAMACIÓN DE LA PRODUCCIÓN

127
Una de las aplicaciones de mayor importancia

en la programación lineal se ocupa de la

planeación de la producción para varios

periodos.

La solución a un problema de programación de

la producción, permite a la administración

establecer un programa eficiente a bajo costo

para uno o más productos durante varios

periodos (semanas o meses); esencialmente un

problema de programación de la producción se

puede ver como un problema de mezclas de

productos para cada uno de los diferentes

periodos en el futuro, el gerente debe determinar

los niveles de producción que le permitan a la

empresa cumplir con las necesidades de la

demanda del producto, dadas las restricciones o

limitaciones en capacidad de producción,

capacidad de mano de obra, espacio de

almacenamiento, y, al mismo tiempo, minimizar

el costo total de producción.

128
Una ventaja del uso de la programación lineal

para problemas de programación de la pro-

ducción es que éstos son recurrentes.

Se debe definir un programa de producción para

el mes actual y después de nuevo para el mes

siguiente, para el mes después del siguiente, y

así sucesivamente.

Cuando se estudia el problema cada mes, el

gerente de producción encontrará que, aunque

haya cambiado la demanda de los productos,

los tiempos de producción, las capacidades de

producción, las limitaciones de espacio de

almacenamiento, etc., son aproximadamente los

mismos, por lo que básicamente se está

resolviendo el mismo problema manejado en

meses anteriores y con frecuencia se puede

aplicar un modelo de programación lineal de tipo

general para el proceso de programación de la

producción.

Una vez formulado el modelo, el gerente puede

simplemente aportar los datos de demanda,

129
capacidades, etc. correspondientes a un periodo

de producción dado y utilizar repetidamente el

modelo de programación lineal para elaborar el

programa de producción, a continuación veamos

el caso de Manufacturas S.A..

Ejemplo:

Manufacturas S.A. produce dos componentes

electrónicos para un importante fabricante de

motores de avión, cada trimestre dicho

fabricante notifica a la oficina de ventas de

manufacturas sus necesidades mensuales de

componentes de los tres meses siguientes, que

pueden variar de manera considerable

dependiendo del tipo de motor que el fabricante

de motores esté produciendo.

La orden mostrada en el cuadro Nº 2.27 se

acaba de recibir los pedidos para los siguientes

tres meses.

Una vez procesada la orden, se envía una

notificación de demanda al departamento de

130
control de la producción, que entonces debe

desarrollar un plan de producción a tres meses

de los componentes.

Para llegar al programa deseado, el gerente de

producción deseará identificar

1. El costo total de la producción,

2. El costo de mantener inventario,

3. El costo de cambio de nivel de la producción.

Al desarrollar el modelo, supongamos que Xim

representa el volumen de producción en

unidades del producto i en el mes m.

Aquí i = 1, 2, y m = 1, 2, 3; i = 1 se refiere al

componente 322A, i = 2 al componente 802B, m

= 1 a abril, m = 2 a mayo y m = 3 a junio. El pro-

pósito de este doble subíndice es obtener una

notación más descriptiva.

Cuadro Nº 2.27.- PROGRAMA DE PRODUCCIÓN

PARA TRES MESES

Componente Abril Mayo Junio

322 A 1000 3000 5000

131
802 B 1000 500 3000

La notación x23 es más descriptivo,

identificando directamente producto y mes

representados en la variable (producto 2, mes

3).

Si el componente 322A cuesta 20 dólares por

unidad producida y el componente 802B, 10 por

unidad producida, la parte del costo de

producción total de la función objetivo es:

Costo de producción total = 20x11 + 20x12 + 20x13 + 10x21 + 10x22 + 10x23

En vista de que el costo de producción por

unidad es igual todos los meses, no es

necesario que incluyamos los costos de

producción en la función objetivo; esto es,

independientemente del programa de

producción que se seleccione, el costo de

producción total se conservará; en otras

palabras, los costos de producción no son

relevantes en la decisión de programación de la

producción bajo consideración.

132
En aquellos casos en los que se espera que el

costo de producción por unidad cambie todos

los meses, los costos variables por unidad de

producción de cada mes se deberán incluir en

la función objetivo. Dado que la solución para el

problema de Bollinger Electronics será la

misma, independientemente de que se incluyan

o no estos costos, los hemos incluido de forma

que la función objetivo de la programación lineal

incluya todos los costos asociados con el

problema.

A fin de incorporar los costos de mantener

inventarios en el modelo, hacemos que s¡m re-

presente el nivel de inventarios del producto i al

final del mes m. Manufacturas ha determinado

que, en base mensual los costos de mantener

inventarios son de 1.5% del costo del producto;

esto es, (0.015)($20) = $0.30 por unidad en lo

que se refiere al componente 322A, y

(0.015)($10) = $0.15 por unidad en lo que se

refiere al componente 802B.

133
Una hipótesis común que se hace al utilizar el

procedimiento de programación lineal para la

programación de la producción, es que los

inventarios finales mensuales son una

aproximación aceptable a los niveles de

inventarios promedio a lo largo del mes.

Utilizando esta hipótesis, se asume que la

porción del costo de mantener inventarios de la

función objetivo, es de la forma:

Costo mantener inventarios = 0.30s11 + 0.30s12 + 0.30S13 + 0.15s21 + 0.15S22

+0.15S23

Para incorporar los costos de las fluctuaciones

en los niveles de producción de un mes a otro,

es necesario que definamos dos variables

adicionales:

Im = incremento en el nivel de producción

necesario durante el mes m

Dm = reducción en el nivel de producción total

necesario durante el mes m

134
Después de estimar el efecto por separación de

personal, rotación de personal, costos de capa-

citación por reasignación y otros costos

asociados con niveles fluctuantes de producción,

la empresa estima que el costo asociado con un

incremento del nivel de producción para cualquier

mes es de $0.50 por unidad; el costo

correspondiente, asociado con una reducción en

el nivel de producción para cualquier mes es de

$0.20 por unidad, por lo que la tercera parte de la

función objetivo es de la forma:

Costos por cambio en niveles de producción =

0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3

Note que el costo asociado con los cambios en

niveles de producción es una función del cambio

en el número total de unidades producidas en el

mes m, comparadas con el número total de

unidades producidas en el mes m - 1.

En otras aplicaciones de programación de la

producción se pueden medir las fluctuaciones en

135
el nivel de producción en función de horas

máquina u horas de mano de obra requeridas, en

lugar de hacerlo en términos del número total de

unidades producidas.

Combinando los tres costos, la función objetivo

completa se convierte en:

Minimizar 20x11 + 20x12 + 20x13 + 10x21 + 10x22 +

10x23 + 0.30s11 + 0.3s12 + 0.30s13 + 0.15s21 + 0.15s22

+ 0.15s23 + 0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2

+ 0.20D3

Respecto a las restricciones, primero se debe

garantizar que el programa cumpla con la

demanda del cliente; dado que las unidades

embarcadas pueden provenir de la producción

del mes actual o del inventario excedente de

meses anteriores, el requisito de demanda es de

la forma:

136
 Inventario 
   Inventario 
 final   producción     Demanda 
 
 del mes   actual  
  final de    
    este mes   
de este mes
  
 anterior 
 

Suponga que los inventarios al principio del

periodo de programación de 3 meses fueran de

500 unidades para el componente 322A y de 200

unidades para el componente 8O2B. La demanda

para ambos productos en el primer mes (abril) fue

de 1000 unidades, por lo que las restricciones

para cumplir la demanda del primer mes se

convierten en:

500 + x11 – s11 =


1000
200 + X21 - S21 =
1000
Pasando las constantes al lado derecho se tiene:

x11 - s11 = 500

x21 - s21 = 800

137
De manera similar, necesitaremos restricciones

de demanda para ambos productos en el se-

gundo y en el tercer mes, las escribimos como

sigue:

Mes 2

S11 - x12 – s12 = 300

S21 - x22 – s22 = 500

Mes 3

S12 - x13 – s13 = 5000

S22 - x23 – s23 = 3000

Si la empresa define un nivel mínimo de

inventario al final del periodo de 3 meses de por

lo menos 400 unidades del componente 322A y

200 unidades del componente 802B, podemos

agregar las restricciones:

s13  400

s23  200

Suponga que tenemos la siguiente información

adicional sobre la capacidad de máquinas, mano

de obra y de almacenamiento que se muestran

en el cuadro Nº 2.28.

138
Las necesidades de máquina, mano de obra y

almacenamiento para los componentes 322a y

802b se detalla en el cuadro Nº 2.29.

Cuadro Nº 2.28.- CAPACIDADES DE MÁQUINA,

MANO DE OBRA Y ALMACENAMIENTO PARA

MANUFACTURAS

Cap. Cap. de Cap. de

Mes máquina m. o. almac.

(horas) (horas) (pies2)

Abril 400 300 10,000

Mayo 500 300 10,000

junio 600 300 10,000

Cuadro Nº 2.29.- NECESIDADES DE MÁQUINA,

MANO DE OBRA Y ALMACENAMIENTO PARA

LOS COMPONENTES 322A Y 802B

Máquina Mano de obra Almacenamiento


Componente
(horas/unidad) (horas/unidad) (pies2 /unidad)

322A 0.10 0.05 2

802B 0.08 0.07 3

139
Las siguientes restricciones son necesarias para

reflejar estas limitaciones.

Capacidad de máquina

0.10x11 + 0.08x21  400 Mes 1

0.10x12 + 0.08x22  500 Mes 2

0.10x13 + 0.08x23  600 Mes 3

Capacidad de mano de obra

0.05x11 + 0.07 x21  300 Mes 1

0.05x12 + 0.07 x22  300 Mes 2

0.05x13 + 0.07 x23  300 Mes 3

Capacidad de almacenamiento

2S11 + 3S21  10,000 Mes 1

2s12 + 3S22  10,000 Mes 2

2s13 + 3s23  10,000 Mes 3

A fin de garantizar que Im y Dm reflejen el

aumento o disminución en el nivel de producción

total del mes m, deberá agregarse un conjunto

final de restricciones. Suponga que los niveles de

producción para marzo, el mes anterior al inicio

del periodo actual de programación de la pro-

140
ducción, han sido de 1500 unidades del

componente 322A y de 1000 unidades del

componente 802B, con un nivel total de

producción de 1500 + 1000 = 2500 unidades. Se

determina el cambio en la producción para abril a

partir de la relación:

Producción de abril - Producción de marzo = Cambio

Utilizando las variables de producción de abril,

x11 y x21 y la producción de marzo de 2500

unidades se tiene:

(x11 + x21) - 2500 = Cambio

El cambio puede ser positivo o negativo, un

cambio positivo reflejará un incremento en el nivel

total de la producción, mientras que uno negativo

reflejará una reducción en el nivel total de

producción; se puede utilizar el incremento en la

producción para abril, I1 y la reducción para abril,

D1, a fin de definir la restricción por cambio en la

producción total del mes de abril:

(x11 + x21) - 2500 = I1 - D1

141
Naturalmente, durante un mismo mes no se

puede tener simultáneamente incremento y

reducción en producción, por lo que, ya sea I1 o

D1 será igual a 0.

Por ejemplo, si abril necesita 3000 unidades de

producción, I1 = 500 y D1 = 0

Si abril necesita 2200 unidades de producción, I2

= 00 y D2 = 300

Este procedimiento de identificar el cambio del

nivel de producción como la diferencia entre dos

variables no negativas, I1 y D1 permite cambios

tanto positivos como negativos en el nivel total de

producción.

Si se hubiera utilizado una sola variable (por

ejemplo, cm) para representar el cambio del nivel

de producción, en vista del requerimiento de no

negatividad, sólo hubieran sido posibles cambios

positivos.

Aplicando el mismo procedimiento en mayo y

junio (restando siempre la producción total del

mes anterior de la producción total del mes

142
actual) obtenemos las restricciones del segundo y

tercer mes del periodo de programación de la

producción:

(x12 + x22) - (x11 + x21) = I2 –

D2

(x13 + x23) - (x12 + x21) = I3 –

D3

Ordenando las variables del lado izquierdo y las

constantes del lado derecho, obtenemos el juego

completo de lo que comúnmente se conoce como

restricciones de suavización de la producción:

x11 + x21 - I1 + D1 = 2500

x11 - x21 + x12 + x22 - I2 + D2 = 0

- x12 - x22 + x13 + x23 - I3 + D3 = 0

El problema inicialmente bastante reducido, de 2

productos y 3 meses de programación, ahora ha

crecido hasta un problema de programación lineal

con 18 variables y 20 restricciones. Note que en

este problema sólo hay la preocupación por un

tipo de proceso de máquina, un tipo de mano de

obra y un tipo de área de almacenamiento. Los

143
problemas reales de programación de la

producción por lo general implican varios tipos de

máquinas, varios grados de mano de obra o

varias áreas de almacenamiento que requieren

programas lineales a gran escala. Por ejemplo,

un problema que involucre 100 productos, que

requieren de un periodo de 12 meses puede

alcanzar más de 1000 variables y restricciones.

En el cuadro Nº 2.30 se presenta la solución por

computadora del problema de programación de la

producción de Manufacturas, en tanto que el

cuadro Nº 2.31 contiene una parte del informe a

la administración basado en la solución por

computadora.

144
Cuadro Nº 2.30.- LA SOLUCIÓN DE LINGO PARA

EL PROBLEMA DE MANUFACTURAS

Objetive Function Value = 225295,000

Variable Value Reduced Costs

X11 500,000 0,000

X12 3200,000 0,000

X13 5200,000 0,000

X21 2500,000 0,000

X22 2000,000 0,000

X23 0,000 0,128

S11 0,000 0,172

S12 200,000 0,000

S13 400,000 0,000

S21 1700,000 0,000

S22 3200,000 0,000

S23 200,000 0,000

I1 500,000 0,000

I2 2200,000 0,000

I3 0,000 0,072

D1 0,000 0,700

D2 0,000 0,700

D3 0,000 0,628

145
Constraint Slack/Surplus Dual Prices

1 0,000 -20,000

2 0,000 -10,000

3 0,000 -20,128

4 0,000 -10,150

5 0,000 -20,428

6 0,000 -10,300

7 0,000 -20,728

8 0,000 -10,450

9 150,000 0,000

10 20,000 0,000

11 80,000 0,000

12 100,000 0,000

13 0,000 1,111

14 40,000 0,000

15 4900,000 0,000

16 0,000 0,000

17 8600,000 0,000

18 0,000 0,500

19 0,000 0,500

146
20 0,000 0,428

Cuadro Nº 2.31.- INFORME A LA ADMINISTRACIÓN SOBRE LA

PRODUCCIÓN Y EL USO DE LOS RECURSOS PARA EL TRIMESTRE

Actividad Abril Mayo Junio

Producción

Componente 322A 500 3,200 5,200

Componente 802B 2,500 2,000 0

Totales 3 5,200 5,200

Inventario final

Componente 322A 0 200 400

Componente 802B 1,700 3,200 200

Uso de máquina

Horas programadas 250 480 520

Horas de capacidad libres 150 20 80

Uso de mano de obra

Horas programadas 200 300 260

Horas de capacidad libres 100 0 40

Almacenamiento

Almacenamiento programado 5,100 10,000 1,400

Capacidad libre 4,900 0 8,600

Costo total de producción, de $225.295

147
inventarios y de suavización

de la producción =

Los costos de aumentar o reducir el volumen total de

producción tienden a suavizar las variaciones

mensuales; de hecho, el programa de costo mínimo

exige un incremento de 500 unidades en la producción

total de abril y un aumento de 2200 unidades en la

producción total de mayo. El nivel de 5200 unidades de

producción de mayo se retiene entonces durante junio.

La sección de uso de máquinas del informe muestra una

amplia capacidad de máquina en todos los tres meses;

sin embargo, en el mes de mayo la capacidad de maño

de obra se utiliza totalmente (holgura = 0 para la

restricción 13), el precio dual muestra que en mayo una

hora adicional de capacidad de mano de obra mejoraría

la función objetivo (costo inferior) en aproximadamente

1.11 dólares.

Un modelo de programación lineal para un sistema de

producción de dos productos y de tres meses puede dar

148
información valiosa por lo que se refiere a identificar un

programa de producción a costo mínimo.

En sistemas de producción más grandes, en los que el

número de variables y de restricciones es demasiado

elevado para llevar un control manual, los modelos de

programación lineal pueden representar una ventaja

significativa en el desarrollo de programas de

producción que ahorren costos.

Aquí se muestra cómo pueden ser los modelos de

programación lineal grandes para aplicaciones que

involucren la programación de la producción.

2.18.7. ASIGNACIÓN DE LA FUERZA DE TRABAJO

Los problemas de asignación de la fuerza de trabajo

ocurren con frecuencia cuando los gerentes de

producción deben tomar decisiones que involucren

requerimientos de personal para un periodo de

planeación dado.

Las asignaciones de la fuerza de trabajo a menudo tienen

algo de flexibilidad, y por lo menos parte del personal

149
puede asignarse a más de un departamento o centro de

trabajo.

Éste es el caso cuando a los empleados se les ha dado

capacitación cruzada en dos o más puestos o, por

ejemplo, cuando puede transferirse personal de ventas de

una a otra tienda.

En la aplicación que sigue se muestra cómo utilizar la

programación lineal para determinar no sólo cuál es la

mezcla óptima del producto, sino también cuál es la

asignación óptima de la fuerza de trabajo.

El ejemplo de Manufacturing Company, que fabrica dos

productos con contribuciones a la utilidad por unidad de

$10 y $9 respectivamente.

En el cuadro Nº 2.32 aparecen las necesidades de mano

de obra por unidad producida y las horas totales de mano

de obra disponible por personal asignado a cada uno de

los cuatro departamentos.

Cuadro Nº 2.32.- HORAS DE MANO DE OBRA DEPARTAMENTAL

POR UNIDAD Y HORAS TOTALES DISPONIBLES PARA

MANUFACTURING COMPANY

Horas de mano de obra por unidad

150
Total de horas

Departamento Producto 1 Producto 2 disponibles

1 0,65 0,95 6 500

2 0,45 0,85 6 000

3 1,00 0,70 7 000

4 0,15 0,3 1 400

El número de horas disponibles en cada departamento es

fijo, entonces se formula el problema de Manufacturing

Company como un programa lineal estándar de mezclas

de productos, con las siguientes variables de decisión:

P1 = unidades del producto 1

P2 = unidades del producto 2

La solución óptima al modelo de programación lineal

aparece en el cuadro Nº 2.33, y Nº 2.34, en las cuales se

mencionan que se necesitan 5744 unidades del producto

1, 1795 unidades del producto 2 y se obtiene una utilidad

total de 73,590 dólares.

Cuadro Nº 2.33.- SOLUCIÓN DE LINGO PARA EL PROBLEMA DE

MANUFACTURAS SI NO ESTAN PERMITIDAS LAS

TRANSFERENCIAS

151
DE LA FUERZA DE TRABAJO

Objetive Function Value = 3589,744

Variable Value Reduce Costs

P1 5743,590 0,000

P2 1794,872 0,000

Constraint Slack Dual Prices

1 1061,538 0,000

2 1889,744 0,000

3 0,000 8,462

4 0,000 10,256

Con esta solución óptima, los departamentos 3 y 4 están

operando a plena capacidad y los departamentos 1 y 2

tienen una holgura de aproximadamente 1062 y de 1890

horas, respectivamente. Pudiéramos prever que la mezcla

de productos cambiaría y que la utilidad total aumentaría

si fuera posible revisar la asignación de la fuerza de

trabajo de manera que la holgura, es decir las horas libres

152
de los departamentos 1 y 2, pudiera transferirse a los que

actualmente trabajan a plena capacidad. Sin embargo, el

gerente de producción pudiera encontrarse ante la

incertidumbre de cómo reasignar la fuerza de trabajo

entre los cuatro departamentos.

Ampliando el modelo de programación lineal a fin de

incluir variables de decisión que nos ayuden a determinar

la asignación óptima de la fuerza de trabajo, además de

una mezcla de productos que maximice a la utilidad.

Suponga que la compañía tiene un programa de

capacitación cruzada que permite que algunos empleados

puedan ser transferidos entre departamentos.

Aprovechando estas habilidades de capacitación cruzada,

un número limitado de empleados y de horas de mano de

obra pueden transferirse de un departamento a otro. Por

ejemplo, la capacitación cruzada permite transferencias

según se puede observar en el cuadro Nº 2.34, donde se

muestra que algunos empleados que están asignados al

departamento 1 tienen capacidades cruzadas en el

cuadro N° 2.35, que les permite pasar al departamento 2

o al 3.

153
La columna del lado derecho muestra que, para el

periodo de planeación de la producción actual, es posible

transferir un máximo de 500 horas del departamento 1.

Para los departamentos 2, 3 y 4 se muestran capacidades

de transferencia cruzadas similares.

Cuadro Nº 2.34.- SOLUCIÓN PARA EL PROBLEMA MANUFACTRAS

SI ESTAN PERMITIDAS TRANSFERENCIAS DE LA FUERZA DE

TRABAJO

Objetive Function Value = 73589,744

Variable Value Reduce Costs

P1 5743,590 0,000

P2 1794,872 0,000

Constraint Slack/Surplus Dual Prices

1 1061,538 0,000

2 1889,744 0,000

3 0,000 8,462

4 0,000 10,256

Cuadro Nº 2.35.- CAPACIDAD POR CAPACITACIÓN CRUZADA

E INFORMACIÓN DE CAPACIDADES

154
Transferencias por capacitación cruzada

permitidas al departamento

Del Horas máximas

departamento 1 2 3 4 transferibles

1 -- si si -- 400

2 -- -- si si 800

3 -- -- -- si 100

4 si si -- -- 200

Cuando las asignaciones de la fuerza de trabajo son

flexibles, no sabemos automáticamente cuántas horas de

mano de obra deberían asignarse o transferirse de cada

departamento. Es necesario que, para tomar en

consideración estos cambios, agreguemos variables de

decisión al modelo de programación lineal.

Sean:

bi = horas de mano de obra asignadas al departamento i,

para i = 1, 2, 3 y 4

tij = horas de mano de obra transferidas del departamento

i al j

155
Con la adición de las variables de decisión b1 b2, b3 y b4,

se escribe las restricciones por capacidad para los cuatro

departamentos, según sigue:

0.65P1 + 0.95P2  b1

0.45P1 + 0.85P2  b2

1.00P1 + 0.70P2  b3

0.15P1 + 0.30P2  b4

Dado que b1 b2, b3 y b4 son ahora variables de decisión,

se sigue la práctica normal de poner las variables del lado

izquierdo de las desigualdades, entonces las primeras

cuatro restricciones del modelo de programación lineal

son:

0.65P1 + 0.95P2 – b1  0

0.45P1 + 0.85P2 – b2  0

1.00P1 + 0.70P2 – b3  0

0.15P1 + 0.30P2 –b4  0

Las horas de mano de obra finalmente asignadas a cada

departamento deben determinarse mediante una serie de

ecuaciones de equilibrio de mano de obra.

156
Es decir, de restricciones que incluyan el número de

horas inicialmente asignadas a cada departamento, más

el número de horas transferidas al departamento, y

menos el número de horas transferidas fuera del

departamento.

Utilizando como ejemplo el departamento 1,

determinamos la asignación de la fuerza de trabajo de

acuerdo a la siguiente fórmula:

 Horas   Horas   Horas 


     
b1   inicialmente en    transferidas al    transferidos del 
 el departamento 1  departamento 1  departamento 1 
     

Utilizando las variables de decisión de transferencia ti1

para identificar las transferencias hacia el departamento

1, y t1j para identificar las transferencias del

departamento 1.

En el cuadro Nº 2.36 se muestra que la capacidad de

capacitación cruzada respecto al departamento 1 está

restringida a transferencias del departamento 4 (variable

t41) y transferencias hacia el departamento 2 o del 3

(variables t12 y t13). Por lo que podemos expresar la

157
asignación total de la fuerza de trabajo del departamento

1 de la forma:

b1 = 6500 + t41 – t12 – t13

Pasando las variables de decisión de transferencia de la

fuerza de trabajo al lado izquierdo, tenemos la ecuación o

restricción de equilibrio de maño de obra

b1 - t41 + t12 + t13 = 6500

Esta forma de restricción será necesaria para cada uno

de los cuatro departamentos. Por lo que al modelo se

añadirían las siguientes restricciones de equilibrio de

maño de obra para los departamentos 2, 3 y 4.

b2 – t12 – t42 + t23 + t24 = 6000

b3 – t13 – t23 + t34 = 7000

b4 – t24 – t34 + t41 + t42 = 1400

Finalmente, dado que en el cuadro Nº 2.37 se ve que es

limitado el número de horas que pueden ser transferidas

de cada departamento, debe agregarse la restricción por

capacidad de transferencia para cada uno de los cuatro

departamentos. Estas restricciones adicionales son:

t12 + t13  400

t23 + t24  800

158
t34  100

t41 + t42  200

El modelo de programación lineal completo tiene 2

variables de decisión de producción (P1 y P2), 4 variables

de asignación de fuerza de trabajo de departamentos (b1,

b2, b3 y b4), 7 variables de transferencia (t12, t13, t23, t24, t34,

t41 y t42) y 12 restricciones.

159
Cuadro Nº 2.36.- SOLUCIÓN DE LINGO PARA EL PROBLEMA DE

TRANSFERNCIA DE CAPACIACION CRUZADA

Objective Function Value 84011.229

Variable Valué Reduced Costs

Pl 6824.859 0.000

P2 1751.412 0.000

Bl 6100.000

0.000

B2 5200.000 0.000

B3 8050.847 0.000

B4 1549.153 0.000

T41 0.000 7.458

T12 0.000 8.249

T13 400.000 0.000

T42 0.000 8.249

T23 650.847 0.000

T24 149.153 0.000

T3 4 0.000 0.000

Contraint Snack/Surplus Dual

Prices

1 0.000 0.791

160
2 640.113 0.000

3 0.000 8.249

4 0.000 8.249

5 0.000 0.791

6 0.000 0.000

7 0.000 8.249

8 0.000 8.249

9 0.000 7.458

10 0.000 8.249

11 100.000 0.000

12 200.000 0.000

161
Interpretación de resultados:

La utilidad de la empresa puede aumentar de 10,421

dólares a 84,011 dólares, aprovechando la capacitación

cruzada y transferencias de la fuerza de trabajo. La

mezcla óptima de productos de 6825 unidades del

producto 1 y 1751 unidades del producto 2 se puede

conseguir siempre que se transfieran t13 = 400 horas del

departamento 1 al 3; t23 = 751 del departamento 2 al 3; y

t24 = 149 horas del departamento 2 al 4. Las asignaciones

resultantes de la fuerza de trabajo para los depar-

tamentos 1 a 4 alcanzarán 6100, 5200, 8051 y 1549

horas respectivamente. El modelo de programación lineal

de esta sección automáticamente asigna empleados y

horas de maño de obra a los departamentos de la manera

más redituable posible.

2.18.8. APLICACIONES DE MEZCLAS DE PRODUCTOS

Siempre que se realice el trabajo de combinar dos o más

recursos para producir uno o más productos se dan

problemas de mezclas.

162
En estas situaciones, los recursos contienen uno o más

ingredientes esenciales que deben mezclarse y dar

productos terminados, que contendrán porcentajes

específicos de cada uno de ellos.

En la mayoría de estas aplicaciones, la administración

debe decidir cuánto debe adquirir de cada recurso para

satisfacer las especificaciones del producto y las

demandas del mismo a un costo mínimo.

Los problemas de mezclas ocurren con frecuencia en las

industrias: petrolera (la combinación de crudos para

producir gasolinas de distintos octanajes), la industria

química (la mezcla de productos químicos para producir

fertilizantes o herbicidas), la industria alimentaria (la

mezcla de ingredientes para producir refrescos, sopas y

otros) entre los más comunes.

En esta sección se ilustra la manera de aplicar la

programación lineal a un problema de mezclas en la

industria petrolera.

Ejemplo:

La Oil Company produce gasolina normal y extra para

estaciones de servicio independientes, la refinería

163
produce las gasolinas mezclando tres componentes de

petróleo, las gasolinas se venden a distintos precios y los

componentes de petróleo tienen costos diferentes.

El objetivo de la empresa es determinar cómo mezclar los

tres componentes en las dos clases de gasolinas,

maximizando las utilidades.

Los datos disponibles muestran que la gasolina normal

puede venderse a un dólar por galón y la extra a $1.08

por galón; para el periodo actual de planeación de la

producción, la empresa puede obtener los tres

componentes de petróleo al costo por galón y en las

cantidades mostradas en el cuadro Nº 2.37; las

especificaciones del producto para las gasolinas normal y

extra limitan las cantidades de cada componente que se

pueden utilizar en cada gasolina, en el cuadro Nº 2.38 se

precisa las especificaciones de los productos.

Los compromisos actuales con los distribuidores

requieren que la empresa produzca por lo menos 10,000

galones de gasolina normal.

El problema de mezclas de la compañía es determinar

cuántos galones de cada componente deberán utilizar en

164
la mezcla de gasolina normal y cuántos en la de gasolina

extra.

Cuadro Nº 2.37.- COSTO Y SUMINISTRO DE PETRÓLEO

PARA EL PROBLEMA DE MEZCLAS

Componente del petróleo Costo / galón Máximo disponible

1 $0.50 5,000 galones

2 $0.60 10,000 galones

3 $0.84 10,000 galones

Las especificaciones del producto se dan a continuación:

Cuadro Nº 2.38.- ESPECIFICACIONES DE PRODUCTO PARA EL

PROBLEMA DE MEZCLAS

Producto Especificaciones

Gasolina normal máximo 30% del componente 1

mínimo 40% del componente 2

máximo 20% del componente 3

mínimo 25% del componente 1

Gasolina extra máximo 40% del componente 1

mínimo 30% del componente 1

SOLUCIÓN

165
La solución de mezcla óptima deberá maximizar la

utilidad de la empresa, sujeto a las restricciones de

suministros disponibles de petróleo que aparecen en el

cuadro Nº 7.26, a las especificaciones de los productos

que aparecen en el cuadro Nº 7.27 y a los 10,000

galones requeridos de gasolina normal.

Definimos las variables de decisión de la forma:

xij = cantidad de galones del componente i utilizados en

la gasolina j

Donde i = 1, 2 ó 3 para los componentes 1, 2 ó 3

y j = r, si es normal o j = p si es extra

Entonces las seis variables de decisión son:

X1r = galones del componente 1 en la gasolina normal

X2r = galones del componente 2 en la gasolina normal

X3r = galones del componente 3 en la gasolina normal

X1p = galones del componente 1 en la gasolina extra

X2p = galones del componente 2 en la gasolina extra

X3p = galones del componente 3 en la gasolina extra

El total de galones producidos de cada tipo de gasolina es

la suma del número de galones producidos utilizando

cada uno de los tres componentes de petróleo.

166
Total de galones producidos:

Gasolina normal = x1r + x2r + x3r

Gasolina extra = x1p + x2p +x3p

Los galones totales de cada componente de petróleo se

calculan de una manera similar. Uso total de

componentes de petróleo

Componente 1 = x1r + x1p

Componente 2 = x2r + x2p

Componente 3 = x3r + x3p.

Se desarrolla la función objetivo de maximizar la

contribución a la utilidad, identificando la diferencia entre

el ingreso total proveniente de ambas gasolinas y el costo

total de los tres componentes de petróleo. Al multiplicar el

precio por galón de un dólar por el total de galones de

gasolina normal y el precio por galón de $1.08 por el total

de galones de gasolina extra, y el costo por galón de los

componentes, según las cifras del cuadro Nº 2.39 por los

galones totales de cada uno de los componentes

utilizados, se obtiene la función objetivo:

Maximizar 1.00 (x1r + x2r + x3r) + 1.08 (x1p + x2p + x3p)

167
- 0.50(x1r + x1p) - 0.60(x2r + x1p) - 0.84(x3r + x3p)

Una vez combinados los términos, la función objetivo se

convierte en

Maximizar 0.50x1r + 0.40x2r + 0.16x3r + 0.58x1p +

0.48x2p + 0.24x3p

Las limitaciones y la disponibilidad de los tres

componentes de petróleo son:

x1r + x1p  5,000 componente 1

x2r + x2p  10,000 componente 2

x3r + x3p  10,000 componente 3

Ahora se requieren seis restricciones para cumplir con las

especificaciones de producto enunciadas en el cuadro Nº

2.40.

La primera especificación precisa que para la gasolina

normal, el componente 1 no puede representar más de

30% del total de galones de gasolina normal producida.

X1r  0.30 (x1r + x2r + x3r)

Si volvemos a escribir esta restricción con las variables

del lado izquierdo y una constante del lado derecho

queda:

0.70x1r - 0.30x2r - O.3Ox3r  0

168
La especificación del segundo producto listado en el

cuadro Nº 7.27 se convierte en:

x2r  0.40(x1r + x2r + x3r)

y por lo tanto:

-0.40x1r + 0.60x2r - 0.40x3r  0

De manera similar, se precisa las cuatro especificaciones

de mezcla restantes que se enlistan en el cuadro Nº 4.27

de la forma:

-0.20x1r - 0.20x2r + O.8Ox3r 0


+ 0.75x1p - 0.25x2p, - 0.25x3p  0
-0.40x1p + 0.60x2p - 0.40x3p 0
-0.30x1p - 0.30x2p + O.7Ox3p  0
La restricción de por lo menos 10,000 galones de

gasolina normal es

x1r + x2r + x3r  10,000

El modelo de programación lineal completo, con seis

variables de decisión y diez restricciones se formula de la

siguiente manera:

Max. 0.50x1r + 0.40x2r + 0.16x3r + 0.58x1p + 0.48x2p, + 0.24x3p

Sujeto a:

x1r + x1p  5,000


x2r + x2 p  10,000

169
x3r x3 p  10,000
-0.70x1r - 0.30x2r - 0.30x3r  0
-0.40x1r - 0.60x2r - 0.40x3r  0
-0.20x1r - 0.20x2r - 0.80x3r  0
0.75x1p – 0.25x3 p – 0.25x3 p  0
-0.40x1p – 0.60x3 p – 0.40x3 p  0
0.30x1p – 0.30x3 p – 0.70x3 p  0

1r + x2r + x3r > 0

x1r, x2r, x3r, x1p, x2p, x3p  0


La solución por computadora del problema de mezclas de

la compañía aparece en el cuadro Nº 2.39.

Cuadro Nº 2.39.- SOLUCIÓN PARA EL PROBLEMA DE MEZCLAS

DE LA EMPRESA

Objective Function Value = 9300.000

variable Value Reduced Costs

X1R 0.000 0.000

X2R 8000.000 0.000

X3R 2000.000 0.000

X1R 5000.000 0.000

X2R 2000.000 0.000

X3R 8000.000 0.000

Constraint Slack/Surplus Dual Prices

170
1 0.000 0.580

2 0.000 0.480

3 0.000 0.240

4 3000.000 0.000

5 4000.000 0.000

6 0.000 0.000

7 1250.000 0.000

8 4000.000 0.000

9 3500.000 0.000

10 0.000 -0.080

La solución óptima, con una utilidad de 9,300 dólares, la

estrategia óptima de mezclado se presenta en el cuadro

Nº 2.40, en la que se detalla que deben producirse 10,000

galones de gasolina normal y 15,000 galones de la

gasolina extra.

Cuadro Nº 2.40.- SOLUCIÓN DE MEZCLAS DE GASOLINA

Galones de componente

Gasolina Componente Componente Componente Total

1 2 3

Normal 0 8000 2000 10.000

Extra 5000 2000 8000 15.000

171
La gasolina normal debe manufacturarse como la

combinación de 8000 galones del componente 2 y de

2,000 galones del componente 3. Los 15,000 galones de

gasolina extra se elaborarán como una mezcla de 5000

galones del componente 1, 2000 galones del

componente 2 y 8000 galones del componente 3.

La interpretación de las variables de holgura y de

excedente asociadas con las restricciones de la

especificación de producto (restricciones 4 a 9) necesita

alguna aclaración. Si la restricción es tipo <=, el valor de

la variable de holgura se puede interpretar como los

galones de uso del componente por debajo de la cantidad

máxima del uso de componentes especificado por la

restricción.

Por ejemplo, la holgura de 3000.000 de la restricción 4

muestra que el uso del componente 1 está 3000 galones

por debajo de la cantidad máxima del componente 1 que

podría haberse utilizado en la producción de 10,000

galones de gasolina normal.

172
Si la restricción por especificación de producto es tipo ,

una variable de excedente mostraría los galones de uso

del componente por encima de la cantidad mínima de uso

especificado por la restricción de mezcla. Por ejemplo, el

excedente de 4000.000 de la restricción 5 muestra que el

uso del componente 2 es de 4000 galones por encima de

la cantidad mínima del componente 2 que debe usarse en

la producción de 10,000 galones de gasolina normal.

2.19. CASOS EMPRESARIALES DE APLICACIÓN DE LA

OPTIMIZACIÓN LINEAL

2.19.1. CASO PROGRAMACION DE LA PRODUCCION EN

UNA EMPRESA TEXTIL

a) DESCRIPCIÓN DEL PROBLEMA

La Compañía Peruana de Textiles S.A. elabora cinco

tipos de tela, cada una de ellas puede tejerse en uno o

más de los 38 telares de la fábrica. El departamento de

ventas ha pronosticado demanda para el mes siguiente

como se muestra en el cuadro Nº 2.41.

Cuadro Nº 2.41.- DEMANDA Y PRECIO DE LAS TELAS

Demanda Precio de venta Costo variable Precio de adq.

Tela Yardas Dólares/Yarda Dólares/Yarda Dólares/Yarda

173
1 16500 0.99 0.66 0.80

2 22000 0.86 0.55 0.70

3 62000 1.10 0.49 0.60

4 7500 1.24 0.51 0.70

5 62000 0.70 0.50 0.70

La fábrica opera las 24 horas al día y está programada

para 30 días durante en el mes siguiente.

La fábrica tiene 2 tipos de telares: dobbie y normal, los

primeros son más versátiles y pueden utilizarse para

producir las 5 telas. Los telares normales solo pueden

producir 3 de las telas. Hay un total de 38 telares: 8

dobbies y 30 normales. En el cuadro Nº 2.42 se da la

producción de cada una de las telas en cada tipo de telar.

Cuadro Nº 2.42.- PRODUCCIÓN POR TIPO DE TELAR

Velocidad del Telar (yardas/hora)

Tipo Tela Dobbie Normal

1 4.63 --

2 4.63 --

3 5.23 5.23

4 5.23 5.23

5 4.17 4.17

Las telas 1 y 2 solo pueden manufacturarse en el telar

dobbie

174
El tiempo requerido para producir una tela a otra es

despreciable, y no merece ser tomado en consideración.

La empresa satisface toda la demanda, ya sea con tela

propia o con tela adquirida de otra fábrica. Esto es, las

telas que no pueden ser tejidas en la planta debido a

limitaciones en la capacidad de los telares, se adquirirán

de otra fábrica.

b) PLANTEAMIENTO DEL PROBLEMA

DEFINICION DE VARIABLES

Xij = Yardas de tela del tipo i a producir el mes siguiente

en la maquina j

(i = 1, 2, 3, 4,5) (j = 1(dobbie), 2(normal))

Yi = Yardas de tela del tipo i a comprar el mes siguiente

(j=1, 2, 3, 4,5)

z=utilidad

En el cuadro Nº 2.43 se describe las variables para la

producción de tela.

Cuadro Nº 2.43.- DESCRIPCIÓN DE VARIABLES PARA

PRODUCCION

Variable Descripción Variable Descripción

175
Variable Descripción Variable Descripción

X11 Yardas de Tela de Tipo X12 Yardas de Tela de Tipo

1 Producidas por el 1 Producidas por el

Telar Dobbie Telar Normal

X21 Yardas de Tela de Tipo X22 Yardas de Tela de Tipo

2 Producidas por el 1 Producidas por el

Telar Dobbie Telar Normal

X31 Yardas de Tela de Tipo X32 Yardas de Tela de Tipo

3 Producidas por el 1 Producidas por el

Telar Dobbie Telar Normal

X41 Yardas de Tela de Tipo X42 Yardas de Tela de Tipo

4 Producidas por el 1 Producidas por el

Telar Dobbie Telar Normal

X51 Yardas de Tela de Tipo X52 Yardas de Tela de Tipo

5 Producidas por el 1 Producidas por el

Telar Dobbie Telar Normal

En el cuadro Nº 2.44 se describe las variables para la

compra de tela.

Cuadro Nº 2.44.- DESCRIPCIÓN DE VARIABLES PARA

COMPRAS

176
Variable Descripción

Y1 Yardas de Tela de Tipo 1

Compradas

Y2 Yardas de Tela de Tipo 2

Compradas

Y3 Yardas de Tela de Tipo 3

Compradas

Y4 Yardas de Tela de Tipo 4

Compradas

Y5 Yardas de Tela de Tipo 5

Compradas

En el cuadro Nº 2.45 se detalla las horas disponibles por

telar.

Cuadro Nº 2.45.- HORAS POR DISPONIBLES POR

TELARES

Maquin Velocidad del telar yardas/hora Disponibilidad de Horas

T1 T2 T3 T4 T5 q h/día d/me Tot hrs

Dobbie 4.63 4.63 5.23 5.23 4.17 8 24 30 5760

Normal 0 0 5.23 5.23 4.17 30 24 30 21600

177
Donde T1, T2, T3, T4 y T5 son los telares; q la cantidad

de telares.

c) MODELO PARA PROGRAMAR LA PRODUCCIÓN

CON EL SOFTWARE LINGO

Xij = Yardas de tela del tipo i a producir el mes siguiente

en la maquina:

(i = 1,2,3,4,5) (j = 1(dobbie), 2(normal))

Yi = Yardas de tela del tipo i a comprar el mes siguiente

(i=1, 2, 3, 4, 5)

z=utilidad

Max = (0.99-0.66)*X11 + (0.86-0.55)*X21 + (1.10-0.49)*X31 +

(1.24-0.51)*X41 + (0.70-0.50)*X51 + (1.10-0.49)*X32 + (1.24-

0.51)*X42 + (0.70-0.50)*X52 + (0.99-0.80)*Y1 + (0.86-

0.70)*Y2 + (1.10-0.60)*Y3 + (1.24-0.70)*Y4 + (0.70-0.70)*Y5;

! HORAS MAQUINA DISPONIBLE DE LOS TELARES


DOBBIE;

(1/4.63)*X11 + (1/4.63)*X21 + (1/5.23)*X31 + (1/5.63)*X41 +


(1/4.17)*X51 <= 24*8*30;

178
! HORAS MAQUINA DISPONIBLE DE LOS TELARES
NORMALES;
(1/5.23)*X32 + (1/5.23)*X42 + (1/4.17)*X52 <= 24*30*30;

¡DEMANDA DE TELAS!
X11 + Y1 = 16500; Demanda de tela tipo 1;
X21 + Y2 = 22000; Demanda de tela tipo 2;
X31 + X32 + Y3 = 62000; Demanda de tela tipo 3;
X41 + X42 + Y4 = 7500; Demanda de tela tipo 4;
X51 + X52 + Y5 = 62000; Demanda de tela tipo 5;
d) SOLUCIÓN CON EL PROGRAMA LINGO

El programa Lingo versión 10.0, provee la solución al

modelo lineal planteado, en el cuadro Nº 2.46 se aprecia

la solución.

Cuadro Nº 2.46.- SOLUCIÓN DEL PROBLEMA DE

PRODUCCIÓN TEXTIL

Global optimal solution found.

Objective value: 62531.49

Total solver iterations: 4

Variable Value Reduced Cost

X11 4668.800 0.000000

X21 22000.00 0.000000

X31 0.000000 0.1393881E-01

X41 0.000000 0.5133215E-02

179
X51 0.000000 0.1748201E-01

X32 27707.81 0.000000

X42 7500.000 0.000000

X52 62000.00 0.000000

Y1 11831.20 0.000000

Y2 0.000000 0.1000000E-01

Y3 34292.19 0.000000

Y4 0.000000 0.8000000E-01

Y5 0.000000 0.6203837E-01

Row Slack or Surplus Dual Price

1 62531.49 1.000000

2 0.000000 0.6482000

3 0.000000 0.5753000

4 0.000000 0.1900000

5 0.000000 0.1700000

6 0.000000 0.5000000

7 0.000000 0.6200000

8 0.000000 0.6203837E-01

e) INTERPRETACION DE RESULTADOS

180
En el cuadro Nº 2.47 se detalla el programa de

producción y la compra de tela, así como las

asignaciones de telares para cada tipo de tela.

Cuadro Nº 2.47.- PROGRAMA DE PRODUCCIÓN

Tipo de Yardas a Yardas a Cantidad

tela producir en el producir en el a adquirir

telar Dobbie telar Normal

1 4668.80 0.00 11831.20

2 22000.00 0.00 0.00

3 0.00 27707.81 34292.19

4 0.00 7500.00 0.00

5 0.00 62000.00 0.00

Para optimizar el modelo de producción se recomienda

que el telar dobbie se utilice únicamente para producir

telas del tipo 1 y 2 y el telar Normal se utilice para

producir telas del tipo 3,4, y 5 y se debe adquirir telas del

tipo 1 y 3.

 La contribución total proyectada a la utilidad

La contribución total proyectada a la utilidad es de

62531.49 dólares.

181
 Análisis del valor de tiempo adicional del telar

Cada hora-máquina adicional del telar Dobbie aumentará

la utilidad en 0.6482 dólares.

Cada hora-máquina adicional del telar Normal aumentará

la utilidad en 0.5753 dólares.

Si la fábrica adquiere un nuevo telar Dobbie la utilidad

aumentará en 30*24*0.6482=466.704 dólares mensuales.

2.19.2. CASO COMPAÑÍA CONSTRUCTORA DE BARCOS

a) PLANTEAMIENTO DEL PROBLEMA

El gerente de producción de de la empresa, debe

determinar cuántas unidades del modelo C21 debe

producir durante los siguientes 4 trimestres. La empresa

tiene un inventario inicial de 100 barcos Classic 21 y para

los cuatro trimestres la demanda es de 2000 unidades en

el trimestre I, 4000 en el trimestre II, 3000 en el trimestre

III, y 1500 en el trimestre IV. La empresa tiene un límite

de capacidad de producción en cada trimestre. Esto es

posible producir hasta 4000 unidades en el trimestre I,

3000 en el trimestre II, 2000 en el trimestre III y 4,000 en

el trimestre IV. Cada barco que se quede en inventario en

182
los trimestres I y II incurre en un costo de mantenimiento

de inventarios de 250 dólares por unidad; el costo de

mantenimiento correspondiente a los trimestres III y IV es

de 300 dólares por unidad. Los costos de producción del

primer trimestre son de 10000 dólares por unidad; se

espera que estos costos aumenten en 10% por trimestre,

en razón a incrementos en costo de mano de obra y de

materiales. La administración ha indicado que el

inventario final del trimestre IV debe ser por lo menos de

500 barcos.

En el cuadro Nº 2.48 se detalla la demanda para cada

trimestre.

Cuadro Nº 2.48.- DEMANDA ANUAL POR TRIMESTRE

DEMANDA

INV 1TRI 2TRI 3TRI 4TRI

INICIAL

100 2000 4000 3000 1500

183
En el cuadro Nº 2.49 se detallan la capacidad de

producción, los costos de producción y los costos de

mantenimiento por unidad.

Cuadro Nº 2.49.- CAPACIDAD Y CVOSTOS DE

PRODUCCIÓN

CAPACIDAD DE PRODUCCION

1TRI 2TRI 3TRI 4TRI

4000 3000 2000 4000

COSTOS DE PRODUCCION por

unidad

1TRI 2TRI 3TRI 4TRI

10000 11000 12100 13310

COSTOS DE MANTENIMIENTO

por unidad

1TRI 2TRI 3TRI 4TRI

250 250 300 300

184
La gerencia solicita que Formule un modelo de

programación lineal que puede ser utilizado para

determinar el programa de producción que minimice el

costo total de cumplir con la demanda de cada uno de los

trimestres, sujeto a la capacidad de producción de cada

trimestre y también al inventario final requerido del

trimestre 4

SOLUCIÓN

a) Definición de las variables

X1: volumen de producción en unidades del producto C21 en el

trimestre I

X2: volumen de producción en unidades del producto C21 en el

trimestre II

X3: Volumen de producción en unidades del producto C21 en

el trimestre III

X4: volumen de producción en unidades del producto C21 en el

trimestre IV

b) Obtención del costo total de producción e

inventario

Costo total de producción =

10000X1+11000X2+12100X3+13310X4

185
Para la obtención del costo de inventario se consideran

las siguientes variables:

S1: costo de mantener en inventario del producto C21 en

el trimestre I

S2: costo de mantener en inventario del producto C21 en

el trimestre II

S3: costo de mantener en inventario del producto C21 en

el trimestre III

S4: costo de mantener en inventario del producto C21 en

el trimestre IV

Costo de Mantener en inventario =

250S1+250S2+300S3+300S4

c) Formulación de la función objetivo y sus

restricciones

MIN Z = 10000X1+11000X2+12100X3+13310X4+

250S1+250S2+300S3+300S4

Las restricciones de la demanda mensual se plantean

según la siguiente regla:

186
 Inventario 
   Inventario 
 final   producción     Demanda 
 del mes    actual    final de    
de este mes 
      
 anterior   este mes 
 

100+X1-S1=2000

S1+X2-S2=4000

S2+X3-S3=3000

S3+X4-S4=1500

S4>=500

Las cantidades a producir se plantean de acuerdo a las

siguientes restricciones:

X1<=4000

X2<=3000

X3<=2000

X4<=4000

d) Formulación del modelo de optimización lineal

El modelo lineal del problema es el siguiente:

MIN

=10000*X1+11000*X2+12100*X3+13310*X4+250*S1+250*S2+

300*S3+300*S4;

187
Sujeto a: 100+X1-S1=2000;
S1+X2-S2=4000;
S2+X3-S3=3000;
S3+X4-S4=1500;
S4>=500;
X1<=4000;
X2<=3000;
X3<=2000;
X4<=4000;
El inventario final del trimestre 4 debe ser por lo menos
500 barcos.
Minimizar costo total.

e) Solución del modelo con el software lingo

En el cuadro Nº 2.50 se presenta los resultados obtenidos

mediante el programa Lingo.

Cuadro Nº 2.50.- SOLUCIÓN DEL MODELO DE

PROGRAMACIÓN LINEAL

188
f) Interpretación de resultados

En el cuadro Nº 2.51, se muestra para cada trimestre

la cantidad de unidades a fabricar, el inventario final y

los costos requeridos.

Cuadro Nº 2.51.- CANTIDAD INVENTARIO Y COSTO TOTAL

TRIMESTRE CANTIDAD CANTIDAD COSTO

A EN TOTAL $

FABRICAR INVENTARIO

I 1900 250 10000

II 4000 250 11000

189
III 3000 300 12100

IV 1500 300 13310

2.19.3. CASO EMPRESA PRODUCTORA DE CALZADOS

a) Planteamiento del problema

La empresa produce dos tipos de calzados: calzado tipo

sport, calzado tipo normal; para lo cual utiliza los

siguientes recursos indicados en el cuadro Nº 2.52.

Cuadro Nº 2.52.- RECURSOS PARA LA PRODUCCIÓN

Tipo de Tiempo Tiempo Tiempo

calzado maquina Nº1 maquina Nº2 maquina

(min) (min) Nº3 (min)

Sport 50 30 25

Normal 30 22 20

Disponibilidad de

tiempo de 500 400 300

maquina

Los costos de los materiales se detallan en el cuadro Nº

2.53.

Cuadro Nº 2.53.- COSTO DE LOS MATERIALES

Materiales Kilos Costo

190
Hilos 10 30

Cuero 500 200

Cromo falsa 300 50

Terokal 5 30

Pvc 5 10

La demanda por mes se detalla en el cuadro Nº 2.54.

Cuadro Nº 2.54.- DEMANDA MENSUAL DE CALZADOS

Tipo de calzado Demanda /mes Precio

Sport y sus modelos 90 95

Normal y sus 150 80

modelos

b) SOLUCIÓN

Variables a utilizar:

Xij: Cantidad del calzado tipo i modelo j a producir.

i---tipo de calzado.

j--- modelo de calzado.

FORMULACIÓN DEL MODELO DE PROGRAMACIÓN

LINEAL:

Función objetiva:

191
max = 95*(x11+x12+x13+x14+x15) +80*(x21+x22+x23+x24+x25)-

30*(x13+x23)-200*(x11+x21)-50*(x12+x22)-30*(x14+x24)-

10*(x15+25);

Restricciones:

Demanda del calzado tipo Sport:

x11+x12+x13+x14+x15>= 90;

Demanda del calzado tipo normal:

x21+x22+x23+x24+x25>=150;

Tiempo del calzado Sport y normal en la maquina 1:

50*(x11+x12+x13+x14+x15)+30*(x21+x22+x23+x24+x25)<=500;

Tiempo del calzado Sport y normal en la maquina 2:

30*(x11+x12+x13+x14+x15)+22*(x21+x22+x23+x24+x25) <=400;

Tiempo del calzado Sport y normal en la maquina 3:

25*(x11+x12+x13+x14+x15)+20*(x21+x22+x23+x24+x25)<=300;

Disponibilidad de cuero:

x11+x21<=500;

Disponibilidad de cromo:

x12+x22<=300;

Disponibilidad de hilos:

192
x13+x23<=10;

Disponibilidad de terokal:

x14+x24<=5;

Disponibilidad de PVC:

x15+x25<=5;

La solución se muestra en el cuadro Nº 2.55.

Cuadro Nº 2.55.- SOLUCIÓN DEL PROBLEMA DEL ZAPATERO

Global optimal solution found.

Objective value:

660.0000

Total solver iterations:

Variable Value

Reduced Cost

X11 0.000000

170.0000

X12 0.000000

20.00000

X13 0.000000

0.000000

193
X14 4.000000

0.000000

X15 0.000000

10.00000

X21 0.000000

170.0000

X22 0.000000

20.00000

X23 4.000000

0.000000

X24 1.000000

0.000000

X25 5.000000

0.000000

Row Slack or Surplus Dual Price

1 660.0000 1.000000

2 86.00000 0.000000

3 140.0000 0.000000

4 0.000000 0.2000000

5 60.00000 0.000000

6 0.000000 2.200000

7 500.0000 0.000000

194
8 300.0000 0.000000

9 6.000000 0.000000

10 0.000000 0.000000

11 0.000000 30.00000

c) Interpretación de resultados

Función objetivo: 660.0000

Variables de decisión

Calzado 1 producido con el material 1: x11=0

Calzado 1 producido con el material 2: x12=0

Calzado 1 producido con el material 3: x13=0

Calzado 1 producido con el material 4: x14=4

Calzado 1 producido con el material 5: x15= 0

Calzado 2 producido con el material 1: x21= 0

Calzado 2 producido con el material 2: x22= 0

Calzado 2 producido con el material 3: x23= 4

Calzado 2 producido con el material 4: x24= 1

Calzado 2 producido con el material 5: x25= 5

Interpretación de las Variables de holgura y

superfluas:

*Y1=86

Interpretación:

195
Se han producido 86 unidades más de calzado Sport:

*Y2=140

Interpretación:

Se ha producido 140 unidades más del calzado normal

*Y3=0

Interpretación:

Se ha utilizado todo el tiempo disponible en la maquina 1

*Y4=60

Interpretación:

Quedan 60 minutos disponibles en la maquina 2

*Y5=0

Interpretación:

Se ha utilizado todo el tiempo en la maquina 3

*Y6=500

Interpretación:

Se ha utilizado 500 kilos más de cuero

*Y7=300

Interpretación:

Se han utilizado 300 kilos más de cromo

*Y8=6

Interpretación:

196
Quedan disponibles 6 kilos de hilo

*Y9=0

Interpretación:

Se ha utilizado todo el material de terokal

*Y10=0

Interpretación:

Se ha utilizado todo el material de PVC

Interpretación de los precios sombra

Para x11=170:

*si se produce “m” unidad adicional del x11 la función

objetivo disminuye en

660-m (170);

Para x12=20:

*si se produce “m” unidad adicional del x12 la función

objetivo disminuye en

660-m (20);

Para x13=0:

*si se produce “m” unidad adicional del x13 la función

objetivo no varia

Para x14=0:

197
*si se produce “m” unidad adicional del x14 la función

objetivo no varia

Para x15=10;

*si se produce “m” unidad adicional del x15 la función

objetivo varia en

660-m(10)

Para x21=170

*si se produce “m” unidad adicional del x21 la función

objetivo varia en

660-x21(170)

Para x22=20:

*si se produce “m” unidad adicional del x22 la función

objetivo varia en

660-m(20)

Para x23=0:

*si se produce “m” unidad adicional del x23 la función

objetivo no varia

Para x24=0:

*si se produce “m” unidad adicional del x24 la función

objetivo no varia

Para x25:

198
*si se produce “m” unidad adicional del x25 la función

objetivo no varía.

2.19.4. CASO COMPAÑÍA MAQUINADO

La compañía MAQUINADO S.A. fabrica dos tipos de ejes

en dos modelos de máquinas y en dos turnos de trabajo.

El pronóstico de demanda de ejes para los próximos 3

meses es el siguiente:

Eje 1 Eje 2
Octubre 50 000 30 000
Noviembre 80 000 50 000
Diciembre 50 000 40 000

Los ejes se fabrican en cualquier máquina cuya

capacidad de producción es de 50 ejes1 por una hora y

60 ejes2 por hora en cada máquina. El porcentaje de

piezas defectuosas se muestran a continuación.

MAQUINA A MAQUINA B
Eje 1 10 % 6%
Eje 2 10/6 % 8%

Actualmente hay un stock de 2000 ejes1 y 3000 ejes2 y

se desea al terminar diciembre tener un stock de 10 000

ejes de cada tipo. El costo de materia prima es S/. 200

199
por cada eje el costo por hora de la maquina A es de S/. 2

700 y S/. 2 900 por hora de la maquina B. El costo de

mano de obra es de S/. 4 por hora en el turno de día y de

S/. 6 por hora en el turno de la noche. La producción de

un mes que es almacenada para un mes posterior tiene

un costo de inventario de S/. 1 por mes. MAQUINADO

S.A. dispone de dos máquinas modelo A y tres máquinas

modelo B cada máquina es manejada por un operario.

Cada mes tiene cuatro semanas y cada turno trabaja 48

horas semanales. El departamento de Planteamiento y

Control de la producción desea determinar el plan de

producción para los próximos tres meses.

Formulación del modelo:

Sea:

 Función objetivo:

200
( )(

( )(

( )(

( )(

Restricciones:

 Demanda por mes Eje 1:

 Octubre:

 Noviembre:

201
 Diciembre:

 Demanda por mes Eje 2:

 Octubre:

 Noviembre:

 Diciembre:

 Inventario final Eje 1:

 Inventario final Eje 2:

202
 Tiempo fabricación Eje 1:

 Maquina A:

 Octubre:

 Noviembre:

 Diciembre:

203
 Maquina B:

 Octubre:

 Noviembre:

 Diciembre:

 Tiempo de fabricación del eje 2:

 Maquina A:

 Octubre:

 Noviembre:

 Diciembre:

 Maquina B:

 Octubre:

204
 Noviembre:

 Diciembre:

 No negatividad

Implementación del modelo:

!SEA:

Xijkl

DONDE:

i->TIPO DE EJE(1,2)

j->MODELO DE MAQUINA(A,B)

k->TURNO(D,N)

l->MES(1,2,3);

!FUNCION OBJETIVO;
MIN = (200-
2700/50)*(4/50*(X1AD1+X1AD2+X1AD3)+6/50*(X1AN1+X1AN2+X1AN3))
+(200-
2900/50)*(4/50*(X1BD1+X1BD2+X1BD3)+6/50*(X1BN1+X1BN2+X1BN3))+
(200-
2700/60)*(4/60*(X2AD1+X2AD2+X2AD3)+6/60*(X2AN1+X2AN2+X2AN3))
+(200-
2900/60)*(4/60*(X2BD1+X2BD2+X2BD3)+6/50*(X2BN1+X2BN2+X2BN3));

205
!RESTRICCIONES;
!EJE 1;
9*(X1AD1+X1AN1)/10+47*(X1BD1+X1BN1)/50>= 50000;
9*(X1AD2+X1AN2)/10+47*(X1BD2+X1BN2)/50>= 80000;
9*(X1AD3+X1AN3)/10+47*(X1BD3+X1BN3)/50>= 50000;
! EJE2;
59*(X2AD1+X2AN1)/60+23*(X2BD1+X2BN1)/25>= 30000;
59*(X2AD2+X2AN2)/60+23*(X2BD2+X2BN2)/25>= 50000;
59*(X2AD3+X2AN3)/60+23*(X2BD3+X2BN3)/25>= 40000;
! INVENTARIO FINAL EJE 1;
2000+9*(X1AD1+X1AN1)/10+47*(X1BD1+X1BN1)/50-
50000+9*(X1AD2+X1AN2)/10+47*(X1BD2+X1BN2)/50-
80000+9*(X1AD3+X1AN3)/10+47*(X1BD3+X1BN3)/50-50000=10000;
! INVENTARIO FINAL EJE 2;
3000+59*(X2AD1+X2AN1)/60+23*(X2BD1+X2BN1)/25-
30000+59*(X2AD2+X2AN2)/60+23*(X2BD2+X2BN2)/25-
50000+59*(X2AD3+X2AN3)/60+23*(X2BD3+X2BN3)/25-
40000=10000;
! TIEMPO DE FABRICACION;
! EJE 1;
(X1AD1+X1AN1)/50<=48*4*2*2;
(X1AD2+X1AN2)/50<=48*4*2*2;
(X1AD3+X1AN3)/50<=48*4*2*2;
(X1BD1+X1BN1)/50<=48*4*2*3;
(X1BD2+X1BN2)/50<=48*4*2*3;
(X2BD3+X2BN3)/50<=48*4*2*3;
! EJE 2;
(X2AD1+X2AN1)/60<=48*4*2*2;
(X2AD2+X2AN2)/60<=48*4*2*2;

206
(X2AD3+X2AN3)/60<=48*4*2*2;
(X2BD1+X2BN1)/60<=48*4*2*3;
(X2BD2+X2BN2)/60<=48*4*2*3;
(X2BD3+X2BN3)/60<=48*4*2*3;

207
Solución del modelo:

208
Interpretación de resultados:

Para minimizar los costos de producción cuyo valor es

3631916se debe de producir:

 0 ejes tipo 1 en la maquina A en el turno de día en el

mes de octubre.

 28 728 ejes tipo 1 en la maquina A en el turno de día

en el mes de noviembre.

 0 ejes tipo 1 en la maquina A en el turno de día en el

mes de diciembre.

 0 ejes tipo 1 en la maquina A en el turno de noche

en el mes de octubre.

 0 ejes tipo 1 en la maquina A en el turno de noche

en el mes de noviembre.

 0 ejes tipo 1 en la maquina A en el turno de noche

en el mes de diciembre.

 57 600 ejes tipo 1 en la maquina B en el turno de día

en el mes de octubre.

 57 600 ejes tipo 1 en la maquina B en el turno de día

en el mes de noviembre.

 57 293 ejes tipo 1 en la maquina B en el turno de día

en el mes de diciembre.

209
 0 ejes tipo 1 en la maquina B en el turno de noche

en el mes de octubre.

 0 ejes tipo 1 en la maquina B en el turno de noche

en el mes de noviembre.

 0 ejes tipo 1 en la maquina B en el turno de noche

en el mes de diciembre.

 37 627 ejes tipo 2 en la maquina A en el turno de día

en el mes de octubre.

 46 080 ejes tipo 2 en la maquina A en el turno de día

en el mes de noviembre.

 40 677 ejes tipo 2 en la maquina A en el turno de día

en el mes de diciembre.

 0 ejes tipo 2 en la maquina A en el turno de noche

en el mes de octubre.

 0 ejes tipo 2 en la maquina A en el turno de noche

en el mes de noviembre.

 0 ejes tipo 2 en la maquina A en el turno de noche

en el mes de diciembre.

 0 ejes tipo 2 en la maquina B en el turno de día en el

mes de octubre.

210
 5 095 ejes tipo 2 en la maquina B en el turno de día

en el mes de noviembre.

 0 ejes tipo 2 en la maquina B en el turno de día en el

mes de diciembre.

 0 ejes tipo 2 en la maquina B en el turno de noche

en el mes de octubre.

 0 ejes tipo 2 en la maquina B en el turno de noche

en el mes de noviembre.

 0 ejes tipo 2 en la maquina B en el turno de noche

en el mes de diciembre.

2.19.5. CASO EMPRESA AGRICOLA

Una empresa agrícola explota una finca de 200 hectáreas

de regadío que puede dedicar en principio a dos cultivos

C1 y C2. Los ingresos y costos variables por hectárea

para cada cultivo figuran en la siguiente tabla:

Ingresos por Costos variables por


hectárea hectárea
Cultivo C1 14 000 6 000
Cultivo C2 15 000 6 000
Los costos fijos no influyen en la programación, puesto

que son independientes del plan de cultivo. El cultivo C1

puede repetirse indefinidamente todos los años en la

211
misma parcela; en cambio, el cultivo C2 ha de

implantarse en parcelas que el año anterior llevaron el

otro cultivo, pues si no se sigue esta norma técnica

(rotación de cosechas), disminuirán apreciablemente los

rendimientos.

La concesión de riego es de 1 litro por segundo y

hectárea. Es decir, 518 400 al mes para toda la finca.

Si las necesidades de agua de los cultivos en el mes

juntos son: (C1 = 3 000 , C2 = 4 000 )

La cosecha de C2 solo tiene salida en un mercado local,

que puede absorber como máximo la producción de 60

hectáreas. De dicho cultivo. Determinar las superficies a

cultivarse para obtener el beneficio máximo.

Formulación del modelo

Sea:

 Función objetivo:

 Restricciones:

212
 Rotación de cosechas:

 Capacidad de agua:

 Demanda del cultivo C2:

 No negatividad:

Implementación del modelo:

!SEA:

Xi

DONDE:

i->HECTARIA POR TIPO DE CULTIVO(1,2);

!FUNCION OBJETIVO;

MAX = 14000*X1+15000*X2-6000*(X1+X2);

! RESTRICCIONES;

! ROTACION DE COSECHAS;

X2<=X1;

! CAPACIDAD DE AGUA;

3000*X1+4000*X2 <= 518400;

! DEMNDA DEL CULTIVO C2;

213
X2<= 60;

214
Solución del modelo:

Interpretación de resultados:

Para maximizar el beneficio cuyo valor es 1382400 se

debe de producir:

 172.8 hectáreas del cultivo C1.

 0 hectáreas del cultivo C2.

2.19.6. CASO EMPRESA PRODUCTORA DE GUANTES

Planteamiento del problema:

La compañía Guantes E.P.S es una empresa de

autogestión, cuya finalidad es la fabricación de guantes

industriales. Actualmente, presenta algunos problemas de

decisiones administrativas de sus recursos por lo que

tiene que decidir la cantidad de cada tipo de guante a

producir para optimizar sus ingresos.

215
Actualmente se producen tres tipos de guantes,

clasificados en:(guantes de tipo A, guantes de tipo B y

guantes de tipo C).

Los costos detallados de cada uno de los guantes y el

precio de venta son los siguientes:

COSTOS Gastos indirectos Precio de


Guante
Mano de obra Materiales de fabricación venta
A 0.57 1.90 0.85 4.15
B 0.46 2.20 0.72 4.33
C 0.44 1.62 0.56 3.80
Se cuenta con el siguiente disponible para los siguientes

rubros:

Mano de obra 8 000


Materiales 40 000
Gastos indirectos de 12 000
fabricación
Se debe mencionar los siguientes aspectos:

a) La cuota de exportación de los guantes tipo A se

redujo a 20 000 pares mensuales por lo que la

compañía se redujo a 10 000 pares de exportación.

b) Además los reglamentos elaborados a fin de lograr

el desarrollo de las pequeñas empresas establecen

que se debe producir el guante tipo C a lo más el

60% de la producción del guante B.

El gerente de operaciones, Ramiro Irabien, quiere

determinar la solución factible.

216
Formulación del modelo:

Sea:

Función objetivo

Restricciones:

 Costos:
 Mano de obra:

 Materiales:

 Gastos indirectos de fabricación:

 Demanda del guantes:


 Tipo A:

 Tipo B y C:

No negatividad

217
Implementación del modelo:
! SEA:
Xi
DONDE:
i->TIPO DE GUANTE(A,B,C);
! FUNCION OBJETIVO;
MAX = 4.15*XA+4.33*XB+3.80*XC-
((0.57+1.90+0.85)*XA+(0.46+2.20+0.72)*XB+(0.44+
1.62+0.56)*XC);
! RESTRICCIONES;
! COSTOS;
0.57*XA+0.46*XB+0.44*XC<=8000;
1.90*XA+2.20*XB+1.62*XC<=40000;
0.85*XA+0.72*XB+0.56*XC<=12000;

! DEMANDA;
XA >= 10000;
XC/XB <= 0.60;

Solución del modelo:

218
Interpretación de resultados:

Para maximizar las ganancias cuyo valor máximo

es13567.13 se debe de producir:

 10 000 pares de guantes del tipo A

 3 176 pares de guantes del tipo B

 1 906 pares de guantes del tipo C

2.20. GLOSARIO

Costo oculto. Un costo que no es afectado por la decisión

tomada. Es un costo en el cual se incurrirá independientemente de

los valores que asuman las variables de decisión.

Costo reducido. Cantidad en la cual debería mejorarse el

coeficiente de una decisión objetivo (incremento para un problema

219
de decisión, decremento para uno de decisión), antes de que la

variable correspondiente pueda asumir un valor positivo en la

decisión óptima.

Información cuantitativa. Información en forma de números sobre

los valores de los recursos y las variables.

Factores cualitativos. Factores que califican cualidades en un

número definido de rangos.

Método heurístico. Procedimiento de solución de problemas por

medio de heurísticas o decisiones aceptables.

Método simplex. Procedimiento desarrollado por Datzing, que

resuelve el sistema de ecuaciones por medio de iteraciones

sucesivas, encontrando mejores soluciones en cada iteración.

Modelos estocásticos. Modelos lógico matemático que por lo

menos una de sus variables tiene una distribución de probabilidad

o una de sus variables es probabilística.

Precio dual. La mejora en el valor del incremento unitario de la

decisión objetivo en el valor del lado derecho de una decisión.

Rango de optimalidad. Rango de valores en los cuales puede

variar un coeficiente de decisión objetivo sin causar ningún cambio

en los valores de la variable de decisión de la decisión óptima.

220
Rango de factibilidad. Rango de valores en el cual puede variar

un lado derecho, sin cambiar el valor ni la decisión del precio dual.

Regla del 100 por ciento. Regla que indica cuando cambios

simultáneos en dos o más coeficientes de decisión objetivo no

causaran una decisión en los valores decisión de las variables de

decisión. También es aplicable para indicar cuando dos cambios o

más del lado derecho no causaron un cambio en ningún precio

dual.

Paquete de software. Conjunto de programas aplicativos para la

solución de modelos específicos.

Problema primal. Problema original, con las variables de decisión

y los recursos limitados.

Problema dual. Problema derivado del primal, ahora los

coeficientes de la función objetivo son los recursos y los

coeficientes de la función objetivo original son los recursos.

Precio sombra. Precio sombra indica exactamente cuánto

cambiará la función objetivo al coger unidades adicionales de los

recursos.

Administración de la producción. Consiste en el planeamiento,

la ejecución y el control de la producción en la empresa.

221
Aplicación. Utilización de una herramienta para un propósito

específico.

Bonos del gobierno. Documentos valorados que emite el

Gobierno central con el fin de venderlos ofreciendo una tasa de

rentabilidad, la emisión se realiza con el fin de recaudar dinero.

Capacidad de producción. El conjunto de recursos de producción

que dispone la empresa, incluye maquinaria, materiales, insumos,

mano de obra, energía, agua, financiamiento.

Capacidad de mano de obra. Total de las horas hombre que

dispone la empresa.

Cartera. Grupo de opciones de inversión, cada uno de los cuales

ofrece determinadas tasas de rentabilidad.

Costo total. Costo en que se incurre para la producción de algún

producto, la componen el costo variable mas el costo fijo.

Espacio de almacenamiento. Área total disponible apropiada

para almacenar bienes.

Investigación de mercados. Estudio cuyo objetivo es encontrar la

demanda de bienes y servicios actuales y futura.

Inversión en cartera. Monto de dinero destinado a la inversión en

todas las opciones.

222
Planeación financiera. Previsión de las necesidades de

financiamiento a futuro en la organización.

Programación de la producción. Detalle de la producción por

periodos futuros.

Mix. Conjunto de componentes, conjunto de productos, variedad

de productos.

Inventario. Cantidad de bienes o productos que están en almacén

esperando ser utilizados, constituye un capital inmovilizado de la

empresa.

Telares. Máquinas de tejer hilos, con ella se fabrican las telas.

Yarda. Unidad de medida de longitud inglesa, 1 yarda equivale a

Variables de decisión. Variables correspondientes a las

cantidades a producir, comprar.

CAPÍTULO III

223
PLANIFICACIÓN Y ADMINISTRACIÓN DE PROYECTOS CON

PERT – CPM

3.1. ANTECEDENTES DE PERT Y CPM

Uno de los primeros casos documentados de la época

actual sobre la administración y planificación de proyectos

se refiere al proyecto de armamentos del Polaris,

empezando 1958. Así surgió el PERT (Program Evaluation

and review Technique: Técnica de revisión y evaluación de

programa). La metodología desarrollada por la técnica PERT

demostró se de mucha utilidad de tal manera que comenzó

a aplicarse en otros tipos de proyectos y a generalizarse su

uso tanto en el gobierno como en el sector privado.

Simultáneamente o en la misma época, trabajadores de la

Compañía DuPont junto a la empresa constructora de

computadoras Remington Rand, desarrolló el método de la

ruta crítica (CPM: Critical Path Method) con el objetivo de

controlar el mantenimiento de proyectos de plantas químicas

de DuPont. El CPM es idéntico al PERT en concepto y

metodología, por lo que es muy probable que ambos

métodos hayan sido desarrollados por las mismas personas.

La principal diferencia entre ellos es que la forma como se

224
realizan los estimados de tiempo para las actividades del

proyecto son determinísticos con CPM y probabilísticos con

PERT.

3.2. ETAPAS DE LA PLANIFICACIÓN DE PROYECTOS

La planificación de proyectos comprende cuatro etapas:

1. Planificación.

a.- Definición del proyecto

b.- Redacción de lista de Actividades

c.- Definición de precedencias para las actividades.

d.- Elaboración de Matriz de Tiempos.

e.- Listado de recursos necesarios para el proyecto.

f.- Cálculo de los costos implicados en el desarrollo del

proyecto.

225
2. Programación.

a.- Elaboración de diagrama de Gantt o red (pert) de

Actividades.

b.- Calculo de las variaciones en los costos y pendientes

c.- Determinación de las actividades críticas y de la ruta o

camino crítico.

d.- Verificación de las limitaciones de tiempo, de recursos y

económicos

e.- Revisión de las holguras.

f.- Cálculo de la probabilidad de retraso

3. Ejecución.

a.- Aprobación del proyecto

b.- Ordenes de trabajo

4.- Evaluación y Control.

c.- Elaboración de gráficas de control

d.- Redacción de reportes y análisis de los avances

e.- Toma de decisiones y ajustes

226
3.3. CONSTRUCCIÓN DE LA RED DEL PROYECTO

Construcción de la Red:

Para construir la red o grafo se siguen las siguientes reglas:

1: Una actividad se representa con una y solamente una

flecha en la red.

2: Entre dos eventos sucesivos: inicial y terminal solamente

hay una actividad.

3: Para que las relaciones de precedencia se muestren de

forma correcta en el grafo, al agregar una nueva actividad se

deben responder las siguientes preguntas:

¿Qué actividades deben terminarse para que la actividad

pueda comenzar?

¿Qué actividades siguen a esta actividad?

¿Qué actividades se realizan de manera simultánea con

esta actividad?

Dos actividades no pueden tener el mismo nodo inicial y

terminal.

227
Para resolver el caso anterior se introduce una actividad

ficticia D

Una actividad parte de un nodo inicial i hacia un nodo

terminal j, se representa solo una vez en la red.

228
Una actividad se puede descomponer en segmentos, cada

segmento es una flecha separada.

A y B preceden a C, pero E es precedida solamente por B.

La forma correcta de representación es incluyendo una

actividad ficticia D.

Cálculo de la Ruta Crítica:

Se hace en dos etapas:

La primera etapa comprende los cálculos hacia adelante,

comenzando en el nodo de inicio y moviéndose hasta el

nodo final. En cada nodo se calcula el tiempo de inicio más

próximo (TIPi).

229
Si i = 0 entonces estamos en el nodo inicial y TIP0 = 0. Si Dij

es la duración de la actividad que parte de i y termina en j,

los cálculos hacia adelante se obtienen utilizando la fórmula:

Para todas las actividades (i, j) en la red.

La segunda etapa comprende los cálculos hacia atrás,

comenzando en el nodo terminal o final y moviéndose hasta

el nodo inicial. En cada nodo se calcula el tiempo de

terminación más tardío (TTTj).

Si j = n entonces estamos en el nodo terminal y TTTn = TIPn

para comenzar los cálculos hacia atrás. Si Dij es la duración

de la actividad que parte de i y termina en j, los cálculos

hacia atrás se obtienen utilizando la fórmula:

Para todas las actividades (i, j) en la red.

Una actividad será crítica y formará parte de la ruta crítica si

cumple las siguientes condiciones:

230
Las actividades críticas se distinguen en la red con un color

diferente:

Cálculo de las Holguras.

Primero necesitamos calcular el tiempo de inicio más tardío

(IT) y el tiempo de terminación más próximo (TT), lo cual

hacemos con las siguientes fórmulas:

La holgura total HT para la actividad (i, j) es la diferencia

entre el máximo tiempo disponible para realizar la actividad

y su duración.

231
La holgura libre HL para la actividad (i, j) es el exceso de

tiempo disponible sobre su duración, y parte de suponer

que todas las actividades inician tan pronto como sea

posible.

Las actividades críticas tienen tanto holgura total como

holgura libre igual a cero. Una actividad no crítica puede

tener holgura libre igual a cero.

3.4. TECNICA DEL PERT

La técnica del camino crítico es un proceso administrativo de

planeación o planificación, programación, ejecución,

supervisión y control de las actividades que componen un

proyecto. El proyecto a desarrollarse tiene limitaciones de

tiempo y recurso, así como consideraciones de costos, por

lo que deberá culminarse dentro de un tiempo crítico y al

menor costo) optimización de recursos). Para trabajar con

esta técnica se utilizan los siguientes recursos:

a) Diagrama de red

Es una red de círculos o eventos numerados y

conectados con arcos o flechas, donde se muestran todas

232
las actividades y eventos que intervienen en un

determinado proyecto expresando además las relaciones

de prioridad entre las actividades en la red.

b) Actividad

Corresponde a un período de tiempo. Es un trabajo,

acción u operación que se debe realizar como parte de un

proyecto, se representa mediante una rama o arco de

flecha o de red en el diagrama PERT. Para ello es

necesaria una lista de actividades exhaustiva y ordenada

donde que muestra todas las diferentes actividades que

intervienen en la realización de un proyecto.

Las actividades predecesoras o antecedentes

inmediatos, son las actividades que deben Preceder

(estar antes) inmediatamente a una actividad determinada

o dada en un proyecto.

Las actividades ficticias, son actividades imaginarias

que existen dentro del diagrama de red, sólo con la

finalidad de establecer las relaciones de precedencia que

de otra forma no se podrían establecer. A estas

actividades no se les asigna tiempo alguno, es decir

233
tienen tiempo cero. Las actividades ficticias permiten

dibujar redes con las relaciones de Precedencia

apropiadas, se representa por medio de una línea

punteada.

c) Evento

Corresponde a un momento en el tiempo. Se identifican al

comienzo o a la terminación de una actividad. Se dice que

se realiza un evento, cuando todas las actividades que

llegan a un mismo nodo han sido terminadas. Se

representan con círculos numerados y forman parte del

diagrama de red. En cada arco de flecha se dibujan al

principio y al fin de las actividades que intervienen en el

proyecto.

d) Arco de flecha o Rama

Son las flechas o arcos que forman parte del diagrama de

red, significan las actividades en el proyecto.

e) Ruta crítica o camino crítico

Un camino es una serie de actividades sucesivas

conectadas, que conduce del principio del proyecto al

final del mismo. El camino que requiera el mayor trabajo,

es decir, el camino más largo dentro de la red se

234
denomina ruta crítica o camino crítico de la red del

proyecto. El tiempo requerido para recorrer este camino o

ruta crítica, es el que se necesita o requiere para terminar

el proyecto.

f) Elementos básicos de la Técnica PERT

Holgura o margen. Es el tiempo libre en la red, es decir, la

cantidad de tiempo que se puede retrasar o demorar una

actividad sin afectar la fecha de terminación del proyecto

total.

Tiempo de Inicio más Temprano (cercano o próximo,

TIPi): Es el tiempo más temprano o próximo en que

puede comenzar una actividad.

Tiempo de Inicio más Lejano (o tardío o remoto, ITij): Es

el tiempo más lejano o tardío en que puede iniciar una

actividad sin que se retrase el proyecto total.

Tiempo de Terminación más Temprano, TTij: Es el tiempo

más cercano en que puede finalizar una actividad.

Tiempo de Terminación más Lejano o Tardío, TTTi: Es el

tiempo más lejano o tardío en que puede finalizar una

actividad sin que se retrase el proyecto total.

235
3.5. TIEMPOS DE CULMINACIÓN DE UNA ACTIVIDAD Y

TIEMPO DE CULINACIÓN DEL PROYECTO UTILIZADOS

EN PERT

El tiempo de culminación de una actividad es el tiempo

necesario para llevar a cabo una actividad.

Inclusión de tiempos probabilísticos:

Suponemos que el tiempo requerido para realizar una

actividad sigue una distribución beta. La distribución de

tiempo para cualquier actividad se define mediante tres

estimaciones de tiempo:

1) Tiempo estimado más probable: m.

2) Tiempo estimado optimista: a.

3) Tiempo estimado pesimista: b.

En el gráfico a continuación se muestra la forma de la

distribución beta para los tres tiempos estimados.

La figura Nº 3.1 muestra la distribución de los tiempos de las

actividades del proyecto.

236
Figura Nº 3.1.- DISTRIBUCIÓN DE PROBABILIDAD BETA

Tiempo esperado para una actividad. Es el tiempo

calculado usando el promedio ponderado o la media

aritmética de (a + b)/2 y 2m.

Es decir: (a+b + 4m)/6.

El tiempo más probable (D) es el tiempo requerido para

terminar la actividad bajo condiciones normales.

Los tiempos optimistas y pesimistas proporcionan una

medida de la incertidumbre relacionada con cada actividad,

incluyendo desperfectos en maquinarias y equipos,

disponibilidad de mano de obra, retardo la entrega de

materiales y otros factores no controlables por los

administradores y directores del proyecto.

237
Para calcular el valor esperado suponemos que el punto

medio (a + b)/2 tiene una ponderación igual a la mitad de

tiempo más probable m, Calculando la media aritmética de

estos dos valores, obtenemos:

Suponiendo igualmente que al menos 90% de cualquier

función densidad de probabilidad está dentro de tres

desviaciones estándares de su media, la varianza es:

El tiempo esperado de finalización de un proyecto es la

suma de todos los tiempos esperados de las actividades

sobre la ruta crítica. Igualmente si suponemos (quizá no de

forma real o demostrable) que las distribuciones de los

tiempos de las actividades son independientes, la varianza

del proyecto es la suma de las varianzas de las actividades

sobre la ruta crítica.

3.6. ANÁLISIS PERT DE CULMINACIÓN DEL PROYECTO

Todos los cálculos se hacen bajo el supuesto que los

tiempos de las actividades se conocen. A medida que el

238
proyecto avanza, los tiempos estimados se utilizan para

controlar y evaluar el progreso del proyecto. Si ocurre algún

retardo en el proyecto, se hacen esfuerzos por lograr que el

proyecto quede de nuevo según lo programado cambiando

la asignación de recursos, el gráfico del tiempo esperado de

culminación se visualiza en la figura Nº 3.2.

Figura Nº 3.2.- TIEMPO ESPERADO DE TERMINACIÓN

DEL PROYECTO

Todos los cálculos se hacen bajo el supuesto que los

tiempos de las actividades se conocen. A medida que el

proyecto avanza, los tiempos estimados se utilizan para

controlar y evaluar el progreso del proyecto. Si ocurre algún

retardo en el proyecto, se hacen esfuerzos por lograr que el

239
proyecto quede de nuevo según lo programado cambiando

la asignación de recursos.

Si para un camino cualquiera la esperanza y la varianza son:

E {μi} = ΣDi

Var {μi} = ΣVk

k son las actividades sobre la ruta más larga que lleva a i.

Si μi es la suma de variables aleatorias independientes,

entonces según el teorema del límite central, es casi

normalmente distribuida con media E{μi} y varianza var {μi}.

Ante un tiempo especificado por el analista TPi, y sabiendo

que μi es el tiempo de ocurrencia más próximo, podemos

calcular la probabilidad:

Z representa una variable aleatoria normal estándar con

media 0 y varianza 1.

La figura Nº 3.3 presenta el área para la probabilidad de

culminación del proyecto antes de Tpi.

240
Figura Nº 3.3.- PROBABILIDAD DE CULMINACIÓN ANTES DE T

3.7. TECNICA DEL CPM

3.7.1. TIEMPOS DE CULMINACIÓN DEL PROYECTO

Tiempo normal (n). Es el tiempo necesario para

terminar una actividad si esta se realiza en forma

normal. Es el tiempo máximo para terminar una

actividad con el uso mínimo de recurso.

Tiempo acelerado (c). Tiempo que sería necesario

si no se evita costo alguno con tal de reducir el

tiempo del proyecto. Tiempo mínimo posible para

terminar una actividad con la concentración máxima

de recursos.

3.7.2. COSTOS

La duración de una actividad puede disminuirse

aumentando los recursos que se le asignan, con el


241
consiguiente aumento en los costos. Según se

muestra en la figura Nº 3.4, la línea con pendiente

creciente desde la duración normal hasta la duración

mínima (si esto no se cumple el análisis no es

válido).

Figura Nº 3.4.- PENDIENTE DE COSTOS

La ruta crítica se calcula con la duración normal de

las actividades, es decir menor costo, y se calcula el

costo correspondiente a este programa.

Luego se considera una reducción en la duración del

proyecto, tomando en cuenta únicamente las

actividades críticas. Se hace el análisis tomando

242
aquella actividad crítica con pendiente de costo más

pequeña, y se recorta tanto como sea posible.

Esto da lugar, quizá a otra ruta crítica, con un costo

más alto. El procedimiento se repite hasta que todas

las actividades críticas estén en su duración mínima.

El resultado final es una curva de costo para los

diferentes programas con sus correspondientes

costos, como al aumentar la duración del proyecto

aumentan los costos indirectos debemos considerar

el costo total que es la suma de los costos indirectos

mas los directos. El programa óptimo es aquel con

costo total mínimo se visualiza en la figura Nº 3.5.

243
Figura Nº 3.5.- DETERMINACIÓN DEL PROGRAMA DE COSTO

MÍNIMO

3.8. GLOSARIO

PERT. Técnica probabilística para la administración de

proyectos, los tiempos de culminación de cada actividad

obedecen a una distribución de probabilidad.

CPM. Técnica determinística para la administración de

proyectos, los tiempos de culminación de cada actividad son

fijos, existe la posibilidad de cortar el tiempo de culminación de

las actividades con el consiguiente incremento de costos.

Determinística. Los eventos son determinados, fijos, ocurren

con certeza.

244
Probabilístico. Los eventos son probables, existe un cierto

grado de probabilidad de ocurrencia.

Actividad. Acción que necesita recursos para su realización.

Precedencia. Hechos, eventos o actividades que anteceden a

otra.

Ruta crítica. Camino más largo para llegar desde el nodo

inicial al nodo final.

Holgura. Cantidad que sobra, que no se ha utilizado.

Red. Conjunto de arcos entrelazados.

Tiempo de culminación. Tiempo que consume una actividad

en su realización, desde el inicio hasta la culminación.

245
CAPITULO IV

TEORIA DE INVENTARIOS

4.1. INTRODUCCIÓN

Las organizaciones utilizan recursos para utilizarlos en sus

procesos, entre estos recursos se cuentan con materia

prima, insumos, maquinarias, energía, mano de obra, fondos

en los bancos, etc.

246
Los recursos anteriormente mencionados, que están

esperando ser utilizados reciben el nombre de inventarios,

es decir inventario es el conjunto de bienes o servicios que

están esperando ser utilizados, pero que actualmente están

inactivos y por lo tanto no están siendo añadidos con valor.

4.2. LA ADMINISTRACION DE INVENTARIOS

La administración del inventario tiene fuerte impacto en

todas las áreas de la empresa, particularmente: Producción,

Mercadotecnia, Finanzas

Los inventarios son necesarios para el desarrollo de los

negocios y ellos representan ciertos costos que deben ser

minimizados para maximizar las ganancias de la empresa.

El problema de Inventarios se reduce a las siguientes

interrogantes:

¿Qué cantidad se debe pedir o producir?

¿Cuándo se debe pedir o producir?

La decisión de cuanto ordenar implica la selección de una

cantidad de pedido que signifique un equilibrio entre:

Mantener inventarios reducidos y hacer pedidos frecuentes

247
Mantener inventarios numerosos y hacer pedidos poco

frecuentes

4.3. OBJETIVOS Y FUNCION DE LOS INVENTARIOS

Dentro de la empresa existen diferentes objetivos de

Inventario:

• EL Dpto. Financiero prefiere mantener los inventarios en

un nivel

Bajo para conservar y tener flujo de capital y efectivo.

• El Dpto. de Mercadotecnia se inclina por tener niveles

altos de inventario para reforzar las ventas y pedidos.

• El Dpto. de Producción desea inventarios adecuados

para una producción eficiente y niveles de empleo

homogéneos tanto de maquinarias como de personal.

248
FLUJO DE LOS INVENTA

Demanda

Cliente
Inventario

Venta Su
Función de los inventarios

1. Inventario de transito o de conducto, formados por

suministros para cubrir retardos en el manejo y el transito.

2. Inventario de tamaño de lote, pedidos por lote por ser mas

3. Económicos.

4. Inventario de Seguridad, para prevenir faltantes debido a

fluctuaciones inciertas de la demanda.

249
5. Inventarios estaciónales, diseñados para cumplir mas

económicamente la demanda estacional, variando los

niveles de producción para satisfacer fluctuaciones de la

demanda.

6. Inventarios de Desacople, tienen como función desunir

funciones.

4.4. CARACTERISTICAS DE LOS SISTEMAS DE

INVENTARIOS

La administración de inventarios presenta las siguientes

características:

4.4.1. COSTOS DE INVENTARIO

a) Costo de Pedido. son los costos asociados con el

reabastecimiento del inventario, estos varían con el numero

de pedidos.

b) Costo de Mantenimiento. Costos asociados por mantener un

nivel dado de inventarios disponibles. Comprenden:

• Costos de Oportunidad

• Costos de Almacenamiento

• Deterioro del Producto u Obsolescencia

• Impuestos, Depreciación, Seguros

250
c) Costos de Agotamiento: Las paralizaciones en que se

incurre.

Cuando se queda sin mercancía, o cuando se pierde ventas.

d) Precio de Compra. en el que se asegura descuentos por

cantidades, o una producción en lotes grandes, se traduce

en una disminución de costos.

4.4.2. TIPOS DE DEMANDA

a) Demanda Determinística

Las cantidades pedidas sobre los periodos

subsiguientes se conocen con certeza.

b) Demanda Probabilística.

La demanda sobre un periodo futuro de tiempo es

incierta y se puede describir en términos de una

distribución.

c) Demanda Estática. La demanda sobre periodos de

tiempo iguales es constante.

d) Demanda Dinámica. La demanda varia en cada

periodo de tiempo.

4.4.3. TIPOS DE PEDIDO O CICLO DE PEDIDO

251
a) Revisión Continua.- El registro del nivel de

inventario se monitorea continuamente hasta hacer

un nuevo pedido.

b) Revisión Periódica.- Los pedidos se colocan en

intervalos regulares de tiempo

252
MODELO DE INVENTARIO

 Supongamos que:
 I= tasa de costo anual.
20%
 C=costo unitario de un
elemento del inventario.
$ 26
 Ch=Costo anual de
posesión de una unidad en
el inventario
 Ch=0, 2*26=5, 2

Figura N° 3.1.- MODELO DE INVENTARIO

4.5. MODELOS DE INVENTARIO

253
Existen dos tipos de modelo de inventarios: modelo de

compra sin déficit y modelo de compra con déficit.

4.5.1. MODELO DE COMPRA SIN DEFICIT

Se supone lo siguiente:

La demanda D se efectúa a una tasa constante

La tasa de reemplazo es instantánea

Todos los coeficientes de costo son constantes

C1 costo unitario / periodo

C2 costo de ordenar la compra

C3 costo de mantenimiento / unidad

Suposición Q = Im

24/10/2010 MG. Fidel Arauco C.

Tenemos:

Im inventario máximo

Q cantidad económica pedido

254
t tiempo entre pedido

T tiempo planeado anual

D demanda del articulo unidades/ año

Costo Total/Periodo = Costo Unitario/Periodo+Costo

de Ordenar/periodo+Costo de Mantener/Periodo

Costo Total /Año = Costo Total /Periodo* Numero de

Periodos /Año

Donde:

C1*Q Costo de Q unidades/periodo

C2 Costo de Ordenar/periodo

Q/2 inventario Promedio por periodo

C3*t*(Q/2) Costo de Mantenimiento del Inv.

Por periodo

Costo Total por Periodo:

Cp = C1*Q+C2+C3*t*Q/2..................1

Tiempo del Periodo t= Q/D

Periodos/Año N = D/Q

Reemplazando Valores en 1:

Cp = C1*Q + C2 + C3*(Q/D)*(Q/2)

255
Costo Total por Año: C = N*Cp

C = C1*D + C2* (D/Q) + C3* (Q/2).......incluido el precio

de compra

El lote económico se encuentra derivando con respecto

aQ

Entonces Qe = SQRT ( (2*C2*D)/C3 )

Q
t

Análisis de sensibilidad

256
La política optima de la Cantidad Económica de Pedido

deberá aprovecharse en el Futuro o no dependiendo del

realismo de la hipótesis. El modelo del Qe no es mas que

Una representación electiva de la realidad; una

abstracción y una aproximación.

Que tan sensibles son los resultados del modelo en

cuanto a los resultados y los datos.

Se puede comparar la sensibilidad de los costos totales C

de cualquier sistema operativo.

Con los costos totales C* de un sistema optimo de

inventarios usando la relación:

K = C/C* donde K es la medida de sensibilidad

o K = 0.5 * ( Q*/Q + Q/Q* )

Desviación de la variable de decisión

Q = K Q*

Si

K = 1 entonces Q = Q*

K > 1 entonces Q > Q*

K < 1 entonces Q < Q*

Existencias de seguridad

257
Sirven de amortiguador para absorber las variaciones de

la demanda y del tiempo de anticipación.

Intervalo Administrativo de Operación:

Qs = (1 + X) Q*

Qi = (1- X) Q*

Donde:

X tasa de desviación

Qs cantidad superior

Qi cantidad inferior
258
CASO:

La Empresa Thompson tiene un contrato con el Dpto de

Defensa por 150000 rodamientos al año. La Thompson

ordena a un proveedor el metal para los rodamientos en

lotes de 40000 unidades.

Cuesta $40 colocar un pedido y los costos de manejo se

calculan 20% del costo del producto $1.15, la empresa

desea conocer:

La cantidad optima a ordenar, el porcentaje de variación

de la cantidad pedida con respecto al optimo, cuanto le

cuesta esta variación y calcular el intervalo de operación

para una tasa del 15%.

Solución:

Datos D = 150000 Q = 40000 C1 = $0.15 C2 =

$40.00 C3 = $0.15 * 0.20 X = 0.15

Cantidad Optima a Pedir: Q* = SQRT ((2 * C2 * D)/

C3) = 20000

Comparando la cantidad Q*, con la Q real

C / C* = 0.5 (20000/40000 + 40000/20000) = 1.2La

cantidad pedida 40000 se desvía de la optima 20000 en

100%

259
Los costos solo son el 25% mas elevados que el óptimo.

Los costos suplementarios (marginales) de la cantidad

ordenada no optima:

K = C / C* C = K C*

Entonces C = C2* (D/Q) + C3* ( Q/2) = 0.25 * 40(

15000/20000 ) + 0.03(20000/2)

= $ 150.00

Intervalo de Operación del Lote.

Qs = 1.15 * (20000) = 23000

Qi = 0.85 * (20000) = 17000

4.5.2. MODELO DE COMPRA CON DEFICIT

Ocurre cuando hay faltantes, por lo tanto la cantidad

de faltantes debe ser el óptimo, para tener costos

óptimos por faltantes, el modelo se presenta en la

siguiente figura.

260
Costo mínimo
tota

Costo de pedido

Costo Total/periodo = Costo unitario /periodo

+ Costo de ordenar compra/ periodo

+ Costo de Mantener el Inventario/periodo

+ Costo de Déficit/periodo

261
Cp = C1 *Q + C2 + C3 * t1 * (im./2) + C4 * t2 * (s/2)

Reemplazando Valores

Cp = C1*Q + C2 + C3 * ( ( Q-S )2/2D ) + C4 * ( S2/2D )

Costo Total/ año C = N * Cp

C = C1*D + C2* ( D/Q ) + C3* (Q-S )2/2Q + C4* (S2/2Q )

Derivando C con respecto a Q y S resolviendo para estos valores

Q = ( ( ( 2 C2 D ) /C3 ) * ( ( C3 +C4 ) / C4 ) )1/2

S = ( ( ( 2 C2 D )/C4 ) * ( C3 / ( C3 + C4 ) ) )1/2

PROBLEMA:

Se tiene los siguientes datos D = 18000/año C1 = $1.0 C2 =

$400 C3 = $1.20/año

C4 = $5/año Año = 360 días

Solución

1.- Cantidad Óptima a Pedir

Q* = ( ( ( 2*400*18000 ) / 1.20 ) * ( ( 1.20 + 5.0 ) / 5.0 ) ) 1/2 =

3855.43

2.- Numero de Unidades Agotadas

S* = ( ( ( 2* 400*18000 ) / 5.0 ) * ( 1.20 / ( 1.20 + 5.0 ) ) ) 1/2 =

747

3.- Costo Total /año

262
C = 1*1800 + 400 (1800/3855 ) + 1.2 ( 3855 – 747 )2 / (

2*3855) + 5( 747)2/ (2*3855)

C = $ 21732.94

4.- Numero de Pedidos/año

N=D/Q 18000 / 3855 = 4.67 Pedidos por Año

5.- Tiempo Entre Pedidos

t = 1 /N = Q / D 3855 / 18000 = 0.214 Años 0.214*360 = 77

Días

6.- Tiempo de Existencias

t1 = (Q – S) / D (3855-747) / 18000 = 0.172 Años

0.172*360 = 62 Días

7.- Tiempo de Faltantes

t2 = S / D 747 / 18000 = 0.0415 Años 0.0415* 360 =

15 Días

4.5.3. CANTIDAD ECONOMICA DE PEDIDO CON

DESCUENTOS POR CANTIDAD

Ocurren descuentos por cantidad en numerosos

negocios e industrias en las que los proveedores

ofrecen incentivos para obtener cantidades grandes

de pedidos, ofreciendo menores costos de compra

263
cuando se solicitan los artículos en lotes o cantidades

grandes.

Observando que las mayores cantidades de pedido

dan como resultado mayores costos de tenencia de

inventario, debe prepararse un análisis completo de

los costos antes de hacer una recomendación final

sobre la política de pedidos o inventarios.

ALGORITMO

Paso 1. Para cada categoría J de descuento calcular

Qj = ( ( 2 * D * C2 ) / C3 )1/2

Considerando el costo unitario C1 de la categoría J

donde:

C3 = I * C1, I tasa de costo de tenencia anual, C1

precio de compra

Paso 2. Considerar lo siguiente:

Las cantidades Qj que están dentro del intervalo,

respetar

Las cantidades Qj mayores a la cota superior del

intervalo, descartar del análisis

Las cantidades Qj menores a la cota inferior del

intervalo, ajustar el Qj a esta cota

264
Paso 3. Para cada Qj permitido, calcular:

C = C1 * D + C2 * ( D/Q ) + C3 * ( Q/2 )

La cantidad de pedido que arroje el costo total

mínimo, es la cantidad óptima de pedido.

PROBLEMA:

La Cía. LST proveedor de la zapatería ILY esta

considerando descuentos al costo unitario por

cantidad de su articulo Z001.

TAMAÑO DEL PEDIDO DESCUENTOS COSTO

UNITARIO

UNIDADES % C1

0 - 250 0 20

250 - 1000 10 18

1000 - mas 25 15

La demanda anual es de 10000 unidades, costo de ordenar

(C2 ) $ 9.00, I = 10%

Año = 360 días, ¿Cuanto es la cantidad que debe pedir la

Zapatería?

SOLUCION:

Paso 1.- Calculando los Qj, para j = 1, 2, 3 y C3 = I*C1

265
Q1 = ( (2 * 10000 * 9 ) / ( 0.10*20 ) )1/2 = 300 > 250 No es

Factible

Q2 = ( (2 * 10000 * 9 ) / ( 0.10*18 ) )1/2 = 316 > 1000 Si es

Factible

Q3 = ( (2 * 10000 * 9 ) / ( 0.10*15 ) )1/2 = 346 < 1000 Si es

Factible

Paso 2.-

Manteniendo el valor de Q2 Q2 = 316 ( 250 - 1000 )

Ajustando el valor de Q3 Q3 = 346 < 1000, sea Q3 = 1000

Paso 3.- Calculando el Costo Total Anual para Q2 y Q3:

CEP CON DESCUENTO POR CANTIDAD FACTIBLES

Q Cost Unitario Cant. Pedida Costo / UnidadCosto por OrdenarCosto InventarioCost Tot Anual

C1 Q C1 * D C2 * ( D / Q ) C3 * ( Q / 2 ) C

Q2 18 316 180000 285 284 180569


Q3 15 1000 150000 90 750 150840

La Cantidad a pedir es de 1000 unidades con descuento de

25%

Con un costo de

15 (10000) + 9 ( 10000 / 1000 ) + 1.5 ( 1000 /2 ) = $ 150840

4.5.4. INVENTARIO ESTOCÁSTICO O PROBABILÍSTICO

266
En los sistemas de producción y distribución existen

factores de incertidumbre: la demanda es la que

presenta la mayor aleatoriedad

 DEMANDA VARIABLE:

 TIEMPO DE ESPERA

 DEMANDA DURANTE EL TIEMPO DE

ESPERA

DEMANDA VARIABLE:

Demanda futura es incierta.

Para estimar la demanda la manera más común es

reunir la información sobre experiencias pasadas y en

base a dichos datos pronosticarla para obtener

indicadores muy aproximados del patrón de la

demanda se calcula la media y la desviación estándar

de los datos, usando solo los puntos medios de los

intervalos.

TIEMPO DE ESPERA:

El tiempo de espera para recibir los pedidos, es

incierto.

DEMANDA DURANTE EL TIEMPO DE ESPERA:

267
Las fuentes de variación de la demanda durante el

tiempo de espera son:

1. la duración del tiempo de espera, por periodo.

2. la demanda en el tiempo de espera, por periodo.

4.6. MODELOS DE LOS INVENTARIOS ESTOCÁSTICOS

En el modelo de inventario estocástico, la demanda varía es

variable en el tiempo.

4.6.1. MODELO DE PERIODO SIMPLE

Los modelos de inventarios de este tipo ocurren

cuando un artículo es ordenado una vez, únicamente

para satisfacer la demanda de un periodo específico.

Por ejemplo un artículo de moda llega a ser obsoleto

después de un cierto periodo y después no puede

volverse a pedir.

El decidor se enfrenta al siguiente problema ¿Qué

tanto pedir debido a que el producto es perecedero?,

es decir minimizar los costos totales cuando la

demanda no se conoce con certeza.

En la siguiente ecuación se refleja la cantidad crítica

o cuartil que viene a ser el nivel de servicio que

268
aumenta las utilidades en el caso de los productos

perecederos:

CC  C4 / C4  C1

4.6.2. CASO DE ADMINISTRACION DE INVENTARIOS

Objetivos específicos de la empresa

La empresa Inv. Alvaro’s E.I.R.L, tiene como

objetivos específicos establecer de proveer a la

población de un producto para los momentos felices

pero con costos mas bajos ya que posee un

inventario grande de 3000 unidades semanales y

satisfacer las necesidades de los clientes lo más

pronto posible (lo que equivale a entregar los pedidos

de producción a tiempo).

Problemática

El problema de la empresa consiste en reducir costos,

tener un adecuado manejo sobre estos, cumplir con el

pedido de los clientes en el tiempo esperado y cubrir

con los sueldos de los empleados de dicha empresa.

Objetivos de generales

269
El presente estudio tiene como adjetivos generales

reducir los costos que conlleve a mantener altos

niveles de inventarios.

Objetivos específicos

El objetivo del presente estudio es brindarle a la

empresa alternativas de solución que sean viables

mediante la aplicación de una política optima de

inventarios, donde queremos determinar el tamaño

de cada pedido y cuando hacer los pedidos.

Metodologia

Entrevista con la administradora de la empresa Inv.

Alvaro’s E.I.R.L y nos brindo todos los datos

suficientes para un adecuado uso de los conceptos

de inventarios.

270
Analizaremos el caso de la empresa “Inversiones

Alvaro’s” distribuidora de cerveza “franca” al por

mayor y menor, desde su almacén localizado en Av.

Evitamiento norte Nº 230

Hemos obtenido los datos de la demanda para las

últimas 5 semanas:

Semanas Demanda/cajas

1 3000

2 2950

3 3050

4 2950

5 3050

Total cajas 15000

Cajas prom sem 3000

Análisis de costos

 Costos de posesión o costos de

mantenimiento:

Estos costos dependen del tamaño de inventario

dichos costos son:

271
 Costo de financiar el costo de inventario:

Inversiones Alvaro’s E.I.R.L utiliza su propio dinero

por lo que sufre un costo de oportunidad asociado al

hecho de que no podrá utilizar este dinero en otras

inversiones y este monto esta entre los intervalos de

S/ 8000.00 a S/ 10000.00.

En este caso existe un costo por interés relacionado

con el capital de inventario congelado en

inventarios(costo de capital) y se expresa como un

porcentaje de la cantidad invertida. Inv. Alvaro’s

E.I.R.L, estima su costo de capital a una tasa anual

del 12%.

 Costos de primas de seguro: Asciende al monto de

S/ 240.00.

 Impuestos: Asciende a S/600.00.

 Gastos generales de almacén: S/1800.00

Los costos de posesión como las primas,

impuestos y gastos generales de la empresa, se

estiman estos a una tasa anual de 8% del valor del

inventario.

272
El costo de posesión de una caja de franca en el

inventario durante un año es de 0,2.26=5,2 soles y

tendrá un costo anual de 0,2.26=5,2 soles/por caja.

Donde S/ 27.00 es el costo unitario de venta y S/

26.00 es el costo de compra,

Costo por pedir

Este costo que se considera fijo es independiente de

la cantidad a pedir,

Dichos costos son:

 Salario de los compradores: Es solo un

encargado de hacer las compras y su sueldo

mensual es de S/ 125.00

 Preparación de la requisición: Asciende a S/

2.00

 Procesamiento de pedido: Los vendedores de la

cerveza se encargan de la preparación de la

requisición de compra y procesamiento de

pedido y verificación de factura.

 Costo en llamadas: Asciende a S/ 10.00.

 Costo de recepción: Asciende a S/ 6.00.

273
La administración estima el costo de pedir es igual a

S/143.00

274
Existencia de seguridad

 Costo anual de posesión =(nivel promedio de

inventario)(costo anual de posesión por unidad)=

=2, 6 Q

 Costo anual de pedir=(número de pedidos por

año)(costo por pedido)=(D/Q) =

 Donde

275
 Costo anual total = costo anual de posesión +

costo anual de pedir

¿CUÁNTO PEDIR?

 Tabulando:

Cantidad a Costo anual Costo anual Costo

pedir de posesión de pedir total

6000 15600 3718 19318

5000 13000 4461.6 17461.6

4000 10400 5577 15977

3000 7800 7436 15236

2000 5200 11154 16354

1000 2600 22308 24908

276
El valor de Q* que minimiza el costo anual de pedir

esta dado por:

 La cantidad a pedir a mínimo costo anual para

“Franca” es:

Q*=2929 cajas/semana

 El uso de una cantidad de 2929 cajas muestra que la

política de inventarios de costo mínimo para

ALVARO’S E.I.R.L. tiene un costo total de 15231,6

soles.

277
¿CUÁNDO PEDIR?

 AJE garantiza una entrega de 2 días sobre cualquier

pedido colocado por “Inversiones ALVARO’S

E.I.R.L.”, por lo que suponiendo una tasa de demanda

constante de 3000 cajas por semana, es decir 500

cajas diarias. Podemos expresar que se venden 1000

cajas durante los 2 días que le toma a un nuevo

pedido llegar al almacén de “Inversiones ALVARO’S

E.I.R.L.”.

 El tiempo de entrega para un pedido es 2 días

 La demanda durante el periodo de entrega es 1000

cajas

¿CUÁNDO PEDIR?

 Por lo tanto “Inversiones ALVARO’S E.I.R.L.” deberá

pedir un nuevo embarque a AJE cuando el nivel de

inventarios llegue a 1000 cajas.

 Punto de Reorden= (demanda por día) (tiempo de

entrega de una pedido en días)

 Tiempo del Ciclo=D/Q*=156000/2929=53

278
 El número de pedidos que colocará AJE para

“Inversiones ALVARO’S E.I.R.L.” cada año es 53,

durante 300 días de trabajo por lo que el tiempo de

ciclo es 5.66 días.

Análisis de sensibilidad

CANTIDADES ÓPTIMAS DE PEDIDO PARA VARIAS POSIBILIDADES DE COSTO

POSIBLE COSTO POSIBLE CANTIDAD COSTO TOTAL ANUAL

DE POSESIÓN DEL COSTO DEL ÓPTIMA DE PROYECTADO

INVENTARIO (%) PEDIDO PEDIDO Q* UTILIZANDO UTILIZANDO

Q* Q=2929

19 142 2994 14793.98 14797.62

19 144 3015 14897.79 14904

21 142 2848 15695.52 15705.61

21 144 2868 15805.68 15812.13

CONCLUSIONES

 La ejecución adecuada de administración de almacenes,

aseguran el máximo de eficiencia en la gestión de estos.

 El determinar las cantidades económicas de compra

permitirá a la empresa conseguir resultados favorables,

279
tanto en equilibrar los costos de compra como el de almacén

y de aplicar un balance de las existencias antes de emitir un

pedido.

 El almacén debe ser dotado del espacio necesario para el

almacenamiento de insumos y el personal encargado debe

ser capacitado continuamente para que su trabajo sea más

eficiente.

 La técnica de control de existencia desarrollada en el

presente trabajo es aplicable a diferentes tipos de estructura

de organizaciones que manejan almacenes de productos

terminados.

280
CAPÍTULO V

TEORIA DE COLAS

5.1. DEFINICIONES GENERALES

• Línea de espera. Esta se presenta, cuando los “clientes”

llegan a un “lugar” demandando un servicio a un “servidor”,

el cual tiene una cierta capacidad de atención. Si el servidor

no está disponible inmediatamente y el cliente decide

esperar, entonces se forma la línea de espera.

• Los clientes no llegan a un horario fijo, es decir, no se sabe

con exactitud en que momento llegarán los clientes.

También el tiempo de servicio no tiene un horario fijo.

• Los problemas de “colas” se presentan permanentemente

en la vida diaria

281
5.2. TERMINOLOGÍAS UTIÑIZADAS EN LA TEORIA DE

COLAS

• λ: Representa el número medio de llegadas por unidad de

tiempo.

• μ: Es el número medio de clientes a los que se les completa

el servicio, por unidad de tiempo.

• Po: Probabilidad de que no se encuentren clientes en el

sistema.

• Lq: Número medio de clientes en la cola, o línea de espera.

• L: Número medio de clientes en el sistema.

• Wq: Tiempo que un cliente espera en la cola o línea de

espera.

• W: Tiempo que un cliente pasa (tiempo de espera en el

sistema).

• Pw: Probabilidad de que un cliente que llegué tenga que

esperar el servicio.

• Pn: Es la probabilidad de que se encuentren n clientes en el

sistema (n = 0, 1,…).

• k: Denota el número de servidores del mecanismo de

servicio.

282
5.3. TIPOS DE MODELOS DE LINEAS DE ESPERA

En los sistemas reales se presentan tres tipos de modelos

de líneas de espera: modelo simple, modelo general y

modelo en serie.

5.3.1. MODELO DE LÍNEA DE ESPERA SIMPLE (M/M/1)

• La línea de espera tiene un solo canal

• Las llegadas siguen una distribución de

probabilidad Poisson

• Los tiempos de servicio siguen una distribución

de probabilidad exponencial

• La disciplina en la cola es primera llegada , primer

servicio

• El diagrama del modelo simple se presenta a

continuación:

283
Sus características de operación:

L  Lq   / 
P0  1   / 
 2
Lq 
 (   )
W  Wq  1 / 

Lq
Wq 

n
PW   /  
Pn    P0


5.3.2. MODELO DE LÍNEA DE ESPERA DE MÚLTIPLES

CANALES (M/M/K)

• Las llegadas siguen una distribución de

probabilidad Poisson

• Los tiempos de servicio siguen una distribución de

probabilidad exponencial

• La tasa media de servicio μ es la misma para cada

uno de los canales

• Las llegadas esperan en una sola línea de espera,

luego pasan al primer canal abierto para su servicio

284
• La disciplina en la cola es primera llegada , primer

servicio

El diagrama del modelo general se presenta a

continuación:

t1
t
t2
S

1
P0  K 1
( /  ) ( /  ) k
n
 k 
 n!  k!
N 0
 
 k   

( /  ) k 
Lq  P0
(k  1)!(k   ) 2

L  Lq   / 

Lq
Wq 

W  Wq  1 / 

285
k
1   k 
PW      P0
k!     k   

( /  ) n
Pn  P0 , Para : n  k
n!

( /  ) n
Pn  P0 , Para : n  k
k!k ( nk )

5.4. CASO ATENCIÓN EN UNA AGENCIA BANCARIA:

BANCO DE CRÉDITO DEL PERÚ BCP

• Banco de Crédito del Perú - BCP es el banco más grande y

más antiguo del Perú.

• Las actividades de su división de banca personal incluyen:

(i) actividades bancarias exclusivas

(ii) préstamos a la pequeña empresa

(iii) préstamos hipotecarios

(iv) tarjetas de crédito Visa

(v) créditos de consumo

(vi) actividades bancarias institucionales.

5.4.1. PLANTEAMIENTO DEL PROBLEMA

286
En la mayoría de ocasiones para obtener algún

servicio o producir un bien, un fenómeno muy común

es la formación de colas o líneas de espera; esto

suele ocurrir cuando la demanda real de un servicio

es superior a la capacidad que existe para dar dicho

servicio. Ejemplos de esa situación son: los cruces de

dos vías de circulación, los semáforos, los cajeros

automáticos, la atención a clientes en un

establecimiento comercial, la avería de

electrodomésticos u otro tipo de aparatos que deben

ser reparados por un servicio técnico, los procesos de

producción, el aterrizaje de aviones, el desembarco

de buques, para citar entre los más comunes.

Todavía más frecuentes, si cabe, son las situaciones

de espera en el contexto de la informática, las

telecomunicaciones y, en general, las nuevas

tecnologías. Así, por ejemplo, los procesos enviados

a un servidor para su ejecución forman colas o líneas

de espera mientras no son atendidos, la información

solicitada, a través de Internet, a un servidor Web

puede recibirse con demora debido a congestión en la

287
red o en el servidor propiamente dicho, se recibe la

señal de líneas ocupadas si la central de la que

depende nuestro teléfono móvil está colapsada en

ese momento, etc.

288
En la figura N° 5.1 se muestra la línea de espera.

Figura Nº 5.1.- LÍNEA DE ESPERA TÍPICA

En el caso de atención de un banco, el problema es

determinar qué capacidad o tasa de servicio

proporciona el balance correcto. Esto no es sencillo,

ya que un cliente no llega a un horario fijo, es decir,

no se sabe con exactitud en que momento llegarán

los clientes. También el tiempo de servicio no tiene un

horario fijo.

Los clientes llegan al banco, recaban su turno de

atención y esperan a ser llamados según su número

de atención por algún módulo de atención que se

encuentra libre en ese momento, es sistema múltiple

se presenta en la figura N° 5.2.

289
Figura Nº 5.2.- SISTEMA DE COLAS DEL BANCO

5.4.2. OBTENCIÓN DE DATOS Y CARACTERÍSTICAS

DEL SISTEMA

Las características de operación del sistema de

atención del banco esta dado por los siguientes

parámetros:

 λ: Representa el número medio de llegadas

(tasa media de llegadas del sistema) de clientes

al sistema, por unidad de tiempo. Generalmente

λ es tiene un valor constante.

 μ: Es el número medio de clientes a los que se

les completa el servicio, por unidad de tiempo,

(tasas de media de servicio). Si todos los

servidores tienen la misma distribución del

tiempo de servicio, suele denotarse por μ el

290
número medio de clientes que puede atender

cada servidor por unidad de tiempo.

 P0: Es la probabilidad de que no se encuentren

clientes en el sistema.

 Lq: Que no es más que el número medio de

clientes en la cola, o línea de espera.

 L: Representa el número medio de clientes en el

sistema.

 Wq: Representa el tiempo que un cliente espera

en la cola o línea de espera.

 W: Es la variable aleatoria que describe el

tiempo que un cliente pasa en el sistema o

también llamado tiempo de espera en el sistema

(incluyendo el tiempo de servicio) para cada

cliente.

 k: Denota el número de servidores del

mecanismo de servicio.

En la figura N° 5.3 se muestra el sistema de atención

del banco.

291
Figura N° 5.3.- SISTEMA DE ATENCION DEL BANCO

Para ello se realizaron la toma de datos durante los 5

días de la semana en el turno de 8 horas, en el

cuadro Nº 5.1 se detalla dicha información.

Cuadro Nº 5.1.- TASA DE LLEGADA DE CLIENTES Y

SERVICIO DE ATENCIÓN EN EL BANCO.

Llegadas / Caja1 Caja2 Caja3 Caja4 Caja5 Caja6 Caja7 Caja8

h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h

Día (λ) (μ) (μ) (μ) (μ) (μ) (μ) (μ) (μ)

1 147 17 20 21 17 16 23 19 30

2 173 21 20 23 25 20 19 21 27

3 141 15 20 22 13 17 16 16 34

4 156 16 25 23 21 16 26 31 29

5 150 18 23 25 24 18 24 29 30

Promedio 153.4 17.4 21.6 22.8 20 17.4 21.6 23.2 30

292
Min/clint 0.39 3.44 2.78 2.63 3.00 3.44 2.78 2.59 2.00

Habiendo realizado la toma de datos, se realiza la

transformación de los mismos para que sean

ingresados en los módulos del software arena, la tasa

de llegadas obtenida en llegada/hora, se convierte en

minutos/llegada, de la misma manera la tasa de

atención obtenida en servicio/hora se convierte en

minuto/servicio. Dichos valores se aprecian en la

última fila del cuadro Nº 5.1.

Promedio de Atenciones por cada Caja Durante los 5 días

30
25
Numero de
Clientes

20
15
10
5
0
Caja 1 Caja 2 Caja 3 Caja 4 Caja 5 Caja 6 Caja 7 Caja 8
Serv./ Serv./ Serv./ Serv./ Serv./ Serv./ Serv./ Serv./
hora hora hora hora hora hora hora hora
Cajas

Figura N° 5.4.- DISTRIBUCIÓN DE LA ATENCIÓN EN EL

BANCO

293
294
5.4.3. DESARROLLO DEL MODELO DE SIMULACIÓN E

INGRESO DE LAS CARACTERÍSTICAS DE LOS

MÓDULOS

El banco posee 8 módulos de atención, mostrados en

la figura Nº 5.3, cada módulo de atención opera con

una rapidez propia. En el software Win QSB se edita

el modelo tal cual es en la realidad, este modelo se

visualiza en la figura Nº 5.5. Con los datos obtenidos

el primer día del muestreo

Figura Nº 5.5.- EDICIÓN DEL MODELO EN WINQSB

CALCULOS CON LOS DATOS OBTENIDOS EL

PRIMER DIA DEL MUESTREO

λ = 147 clientes/ hora

μ = 20.375 clientes/ hora (promedio)

295
k = 8 cajeros

RESULTADOS OBTENIDOS

• Po = 0.0381% (Probabilidad de que no se

encuentren clientes en el sistema).

• Lq = 6.4914 (Promedio de clientes en la cola.)

• L = 13.7061 (Promedio de clientes en el sistema.)

• Wq = 2.652 minutos (Tiempo que un cliente

espera en la cola )

• W = 5.592 minutos (Tiempo que un cliente

permanece en el sistema).

• Pw = 70.654% (Probabilidad de que un cliente

que llegué tenga que esperar el servicio.)

• Con los datos obtenidos el segundo día del

muestreo

λ = 173 clientes/ hora

μ = 22 clientes/ hora (promedio)

k = 8 cajeros

Datos Obtenidos

• Po = 0.0044% (Probabilidad de que no se

encuentren clientes en el sistema).

• Lq = 54.519 (Promedio de clientes en la cola.)

296
• L = 62.383 (Promedio de clientes en el sistema.)

• Wq = 18.906 minutos (Tiempo que un cliente

espera en la cola )

• W = 21.636 minutos (Tiempo que un cliente

permanece en el sistema).

• Pw = 94.5426% (Probabilidad de que un cliente

que llegué tenga que esperar el servicio.)

CALCULOS CON LOS DATOS OBTENIDOS DEL

PROMEDIO DE LOS CINCO DÍAS

λ = 153.4 clientes/ hora

μ = 21.7 clientes/ hora (promedio)

k = 8 cajeros

RESULTADOS OBTENIDOS

Po = 0.0495% (Probabilidad de que no se encuentren

clientes en el sistema).

• Lq = 4.9955 (Promedio de clientes en la cola.)

• L = 12.0646 (Promedio de clientes en el sistema.)

• Wq = 1.956 minutos (Tiempo que un cliente espera

en la cola )

297
• W = 4.716 minutos (Tiempo que un cliente

permanece en el sistema).

• Pw = 70.654% (Probabilidad de que un cliente que

llegué tenga que esperar el servicio.)

Conclusiones

• Se puede concluir que el BCP no tiene una eficiencia

óptima.

• En algunos días, como es el caso de fines de semana,

feriados, fin de mes; este sistema se vuelve

completamente ineficiente.

• Observando el movimiento bancario durante estos días de

prueba podemos concluir que es muy difícil que un banco

tenga una eficiencia óptima.

5.5. PROBLEMAS RESUELTOS

Problema 1.- Una pastelería tiene dos dependientes, cada

uno de ellos es capaz de capaz de atender a 30 clientes por

hora, con los tiempos reales de servicio distribuidos

exponencialmente. Los clientes llegan a la pastelería de

acuerdo a un proceso poissomiano, con una tasa media de

40 por hora:

298
a) La fracción de tiempo que un cierto dependiente esta

ocioso.

b) La probabilidad de que halla mas de 2 clientes esperando

servicio en un momento dado.

Solución
The System is M/M/2
Customer arrival rate (lambda) = 40 per year
Service rate per server (mu) = 30 per year
Overall system effective arrival rate = 40 per year
Overall system effective service rate = 40 per year
Overall system effective utilization factor =
.6666666
Average number of customers in the system (L) = 2.4
Average number of customers in the queue (Lq) =
1.066667
Average time of a customer in the system (W) =
0.060000 years
Average time of a customer in the queue (Wq) =
0.026666 years
The probability that all servers are idle (Po) = 20 %
The probability an arriving customer waits (Pw) =
53.33334 %
The total server cost (Cs) = $0 per year
The total customer waiting cost (Cw) = $0 per year
The total customer balking cost (Cb) = $0 per year
The overall total cost = $0 per year

299
Number of ¦Probability
Customers (n)¦ P(n)
------------+-----------
0 ¦ .200000
1 ¦ .266667

a) Po+1/2*P1= 0.3333335

b) 1-(Po+P1+P2) = 0.355555

Problema 2.- Una estación ferroviaria suburbana tiene 5

teléfonos públicos. Durante las horas de más movimiento en

la tarde, las personas que desean realizar llamadas llegan a

las casetas telefónicas siguiendo un proceso poissoniano, a

una tasa de 100 por hora. La duración promedio de una

llamada es de 2 minutos, con la duración real distribuida

exponencialmente. Determínese:

a) La cantidad de tiempo estimada que un individuo deberá

esperar para hacer uso de un teléfono, una vez que llega

a las casetas.

b) La probabilidad de que esta espera dure más de un

minuto.

c) El numero esperado de personas que hacen uso o

esperan un teléfono.

300
Solución
The System is M/M/5

Customer arrival rate (lambda) = 100 per


hour
Service rate per server (mu) = 30 per hour
Overall system effective arrival rate = 100 per hour
Overall system effective service rate = 100 per hour
Overall system effective utilization factor = .6666668
Average number of customers in the system (L) =
3.986673
Average number of customers in the queue (Lq) =
.6533387
Average time of a customer in the system (W) =
0.039866 hours
Average time of a customer in the queue (Wq) =
0.006533 hours
The probability that all servers are idle (Po) = 3.175225 %
The probability an arriving customer waits (Pw) =
32.66692 %
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

a) Lq = 0.006533 horas = 23.5 segundos

b) Po = 0.3175 Entonces W(t) = 0.14 20

301
c) L = 3.9866

Problema 3.- Un pequeño banco tiene 2 cajeros, uno para

depósitos y otra para retiros. El tiempo de servicio para cada

cajero se distribuye exponencialmente, con una media de un

minuto. Los clientes llegan al banco siguiendo un proceso

poissoniano, con una tasa media de 40 por hora; se

considera que las personas que vienen a realizar depósitos

y retiros, constituyen procesos poissonianos diferentes, cada

uno con una tasa media de 20 por hora y que ningún cliente

realiza tanto un deposito como un retiro. El banco esta

considerado cambiar el arreglo actual para permitir que cada

cajero se encargue tanto de depósitos y retiros. El banco

esperaría que el tiempo medio de servicio de cada cajero

aumentara a 1.2 minutos, pero desea que el nuevo arreglo

impida que se formen largas líneas frente a un cajero

mientras que el otro permanece ocioso, situación que se

presenta de tiempo en tiempo bajo el actual arreglo.

Analícense ambos arreglos en lo que respecta al tiempo

promedio ocioso de un cajero y al número estimado de

clientes esperados en el banco en cualquier momento dado.

302
Solución
The System is M/M/1

Customer arrival rate (lambda) = 20 per hour


Service rate per server (mu) = 60 per hour
Overall system effective arrival rate = 19.99999 per
hour
Overall system effective service rate = 19.99999 per
hour
Overall system effective utilization factor = .3333332
Average number of customers in the system (L) = .4999999
Average number of customers in the queue (Lq) = .1666667
Average time of a customer in the system (W) = .025 hours
Average time of a customer in the queue (Wq) = .008333
hours
The probability that all servers are idle (Po) = 66.66666 %
The probability an arriving customer waits (Pw) = 33.33334 %
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

The System is M/M/2

Customer arrival rate (lambda) = 40 per hours


Service rate per server (mu) = 50 per hours
Overall system effective arrival rate = 40 per hours
Overall system effective service rate = 40 per hours

303
Overall system effective utilization factor = .4
Average number of customers in the system (L) = .9523809
Average number of customers in the queue (Lq) = .1523809
Average time of a customer in the system (W) = 0.023809
hours
Average time of a customer in the queue (Wq) = 0.003809
hours
The probability that all servers are idle (Po) = 42.85714 %
The probability an arriving customer waits (Pw) = 22.85715 %
The total server cost (Cs) = $0 per hours
The total customer waiting cost (Cw) = $0 per hours
The total customer balking cost (Cb) = $0 per hours
The overall total cost = $0 per hours

Respuesta:

Number of ¦Probability
Customers (n) ¦ P (n)
------------+------------
0 ¦ .666667

T1 (ocioso) = Po = 0.6666

L1 = ½+1/2 = 1

L2 =0.9524

Number of ¦Probability

304
Customers (n) ¦ P (n)
------------+-----------
0 ¦ .428571
1 ¦ .342857

T2 (ocioso) = Po+1/2*P1 = 0.6

Problema 4.- Un cirujano contrata un servicio de recados

para manejar sus llamadas telefónicas. El servicio de

recados es atendido por un operador y tiene capacidad para

conservar en espera dos llamadas si el operador esta

ocupado en otra. Si las 3 líneas están ocupadas (uno por el

operador y 2 por las llamadas en espera), quien realiza una

llamada recibe una señal de ocupado. El cirujano recibe

llamadas de acuerdo a un proceso poissoniano, con una

tasa media de 20 por hora. Una vez que se logra contacto

con el operador, la duración de una llamada se distribuye

exponencialmente, con una duración media de 1 minuto.

Determínese:

a) La probabilidad de que una persona que realiza una

llamada reciba señal de ocupado.

305
b) La probabilidad de que una persona llama, permanezca

en espera.

c) La probabilidad de que una persona que llama , hable de

inmediato con el operador.

306
Solución

The System is M/M/1/3

Customer arrival rate (lambda) = 20 per hour


Service rate per server (mu) = 60 per hour
Overall system effective arrival rate = 19.5 per hour
Overall system effective service rate = 19.5 per hour
Overall system effective utilization factor = .325
Average number of customers in the system (L) = .45
Average number of customers in the queue (Lq) = .125
Average time of a customer in the system (W) = .023076
hours
Average time of a customer in the queue (Wq) = .006410
hours
The probability that all servers are idle (Po) = 67.49999 %
The probability an arriving customer waits (Pw) = 32.5 %
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

a)

Number of ¦Probability ¦ Cumulated


Customers (n) ¦ P(n) ¦Probability
------------+------------+-----------
0 ¦ .675000 ¦ .675000

307
1 ¦ .225000 ¦ .900000
2 ¦ .075000 ¦ .975000
P (llamada ocupada) = 1-(Po+P1+P2) = 0.025

b) P(espera) = P1+ P2 = 0.3

c) P( no espera) = Po = 0.675
Problema 5.- Un restaurante de comida china para llevar

tiene espacio para un máximo de 5 clientes. Durante los

meses de invierno, sucede que cuando los clientes llegan y

el restaurante esta lleno, prácticamente ninguno espera por

la fría temperatura exterior y se va a otro establecimiento.

Los clientes llegan al restaurante de acuerdo a proceso

poissoniano , con una tasa media de 15 por hora. El

restaurante atiende clientes a una tasa promedio de 15 por

hora, con los tiempos reales de servicio distribuidos

exponencialmente. El restaurante es atendido solo por su

propietario, quien se ocupa de los clientes de acuerdo al

orden en que llegan.

Determínese:

a) El numero promedio de clientes en el restaurante en

cualquier momento dado.

308
b) El tiempo estimado que un cliente deberá esperar por el

servicio.

c) La tasa esperada a la cual se pierden ingresos debido al

espacio limitado del restaurante , si la cuenta promedio es

de $10.00.

309
Solución

The System is M/M/1/5

Customer arrival rate (lambda) = 15 per


hour
Service rate per server (mu) = 15 per hour
Overall system effective arrival rate = 12.5 per hour
Overall system effective service rate = 12.5 per hour
Overall system effective utilization factor = .8333333
Average number of customers in the system (L) = 2.5
Average number of customers in the queue (Lq) =
1.666667
Average time of a customer in the system (W) = .2 hours
Average time of a customer in the queue (Wq) =
.1333333 hours
The probability that all servers are idle (Po) = 16.66667 %
The probability an arriving customer waits (Pw) =
83.33333 %
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

a) L = 2.5

b) Wq = 0.13333 horas = 8 minutos

310
c) 10*2.5 = 25 dólares

Problema 6.- Una compañía de autobuses envía sus

vehículos a sus instalaciones de servicio para

mantenimiento de rutina cada 25 000 millas. Las

instalaciones de servicio están abiertas las 24 horas del día

y las atiende una sola cuadrilla capaz de trabajar en un

autobús por vez. El tiempo que toma dar servicio a un

autobús se distribuye exponencialmente, con una media de

4 horas. Los autobuses llegan alas instalaciones siguiendo

un proceso poissoniano, con una tasa media de 12 por día.

Sin embargo, los conductores tienen instrucciones de no

entrar a las instalaciones si ya hay ahí 4 o mas autobuses,

en cuyo casos regresan con el despachador para recibir

nuevas instrucciones.

Determínese:

a) El tiempo esperado que un autobús pasa en las

instalaciones de servicio, cuando se queda ahí.

b) La pérdida diaria en dinero para la compañía de

autobuses debido a las limitaciones de las instalaciones de

311
servicio, si el costo de enviar un autobús a las instalaciones

y que regrese sin servicio es de $80.

Solución
The System is M/M/1/4

Customer arrival rate (lambda) = 12 per hour


Service rate per server (mu) = 6 per hour
Overall system effective arrival rate = 5.806451 per hour
Overall system effective service rate = 5.806451 per hour
Overall system effective utilization factor = .967742
Average number of customers in the system (L) = 3.16129
Average number of customers in the queue (Lq) = 2.193548
Average time of a customer in the system (W) = .5444444 hours
Average time of a customer in the queue (Wq) = .3|777778 hours
The probability that all servers are idle (Po) = 3.225806 %
The probability an arriving customer waits (Pw) = 96.7742 %
The total server cost (Cs) = $0 per
hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

a) 13 horas 4 minutos

b) 495.48 dólares

312
Problema 7.- La compañía de autobuses descrita en

problema anterior esta considerando aumentar su cuadrilla

de servicio a 2 grupos igualmente eficientes. El costo diario

de la cuadrilla adicional seria de $ 300. ¿Es conveniente tal

expansión?

Solución
The System is M/M/2/4

Customer arrival rate (lambda) = 12 per


hour
Service rate per server (mu) = 6 per hour
Overall system effective arrival rate = 9.333333 per
hour
Overall system effective service rate = 9.333333 per
hour
Overall system effective utilization factor = .7777778
Average number of customers in the system (L) =
2.222222
Average number of customers in the queue (Lq) =
.6666667
Average time of a customer in the system (W) =
.2380953 hours
Average time of a customer in the queue (Wq) =
0.071428 hours
The probability that all servers are idle (Po) = 11.11111 %
The probability an arriving customer waits (Pw) =
66.66667 %

313
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour

a) el Nuevo costo es $ 213.33

Problema 8.- La sección de maternidad de un hospital tiene

5 salas para atender a las pacientes. Estas llegan al hospital

de acuerdo a un proceso poissoniano, con una tasa media

de 12 por día y se les asigna una sala si hay alguna

disponible; de otro modo, se las envía a otro hospital. En

promedio, una paciente ocupa la sala durante 6 horas,

aparentemente el tiempo real se distribuye

exponencialmente alrededor de esta media.

Determinase:

a) La tasa promedio de ocupación de las salas (esto es, el

porcentaje de salas en uso a largo plazo).

b) La tasa promedio a la cual las pacientes de maternidad

son enviadas a otros hospitales.

Solución
The System is M/M/5

314
Customer arrival rate (lambda) = 12 per day
Service rate per server (mu) = 4 per day
Overall system effective arrival rate = 12 per day
Overall system effective service rate = 12 per day
Overall system effective utilization factor = .5999999
Average number of customers in the system (L) =
3.354227
Average number of customers in the queue (Lq) =
.3542274
Average time of a customer in the system (W) = .279519
days
Average time of a customer in the queue (Wq) =
0.029518 days
The probability that all servers are idle (Po) = 4.664723 %
The probability an arriving customer waits (Pw) =
23.61516 %
The total server cost (Cs) = $0 per day
The total customer waiting cost (Cw) = $0 per day
The total customer balking cost (Cb) = $0 per day
The overall total cost = $0 per day

a) se obtiene 53%
b) 1.32 por día.

Problema 9.- Una tiende tiene dos dependientes, cada uno

de ellos es capaz de atender a los clientes a una tasa

promedio de 60 por hora; los tiempos reales de servicio se

distribuyen exponencialmente. La capacidad de la tienda es


315
de 5 clientes, no permitiéndose la espera en el exterior. Los

clientes llegan a la tienda de acuerdo a un proceso

poissoniano, con una tasa promedio de llegadas que

depende del número de personas que están en la tienda, de

la manera siguiente:

Numero en la tienda 0 1 2 3 4 5

Tasa promedio de 10 11 12 14 17 20

llegadas 0 0 0 0 0 0

Determínese:

a) Numero esperado de clientes simultáneos en la tienda.

b) El tiempo estimado que un cliente deberá esperar por el

servicio.

c) La tasa estimada a la cual se pierden los clientes, debido

a lo limitado da las instalaciones.

Solución
The System is M/M/2/5

Customer arrival rate (lambda) = 125 per hours


Service rate per server (mu) = 60 per hours
Overall system effective arrival rate = 100.1163 per
hours

316
Overall system effective service rate = 100.1163 per
hours
Overall system effective utilization factor =
.8343025
Average number of customers in the system (L) = 2.83149
Average number of customers in the queue (Lq) =
1.162885
Average time of a customer in the system (W) = 0.028282 hours
Average time of a customer in the queue (Wq) = 0.011615 hours
The probability that all servers are idle (Po) = 8.115797 %
The probability an arriving customer waits (Pw) =
74.97629 %
The total server cost (Cs) = $0 per
hours
The total customer waiting cost (Cw) = $0 per hours
The total customer balking cost (Cb) = $0 per hours
The overall total cost = $0 per hours

a) 2.90
b) 46.4 segundos
c) 50.4 por hora

5.6. PROBLEMAS PROPUESTOS

Problema 10.- Una estación de lavado de automóviles tiene

espacio solo para 3 unidades en espera y tiene 2 líneas para

el lavado .Cada línea puede aceptar solo un automóvil cada

317
vez .Estos llegan de acuerdo a un proceso poissoniano, con

tasa media de 29 por hora, pero se les niega la entrada

siempre que el lavado este lleno. El lavado y la limpieza se

realizan manualmente y parecen seguir una distribución

exponencial. Bajo condiciones normales, cada línea de

servicio a un automóvil durante un promedio de 5 minutos.

Sin embargo, cuando 2 o mas automóviles están esperando

por el servicio, el procedimiento de lavado se acelera,

reduciendo el tiempo promedio de servicio a 4 minutos.

Determínese:

a) El numero esperado de automóviles en el lugar.

b) El tiempo estimado que un automóvil permanece en el

sitio sino se le niega la entrada.

Problema 11.- Los clientes llegan a una pequeña tienda de

manjares delicados siguiendo un proceso poissoniano, una

tasa media de 30 por hora. En el establecimiento caben más

de 4 clientes; siempre que esta lleno, los clientes que llegan

no pueden entrar y se pierde su compra. El propietario de la

tienda es el único que atiende, y su tiempo de servicio se

distribuye exponencialmente siempre que haya un solo

cliente en la tienda, con el tiempo promedio de servicio de 5

318
minutos. Sin embargo, el propietario se vuelve más eficiente

conforme la tienda se llena, disminuyendo su platica con los

clientes y aumentando por lo tanto el tiempo promedio de

servicio en un minuto por cada cliente que este formado

esperando servicio.

Determínese:

a) El número estimado de personas que estarán

simultáneamente en la tienda (sin incluir al propietario).

b) El tiempo promedio de servicio por parte del propietario.

Problema 12.- Determínese las probabilidades de estado

estable para un sistema M/M/1 con rechazo, si hay 20% de

probabilidad de rechazo siempre que haya uno o mas

clientes en el sistema.

Problema 13.- Un sistema M/M/ es un proceso de líneas

de espera con un patrón poissoniano de llegada, con tasa

media  ; con una cantidad suficiente de servidores para

atender a todos los clientes que llegan al sistema. Los

servidores tienen tiempos idénticos de servicio distribuidos

exponencialmente e independientes, con parámetro  y

capacidad infinita. Tal modelo se aplica a menudo a

establecimientos de auto servicio. Demuéstrese que para un

319
sistema M/M/ , las probabilidades de estado constituyen

una distribución de poisson, con parámetro  /.

Determínese después, L , W, W q y Lq.

P' o(t )  Po(t )   ( P1(t )), n  0


P' n(t )  (  n ) pn(t )  P(n  1)(t )  (n  1)P(n  1)(t ), n  1

Las ecuaciones de diferencia de estado están dadas por:

 Po  P1  0, n  0

 (  n ) Pn  Pn  1  (n  1)Pn  1  0, n  1

La solución para Pn (t)


Pn (t )  de donde    (1    (t ) de la cual
n!

obtenemos

Pn =    /n! N= 0, 1, 2 ,3...
n

También obtenemos

L(s) = 

320
W(s) = 1/ 

Lq = Wq = 0;

Problema 14.- En curso de cableado eléctrico por

correspondencia, se acepta a los estudiantes tan pronto

como se inscriben y después concluyen el curso a su propio

ritmo. Aparentemente los tiempos para terminar el curso

siguen una distribución exponencial, con un media de siete

semanas. Las nuevas inscripciones al curso siguen un

proceso poissoniano, con una tasa media de 50 por

semana. Determínese:

a) El número de estudiantes que se esperan estén inscritos

simultáneamente en el curso.

b) La probabilidad de que un estudiante tarde más de 7

semanas en concluir el curso.

Problema 15.- Una compañía que tiene 7 delicadas

maquinas que frecuentemente se descomponen, emplea

dos personas de servicio con la única tarea de repararlas.

Cada persona de servicio pues de reparar una máquina en

dos horas promedio, con el tiempo actual de servicio

distribuido exponencial alrededor de esta media. Una

321
máquina recién reparada funciona a un promedio de 12

horas antes de descomponerse nuevamente; el tiempo real

de funcionamiento se distribuye exponencialmente alrededor

de esta media. Determínese:

a) El número esperado de máquinas que se encuentren en

operación en cualquier momento.

b) El porcentaje del tiempo que una máquina dada estará

fuera de operación.

322
CAPITULO VI

PROGRAMACION DINAMICA

6.7. CONCEPTOS GENERALES

La programación dinámica que vamos a introducir en este

tema, propone cambiar el enfoque de planteamiento de

resolución del problema centrándolo en el proceso de

cambio de variables principales del problema por efecto del

tiempo y del proceso de decisión secuencial. El nuevo

enfoque nos va a permitir resolver nuevos tipos de

problemas y algunos antiguos desde otra perspectiva,

ayudándonos a desarrollar nuevas habilidades para afrontar

problemas reales desde enfoques alternativos.

En resumen la programación dinámica:

323
 Transforma un problema de optimización complejo en una

secuencia de

problemas más simples.

 Generalmente se comienza con el final y se trabaja hacia

atrás.

 Es aplicable a un rango muy amplio de problemas.

 Está basado en la recursión y en el principio de

optimalidad.

Fue desarrollado por Richard Bellman en 1953.

6.8. EL PROBLEMA DE PROGRAMACIÓN DINÁMICA

TEORIA: El principio de optimalidad de Bellman y

características del problema dinámico

La programación dinámica desarrollada por Bellman, es el

método más importante de resolución de problemas de

control óptimo en tiempo discreto. Estos problemas forman

parte del campo de análisis de la optimización dinámica que

estudia la obtención de soluciones optimas para sistemas

(en tiempo continuo y discreto) que evolucionan en el tiempo

y pueden estar influenciados por un proceso de toma de

decisiones en el mismo.

324
En esencia la programación dinámica hace referencia a una

técnica de resolución que se puede aplicar a un amplio

grupo de problemas.

En programación dinámica no se dispone de un problema

tipo, estos problemas se caracterizan por una estructura

básica y condiciones de resolución consistentes con el

principio de Bellman. Los elementos básicos de un problema

de programación dinámica son:

I. Se divide en etapas (t=1, 2, 3,…T) no necesariamente

determinadas por el tiempo, y en cada una de ellas se

toma una decisión, política de decisión o control

(x(t),t=1,2,…,T).

II. Estas etapas tienes asociadas un estado

(S(t),t=1,2,…T) relacionado con el estado previo.

III. El efecto de política en cada etapa es transformar al

estado actual en un nuevo estado que sirva de punto

de partida para la siguiente etapa.

Principio de optimalidad de Bellman: “Una política optima

tiene la propiedad de que cualquiera que sea el estado

inicial y las decisiones iniciales, las restantes decisiones

deben constituir una política optima respecto al estado

325
resultante de la primera decisión”…….”Una política optima

está constituida por subpolíticas optimas”

Para que este principio se cumpla y se convierta en

procedimiento de resolución tenemos que agregara a la

estructura básica de la programación dinámica las

siguientes condiciones de separación:

I. Condición de separación de la función objetivo: Para

toda etapa t, el efecto de la T-t etapas finales sobre la

función objetivo depende únicamente de S(t) y las

políticas de decisión x(t),x(t+1),…,x(T).

II. Condición de separación de los estados: Una vez

establecida la política de decisión x(t) en t, el estado

S(t+1) depende únicamente de S(t) y x(t) y no de los

estados previos. En términos matemáticos.

S(t+1)=g(S(t).x(t),t)

A través de este principio llegamos a la siguiente relación

recursiva que se conoce con el nombre de ecuación de

Bellman. Si denotamos f(S(t),x(t),t) a la contribución a la

función objetivo de las etapas t,t+1,…,T actúa:

f* (S(t),t)=Opt[f(S(t)),x(t),t)+f*(g (S(t),x(t),t),t+1)],t=2,…,T

x(t)

f*(S(1),1)=Opt f(S(1),x(1),1)

326
x(1)

Para entender mejor estos elementos y procedimientos de

resolución se tomara un ejemplo:

Ejemplo prototipo para programación dinámica: El

problema de la diligencia, mostrado en la figura N° 6.1.:

Consideremos el siguiente problema desarrollado por el

profesor H.M. Wagner en la Universidad de Stanford como

prototipo para programación dinámica.

“Un cazafortunas de Missouri decide ir al oeste para unirse a la

fiebre del oro en California a mediados del siglo XIX. Tiene que

hacer el viaje a través de territorios sin ley donde existen serios

peligros de ser atacados por merodeadores. Aunque su punto de

partida y destino son fijos, tiene muchas opciones en cuanto a

que territorios (en el futuro estados) debe elegir como puntos

intermedios. El cazafortunas era un hombre prudente y

preocupado por su seguridad y después de reflexionar un poco se

le ocurrió una manera de determinar la ruta más segura. En

aquella época se ofrecían pólizas de seguros de vida a os

pasajeros de las diligencias y como los costes de las pólizas

estaban basados en la seguridad del recorrido, concluyo que la

327
ruta más segura y por lo tanto su ruta del viaje era aquella que

minimizara el coste total de la póliza. Se monto en su caballo indio

y emprendió su aventura”

Figura N° 6.1.- LAS RUTAS DE LA DILIGENCIA

Por lo tanto el esquema del problema sería el siguiente:

328
FORMULACIÓN DEL PROBLEMA

Sea Xn ( n = 1,2,3,4 ) las variables que representan el

destino inmediato en la etapa n.

Luego la ruta seleccionada será: A- X1- X2- X3- X4

Donde X4 = J

Sea fn (S, Xn) el costo total de la mejor política global para

las etapas restantes, dado que el agente se encuentra en el

329
estado S, listo para iniciar la etapa n y se dirige a Xn como

destino inmediato.

Dados S y n , sea Xn* el valor de Xn (no necesariamente

único), que minimiza fn (S , Xn) , y sea fn* (S) el valor

mínimo correspondiente de fn (S, Xn) entonces:

fn*(S) = Min Xn fn (S, Xn) = fn (S, Xn*)

fn(S, Xn) = Costo inmediato (etapa n) + Mínimo costo futuro

(etapa n+1 en adelante)

= cs, xn + fn+1* (Xn)

Costos acumulado por ir de la ciudad i al destino j

1) Procedimiento de solución hacia atrás:

Etapa n=4

Como el destino final (estado J) se alcanza al terminar la

etapa 4, entonces

f5*(J) = 0

El objetivo es hallar f1*(A) y su ruta correspondiente.

330
Cuando el cazafortunas tiene sólo una etapa por recorrer

(n=4) , su ruta de ahí en adelante, estará determinada por el

estado actual (H o I) y su destino final X4 = J

La ruta será: S J donde S= H o I

Luego : f4*(S) = c S , J + f5*(J)= c S , J

f4 (H) = cH , J = 3

f4 (I) = c I , J = 4

Etapa n=3

El cazafortunas tiene 2 etapas por recorrer (n=3).

Suponga que sale de E.

Luego f3*(E) = 4 y X3* = H

En general para la etapa 3 se tiene:

331
Etapa n=2

En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer

(n=2). Suponga que sale de C

332
Luego f2*(C) = 7 y X2* = E

En general para la etapa 2 se tiene:

Etapa n=1

En la primera etapa, el caza fortunas tiene todas las jornadas por

recorrer (n=1).

Necesariamente debe salir de A

Luego f1*(A) = 11 y X1* = C o D

Veamos:

333
6.9. CARACTERÍSTICAS DE LOS PROBLEMAS DE

PROGRAMACIÓN DINÁMICA

El problema de la diligencia es un prototipo lineal de los

problemas de programación dinámica. De hecho, el ejemplo

se diseñó así, con el propósito de disponer de una

interpretación física literal de la escritura abstracta de estos

problemas. Por tanto, una manera de reconocer una

situación que se puede formular como un problema de

programación dinámica es poder identificar una estructura

análoga a la del problema de la diligencia.

A continuación se presenta y estudia estas características

básicas que distinguen a los problemas de programación

dinámica:

334
1. El problema se puede dividir en etapas que requieren una

política de decisión en cada una de ellas.

En el problema de la diligencia se hizo una división literal en

cuatro etapas (viajes) que corresponden a las cuatro

jornadas en diligencia. La política de decisión en cada etapa

fue que póliza de seguro elegir. De manera parecida, otros

problemas de programación dinámica requieren tomar una

serie de decisiones interrelacionadas, en donde cada

decisión corresponde a una etapa del problema.

2. Cada etapa tiene cierto número de estados asociados con

su inicio.

Los estados asociados con cada etapa en el problema de la

diligencia son los estados (o territorios) en los que el caza

fortunas puede estar al iniciar esa jornada específica del

viaje. En general, los estados son las distintas condiciones

posibles en las que se puede encontrar el sistema en cada

etapa del problema.

335
3. El efecto de la política de decisión en cada etapa es

transformar el estado actual en un estado asociado con el

inicio de la siguiente etapa.

La decisión del caza fortunas en cuanto a su siguiente

destino lo conduce de su estado actual al siguiente estado

en su viaje. Este procedimiento sugiere que los problemas

de programación dinámica se pueden interpretar en

términos de las redes. Cada nodo corresponde a un estado,

la red consistiría en columnas de nodos, en donde cada

columna corresponde a una etapa, en forma tal que el flujo

que sale de un nodo solo puede ir a un nodo de la siguiente

columna a la derecha. El valor asignado a cada rama que

conecta dos nodos puede interpretarse algunas veces como

la distribución inmediata a la función objetivo obtenido al

tomar esa política de decisión.

4. El procedimiento de solución está diseñado para encontrar

una política óptima para el problema completo, es decir, una

receta para la política de decisión optima en cada etapa

para cada uno de los estados posibles.

336
En el problema de la diligencia, el procedimiento de solución

construyó una tabla para cada etapa (n) que prescribe la

decisión óptima para cada estado disponible. Así, además

de identificar las tres soluciones óptimas (rutas óptimas)

para el problema completo, los resultados muestran también

como de proceder el caza fortunas en caso de que sea

desviado a un estado que no se encuentre en la ruta óptima.

En cualquier problema, la programación dinámica

proporciona este tipo de receta o política sobre qué hacer en

todas las circunstancias posibles.

5. Dado el estado actual, una política óptima para las etapas

restantes es independiente de la política adoptada en

etapas anteriores. Por lo tanto, la decisión inmediata óptima

depende solo del estado actual y no de cómo se llegó ahí.

Este es el principio de oportunidad para programación

dinámica.

Dado el estado en que se localiza el caza fortunas, la póliza

de seguros de vida óptima desde este lugar en adelante es

independiente de cómo llegó ahí. En general, en los

problemas de programación dinámica el conocimiento del

337
estado actual del sistema expresa toda la información sobre

su comportamiento anterior, y esta información es necesaria

para determinar la política óptima de ahí en adelante.

6. El procedimiento de solución se inicia al encontrar la política

óptima para la última etapa. La política óptima para la última

etapa prescríbela política óptima de decisión para cada

estado posible en esa etapa. Es común que la decisión de

este problema de una etapa sea trivial, como lo fue para el

problema de la diligencia.

7. Se dispone de una relación recursiva que identifica la

política óptima para la etapa n, dada la política óptima para

la etapa n+1.

Para encontrar la política óptima de decisión cuando se

comienza en el estado s de la etapa n se necesita encontrar

el valor de xn que dé un mínimo. El costo mínimo de

correspondiente se obtiene al usar este valor de xn y

después siguiendo la política óptima cuando el proceso se

encuentra en el estado xn en la etapa n+1.

338
8. Cuando se usa esta relación recursiva, el procedimiento de

solución comienza al final y se mueve hacia atrás etapa por

etapa, encuentra cada vez la política óptima para esa etapa

hasta que encuentra la política optima desde la etapa inicial.

Esta política óptima lleva de inmediato a una solución

óptima para el problema completo.

6.10. ELEMENTOS DE LA PROGRAMACIÓN DINÁMICA

Los siguientes cuatro elementos forman la resolución de un

problema mediante programación dinámica:

 Principio de optimalidad de Bellman

En este contexto, optimizar equivale a seleccionar la

mejor solución de entre muchas posibles alternativas.

Este proceso de optimización puede ser visto como una

secuencia de decisiones que nos proporcionan la

solución correcta. Si, dada una sub secuencia de

decisiones, siempre se conoce cuál es la decisión que

debe tomarse a continuación para obtener la secuencia

óptima, el problema es elemental y se resuelve

trivialmente tomando una decisión detrás de otra, lo que

se conoce como estrategia voraz.

339
A menudo, aunque no sea posible aplicar la estrategia

voraz, se cumple el principio de optimalidad de Bellman:

"dada una secuencia óptima de decisiones, toda

subsecuencia de ella es, a su vez, óptima". En este caso

sigue siendo posible el ir tomando decisiones

elementales, en la confianza de que la combinación de

ellas seguirá siendo óptima, pero será entonces

necesario explorar muchas secuencias de decisiones

para dar con la correcta, siendo aquí donde interviene la

programación dinámica.

 Definición recursiva de la solución óptima

A partir de la definición recursiva se puede ver como se

produce el solapamiento de los sub problemas.

 Enfoque Ascendente

El modelo que se necesita utilizar para poder encontrar

una secuencia de pasos a utilizar con el fin de hallar los

resultados correspondientes en cada uno de los estados

asignados.

340
 Búsqueda de solución óptima

Es el análisis que se tienen que realizar luego de obtener

resultados con el fin de encontrar la mejor alternativa de

solución que brinde mayores beneficios con respecto al

problema planteado.

6.11. PROGRAMACION DINAMICA DETERMINISTA

En esta parte trataremos de ahondar en el enfoque del

programación dinámica para los problemas determinísticos,

en donde el estado en la siguiente etapa esta

completamente determinado por el estado y la política de

decisión de la etapa actual. El caso probabilístico en donde

existe una distribución de probabilidad para el valor posible

del siguiente estado se analizará se analizara también en el

presente trabajo.

La programación dinámica determinística se puede escribir

en un diagrama como el de la siguiente figura.

341
Q

En la etapa “n” el proceso está en algún estado “S n”. Al

tomar la decisión “Xn” se mueve a algún estado “Sn+1” en la

etapa “n+1”.La contribución a la función objetivo de ese

punto en adelante se calculó como:

ƒ *n+1(Sn+1)

La política de decisión también contribuye a la función

objetivo.

Al combinar estas dos cantidades en la forma apropiada se

obtiene:

ƒn (Sn , Xn)

la contribución de la etapa “n” en adelante. La optimización

respecto a “Xn” da entonces:

342
ƒ *n (Sn)= ƒn (Sn, X*n).

Una vez encontrados X*n y ƒ *


n (Sn) para cada valor posible

de “Sn”, el procedimiento de la solución se mueve hacia atrás

una etapa.

Se detallaran y presentaran varios ejemplos y casos

aplicativos para ilustrar estas posibilidades, pero es más

importante el hecho de que dichos casos aplicativos ponen

de manifiesto que estas diferencias (en apariencia grandes)

en realidad son intrascendentes (excepto en términos de

dificultad de los cálculos) ya que la estructura de la siguiente

figura permanece igual.

Im
343
El primer caso aplicativo surge en un contexto muy distinto

al del problema de la diligencia, pero tiene la misma

formulación matemática, aunque esta vez se trata de

maximizar en lugar de minimizar una suma.

6.12. CASO APLICATIVO

El consejo mundial de la salud se dedica a mejorar la

atención medica en los países subdesarrollados .Ahora

dispone de 5 brigadas médicas para asignarlas a tres de

ellos con el fin de mejorar el cuidado de la salud, la

educación para la salud y los programas de capacitación. El

consejo debe determinar cuántas brigadas asignar (en caso

de que lo haga) a cada uno de estos países para maximizar

la medida de eficiencia de las cinco brigadas. Estas deben

mantenerse como están constituidas, es decir, el número

asignado a cada país debe ser un entero.

La medida de desempeño se da en términos de los años de

vida adicionales por persona, (para un país especifico, esta

medida es igual al incremento en el promedio de vida

344
esperado en años, multiplicado por su población).En la

siguiente tabla se dan las estimaciones de estos años de

vida adicionales por persona (en múltiplos de 100) para

cada país y para cada asignación posible de brigadas

médicas.

345
¿Cuál es la asignación que maximiza la medida de

desempeño?

Miles de años-persona de vida


Brigadas adicionales
medicas
País
1 2 3
0
0 0 0

1 45 20 50

2 70 45 70

3 90 75 80

4 105 110 100

5 120 150 130

Formulación

 Etapas: Países a los cuales se les debe asignar las

brigadas. (n=1- País1); (n=2 –País 2); (n=3 -País 3).

 Variable de decisión: Xn: Número de brigadas

asignadas al país n.

 Estado: ¿Qué es lo que cambia de una etapa a otra?

Sn: Número de brigadas médicas disponibles para asignarse

a los países restantes.

346
S1= 5

S2= S1 - X1

S3= S2 - X2

Sea Pi (Xi) la medida del desempeño por asignar Xi brigadas

médicas al país i, entonces:

Max Z = ∑ Pi (Xi)

Sujeto a:

∑ (Xi)=5 ; Xi > 0 para Xi € enteros, se usara el algoritmo hacia


Satrás.
Ecuación de Recursividad

ƒn (Sn, Xn)=Cs, xn + ƒn+1 * (xn) Genérica

ƒn (Sn, Xn)=pn (xn)+ ƒn+1 * (sn-xn)

347
Etapa n=3 país 3

Como el estado final (cero brigadas para asignar) al terminar

la etapa 3, entonces f4 * =0

Debemos todas las brigadas que están disponibles en este

momento

* * *
s3 ƒ3(s3)= p3(x3)+ ƒ4 ƒ3 (S3) x3

0 0 0 0

1 50 50 1

2 70 70 2

3 80 80 3

4 100 100 4

5 130 130 5

Etapa n=2 País 2

Para ilustrar como proceder, supongamos que nos quedan 2

brigadas disponibles en este momento:


 S + ƒ3* (0, x2) = P2 (2) + ƒ3*(0) = 45
Tiemp
o
u
Po Nivel MO
prome + ƒ3* (1, x2) = P2 (1) + ƒ3*(1) = 70
DE
r Pre
Nive
l
348
máxi
+ ƒ3* (2, x2) = P2 (0) + ƒ3*(2) = 70

En general parta la etapa 2 se tiene:

x2 ƒ2(s2, x2)= p2(x2)+ ƒ3*(S2-x2)


ƒ2*(s2) x2*
S2 0 1 2 3 4 5

0 0 0 0

1 50 20 50 0

2 70 70 45 70 1

3 80 90 95 75 95 2

4 100 100 115 125 110 125 3

5 130 120 125 145 160 150 160 4

Etapa n=1 Pais 1

En este caso, el único esta considerarse es el inicial, S1 = 5

+ ƒ2* (0, x1) = P1 (5) + ƒ2*(0) = 120

Niv Sis
el + ƒ2* (4, x1) = P1 (1) + ƒ2*(4) = 170
pro
Co
Ll
eg 349
+ ƒ2* (5, x1) = P1 (0) + ƒ2*(5) = 160

Veamos la tabla:

*
ƒ 1(s1, x1)= p1(x1)+ ƒ2 (S1-x1)
* *
X1 ƒ 1 (s1) x2
0 1 2 3 4 5
s1

5 160 170 165 160 155 120 170 1

Así la asignación óptima será:

Ser

Salidas

350
CAPITULO VII

PROCESOS DE MARKOV

7.5. INTRODUCCIÓN

En los negocios, las cadenas de Markov se han utilizado

para analizar los patrones de compra, los deudores

morosos, para planear las necesidades de personal y para

analizar el reemplazo de equipo. El análisis de Markov,

permite encontrar la probabilidad de que un sistema se

encuentre en un estado en particular en un momento dado.

Algo más importante aún, es que permite encontrar el

promedio a la larga o las probabilidades de estado estable

para cada estado. Con esta información se puede predecir

el comportamiento del sistema a través del tiempo.

351
Aunque éste simplemente es un enfoque simple, tiene la

ventaja de capturar la incertidumbre sobre el futuro en un

modelo que es relativamente fácil de entender y aplicar.

En la aplicación se realiza el modelado del mercado del

automóvil como un proceso de Markov para prever la

"necesidad" de nuevos automóviles cuando los automóviles

viejos puedan extinguirse, para ver la posibilidad de ingresos

de nuevas marcas al mercado actual, observar la

preferencia de los consumidores hacia las diferentes marcas

y observar también como será el comportamiento futuro de

los consumidores hacia estas marcas.

Otra aplicación se da en el mercado de los detergentes.

7.6. PROCESOS ESTOCÁSTICOS.

Un proceso estocástico se define sencillamente como

una colección indexada de variables aleatorias { X1 }, donde

el subíndice t toma valores de un conjunto T dado.

Con frecuencia T se toma como el conjunto de enteros no

negativos y X, representa una característica de interés

medible en el tiempo t. Por ejemplo, el proceso

estocástico, X1 , X2 , X3, .., Puede representar la

352
colección de niveles de inventario semanales (o

mensuales) de un producto dado, o puede representar la

colección de demandas semanales (o mensuales) de este

producto.

Un estudio del comportamiento de un sistema de

operación durante algún periodo suele llevar al análisis de

un proceso estocástico con la siguiente estructura. En

puntos específicos del tiempo t , el sistema se encuentra

exactamente en una de un número finito de estados

mutuamente excluyentes y exhaustivos, etiquetados 0, 1,

. . , S. Los periodos en el tiempo pueden encontrarse a

intervalos iguales o su esparcimiento puede depender

del comportamiento general del sistema en el que

se encuentra sumergido el proceso estocástico. Aun

que los estados pueden constituir una caracterización

tanto cualitativa como cuantitativa del sistema, no

hay pérdida de generalidad con las etiquetas numéricas 0,

1, . . , M , que se usarán en adelante para denotar los

estados posibles del sistema. Así la representación

matemática del sistema físico es la de un proceso

estocástico {Xi}, en donde las variables aleatorias

353
se observan en t = 0, 1, 2,. . ., y en donde cada variable

aleatoria puede tomar el valor de cualquiera de los M +

1 enteros 0, 1, .. , M. Estos enteros son una

caracterización de los M + 1 estados del proceso.

7.7. CADENAS DE MARKOV

Una cadena de Markov es una serie de eventos, en la cual

la probabilidad de que ocurra un evento depende del

evento inmediato anterior. En efecto, las cadenas de este

tipo tienen memoria." Recuerdan" el último evento y

esto condiciona las posibilidades de los eventos futuros.

Esta dependencia del evento anterior distingue a las

cadenas de Markov de las series de eventos

independientes, como tirar una moneda al aire o un dado.

En la figura 1 se muestra el proceso para formular una

cadena de Markov. El generador de Markov produce uno de

n eventos posibles, Ej. , donde j = 1, 2, . . . , n, a intervalos

discretos de tiempo (que no tiene que ser iguales ). Las

probabilidades de ocurrencia para cada uno de estos

eventos depende del estado del generador. Este estado se

describe por el último evento generado. En la figura 4.1.1,

354
el último evento generado fue Ej. , de manera que el

generador se encuentra en el estado Mj .

Otro método para exhibir las probabilidades de transición es

usar una matriz de transición. .

MATRIZ DE TRANSICION

355
7.8. CASOS DE PROGRAMACION DINAMICA

7.8.1. PROCESO DE MARKOV APLICADO A LA

PREFERENCIA DE AUTOMÓVILES

TOYOTA

NISSAN

DAEWOO

OTRAS MARCAS: (MITSUBISHI,IZUSO,SUBARO,KIA, FORD,

HONDA,HYUNDAI)

TABLA DE ENCUESTAS DE PREFERENCIAS Y GUSTOS PARA SU

SIGUIENTE COMPRA EN LÍNEAS DE AUTOMÓVILES EN LA CIUDAD

DE HUANCAYO NOVIEMBRE-2010

356
Sistema
Llegadasde Servi
Cola Servi
Sali
0
Servid S
Colas dor dor
das or E
i=1
Estructura
3 básica i=1
3
2 2
0
1 0
45
20 2

para la

programación

dinámica

DIAGRAMA DE TRANSICIÓN

*
X1 =1
Z=1

X 13 X

TOYO
9

S TOTA S

Asignación en la Matriz de Transición:

357
Entonces se tiene la siguiente matriz de transición de líneas

de automóviles de la ciudad de Huancayo.

a) Se desea determinar las condiciones de estado estable.

b) Teniendo en cuenta a la tabla de probabilidades se desea

determinar las condiciones de estado estable solamente

para Toyota

y Nissan.

c) Cual será la demanda de las diferentes marcas de

automóviles

después de 2 años.

PxABCD   ABCD 

A A 0.45 0.22 0.32 0.39  A   A 


B  B  0.31 0.27 0.24 0.33  B   B 
PT x       X 
C  C  0.07 0.04 0.26 0.18 C  C 
         
D D 0.17 0.43 0.18 0.17  D   D 

358
A+B+C+D=1 0.45 A  0.22 B  0.32C  0.39 D  A........(1) 
0.31A  0.27 B  0.24C  0.33D  B........(2) 
RESOLVIENDO SE TIENE: 
0.07 A  0.04 B  0.26C  0.18D  C........(3) 
0.17 A  0.43B  0.18C  0.17 D  D........(4)

Se elimina uno de ellos

 A  0.3533 B  0.2954 C  0.1084 D  0.2427

X   0.35 0.30 0.11 0.24

CONCLUSION:

EN EL LARGO PLAZO O ESTADO DE EQUILIBRIO

LAS PREFERENCIAS DEL CONSUMIDOR SERÁN DE

LA SIGUIENTE MANERA:

 El 35% de la clientela comprará TOYOTA.

 El 30% de la clientela seguirá comprando NISSAN.

 El 11% de la clientela seguirá comprando DAEWOO.

 El 24% de la clientela seguirá comprando OTRAS MARCAS

359
7.8.2. LA GUERRA DE LOS DETERGENTES

ACE

ÑAPANCHA

ARIEL

OTRAS MARCAS

CUAL SERA LA MARCA LIDER EN UN

FUTURO???

ESTADO ACTUAL

La marca ACE retiene 11 personas o clientes mientras que

pierde 5 que preferirán ÑAPANCHA, 12 de ARIEL y 2 de

OTROS y de la columna de ACE indica que ACE retiene 11

personas o sus clientes mientras que ÑAPANCHA, ARIEL u

OTRO 5, 5, 2 respectivamente.

360
DATOS OBTENIDOS DE LA ENCUESTA: Tomando cada

fila como el 100%

DIAGRAMA DE TRANSICIÓN:

MATRIZ DE TRANSICIÓN:

361
362
Entonces el estado a largo plazo es

 Ñapancha estará en el equilibrio al 23%

 Ariel estará en el equilibrio al 29%

 Otros detergentes estarán en el equilibrio al 9%

Lo cual indica que a largo plazo quien tendrá mayor

participación en el mercado será ACE con 39% de

aceptación.

Lo mejor de utilizar procesos de Markov es que se puede

predecir el comportamiento futuro teniendo un estado inicial:

En este caso el estado inicial será:

363
Para predecir el comportamiento de los consumidores a un

futuro cercano de 3 periodos (un periodo equivale a una

semana):

Luego de 3 semanas las preferencias de los consumidores

con relación al detergente:

Ace 39%

Ñapancha 23%

Ariel 29%

Otros 9%

364
ENCUESTA

I.- ¿QUÉ MARCA DE DETERGENTE HA COMPRADO USTED?

ACE ARIEL ÑAPANCHA OTROS

II.- ¿CUAL SERIA SU SIGUIENTE COMPRA? (PREFERENCIA)

ACE ARIEL ÑAPANCHA OTROS

CONCLUSIONES

Detergentes:

1. Estos datos pueden pronosticar con rapidez en el futuro si una

marca ganará o perderá participación en el mercado.

2. Antes de llegar al estado establece las perdidas y ganancias

son muy elevadas a medida que llega el estado se acerca al

equilibrio entre la ganancia y pérdida se vuelven muy

pequeños.

3. Lo que se supone con este análisis es que el cliente no cambia

de marca al azar.

4. La matriz de transición para determinación de conclusiones

estables se aplican a las grandes empresas de investigación d

mercado pero este tema se debe aplicar en todas las empresas

productoras, industriales, servicios, etc., para cualquier compra

ya sea de un bien o servicio mediante un estudio de mercado;

para así lograr la confiabilidad del producto.

365
BIBLIOGRAFÍA

 EPPEN y GOULD, Investigación de operaciones, 5º Ed.,

Editorial Pearson, México, 2000.

 HILLIER y LIEBERMAN, Introducción a la investigación

de operaciones, 4º Ed., Editorial McGraw-Hill, Bogotá,

2004.

 RAFFO, Investigación de operaciones I, Editorial Raffo-

Lecca, Lima, 2002.

 RIOS y otros, Programación lineal y aplicaciones:

ejercicios resueltos. Editorial Alfaomega, México, 2005.

 TAHA, Investigación de operaciones: una introducción,

6º Ed., Editorial Prentice Hall, México, 1998.

366
367