UNIVERSIDAD TECNICA FEDERICO SANTA MARIA

DEPARTAMENTO DE INDUSTRIAS
CAMPUS SANTIAGO VITACURA

CERTAMEN N°2
PRIMER SEMESTRE 2016
GESTION DE INVESTIGACIÓN DE OPERACIONES

Instrucciones: Tiempo máximo: 2 horas. No están permitidos equipos de audio ni celulares. Sin
cuadernos o apuntes. La copia será penalizada con nota 0. Justifique sus respuestas.

Pregunta 1 (25 puntos). Una importante firma agrícola está planificando lo que
sembrará para su próxima temporada en cada uno de los N terrenos que posee, cada uno
de los cuales tiene una extensión de hi hectáreas y se propone sembrar sólo un cultivo
por predio, para i=1,…,N. La firma considera un conjunto de M posibles cultivos como
alternativas a ser considerados en dicho plan, con cultivos que tienen un rendimiento
promedio de µ j toneladas por hectárea sembrada, para j=1,…,M. De acuerdo a
consideraciones técnicas relacionadas con la rotación del uso del suelo, se conoce un
parámetro binario bi,j que indica con un valor 1 si en el terreno i es posible sembrar el
cultivo j y 0 sino, para i=1,…,N y j=1,…,M. La firma posee contratos y estimaciones de
mercado que impone satisfacer niveles de demanda de dj toneladas de cada cultivo
j=1,…,M. Sin embargo, existe un costo por el incumplimiento de la misma con su
propia producción por un valor ej por cada tonelada del cultivo j que podrá ser adquirida
a otros productores en dicho valor, para j=1,…,M. Por su parte, el costo variable
asociado a un plan de siembra debe considerar un valor ci,j que expresa todo el costo
involucrado desde la siembra hasta la cosecha de una hectárea del cultivo j en el predio
i, para i=1,…,N y j=1,…,M. Al costo anterior se suma un costo fijo por la compra de
semilla de cada cultivo al respectivo proveedor dado por fj Formule un modelo lineal de
programación entera que minimice los costos totales del problema y tome en cuenta los
distintos antecedentes entregados. A continuación, indique los cambios al modelo
propuesto en caso que la firma requiera abrirse a la opción de un máximo de dos
cultivos por predio.
Respuesta.
Variables de decisión: (4 puntos)
xi,j= variable binaria que toma el valor 1 si en el terreno i se siembra el cultivo j y 0 en
caso contrario, con i=1,…,N y j=1,…,M.
yj= variable binaria que toma el valor 1 si compra semilla del cultivo j y 0 en caso
contrario, con j=1,…,M.
Ui,j= hectáreas sembradas en el terreno i del cultivo j, con i=1,…,N y j=1,…,M.
Zj,s= ton. de dda no satisfecha del cultivo j al término de la temporada, con j=1,…,M..

Función objetivo: (2 puntos)

Minimizar ∑i∑j ci,jUi,j + ∑j fjyj + ∑j ejZj

Restricciones.
- Demanda de cada cultivo j: (3 puntos)
∑i µ j Ui,j + Zj = dj, con j=1,…,M. [1]

- Rotación de suelo en cada predio i: (3 puntos)

xi,j ≤ bi,j, para i=1,…,N y j=1,…,M. [2]

- Restricciones lógicas : (9 puntos)

Ui,j ≤ hi xi,j, para i=1,…,N y j=1,…,M. [3]

∑j xj,j ≤ 1 , para predio i=1,…,N [4]

xi,j ≤ yj, para i=1,…,N y j=1,…,M. [5]

- No-negatividad y naturaleza binaria de algunas variables.

Si la firma requiera abrirse a la opción de un máximo de dos cultivos por predio, las
restricciones en [4] cambian por:

∑j xj,j ≤ 2 , para el predio i=1,…,N [4’] (2 puntos)

y se agrega
∑j Ui,j ≤ hi, para el predio i=1,…,N. [6] (2 puntos)
Pregunta 2 (15 puntos). Aplique el Método Branch & Bound al siguiente problema de
Programación Entera:
PE) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x1≥0, x2≥0, enteros.
Señale con claridad los problemas resueltos y el orden en que han sido abordados. En la
aplicación del método, cuando ambas variables tomen un valor que no es entero
seleccione la variable x2 para la ramificación. ¿Tiene solución óptima el problema?
Respuesta.
Se resuelve la relajación continua del problema, esto es:
P0) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x1≥0, x2≥0
Solución óptima: x1=1/10 y x2=8/10, con valor óptimo z=-1/2. Se ramifica tomando la
variable x2 según indicación del enunciado y se crean dos nuevos problemas: (5 puntos)
P1) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x2≤0
x1≥0, x2≥0
y
P2) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x2 ≥ 1
x1≥0, x2≥0

Se resuelve P1), cuya solución óptima es: x1=1/2 y x2=0, con valor óptimo z=3/2. Se
ramifica tomando la variable x1 y se crean otros dos nuevos problemas: (5 puntos)
P3) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x2≤0
x1≤0
x1≥0, x2≥0
y
P4) Min 3x1 - x2
s. a. 2x1 + x2 ≥ 1
10x1 + 10x2 ≤ 9
x2≤0
x1≥1
x1≥0, x2≥0
Se resuelve P2), que resulta infactible. (1 punto)
Se resuelve P3), que resulta infactible. (1 punto)
Se resuelve P4), que resulta infactible. (1 punto)
No habiendo problemas pendientes de resolución y al no encontrar ninguna solución
factible en la aplicación del método, el problema PE) no tiene solución (2 puntos)
Pregunta 3 (25 puntos). Resolver el siguiente problema mediante el teorema de las
condiciones necesarias de optimalidad de Karush-Kuhn-Tucker:
Max 2x1 - x2 + 6x3 - 10x4
s. a. x1 + x3 - x4 = 8
x1 - x2 + 2x3 = 4
x2 + x4 ≤ 20
0≤x1≤5, x2≥0, x3≥0, x4≥0.
Explicite todas las condiciones que impone el teorema y justifique su respuesta. Ayuda:
en el óptimo se sabe que al menos x2>0 y x3>0.

Respuesta.
El teorema de Bolzano Weiertrass garantiza la existencia de una solución óptima. En
efecto, la función objetivo es continua en IR2 y el dominio de soluciones factibles es un
conjunto no vacío (por ejemplo x1=0, x2=0, x3=0, x4=0 es factible), acotado y cerrado.
(2 puntos)
El problema es un problema convexo al ser uno de P.L. y esto determina que las
condiciones sean necesarias y suficientes para hallar el óptimo del problema. (1 punto)
Llevando el problema a la forma estándar, las condiciones de KKT son:
(-2,1,-6,10) + λ1(1,0,1,-1) + λ2(1,-1,2,0) + µ 1(0,1,0,1) + µ 2(1,0,0,0) +
µ 3(-1,0,0,0) + µ 4(0,-1,0,0) + µ 5(0,0,-1,0) + µ 6(0,0,0,-1) = (0,0,0,0) (3 puntos)
µ 1 (x1 + x4 – 20) = 0
µ 2 (x1 - 5) = 0
µ 3 (-x1) = 0
µ 4 (- x2) = 0
µ 5 (-x3) = 0
µ 6 (- x4) = 0 (2 puntos)
x1 + x3 - x4 = 8, x1 - x2 + 2x3 = 4, x2 + x4 ≤ 20, x1≤5
- x1 ≤ 0, - x2 ≤ 0, - x3 ≤ 0, - x4 ≤ 0 (2 puntos)
µ 1≥0, µ 2≥0, µ 3≥0, µ 4≥0, µ 5≥0, µ 6≥0 (2 puntos)
Para la resolución del problema se debe abordar un esquema de activación de
restricciones. Esto contempla el analizar casos como: ninguna inecuación activa (no hay
solución), sólo una inecuación activa (4 casos usando la ayuda dada y ninguno de los
sistemas tiene solución) o dos inecuaciones activas (5 casos usando la ayuda dada).
Siguiendo el orden natural del caso más simple (ninguna activa) a los más complejos (2
inecuaciones activas) se encuentra la respuesta. Correcto uso del esquema de activación
de restricciones impone que siempre sean activas x1+x3-x4=8 y x1-x2+2x3=4. Para
otorgar el puntaje de este ítem se incluye al menos un caso de la activación de dos
inecuaciones. (9 puntos) [casos más simples, sólo 1 punto por cada uno de los 5].

Solución óptima se alcanza activando únicamente x1*=0 y x4*=0, de donde:

x1*=0, x2*=12, x3*=8 y x4*=0
con multiplicadores de Lagrange:
λ1=4, λ2=1, µ 1=0, µ 2=0, µ 3=3, µ 4=0, µ 5=0, µ 6=6 (4 puntos)
Pregunta 4 (15 puntos). Considere el siguiente problema de optimización no-lineal:
P) Min x12 + x22
s. a. x1 + x2 = 8,
cuya solución óptima es x1=4 y x2=4. Un método numérico de resolución de esta clase
de problemas es el Método de Penalización Exterior, que consiste en resolver
numéricamente una secuencia de problemas no-restringidos que le aproximan y que
para el problema dado corresponde a resolver:
PP) Min x12 + x22 + r (x1 + x2 – 8)2
que se va abordando para una secuencia dada de valores crecientes del parámetro r>0
hasta alcanzar algún criterio de detención. Cada uno de estos problemas no restringidos
puede ser resuelto, por ejemplo, con el Método del Gradiente. Aplique una iteración del
Método del Gradiente al problema PP) a partir del punto inicial (x1,x2)(0)=(0,0). Use una
minimización unidimensional exacta y compruebe la calidad de esta aproximación
dejando (x1,x2)(1) en función del parámetro de penalización r. ¿Qué ocurre cuando r→∞?

Respuesta.
Sea f(x1,x2)= x12 + x22 + r (x1 + x2 – 8)2, de donde
∇f(x1,x2)=( 2x1+2r(x1+x2–8), 2x2+2r(x1+x2–8) )

Con
(x1,x2)(0)=(0,0)
d(0) = -∇f((x1,x2)(0)) = -∇f(0,0) = (16r,16r) (2 puntos)
(x1,x2)(0)+ αd(0) = (16rα,16rα)

Se resuelve el problema unidimensional:

Min g(α)=f((x1,x2)(0)+αd(0))=f(16rα,16rα)
s.a α≥0
que equivale a resolver:
Min g(α)=(16rα)2+(16rα)2+r(16rα + 16rα – 8)2 (2 puntos)
s.a α≥0
Notar que el problema es convexo de modo que se resuelve analíticamente al considerar
g’(α)=0, de donde resulta: α=1/2(1+2r) (7 puntos)

De donde, (x1,x2)(1) = (x1,x2)(0)+ αd(0) = ( 8r/(1+2r) , 8r/(1+2r) ) (2 puntos)

¡Notar que cuando r→∞ este vector tiende de hecho a la solución óptima con una sola
iteración del Método del Gradiente, al hacer la minimización unidimensional exacta!
(2 puntos)
Pregunta 5 (20 puntos). Una empresa local envasa comida para perros en bolsas de
50kg. Utiliza para ello una máquina automática que ya completó su ciclo de vida. Dado
lo anterior, en algunos casos vierte más o menos alimento en las bolsas cada día. Se ha
observado de que cuando la máquina coloca 50 kg. en cada bolsa, hay una probabilidad
0.1 de que solo cargue 49kg al día siguiente y de 0.2 que cargue 51kg. Si hoy la
máquina carga 49kg de alimento, existe una probabilidad 0.3 de que cargue 50kg
mañana y una probabilidad de 0.2 que cargue 51kg. Además, si la máquina carga 51kg
en cada bolsa el día de hoy, hay una probabilidad 0.4 que ponga 50kg. mañana y una
probabilidad 0.1 de que cargue 49kg. el día de mañana. Adquirir una nueva máquina
cuesta 25 m illones de pesos y esta funciona correctamente 2 años de trabajo continuo.
Asuma que cada día se envasa 300 bolsas. Determine si vale la pena comprar esta nueva
máquina para usarla los próximos dos años ante el comportamiento de la actual
asumiendo que el costo de cada kg de alimento es de $2000.

Sea Xn=el peso de cada bolsa envasada el día n=1,2,3,… (1 puntos)

Los estados del proceso son los pesos dados: Xn={49,50,51} (1 puntos)

La matriz de probabilidades de transición está dada por:

p49,49=0.5 p49,50=0.3 p49,51=0.2
p50,49=0.1 p50,50=0.7 p50,51=0.2
p51,49=0.1 p49,50=0.4 p49,51=0.5 (9 puntos)

La cadena es irreducible con estados aperiódicos y recurrentes positivos de modo que

π49, π50, π51)T, la cual
existe una distribución estacionaria, que denotaremos por π=(π
T
satisface: π=P π, con π49+π π50+ππ51 1. (2 puntos)

La distribución estacionaria arroja los siguientes valores:

π49 = 1/6 π50 = 23/42 π51 = 2/7 (3 puntos)

El valor esperado de cada bolsa sería: 49π

π49+50π
π50+51π
π51 = 50.1194kg (2 puntos)

Haciendo 300 bolsas durante 730 días, las pérdidas alcanzarían los 26.071kg., que a un
costo de $2000, arroja pérdidas por más de 52 millones de pesos con lo cual conviene
comprar la máquina. (2 puntos)