Clase 02

Investigación de Operaciones
Unidad 2: Modelamiento
Profesor Darío Canut de Bon B.

Enero 2024 Ingeniero Electrónico PUCV
Magíster en Ingeniería Industrial mención IO PUCV
d.canutdebon@uandresbello.edu
IO – Unidad 2 – Modelo General de PL
En la clase anterior…
• Presentación de los detalles del curso.
• Unidad 1:
• Generalidades de la Investigación de Operaciones.
• Fases de IO.
• Casos reales de aplicación de IO.
• Unidad 2:
• Cómo se relaciona el mundo real con el mundo abstracto de IO.
• Definición de modelo y linealidad.
• Modelo general de Programación Lineal
(Variables, parámetros, restricciones y función objetivo)
• Ejercicios aplicados de modelamiento.
IO – Unidad 2
Resolución de problemas mediante

formulación de modelos de PL
Problema de Programación Lineal
Un problema de programación matemática es lineal, si

su función objetivo y todas sus restricciones son
lineales.
Problema Introductorio
Actividad en clases:
Analizar el problema que se muestra a continuación.
• ¿En qué consiste el problema?
• ¿Cuál es el objetivo de la empresa respecto a su plan de

producción?
• ¿Cuáles son las restricciones que se poseen?
• ¿Qué información se necesita para resolver el problema?

Reddy Mikks es una empresa que produce pinturas de interior y

exterior desde dos materias primas M1 y M2. La siguiente tabla
muestra los datos básicos del problema.
Ton. de MP por ton. de Disponibilidad
Materia Prima
Pint. Ext. Pint. Int. diaria (ton.)
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
Una investigación de mercado revela que la demanda diaria de pintura
de interior no puede exceder la de la pintura de exterior por más de 1
ton. Además la demanda diaria máxima de pintura de interior es 2 ton.
Determine las cantidades de cada pintura a producir diariamente, para
maximizar la utilidad total diaria.
• Variables: ¿Qué decisiones deben tomarse?
• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?
• Restricciones: ¿Qué condiciones deben cumplir las decisiones?


Cuánto producir de cada tipo de pintura (en toneladas).



Por la utilidad que genera para la empresa




1. No sobrepasar la disponibilidad de M1.
3. Condiciones de la investigación de mercado.
4. Dominio de la producción (no negativo).
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

• x1: toneladas de pintura de exterior a producir

• x2: toneladas de pintura de interior a producir
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

Z = max 5x1+4x2
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

6x1 + 4x2 ≤ 24 (1)

x1 + 2x2 ≤ 6 (2)
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.

3. Condiciones de la investigación de mercado.
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
4. Dominio de la producción (no negativo).
x1 ≥ 0 (5)
x2 ≥ 0 (6)
Materia Prima
M1 6 4 24
M2 1 2 6
Utilidad por
5 4
ton.
max Z = 5x1 +4x2

s.a. 6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
• Solución Gráfica
6x1 +4x2 ≤ 24 (1)
x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
6x1 +4x2 ≤ 24 (1)

x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
max Z = 5x1+4x2
Dirección de mejora
Z = 15
Recta Isocostos
max Z = 5x1+4x2
Es muy importante entender que la solución no
consiste sólo en entregar los valores de x1 y x2, sino
que entender qué quieren decir y qué nos entregan Z = 21
esos valores (del punto óptimo) en la función
objetivo. x1 = 3.0
x2 = 1.5
“Las cantidades óptimas de las materias M1 y M2
para maximizar la utilidad diaria son de 3 [ton] y 1,5
[ton] diarias respectivamente. Con estas cantidades
se obtiene una utilidad máxima de 21 [UM].”
• Pregunta para reflexionar: ¿Qué pasa si la FO es min z=5x1+4x2?
6x1 +4x2 ≤ 24 (1)

x1 +2x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
IO – Unidad 2
Otro problema introductorio
Extraído de Ortiz, Varas, Vera

El administrador de un plantel cunícola (de crianza de conejos) desea
determinar la composición de 1000 kg de alimento, que deben cumplir
con los siguientes requisitos: i. debe contener un 15% de proteína; ii.
al menos debe tener un 25% de fibra; iii. entre el 20% y el 40% de
hidratos de carbono; iv. entre 800 y 1800 calorías por kg y la cantidad
de harina de pescado no puede ser más del 10%. Cuenta con los
siguientes ingredientes posibles:
Proteínas Fibra H. De C. Calorías Costo
Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
Harina de Soya 9 12 50 1000 45
Harina de pescado 55 - 4 1950 100
Trigo 7 6 66 1750 70
Alfalfa 12 25 35 450 45
Avena 8.5 11 58 1700 80
¿Cómo debe prepararse el alimento?


Cuanto de cada ingrediente necesito para la mezcla [kg].



Costo total de preparar la mezcla.



Costo total de preparar la mezcla.

Cantidades máximas o mínimas de cada nutriente.
Las cantidades no pueden ser negativas.
Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
Harina de Soya 9 12 50 1000 45
Harina de pescado 55 - 4 1950 100
Trigo 7 6 66 1750 70
Alfalfa 12 25 35 450 45
Avena 8.5 11 58 1700 80
• Variables:
x1: Cantidad (en kg) de harina de soya a usar en la mezcla.
x2: Cantidad (en kg) de harina de pescado a usar en la mezcla.
x3: Cantidad (en kg) de trigo a usar en la mezcla.
x4: Cantidad (en kg) de alfalfa a usar en la mezcla.
x5: Cantidad (en kg) de avena a usar en la mezcla.
• Variables: Cuánto de cada ingrediente usar para la mezcla [kg].

Costo
Ingredientes
($/kg)
x1: kg de harina de soya a usar. Harina de Soya 45
x2: kg de harina de pescado a usar. Harina de pescado 100
x3: kg de trigo a usar. Trigo 70
x4: kg de alfalfa a usar. Alfalfa 45
x5: kg de avena a usar. Avena 80
• Función objetivo: Costo total de preparar la mezcla.
min z = 45𝑥1 + 100𝑥2 + 70𝑥3 + 45𝑥4 + 80𝑥5

Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x2 Harina de pescado 55 - 4 1950 100
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
• Restricciones: Cantidades máx. o mín. de cada nutriente.

8.5
Que equivale a
i. Debe contener un 15% de proteína: 100
El 15% de 1000
9 55 7 12 85
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 = 150
100 100 100 100 1000
Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
ii. Debe contener al menos un 25% de fibra:
12 0 6 25 11
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 ≥ 250
100 100 100 100 100
Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
iii. Debe contener entre 20% y 40% de hidratos de carbono:
50 4 66 35 58
200 ≤ 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 ≤ 400
100 100 100 100 100
Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
iv. Debe contener entre 800 y 1800 de calorías por kg.
1000 1950 1750 450 1700

800 ≤ 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 ≤ 1800
1000 1000 1000 1000 1000
Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
v. Debe contener a lo más un 10% de harina de pescado.
𝑥2 ≤ 100
Var Ingredientes
(%) (%) (%) (cal/kg) ($/kg)
x1 Harina de Soya 9 12 50 1000 45
x3 Trigo 7 6 66 1750 70
x4 Alfalfa 12 25 35 450 45
x5 Avena 8.5 11 58 1700 80
• Restricciones:
Cantidad de mezcla a producir [kg].
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 = 1000
Dominio de variables
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
Realizando manejos algebraicos
min z = 45𝑥1 + 100𝑥2 + 70𝑥3 + 45𝑥4 + 80𝑥5

𝑠. 𝑎. 9𝑥1 + 55𝑥2 + 7𝑥3 + 12𝑥4 + 8,5𝑥5 = 15000
12𝑥1 + 0𝑥2 + 6𝑥3 + 25𝑥4 + 11𝑥5 ≥ 25000
50𝑥1 + 4𝑥2 + 66𝑥3 + 35𝑥4 + 58𝑥5 ≥ 20000
50𝑥1 + 4𝑥2 + 66𝑥3 + 35𝑥4 + 58𝑥5 ≤ 40000
100𝑥1 + 195𝑥2 + 175𝑥3 + 45𝑥4 + 170𝑥5 ≥ 80000
100𝑥1 + 195𝑥2 + 175𝑥3 + 45𝑥4 + 170𝑥5 ≤ 180000
𝑥2 ≤ 100
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5 = 1000
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
IO – Unidad 2
Modelos
Ejemplo: Problema de la Mochila

Usted va a salir a acampar y dispone de una mochila de 60 litros para
llevar lo que estime conveniente. Tras poner en la mochila todo lo
esencial, le quedan 10 litros de espacio. Para cada cosa que puede
echar a la mochila, sabe su volumen y el potencial beneficio (alegría)
que le reportaría.
Obtiene la siguiente tabla,
Escriba un modelo de optimización que le permita resolver este

problema


Cuál o cuáles de los elementos serán incluidos en la mochila.

Elegir los elementos que en total entreguen mayor beneficio

• El volumen máximo del espacio remanente en la mochila no
debe ser superado.
• Dominio de las variables.

𝑥𝑖 = 1 𝑠𝑖 𝑒𝑙 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑖 𝑒𝑠 𝑖𝑛𝑐𝑙𝑢𝑖𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑚𝑜𝑐ℎ𝑖𝑙𝑎,
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

Elegir los elementos que en total entreguen mayor beneficio

debe ser superado.

𝑚𝑎𝑥 𝑧 = 2𝑥1 + 𝑥2 + 4𝑥3 + 18𝑥4 + 10𝑥5

debe ser superado.


𝑚𝑎𝑥 𝑧 = ෍ 𝑢𝑖 𝑥𝑖
𝑖∈𝐼

debe ser superado.


𝑖∈𝐼
0.5𝑥1 + 𝑥2 + 2𝑥3 + 6𝑥4 + 4𝑥5 ≤ 10

𝑥𝑖 ∈ 0,1 , ∀𝑖 ∈ 1,2,3,4,5


𝑖∈𝐼

෍ 𝑎𝑖 𝑥𝑖 ≤ 𝑏
𝑖∈𝐼
𝑥𝑖 ∈ 0,1 , ∀𝑖 ∈ 𝐼
Problema de la Mochila
Maximizar el beneficio total

𝑚𝑎𝑥 𝑧 = ෍ 𝑢𝑖 𝑥𝑖 de los elementos escogidos.
𝑖∈𝐼
No sobrepasar la capacidad
𝑠. 𝑎. ෍ 𝑎𝑖 𝑥𝑖 ≤ 𝑏 máxima de la mochila.
𝑖∈𝐼
𝑥𝑖 ∈ 0,1 , ∀𝑖 ∈ 𝐼 Restricciones de dominio.

Problema de selección de proyectos

Este modelo permite apoyar a la toma de decisiones en la elección de
proyectos de inversión, donde un inversionista dispone de un cierto
capital para ser invertido en diferentes proyectos.
El objetivo es maximizar la rentabilidad total de la inversión.
Este modelo es bastante similar al de la mochila:
𝑚𝑎𝑥 𝑧 = ෍ 𝑟𝑖 𝑥𝑖
𝑖∈𝐼
𝑠. 𝑎. ෍ 𝑎𝑖 𝑥𝑖 ≤ 𝐾
𝑖∈𝐼
𝑥𝑖 ∈ 0,1 , ∀𝑖 ∈ 𝐼

𝐼: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜𝑠 𝑑𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑖ó𝑛 (𝑖), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑚.
• Parámetros:
𝑟𝑖 : 𝑅𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎 𝑑𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑖 ∈ 𝐼.
𝑎𝑖 : 𝑀𝑜𝑛𝑡𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑖ó𝑛 𝑞𝑢𝑒 𝑟𝑒𝑞𝑢𝑖𝑒𝑟𝑒 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑖 ∈ 𝐼.
𝐾: 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 𝑝𝑎𝑟𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑙𝑎𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑒𝑠.
• Variables:
𝑥𝑖 : 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 𝑞𝑢𝑒 𝑖𝑛𝑑𝑖𝑐𝑎 𝑠𝑖 𝑠𝑒 𝑖𝑛𝑣𝑖𝑒𝑟𝑡𝑒 𝑥𝑖 = 1
𝑜 𝑛𝑜 𝑥𝑖 = 0 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑜 𝑖 ∈ 𝐼.
¿En qué se diferencia entonces este modelo con el modelo de la

mochila?

Existen diversas restricciones adicionales que podrían ser
consideradas o no, según las relaciones que hayan entre los proyectos.

• Proyectos excluyentes:
No se puede invertir en ambos proyectos al mismo tiempo.

𝑥𝑖 + 𝑥𝑗 ≤ 1

𝑥𝑖 + 𝑥𝑗 ≤ 1
• Proyectos incluyentes:
Los proyectos deben realizarse juntos o ninguno se realiza.

𝑥𝑖 + 𝑥𝑗 ≤ 1
𝑥𝑖 = 𝑥𝑗

𝑥𝑖 + 𝑥𝑗 ≤ 1
𝑥𝑖 = 𝑥𝑗
• Proyectos requisito: Para invertir en el proyecto i debe invertirse en:
el proyecto j al menos uno del conjunto Q

𝑥𝑖 + 𝑥𝑗 ≤ 1
𝑥𝑖 = 𝑥𝑗
𝑥𝑖 ≤ 𝑥𝑗

𝑥𝑖 + 𝑥𝑗 ≤ 1
𝑥𝑖 = 𝑥𝑗
𝑥𝑖 ≤ 𝑥𝑗 𝑥𝑖 ≤ σ𝑗∈𝑄 𝑥𝑗
Problema de la Dieta
En este tipo de problemas se busca obtener una dieta que satisfaga

ciertos requerimientos a un costo mínimo.
Dentro de las restricciones que se tienen, los requerimientos mínimos
y máximos de cada nutriente están especificados. Como parámetros
se cuenta con el costo unitario de cada alimento además del aporte
nutricional, disgregado por nutriente, de cada alimento.
Definiendo los conjuntos para la representación del modelo
estructurado (de clase).
𝐼: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑜𝑠 (𝑖), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑚.

𝐽: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑛𝑢𝑡𝑟𝑖𝑒𝑛𝑡𝑒𝑠 (𝑗), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑛.
• Parámetros:
𝑐𝑖 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑎𝑑𝑞𝑢𝑖𝑟𝑖𝑟 𝑢𝑛𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑜 𝑖.

𝑎𝑖𝑗 : 𝑎𝑝𝑜𝑟𝑡𝑒 𝑒𝑛 𝑛𝑢𝑡𝑟𝑖𝑒𝑛𝑡𝑒 𝑗 ∈ 𝐽 𝑑𝑒𝑙 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑜 𝑖 ∈ 𝐼.
𝐿𝑗 : 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑚í𝑛𝑖𝑚𝑜𝑠 𝑑𝑒𝑙 𝑛𝑢𝑡𝑟𝑖𝑒𝑛𝑡𝑒 𝑗 ∈ 𝐽.
𝑈𝑗 : 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑚á𝑥𝑖𝑚𝑜𝑠 𝑑𝑒𝑙 𝑛𝑢𝑡𝑟𝑖𝑒𝑛𝑡𝑒 𝑗 ∈ 𝐽.
• Variables:
𝑥𝑖 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑜 𝑖 ∈ 𝐼 𝑎 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑟 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑒𝑡𝑎.

Minimizar costos de satisfacer

𝑚𝑖𝑛 𝑧 = ෍ 𝑐𝑖 𝑥𝑖
la dieta.
𝑖∈𝐼
No sobrepasar el
𝑠. 𝑎. ෍ 𝑎𝑖𝑗 𝑥𝑖 ≤ 𝑈𝑗 ∀𝑗 ∈ 𝐽 requerimiento máximo del
𝑖∈𝐼 nutriente j.
Satisfacer al menos el
෍ 𝑎𝑖𝑗 𝑥𝑖 ≥ 𝐿𝑗 ∀𝑗 ∈ 𝐽 requerimiento mínimo del
𝑖∈𝐼
nutriente j.
𝑥𝑖 ≥ 0 ∀𝑖 ∈ 𝐼 Restricciones de dominio.
Ejemplo: Problema de transporte

Una empresa transnacional exportadora
de frutas que opera en América del Sur
desea determinar un plan de
distribución de la fruta desde las plantas
empacadoras hacia los centros de
distribución, para el período del verano.
Las plantas se encuentran ubicadas en
Rancagua, Sao Paulo y Bogotá. El
mercado se ha agrupado en cuatro
regiones, como se muestra en la figura,
cada una atendida por un distribuidor.
Los centros de distribución se
encuentran ubicados en Santiago, Río
de Janeiro, Quito y Caracas. Gentileza prof. Lüer-Villagra PhD
En la siguiente tabla se entregan los costos unitarios de transporte

en UM (unidades monetarias), la demanda de cada región y la
producción de cada planta para el período de verano.
Formule un modelo de programación lineal que abastezca a los

centros de distribución desde las plantas a costo mínimo.


La cantidad de producto a enviar desde plantas a centros

Encontrando la combinación que permita minimizar el
costo total de transporte de la fruta.

• Respetar la capacidad de las plantas empacadoras.
• Satisfacer la demanda de los centros de distribución.

𝑥𝑖𝑗 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒𝑠𝑑𝑒
𝑝𝑙𝑎𝑛𝑡𝑎𝑠 𝑒𝑚𝑝𝑎𝑐𝑎𝑑𝑜𝑟𝑎𝑠 𝑎 𝑙𝑜𝑠 𝑐𝑒𝑛𝑡𝑟𝑜𝑠 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

Encontrando la combinación que permita minimizar el
costo total de transporte de la fruta.


𝑥𝑖𝑗 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑝𝑙𝑎𝑛𝑡𝑎𝑠
𝑒𝑚𝑝𝑎𝑐𝑎𝑑𝑜𝑟𝑎𝑠 𝑖 𝑎 𝑙𝑜𝑠 𝑐𝑒𝑛𝑡𝑟𝑜𝑠 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑗 .
I Planta empacadora J Centro de distribución

i=1 Rancagua j=1 Santiago
i=2 Sao Paulo j=2 Río de Janeiro
i=3 Bogotá j=3 Quito
j=4 Caracas
Nota: La asignación de número a cada ubicación es arbitrario, sin

embargo debe ser el mismo durante todo el desarrollo del modelo.


𝑚𝑖𝑛 𝑧 = ෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖∈𝐼 𝑗∈𝐽
Donde 𝑐𝑖𝑗 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 𝑑𝑒𝑠𝑑𝑒 𝑖 𝑎 𝑗.

Cij 1 2 3 4
1 3 20 30 35
2 15 5 35 40
3 45 25 10 12


𝑚𝑖𝑛 𝑧 = ෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗 Cij 1 2 3 4
𝑖∈𝐼 𝑗∈𝐽 1 3 20 30 35
2 15 5 35 40
Donde 𝑐𝑖𝑗 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 𝑑𝑒𝑠𝑑𝑒 𝑖 𝑎 𝑗. 3 45 25 10 12
𝑚𝑖𝑛 𝑧 = 3𝑥11 + 20𝑥12 + 30𝑥13 + 35𝑥14

+15𝑥21 + 5𝑥22 + 35𝑥23 + 40𝑥24
+45𝑥31 + 25𝑥32 + 10𝑥33 + 12𝑥34




𝑥11 + 𝑥12 + 𝑥13 + 𝑥14 ≤ 300

𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 ≤ 250
𝑥31 + 𝑥32 + 𝑥33 + 𝑥34 ≤ 200

𝑥11 + 𝑥21 + 𝑥31 ≤ 120
𝑥12 + 𝑥22 + 𝑥32 ≤ 300
𝑥13 + 𝑥23 + 𝑥33 ≤ 80
𝑥14 + 𝑥24 + 𝑥34 ≤ 20

𝑥11 , 𝑥12 , 𝑥13 , 𝑥14 , 𝑥21 , 𝑥22 , 𝑥23 , 𝑥24 , 𝑥31 , 𝑥32 , 𝑥33 , 𝑥34 ≥ 0
𝑚𝑖𝑛 𝑧 = 3𝑥11 + 20𝑥12 + 30𝑥13 + 35𝑥14

+15𝑥21 + 5𝑥22 + 35𝑥23 + 40𝑥24
+45𝑥31 + 25𝑥32 + 10𝑥33 + 12𝑥34
𝑠. 𝑎. 𝑥11 + 𝑥12 + 𝑥13 + 𝑥14 ≤ 300

𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 ≤ 250
𝑥31 + 𝑥32 + 𝑥33 + 𝑥34 ≤ 200
𝑥11 + 𝑥21 + 𝑥31 ≤ 120
𝑥12 + 𝑥22 + 𝑥32 ≤ 300
𝑥13 + 𝑥23 + 𝑥33 ≤ 80
𝑥14 + 𝑥24 + 𝑥34 ≤ 20
𝑥11 , 𝑥12 , 𝑥13 , 𝑥14 , 𝑥21 , 𝑥22 , 𝑥23 , 𝑥24 , 𝑥31 , 𝑥32 , 𝑥33 , 𝑥34 ≥ 0
Problema de transporte
Con el presente modelo se representa el traslado de bienes entre
plantas de producción (oferta) y clientes (demanda). En este
problema se busca minimizar los costos de transporte
satisfaciendo la demanda.
En primer lugar se definirán los distintos conjuntos requeridos para
representar el modelo estructurado (de clase).
𝐼: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑝𝑙𝑎𝑛𝑡𝑎𝑠 (𝑖), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑚.

𝐽: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 (𝑗), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑛.
Parámetros:
𝑎𝑖 : 𝑜𝑓𝑒𝑟𝑡𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑖 ∈ 𝐼.

𝑏𝑗 : 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒𝑙 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑗 ∈ 𝐽.
𝑐𝑖𝑗 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑠𝑙𝑎𝑑𝑎𝑟 𝑢𝑛𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑛𝑡𝑟𝑒 𝑖 𝑦 𝑗.
Variables:
𝑥𝑖𝑗 : cantidad de unidades de producto a trasladar entre i y j.

Considerar plantas con capacidades 𝑎𝑖 y clientes con demandas 𝑏𝑗 .
𝑥11 𝑏1
𝑎1 1 1
𝑎2 2 2 𝑏2
𝑥𝑖1
𝑎𝑖 i j 𝑏𝑗
𝑥𝑖𝑛
𝑥𝑚1
𝑎𝑚 m 𝑥𝑚𝑛 n 𝑏𝑛
Cada uno de los trayectos planta-cliente posee un costo cij.
𝑎1 1 1 𝑏1
𝑎2 2 2 𝑏2
𝑥𝑖𝑗
𝑎𝑚 m n 𝑏𝑛
𝑚𝑖𝑛 𝑧 = ෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗 Minimizar costos de

𝑖∈𝐼 𝑗∈𝐽 transporte
𝑠. 𝑎. ෍ 𝑥𝑖𝑗 ≤ 𝑎𝑖 ∀𝑖 ∈ 𝐼 No sobrepasar oferta de i.

𝑗∈𝐽
Satisfacer al menos la
෍ 𝑥𝑖𝑗 ≥ 𝑏𝑗 ∀𝑗 ∈ 𝐽 demanda de j.
𝑖∈𝐼
𝑥𝑖𝑘 ≥ 0 ∀𝑖 ∈ 𝐼, 𝑘 ∈ 𝐾 Restricciones de dominio.

𝑦𝑘𝑗 ≥ 0 ∀𝑗 ∈ 𝐽, 𝑘 ∈ 𝐾
Problema de transporte con transbordo

Este problema toma en cuenta el traslado de bienes desde varias
plantas de producción hasta varios clientes con sus respectivas
demandas, pasando por puntos de transbordo, que son lugares
donde se dejan las cargas para después continuar con su traslado
al cliente. El objetivo del modelo es minimizar los costos de
transporte satisfaciendo la demanda.
De la misma forma que el problema anterior, se definirán los
distintos conjuntos requeridos para representar el modelo
estructurado (de clase).
𝐼: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑝𝑙𝑎𝑛𝑡𝑎𝑠 (𝑖), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑚.

𝐾: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑏𝑜𝑟𝑑𝑜 (𝑘), 𝑐𝑜𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑞.
𝐽: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 (𝑗), 𝑐𝑜𝑛 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑑𝑒 𝑛.

Parámetros:
𝑎𝑖 : 𝑜𝑓𝑒𝑟𝑡𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑖 ∈ 𝐼.

𝑏𝑗 : 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒𝑙 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑗 ∈ 𝐽.
𝑤𝑘 : 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑥𝑖𝑚𝑎 𝑑𝑒𝑙 𝑝𝑢𝑛𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑏𝑜𝑟𝑑𝑜 𝑘 ∈ 𝐾.
𝑒𝑖𝑘 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑠𝑙𝑎𝑑𝑎𝑟 𝑢𝑛𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑛𝑡𝑟𝑒 𝑖 𝑦 𝑘.
𝑑𝑘𝑗 : 𝑐𝑜𝑠𝑡𝑜 𝑑𝑒 𝑡𝑟𝑎𝑠𝑙𝑎𝑑𝑎𝑟 𝑢𝑛𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑛𝑡𝑟𝑒 𝑘 𝑦 𝑗.
Variables:
𝑥𝑖𝑘 : cantidad de unidades de producto a trasladar entre i y k.

𝑦𝑘𝑗 : cantidad de unidades de producto a trasladar entre k y j.

Considerar plantas con capacidades 𝑎𝑖 y clientes con demandas 𝑏𝑗 .
𝑎1 1 𝑥11 𝑦11 1 𝑏1
1
𝑎2 2 2 𝑏2
𝑦𝑘1
𝑥𝑖1 k
𝑦𝑘𝑛
𝑥𝑖𝑞 𝑦𝑞1
𝑥𝑚1 q
𝑦𝑞𝑛
𝑎𝑚 m 𝑥𝑚𝑞 n 𝑏𝑛
𝑥𝑖𝑘 : cantidad de elementos a enviar desde planta i al punto de transbordo k.

𝑦𝑘𝑗 : cantidad de elementos a enviar desde el punto de transbordo k al destino j.

Se puede considerar conceptualmente la generalización
𝑎1 1 1 𝑏1
𝑤1
1
𝑎2 2 2 𝑏2
𝑤𝑘
k 𝑦𝑘𝑗
𝑥𝑖𝑘
q
𝑤𝑞
𝑎𝑚 m n 𝑏𝑛
𝑤𝑘 : capacidad máxima del punto de transbordo k.

Minimizar costos de
𝑚𝑖𝑛 𝑧 = ෍ ෍ 𝑒𝑖𝑘 𝑥𝑖𝑘 + ෍ ෍ 𝑑𝑘𝑗 𝑦𝑘𝑗
transporte
𝑖∈𝐼 𝑘∈𝐾 𝑘∈𝐾 𝑗∈𝐽
𝑠. 𝑎. ෍ 𝑥𝑖𝑘 ≤ 𝑎𝑖 ∀𝑖 ∈ 𝐼 No sobrepasar oferta de i.

𝑘∈𝐾
෍ 𝑥𝑖𝑘 ≤ 𝑤𝑘 ∀𝑘 ∈ 𝐾 No pasar capacidad de k.

𝑖∈𝐼
Satisfacer al menos la
෍ 𝑦𝑘𝑗 ≥ 𝑏𝑗 ∀𝑗 ∈ 𝐽
demanda de j.
𝑘∈𝐾
෍ 𝑥𝑖𝑘 = ෍ 𝑦𝑘𝑗 ∀𝑘 ∈ 𝐾 Balance de flujo.

𝑖∈𝐼 𝑗∈𝐽
𝑥𝑖𝑘 ≥ 0 ∀𝑖 ∈ 𝐼, 𝑘 ∈ 𝐾
Restricciones de dominio.
𝑦𝑘𝑗 ≥ 0 ∀𝑗 ∈ 𝐽, 𝑘 ∈ 𝐾

Clase 02

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 02

Cargado por

Copyright:

Formatos disponibles

Investigación de Operaciones

Profesor Darío Canut de Bon B.

• Presentación de los detalles del curso.

Resolución de problemas mediante

Problema de Programación Lineal

Un problema de programación matemática es lineal, si

Analizar el problema que se muestra a continuación.

• ¿En qué consiste el problema?

• ¿Cuál es el objetivo de la empresa respecto a su plan de

• ¿Cuáles son las restricciones que se poseen?

• ¿Qué información se necesita para resolver el problema?

Reddy Mikks es una empresa que produce pinturas de interior y

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• x1: toneladas de pintura de exterior a producir

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

2. No sobrepasar la disponibilidad de M2.

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

max Z = 5x1 +4x2

6x1 +4x2 ≤ 24 (1)

• Pregunta para reflexionar: ¿Qué pasa si la FO es min z=5x1+4x2?

6x1 +4x2 ≤ 24 (1)

Otro problema introductorio

Extraído de Ortiz, Varas, Vera

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: ¿Qué decisiones deben tomarse?

• Función objetivo: ¿Cómo medimos cuál decisión es la mejor?

• Restricciones: ¿Qué condiciones deben cumplir las decisiones?

• Variables: Cuánto de cada ingrediente usar para la mezcla [kg].

• Función objetivo: Costo total de preparar la mezcla.

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

• Restricciones: Cantidades máx. o mín. de cada nutriente.

• Restricciones: Cantidades máx. o mín. de cada nutriente.

ii. Debe contener al menos un 25% de fibra:

• Restricciones: Cantidades máx. o mín. de cada nutriente.

iii. Debe contener entre 20% y 40% de hidratos de carbono:

• Restricciones: Cantidades máx. o mín. de cada nutriente.

iv. Debe contener entre 800 y 1800 de calorías por kg.

1000 1950 1750 450 1700

• Restricciones: Cantidades máx. o mín. de cada nutriente.

v. Debe contener a lo más un 10% de harina de pescado.

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

Ejemplo: Problema de la Mochila

Escriba un modelo de optimización que le permita resolver este