MODELOS PARA LA TOMA

DE DECISIONES
Prof. Henry Veneros Manrique
Qu es el Anlisis Cuantitativo?
El Anlisis Cuantitativo es el enfoque cientfico para
la toma de decisiones administrativas.
El enfoque comienza con los datos, los modelos
cuantitativos transforman estos datos en
informacin valiosa para las personas que toman las
decisiones.
DATOS
Modelos
Cuantitativos
Informacin
Factores cuantitativos, son elementos que
lo podemos estructurar y representarlos en
una expresin matemtica.
Factores cualitativos, el desarrollo
tecnolgico, el clima, legislacin laboral,
resultados de las elecciones, etc. Son
elementos muy difciles de estructurar y
por consiguientes no se puede representar
en una expresin matemtica.
Factores para el anlisis cuantitativo.

ENFOQUE DEL ANLISIS CUANTITATIVO
Definicin del
problema
Desarrollo del
modelo
Adquisicin de
datos
Solucin
Prueba solucin
Anlisis de
resultados
Implementacin
Qu es un Modelo?
Un modelo es una representacin, generalmente
matemtica, de una situacin.
El tipo de modelo que usaremos en nuestro curso,
es el modelo simblico, quiere decir que
utilizaremos smbolos.
El contenido del curso, ser:
Programacin Lineal
Programacin Entera/Binaria/Mixta
Programacin por Metas
Simulacin Monte Carlo

Ejemplo de un Modelo Simblico
X1: Dlares a invertir en acciones tipo 1
X2: Dlares a invertir en acciones tipo 2
Rent1: Rentabilidad por un dlar del tipo 1, igual 2 dlares
Rent2: Rentabilidad por un dlar del tipo 2, igual a 1.5 dlares
Objetivo: Maximizar la Rentabilidad
Sujeto a:
- Disponibilidad de 100,000 dlares
- No invertir ms de 60,000 en un tipo
Modelo simblico:
Max Z = 2*X1 + 1.5*X2
Sujeto a:
[Dinero] X1 + X2 <= 100000
[Inv_t1] X1 <= 60000
[Inv_t2] X2 <= 60000
[No_negatividad] X1 >= 0 , X2 >= 0
End
Variables y Parmetros de un Modelo
Todos los modelos que veremos contienen Variables y datos.
X1, X2: son variables en nuestro ejemplo.
Rent1, Rent2, Dinero, MaxInversin: son datos.
Una variable, es una cantidad medible, puede ser controlable o
no controlable.
Las variables controlables se conocen como variables de
decisin, el objetivo del modelo es encontrar el valor de estas
variables.
Los datos son cantidades medibles y conocidos para el modelo.
Cuando se vaya a ejecutar el modelo cuantitativo para
encontrar el valor ptimo de las variables de decisin, la
precisin y la integridad de todos los parmetros, que son los
datos para el modelo, definen el input para el modelo.
Ventajas del Modelado Matemtico
1. Los modelos matemticos representan la realidad de
forma precisa.
2. Los modelos ayudan a formular problemas.
3. Los modelos pueden proporcionar informacin.
4. Los modelos permiten ahorrar tiempo y dinero en la toma
de decisiones.
5. Los modelos pueden ser la nica va eficaz para resolver
problemas ms grandes y complejos.
6. Los modelos pueden ser usados para comunicar problemas
y soluciones a los dems.
Modelos Determinsticos y
Probabilsticos
Cuando conocemos todos los datos con completa certeza,
estamos frente a un modelo determinstico.
Otros modelos involucran riesgo o posibilidades, la aceptacin
de un producto nuevo en el mercado, puede ser de 70%, por
lo tanto hay un 30% que el producto no sea aceptado; a estos
modelos se les llama modelos probabilsticos.
La Programacin Lineal son modelos determinsticos.
La simulacin Monte Carlo, son modelos probabilsticos.
Modelos Determinsticos
Determinstico significa con certidumbre
completa. Quiere decir que todos los datos se
conocen con total certeza.

Modelo
Determinstico
Expresiones matemticas:
definiciones
Variables
controlables:
Valor de las
actividades
solve
r
resultados
Datos
Modelos probabilsticos
Son modelos que incluyen el riesgo o las
posibilidades, con frecuencia medidos como
valores de probabilidad.

Modelo
Probabilstico
Variables no controlables:
Demanda
Utilidad
/Ganancia/Costo
de cada valor o
alternativa de la
variable
controlable.
solve
r
resultados
Variables
controlables:
Cunto comprar?
Cunto producir?

Fundamentos de la
Programacin Lineal (PL)
Qu es la PL?
Fundamentos de la PL
Es una tcnica de optimizacin.
Es una tcnica que ayuda a
tomar decisiones de asignacin
de recursos.

Fundamentos de la
Programacin Lineal (PL)
Cul es el objetivo?
Fundamentos de la PL (cont)
Es construir un modelo lineal
que represente al sistema bajo
estudio.

Fundamentos de la
Programacin Lineal (PL)
Qu es un modelo lineal?
Fundamentos de la PL (cont)
Es la representacin simblica del
sistema real.
Donde cada factor est
representado por una funcin
lineal.

Fundamentos de la
Programacin Lineal (PL)
Cules son las propiedades de
un modelo lineal?
Primera Propiedad de la PL
Los modelos de PL buscan maximizar o minimizar un
objetivo.
Maximizar:
Utilidades
Produccin
Rentabilidad
Etc.
Minimizar:
Costos
Tiempos
Etc.
Segunda Propiedad de la PL
Toda funcin objetivo estar sujeta a un conjunto de
restricciones que limitarn el valor del objetivo que
puede ser alcanzado.
Estas restricciones pueden ser de tres tipos:
Menor o igual (<=)
Las horas de produccin debe ser menor o igual a 132 horas.
La inversin total en acciones debe ser menor o igual a un milln de
dlares.
La cantidad de acciones a comprar del tipo A, debe ser menor o igual al
30% de la cantidad total de acciones.
Mayor o igual (>=)
Las horas asignada a la lnea 1 debe ser mayor o igual a 100 horas.
La inversin en acciones Minera debe ser por lo menos el 50% de la
disponibilidad para invertir.
Igual (=)
La produccin debe ser igual a los pedidos de los clientes.
La inversin en acciones debe ser igual al dinero disponible.

Tercera Propiedad de la PL
Debe existir alternativas disponibles.
Por ejemplo:
Se tiene un milln de dlares para invertir en acciones. Se
puede invertir en acciones: Cervecera, Minera, Banco y
Gaseosas.
La lnea principal de envasado en una cervecera es para el
formato 620 m. Podemos asignar a esta lnea las siguientes
marcas: Cristal 620, Pilsen 620 y Cusquea 620.
Se debe elegir los medios para programar publicidad de los
productos de una empresa. Las alternativas son: Televisin,
Radio y Peridico.
Para un plan de produccin, se debe comprar materia prima,
se tiene tres proveedores que pueden abastecer la cantidad
que se le solicite de materia prima.
Cuarta Propiedad de la PL
Todas las relaciones que vayamos a construir para
representar un concepto, sern relaciones lineales.
La funcin objetivo y cada una de las restricciones,
deben ser relaciones lineales.
Una relacin matemtica lineal slo significa que
todos los trminos en la funcin objetivo y en las
restricciones son de primer grado.
Por ejemplo:
El artculo A tiene un precio de 15 soles y B un precio de 17 soles, si
queremos maximizar ingresos, la funcin lineal ser:
Max = 15*X1 + 17 * X2
X1: unidades de A que se vendern
X2: unidades de B que se vendern
Una unidad de A requiere de 2 horas, una unidad de B requiere 3 horas y la
disponibilidad es de 132 horas.
2 * X1 + 3 * x2 <= 132
Cuarta Propiedad de la PL
Podemos invertir en acciones tipo A , tipo B y tipo C. La disponibilidad para
invertir en 200,000 dlares y para cada tipo su inversin debe ser como mnimo
el 20% del dinero disponible.
X1: el monto a invertir en acciones tipo A
X2: el monto a invertir en acciones tipo B
X3: el monto a invertir en acciones tipo C
Las restricciones seran:
X1 + X2 + X3 = 200000 , disponibilidad para invertir en los tres tipos de acciones
X1 >= 0.20*200000 , inversin mnima para acciones tipo A
X2 >= 0.20*200000 , inversin mnima para acciones tipo B
X3 >= 0.20*200000 , inversin mnima para acciones tipo C
Una empresa puede producir 4 tipos de productos. La produccin entre los
productos 1 y 2 debe ser igual a la produccin entre los productos 3 y 4.
Xj: unidades del producto j que se puede producir, donde j=1,2,3,4
X1 + X2 = X3 + X4
A las restricciones: <= y >= , se les llama restricciones no obligatorias.
El 20% de 200000 es 40000, por lo tanto , si la solucin me dice: X1=100000, X2 = 600000 y
X3=40000, la solucin es factible. Se cumple exactamente con el 20% para invertir en acciones tipo
C y en las acciones tipo A, se invierte el 50% y en acciones tipo B, se invierte el 30%; por lo tanto
no estamos obligados solamente 20%.
A las restricciones =, se les llama restricciones obligatorias.
La solucin para invertir en acciones tipo A, B y C la suma de las tres decisiones deben sumar
200,000 dlares. A: 100000, B=60000 y C=40000

Variables de Decisin y Datos
Variables de decisin,
representan a los niveles de
actividad. Son los valores no
conocidos del sistema y deben
ser representados por variables.
Datos, son los valores
conocidos y que requiere el
modelo para su ejecucin.
Fundamentos de la
Programacin Lineal (PL)
Cul es la estructura bsica de
un modelo lineal?
Fundamentos de la PL (cont)
Funcin objetivo
Max ( Min) = f(x1,x2,...,xn)
Restricciones
f(x1,x2,...,xn) <= b1
f(x1,x2,...,xn) >= b2
....
f(x1,x2,...,xn) = bm
Restricciones no negatividad
Xn >= 0

Mi primer modelo lineal
Una empresa produce Mesas y Sillas. Para
elaborar cada unidad de mesa o silla, debe
pasar por un proceso de carpintera, luego
pintura y barnizado. Una unidad de mesa
requiere: 4 horas de carpintera, 3 horas de
pintura y 2 de barnizado y deja una utilidad
de $7. Una unidad de silla requiere: 3 horas
de carpintera, 1 hora de pintura y barnizado
y deja una utilidad de $5. Carpintera dispone
de 210 horas,120 horas en pintura y 90 horas
en barnizado. Se desea elaborar el mejor
programa semanal.

Supuestos Bsicos de la PL
Tcnicamente, existen cinco requerimientos
adicionales de un problema de PL.
Certeza, esto es, se conocen con certeza los
datos y no cambian durante el periodo que se
est estudiando.
Proporcionalidad, esto significa que si la
produccin de una unidad de un producto
requiere 4 horas, producir 20 unidades del
ese producto requiere 80 horas.
Aditividad, es decir, que el total de todas las
actividades es igual a la suma de las
actividades individuales.
Supuestos Bsicos de la PL
Divisibilidad, es decir, que las soluciones no
tienen que ser nmeros enteros y pueden
tomar cualquier valor fraccionario. En un
problema de produccin, se puede aceptar
que la solucin sea 210.6 sillas, esto
significara que tenemos trabajo en proceso.
Cuando la fraccin no tiene sentido, estamos
frente a un problema de programacin
entera.
No negatividad, los valores de todas las
variables deben ser no negativas. Los valores
negativos de cantidades fsicas son
imposibles, no podemos producir -3 sillas.

Fundamentos de la
Programacin Lineal (PL)
Cmo reconozco las variables
de decisin?
Fundamentos de la PL (cont)
Todo sistema tiene actividades,
por ejemplo:
Cunto invertir en acciones?
Cuntas unidades de un producto
debo producir?
Cuntas kgs de un elemento
debe mezclarse?
Fundamentos de la PL (cont)
Cuntos vigilantes necesito para
un da de vigilancia?
Cuntas unidades de materia
prima debo comprar para
producir unidades de productos?
Cuntas unidades transportar de
una planta a un almacn?
Etc.
Fundamentos de la PL (cont)
Identificando la actividad,
tenemos que buscar el valor
ptimo de esa actividad; por lo
tanto la actividad debe ser
representado en el modelo
lineal por una variable de
decisin.
Fundamentos de la PL (cont)
Actividad
Variable de
decisin
Representado
en el modelo
lineal(ML)
Fundamentos de la PL (cont)
Definicin de variables
Cunto invertir en acciones?
X(j): cantidad de acciones tipo j
que se deben invertir.
X(j,m): cantidad de acciones tipo j
que se deben invertir en el mes m.
Fundamentos de la PL (cont)
Cuntas unidades de un producto
debo producir?
X(j): cuntas unidades del producto j
se debe producir.
X(j,p): cuantas unidades del producto
j se debe producir en la planta p.
X(j,p,s): cuantas unidades del
producto j se debe producir en la
planta p para la semana s.
Fundamentos de la PL (cont)
Cuntas kgs de un elemento debe
mezclarse?
X(j): cuantos kgs del elemento j se
debe mezclar.
X(j,i): cuantos kgs del elemento j se
debe comprar al proveedor i.
X(j,i,m): cuantos kgs del elemento j
se debe comprar al proveedor i en el
mes m.
Fundamentos de la PL (cont)
Cuntos vigilantes necesito
para un da de vigilancia?
X(j): cuntos vigilantes deben
ingresar en el turno j.
X(j,d): cuntos vigilantes deben
ingresar en el turno j en el da d.
Fundamentos de la PL (cont)
Cuntas unidades de materia prima debo
comprar para producir unidades de
productos?
X(i): cuntas unidades de materia prima
tipo i se debe comprar.
X(i,s): cuntas unidades de materia prima
tipo i se debe comprar en la semana s.
Compra(i,s,j): cuntas unidades de materia
prima tipo i se debe comprar en la semana
s al proveedor j.

Fundamentos de la PL (cont)
Cuntas unidades transportar de una planta a
un almacn?
X(p,a): cuntas unidades se debe
transportar de la planta p para el almacn
a.
X(p,a,s): cuntas unidades se debe
transportar de la planta p para el almacn
a en la semana s.
Dist(p,a,s,c): cuntas unidades se debe
transportar de la planta p para el almacn
a en la semana s para el cliente c.
Fundamentos de la
Programacin Lineal (PL)
Qu son los Datos?
Fundamentos de la PL (cont)
Los datos son valores
determinsticos.
Se conocen a priori.
Son necesarios para ejecutar el
modelo lineal y encontrar una
solucin ptima en base a esos
valores.
Fundamentos de la
Programacin Lineal (PL)
Cmo se clasifican los datos
en un ML?
Fundamentos de la PL (cont)
Coeficientes de contribucin, son los
coeficientes de las variables de decisin
en la funcin objetivo, que representan
a un concepto. Pueden ser:
Utilidad, utilidad por unidad de la variable
de decisin.
Costo, costo por unidad de la variable de
decisin.
Etc.
Fundamentos de la PL (cont)
Coeficientes tcnicos, son los
coeficientes de la variables de
decisin en las restricciones, que
determinan el requerimiento por
unidad. Por ejemplo:
Una unidad de la variable j requiere 3
unidades de materia prima, por lo
tanto X(j) requiere: 3*X(j) unidades
de materia prima.
Fundamentos de la PL (cont)
Para producir una unidad del
producto j se requiere 2 horas de
produccin, X(j) unidades requiere:
2*X(j) horas de produccin.
Comprar una accin tipo j requiere de
200 dlares, por lo tanto comprar
X(j,m) acciones requiere: 200*X(j,m)
dlares.
Fundamentos de la PL (cont)
Disponibilidades (b(i)), es la
disponibilidad de los recursos para
elaborar la restriccin
correspondiente, limitan la decisin.
Por ejemplo: Se dispone de 2000
dlares para invertir en acciones, el
costo es: 120 y 240 respectivamente
120*X(1) + 240*X(2) <= 2000
Fundamentos de la PL (cont)
La capacidad de produccin es 8000
unidades, se puede producir 5 tipos
de productos. Entonces:
x(1) + x(2) + x(3) + x(4) + x(5) <= 8000
Fundamentos de la
Programacin Lineal (PL)
Solvers para los ML?
Fundamentos de la PL (cont)
Mtodo Grfico
QM
Solver de Excel
LINGO
Mi segundo modelo lineal
La empresa Ranch piensa adquirir dos marcas
diferentes de alimentos para pavos y mezclarlos para
proporcionarles una buena dieta a bajo costo. Cada
alimento contiene, proporciones variables de tres
ingredientes nutricionales para engordar a los pavos.
Cada libra de la marca 1 contiene 5 onzas del
ingrediente A, 4 onzas del ingrediente B y onzas
del ingrediente C. Cada libra de la marca 2 contiene
10 onzas del ingrediente A, 3 onzas del ingrediente B
y 0 onzas del ingrediente C. Una libra de la marca 1
cuesta 2 soles y una libra de la marca 2, cuesta 3
soles. Se desea por lo menos 90 onzas del
ingrediente A, 48 onzas del ingrediente B y 1.5 onzas
del ingrediente C.
Mtodo Grfico
Qu es el Mtodo Grfico?
Concepto
Es una tcnica que permite encontrar la
solucin de modelos muy sencillos,
modelos con dos variables de decisin.
Mtodo Punto De Esquina
Paso 1, delinear sobre el primer cuadrante la
regin de soluciones factibles y no factibles,
regin formada por la interseccin de las
restricciones (Regin Factible).
Paso 2, Analizar el valor de la funcin objetivo
para cada uno de los vrtices que forman la
regin factible.
Paso 3.Seleccionar el Punto De Esquina con el
mejor valor de la funcin objetivo. sta es la
solucin ptima.
Mtodo De IsoObjetivo
Paso 1. Delinear sobre el primer cuadrante la regin
de soluciones factibles y no factibles, regin formada
por la interseccin de las restricciones (Regin
Factible).
Paso 2. Graficar la Funcin Objetivo, dando un valor
arbitrario.
Paso 3. Mover la lnea de la FO en direccin al
objetivo de la FO, buscar el vrtice ms alto si es
utilidad o el vrtice mas bajo si es costo,
manteniendo la pendiente.
Paso 4. Encontrar los valores de las variables de
decisin para el punto ptimo.
Caso 1 (Bobby y Teddy)
La compaa XYZ produce dos juguetes,
osos Boby y osos Teddy.
La gerencia desea programar la
produccin de estos dos productos.
Los datos son:
Caso 1 (Bobby y Teddy)
Producto Mquina 1
(hrs *unid)
Mquina 2
(hrs *unid)
Utilidad
($ * unid)
Bobby 2 2 6
Teddy 3 1 7
Disp.(hrs) 12 8 *
Anlisis
1. Anlisis
1. Actividades
1. Producir juguetes Bobbby
2. Producir juguetes Teddy
2. Objetivo
1. Maximizar la Utilidad
3. Restricciones o limitaciones
1. Disponibilidad de horas en la mquina 1
2. Disponibilidad de horas en la mquina 2.

Anlisis
2. Definicin de variables de decisin
2. X1: unidades de juguetes Bobby que se debe
producir.
3. X2: unidades de juguetes Teddy que se debe
producir.
3. Funcin Objetivo
Max Z = Utilidad
Z = U(1) * X1 + U(2) * X2
Z = 6 * X1 + 7 * X2

Anlisis
4. Restricciones
2. Disponibilidad de horas en la mquina 1
HM1(1) * X1 + HM1(2) * X2 <= 12 horas
2 * X1 + 3 * X2 <= 12
2. Disponibilidad de horas en la mquina 1
HM2(1) * X1 + HM2(2) * X2 <= 8 horas
2 * X1 + 1 * X2 <= 8


Anlisis
4. Modelo Lineal
Max Z = 6 * X1 + 7 * X2
Sujeto a:
2 * X1 + 3 * X2 <= 12
2 * X1 + 1 * X2 <= 8
No Negatividad:
X1, X2 >= 0



Solucin aplicando:

Mtodo Grfico
Regin Factible
X(2)
4
8
4 6
X(1)
RF
Regin Factible
X(2)
4
8
4 6
X(1)
RF
RNF
R1
Regin Factible
X(2)
4
8
4 6
X(1)
RF
RNF
R1 R2
RNF
RNF
Regin Factible
X(2)
4
8
4 6
X(1)
RF
RNF
R1 R2
RNF
RNF
Regin Factible
X(2)
4
8
4 6
X(1)
RF
SBF
R1
R2
Regin Factible
X(2)
4
8
4 6
X(1)
RF
SBNF
R1 R2
Numeracin de las SB
Num SB VB VNB Solucin Tipo FO
1 (0,0) H1,H2 X1,X2 H1=12,H2=8 F 0
2 (0,4) X2,H2 X1,H1 X2=4,H2=4 F 28
3 (0,8) X2,H1 X1,H2 X2=8,X2=-6 NF *
4 (4,0) X1,H1 X2,H2 X1=4,H1=4 F 24
5 (6,0) X1,H2 X2,H1 X1=6,H2=-4 NF *
6 (3,2) X1,X2 H1,H2 X1=3,X2=2 F 32
NSBP <=
4
C
2
<= 6
Solucin Optima
Si la FO est Max, la solucin ptima es
generada por el mximo valor de las
soluciones bsicas factibles.
Si la FO est Min, la solucin ptima es
generada por el mnimo valor de las
soluciones bsicas factibles.
Solucin ptima es: FO = 32
X(1) = 3 y X(2) = 2
Interpretacin Administrativa
Producto Produccin Utilidad
( $ * unid)
Utilidad
total ($)
Bobby 3 6 18
Teddy 2 7 14
Total 5 * 32
Utilizacin de recursos

Product
o

Produ
ccin
Mquina 1 Mquina 2
Req
(hrs*unid)
ReqTot
(hrs)
Req
(hrs*unid
)
ReqTot
(hrs)
Bobby 3 2 6 2 6
Teddy 2 3 6 1 2
Total 5 * 12 * 8
Disp
(hrs)
* * 12 * 8
Utiliz
(%)
* * 100% * 100%
Nmero de Soluciones Bsicas
Modelo Lineal Estndar
Max Z = 6 * X1 + 7 * X2
Sujeto a:
2 * X1 + 3 * X2 + S1 = 12
2 * X1 + 1 * X2 + S2 = 8
No Negatividad:
X1, X2, S1, S2 >= 0
Nmero de Soluciones Bsicas: mCn
m: nmero total de variables en el modelo estndar
n: nmero de restricciones
NSB <= 4C2 <= 4! / 2!*(4-2)! <= 6 SB



Caso Especiales de PL
Ninguna Solucin Factible
Puede ocurrir que no hay una regin de solucin
factible, esto sucede cuando hay conflictos entre las
restricciones o limitaciones.
Esto sucede con modelos de gran escala de la vida
real, cuando el modelo tiene decena de miles de
restricciones.
Por ejemplo:
El gerente desea una produccin mnima de 8 unidades de
juguetes, para cubrir el mercado: X1 + X2 >= 8
El jefe de planta ha estimado una capacidad mxima para 5
juguetes: X1 + X2 <= 5
Si modelamos estas dos restricciones, vemos que estn en
conflicto.



Caso Especiales de PL
Ninguna Solucin Factible
Por ejemplo: Max Z = 3X1 + 5X2
S. a:
X1 + X2 >= 8
X1 + X2 <= 5
X1 , X2 >= 0

Caso Especiales de PL
No Acotacin
Cuando la utilidad de un problema que est
maximizando puede crecer infinitamente, el problema
es ilimitado.
Un problema no acotado nos est indicando que falta
por lo menos una restriccin que limite el valor de la
funcin objetivo
Por ejemplo: Max Z = 3X1 + 5X2
S. a:
X1 >= 5
X2 <= 10
X1 , X2 >= 0

Caso Especiales de PL
No Acotacin

Caso Especiales de PL
Redundancia
Una restriccin redundante es aquella que no afecta
a la regin de solucin factible.
La presencia de una restriccin redundante no
provoca dificulta para hallar una SO al problema.
Una restriccin puede ser ms limitante o restrictiva
que otra, lo cual niega la necesidad de ser
considerada.
Por ejemplo: Max Z = 3X1 + 5X2
S. a: X1 + x2 <= 20
X2 <= 25
X1 , X2 >= 0

Caso Especiales de PL
Redundancia


Caso Especiales de PL
Soluciones ptimas Alternativas
Cuando la lnea IsoObjetivo (IsoUtilidad o IsoCosto)
se encuentra perfectamente paralela (igual
pendiente) a una de las restricciones del problema, la
solucin ptima genera un conjunto de soluciones
alternativas.
Todos los puntos comprendidos en los dos vrtices,
definen una solucin ptima.
Por ejemplo: Max Z = 3X1 + 2X2
S. a: 6X1 + 4x2 <= 24
X1 <= 3
X1 , X2 >= 0

Caso Especiales de PL
Soluciones ptimas Alternativas


Caso Especiales de PL
Solucin Cero
Una solucin ptima cero, se da cuando el modelo
est minimizando y todas las restricciones son
menores o iguales.
Para evitar este tipo de solucin, debemos tener por
lo menos una restriccin que limite o restringa que el
valor de la FO tome un valor cero, es decir, debe
haber por lo menos una restriccin mayor o igual.
Por ejemplo: Min Z = 3X1 + 2X2
S. a: 6X1 + 4x2 <= 24
X1 <= 3
X1 , X2 >= 0

Caso Especiales de PL
Soluciones Cero

Caso Especiales de PL
Solucin Degenerada
Solucin Degenerada se presenta cuando una
variable que forma parte de la solucin ptima, toma
un valor cero.
En una solucin degenerada, el vrtice ptima est
sobre dimensionado, es decir, est formado por ms
de 2 lneas.
Por ejemplo: Min Z = 8X1 + 5X2
S. a: 8X1 + 4x2 <= 200
4X1 + 3X2 >= 100
X2 <= 10
X1 , X2 >= 0

Caso Especiales de PL
Solucin Degenerada

Caso De Maximizacin
Crepier tiene como productos principales la fabricacin
de bolsos y mochilas para escolares, cuyos precios de
venta por unidad son de $40 y $25 respectivamente. El
proceso de fabricacin consta de dos etapas: corte y
costura.
En la etapa corte, se pueden cortar 10 bolsos /hora o
20 mochilas/hora y se dispone diariamente de 8 horas.
En la etapa de costura, un bolso requiere de 4 horas
mquina, una mochila requiere de 3 horas mquinas y
se dispone diariamente de 420 horas mquina.
Se estima que diariamente se debe fabricar por lo
menos 50 unidades en total (bolsos ms mochilas).
Finalmente la fabricacin de bolsos al da debe ser
menor o igual a la fabricacin de mochilas al da.
Caso De Maximizacin
a) Elabore un anlisis del problema propuesto.
b) Defina las variables de decisin.
c) Construya la funcin objetivo.
d) Construya la funcin de cada una de las
restricciones o limitaciones.
e) Escriba el modelo lineal.
f) Grafique la Regin Factible.
g) Encuentre la solucin ptima, evaluando las
soluciones bsicas factibles (vrtices de la RF).
h) Encuentre la solucin ptima, evaluando la lnea
IsoObjetivo.
i) Presente los informes administrativos.
Caso De Maximizacin
Anlisis Post ptimo
j) Si el precio de venta de una mochila es de $30.
Corresponde a algn caso especial de solucin?
Justifique su respuesta.
k) A partir de la solucin grfica obtenida en J), si el
jefe de operaciones indica que se debe utilizar todas las
horas de costura. Cambiara la RF, la solucin ptima o
ambos?. Justifique su respuesta.
Caso De Minimizacin
Una fbrica textil ha recibido una orden de compra por
un lote de tela que contenga al menos 45 kgs de lana,
25 kgs de nylon y 30 kgs de algodn. El lote puede ser
fabricado mediante cualquier mezcla de dos materiales
textiles A y B. Cada kilogramo de material A cuesta $2 y
cada kilogramo de material B cuesta $3. Se dispone de
$600 para la compra de los materiales.
Un kg de material A contiene:
- 60% de lana, 10% de nylon y 30% de algodn
Un kg de material B contiene:
- 30% de lana, 50% de nylon y 20% de algodn
Caso De Minimizacin
a) Elabore un anlisis del problema propuesto.
b) Defina las variables de decisin.
c) Construya la funcin objetivo.
d) Construya la funcin de cada una de las
restricciones o limitaciones.
e) Escriba el modelo lineal.
f) Grafique la Regin Factible.
g) Encuentre la solucin ptima, evaluando las
soluciones bsicas (vrtices de la RF).
h) Encuentre la solucin ptima, evaluando la lnea
IsoObjetivo.
i) Presente los informes administrativos.
Caso De Minimizacin
Anlisis Post ptimo
j) Le hubiese convenido a la fbrica textil que la orden
de compra no exigiera contenido mnimo de algodn?
Justifique su respuesta.