Separata de Investigacion de Operaciones I-1

INVESTIGACION DE OPERACIONES EN ADMINISTRACION Eduardo Quiroz
................................................................................................................................................................................................................................
CAPITULO I
LA INVESTIGACION DE OPERACIONES
Aunque originalmente no se llamo así, la investigación de operaciones es muy antigua. Sus raíces
principales han crecido más recientemente por dos razones. La primera es la necesidad del estudio
científico de los problemas de administración (los que involucran las interrelaciones de las unidades
funcionales de la empresa), y la segunda se relaciona con la oportunidad de que los hombres de
ciencia atacaran los problemas militares durante la segunda Guerra Mundial . Esas dos fuerzas
motivadoras se combinaron para producir la investigación de operaciones como se conoce
actualmente.
La investigación de operaciones se puede definir como la utilización de un método planeado y de

un grupo interdisciplinario a fin de rep resentar las relaciones funcionales complejas como modelos
matemáticos para proporcionar una base cuantitativa en la toma de decisiones y descubrir nuevos
problemas para su análisis cuantitativo.
La investigación de operaciones es un instrumento de la adm inistración diseñado para aumentar la

efectividad de las decisiones administrativas como suplemento objetivo de las sensaciones
subjetivas(basadas en la experiencia pasada, la intuición, el criterio, etc. ) de los administradores.
La investigación de opera ciones puede sugerir cursos alternativos de acción cuando se analiza un
problema y se busca una solución. El estudio de los problemas complejos mediante la técnica de la
investigación de operaciones solo es útil cuando es posible escoger entre uno o más cu rsos de
acción.
Los problemas que solo tienen una o muy pocas soluciones en condiciones limitativas no
mostraran una mejoría significativa en sus soluciones cuando sé utilicen métodos cuantitativos. Al
final, los modelos cuantitativos de la investigación de operaciones son instrumentos adicionales que
permiten al decisor ser mas objetivo al escoger determinado curso de acción entre muchas
alternativas.
La lista de teorías, técnicas, métodos y modelos que se han asociado con la investigación de
operaciones ha crecido en el transcurso del tiempo, pero esto no quiere decir que sea completa. En
la actualidad hay una tendencia bien definida de combinar varias técnicas de la investigación de
operaciones para formar modelos mas avanzados.
1.1. DEFINICION DE MODEL O

Es la representación o abstracción de una situación u objeto reales, que muestra las
relaciones (directas e indirectas) y las interrrelaciones de la acción y la reacción en términos
de causa y efecto.
Como el modelo es la abstracción de una realidad, pue de parecer menos complicado que la
misma. Para que sea completo, el modelo debe ser representativo de aquellos aspectos de
la realidad que están investigándose.
Una de las razones principales para el desarrollo de modelos es la de descubrir cuales son
las variables importantes o pertinentes, lo que esta asociado a investigar las relaciones
entre variables. Para investigar las relaciones que hay entre muchas variables del modelo
se usan técnicas cuantitativas como la estadística y la simulación.
1.2. CLASIFICACION DE MODELOS

Los modelos pueden clasificarse por sus dimensiones, funciones, propósitos, temas o grado
de abstracción.
Los modelos básicos son: icónicos, analógico y simbólico(matemáticos).
1.2.1. MODELOS ICONICOS
Es la representación física de algun os objetos, ya sea en forma idealizada o en una escala
distinta.
1
................................................................................................................................................................................................................................
Los modelos icónicos sin muy adecuados para la descripción de acontecimientos en un

momento especifico del tiempo. Por ejemplo una fotografía es una buena imagen de una
fabrica, un avión prototipo a escala.
1.2.2. MODELOS ANALOGICOS

Estos modelos pueden representar situaciones dinámicas que muestran las características
del acontecimiento que se estudia.
Las curvas de demanda, las curvas de distribución de frecuencias en las estadísticas y lo s
diagramas de flujo, son ejemplos de modelos analógicos.
A menudo un modelo analógico es muy adecuado para representar relaciones cuantitativas
entre las propiedades de los objetos de varias clases. Al transformar las propiedades en
propiedades análogas, con frecuencia vamos podemos incrementar nuestra capacidad de
hacer cambios.
1.2.3. MODELOS SIMBOLICOS (o MATEMATICOS )

Los modelos simbólicos son verdaderas representaciones de la realidad y toman la forma
de cifras, símbolos y matemáticas. Comienzan como modelos abstractos que formamos en
nuestra mente y que luego se registran como modelos simbólicos. Un tipo de modelo
simbólico o matemático que se usa comúnmente en la investigación de operaciones es una
ecuación. Una ecuación es concisa, precisa y fácil de comprender. Sus símbolos no sólo son
mucho más fáciles de manipular que las palabras sino que se escriben más rápidamente.
Además de estas ventajas, los modelos simbólicos se prestan a las manipulaciones de las
computadoras.
Entre los tipos de modelos matemáticos que se usan en la investigación de operaciones, se

tiene:
A) Cuantitativos y cualitativos
La investigación de operaciones se ocupa de la sistematización de los modelos cualitativos y
de su desarrollo hasta el punto en que puedan cuantificarse. Est o no significa que la
metodología de la investigación de operaciones pueda cuantificar situaciones cualitativas.
Los problemas que se ocupan de las cualidades o propiedades de los componentes se
llaman modelos cualitativos.
Cuando construimos un modelo mat emático e insertamos símbolos para representar
constantes y variables, llamamos a esto un modelo cuantitativo. Un ejemplo es la ecuación
matemática, ya que representa una abstracción de las relaciones entre constantes y
variables.
B) Probabilístico y determi nístico

Los modelos pueden separarse en dos categorías: probabilísticos y determinísticos.
Los modelos que se basan en las probabilidades y en las estadísticas y que se ocupan de
incertidumbres futuras se llaman probabilistas. Los modelos cuantitativos que no tienen que
no contienen consideraciones probabilisticas se llaman modelos determinísticos.
C) Descriptivos y de optimización .
En algunas situaciones un modelo se construye sencillamente como descripción matemática
de una condición del mundo real. Esos m odelos se llaman descriptivos y tienen la capacidad
de solución. Sin embargo en esos modelos no se hace ningún intento para escoger la mejor
alternativa.
Cuando se compara un modelo de optimización, se hace un esfuerzo concertado para llegar
a una solución óptima cuando se presentan alternativas. Cuando un modelo de
optimización se usa en forma apropiada, suministra la mejor alternativa de acuerdo con los
criterios de entrada. Por consiguiente un modelo de optimización se ocupa de una
2
................................................................................................................................................................................................................................
respuesta óptima, mien tras que el modelo descriptivo no intenta seleccionar la mejor
alternativa, sino tan solo describir las selecciones presentes.
D) Estáticos y dinámicos
Los modelos estáticos se ocupan de determinar una respuesta para una serie especial de
condiciones fijas que probablemente no cambiarán significativamente a corto plazo. Por
ejemplo en la programación lineal, en la que las restricciones se fijan en términos de los
requerimientos de tiempo y disponibilidad a corto plazo. Un modelo estático dará por
resultado la mejor solución basada en esa condición estática.
Un modelo dinámico está sujeto al factor tiempo, que desempeña un papel esencial en la
secuencia de decisiones. Independientemente de cuales hayan sido las decisiones
anteriores, el modelo dinámico nos permi te encontrar las decisiones óptimas para los
períodos que quedan todavía en el futuro.
E) SIMULACIÓN Y NO SIMULACIÓN
La simulación es un método que comprende cálculos secuenciales paso por paso, donde
puede reproducirse el funcionamiento de problemas o siste mas de gran escala. En muchos
casos donde ocurren relaciones complejas, tanto de naturaleza predecible como aleatoria,
es más fácil preparar y pasar una situación simulada en una computadora, que preparar y
emplear un modelo matemático que represente todo el proceso que se estudia. En un
modelo de simulación los datos de entrada pueden ser reales o generados. Aunque algunos
problemas se prestan para usar números aleatorios y datos empíricos en los modelos de
simulación, otros muchos se prestan para los mode los no simulados, como los de
optimización. Estos tienen técnicas preparadas especialmente para sus soluciones
respectivas.
1.3. MODELOS DE LA INVESTIGACION DE OPERACIONES

Los modelos para la resolución de problemas por medio de la investigación de operac iones,
pueden agruparse de la siguiente manera:
1.3.1. Modelos de secuenciación

Estos modelos comprenden la determinación de una secuencia óptima para una serie de
tareas o eventos, o la mejor secuencia para dar servicios a los clientes, a fin de aminor ar el
total de tiempo y de costos. Las técnicas del PERT y CPM, se aplican actualmente a
investigaciones y desarrollo, construcción, planeación de nuevos productos y otras áreas
semejantes. Otros problemas de secuenciación tales como la planeación de maqu inas se
resuelven usando técnicas heurísticas y de simulación.
1.3.2. Modelos de reemplazo

Generalmente los problemas de reemplazo son de dos tipos: los que comprenden artículos
que se deterioran a través del tiempo y los que fallan después de determina do período. Las
soluciones del primer tipo se obtienen a través de la programación dinámica. Los modelos
del segundo tipo consideran al reemplazo de los artículos a medida que fallan, el reemplazo
de todos ellos a intervalos especificados, o algunas combin aciones de ambos métodos.
Puede emplearse el muestreo estadístico y la teoría de probabilidades para resolverlos.
1.3.3. Modelos de inventario

Estos modelos (ecuaciones de la cantidad económica de la orden), se ocupan de dos
decisiones: que cantidad ha y que ordenar cada vez, y cuándo hay que pedir esa cantidad a
fin de aminorar el costo total. Se determinan los costos de existencia, costos de pedidos de
inventario y costos de faltantes, a fin de que la administración pueda emplear una relación
de eficacia de costos(modelo) para lograr un equilibrio apropiado entre costos y faltantes.
Las reglas de decisión del costo mas bajo para la administración de los inventarios pueden
3
................................................................................................................................................................................................................................
obtenerse también por medio del cálculo, la teoría de probabilidades, la programac ión
dinámica y la simulación.
1.3.4. Modelo de asignación

Cuando hay que llevar acabo varias actividades, maneras alternativas de ejecutarlas e
instalaciones y recursos limitados para desempeñar cada una de ellas del modo más
efectivo, habrá un problema d e asignación de esos recursos escasos. El problema consiste
en combinar las actividades y los recursos de forma óptima de modo que la eficiencia
general se aumente al máximo, o sea que se aumente las utilidades y se disminuyan los
costos. Esto se conoce c omo programación matemática. Cuando las restricciones se
expresan en forma de ecuaciones lineales, esto se conoce como programación lineal. Si
alguna restricción no es lineal, se le llama programación no lineal.
1.3.5. Modelos de programación dinámica

La programación dinámica, un resultado de la programación matemática, es una decisión
afortunada y relativamente reciente a la técnicas estándar crecientes de la investigación de
operaciones. Estos modelos son útiles en los procesos que se extienden a cierto número de
períodos o eventos. En vez de optimizar cada decisión a medida que ocurre, la
programación dinámica toma en cuenta los efectos de las decisiones de hoy sobre los
períodos futuros. La mayor parte de los problemas de programación dinámica requieren el
empleo de una computadora para manipular la gran cantidades de datos.
1.3.6. Modelos competitivos

La teoría de juegos, suministra una estructura conceptual dentro de la cual pueden
formularse casi todos los problemas de competencia. Los negocios lo ha n usado
eficazmente para desarrollar estrategias de publicidad, políticas de precios y oportunidad
para la introducción de nuevos productos. En los juegos se ha usado con éxito la teoría
estadística de la decisión y la simulación.
1.3.7. Modelos de líneas de espera

La teoría de líneas de espera, llamada a veces teoría de colas, se ocupa de las llegadas
aleatorias a una instalación de servicio o de procesamiento de capacidad limitada. Este
modelo tiene por objeto determinar el número óptimo de personal o d e instalaciones que
se requieren para dar un servicio a los clientes que llegan aleatoriamente al considerar el
costo de servicio y el de las esperas.
1.3.8. Técnicas de simulación
La simulación esta asociado con la experimentación.
1.3.9. Modelos de ruta

Uno de los más importantes problemas de ruta es el “problema del agente viajero”. El
problema consiste en escoger una ruta que comience en la propia ciudad del agente, pase
una sola vez por cada ciudad y regrese a su punto de partida por la distancia mas cort a
posible en términos de tiempo o costo. El modelo de ruta se ha aplicado a la producción,
donde el número de modelos o artículos producidos es análogo a las ciudades. Los costos
de cambio de producción corresponden a los costos de los viajes entre las di versas
ciudades.
4
................................................................................................................................................................................................................................
CAPITULO II
LA PROGRAMACION LINEAL
2.1. HISTORIA DE LA PROGRAMACIÓN LINEAL
Históricamente, el problema general de programación lineal fue desarrollado y aplicado por

primera vez en 1947 por George B. Dantzig, Marshall Wood y sus asociados del
Departamento de la Fuerza Aérea de la Estados Unidos. En esta época, este grupo fue
encargado de investigar la posibilidad de aplicar técnicas matemáticas a la programación
militar y a los problemas de planeación. Este estudio lleva a Dantzig a proponer “que las
interrelaciones entre las actividades de una gran organización, fueran vistas como un
modelo tipo de programación lineal, y el programa de optimización fuera determinado
minimizando una función lineal objetiva”.
Con objeto de desarrol lar y ampliar estas ideas posteriormente, la Fuerza Aérea organizó
un grupo de investigación bajo él titulo de Proyecto SCOOP (Scientific Computation of
Optimiun Programs). Además de llevar la programación de la Fuerza Aérea y los problemas
de planeación hacia bases mas cientificas, la principal contribución del proyecto SCOOP fue
el desarrollo formal y la aplicación del modelo de programación lineal. Esas primeras
aplicaciones del método de programación lineal cayeron en tres categorías principales.
Aplicaciones militares generadas por el proyecto SCOOP, economías interindustriales
basadas en el modelo de insumoproducto de Leontief, y problemas que incluían las
relaciones entre los juegos de suma cero para dos personas y la programación lineal. En la
década de los sesenta estos campos de aplicación se extendieron y desarrollaron pero, sin
embargo, el principal énfasis en las aplicaciones de la programación lineal ha cambiado
hacia el área industrial en general.
El enunciado matemático inicial del problema general de programación lineal, fue

desarrollado por Dantzig en 1947 a través de su método simplex, un procedimiento
sistemático para resolver el problema. Después de esto se reconoció que cierto número de
problemas(algunos sin resolver) es del tipo que tr ata de la optimización de una función
lineal sujeta a restricciones lineales.
Los ejemplos más importantes incluyen el problema de transporte presentado por Hitchcock
(1947) e independientemente por Koopmans (1947) y el problema dietético de Stigler
(1945).
Las primeras soluciones favorables a un problema de programación lineal, en una
computadora electrónica de alta velocidad, se llevaron a cabo en enero de 1952 con el uso
de la maquina SEAC del National Bereau of Standards. Desde entonces el algoritmo si mplex
o variaciones de este procedimiento es él más utilizado debido a su eficiencia
computacional.
La programación lineal se ha convertido en una importante herramienta de las matemáticas
modernas, tanto teóricas como aplicadas.
2.2. REVISION DE LAS APL ICACIONES DE LA PROGRAMACION LINEAL.
En términos generales, muchas de estas aplicaciones dan una idea de la flexibilidad y éxito
del modelo de programación lineal.
2.2.1. Aplicaciones en la agricultura.

Estas aplicaciones caen en dos categorías: econom ía de las granjas y
administración de las granjas. La primera categoría trata de todos los aspectos de
5
................................................................................................................................................................................................................................
la economía agrícola, o sea, relacionada con la economía de la región estado o

nación. En tanto que la administración de las granjas se refiere a problem as que
solo atañen individualmente a cada una.
Un estudio de la economía de las granjas, conduce a u “modelo de equilibrio en el
espacio”.
Una aplicación de las técnicas de programación lineal a un problema de
administración de granjas típica es la de as ignar fuentes limitadas tales como
superficie, trabajo, suministro de agua, capital de trabajo, etc., en tal forma como
para maximizar las entradas netas.
2.2.2. Aval de contratos.

El modelo de programación lineal ha sido aplicado a la competencia de la emisión
de bonos. La emisión de bonos en serie por los gobiernos y otras autoridades
publicas esta basada en el método de costo de interés neto. El emisor que presenta
el costo mas bajo a la autoridad es el que gana la emisión. El modelo considera los
factores que intervienen en el costo de interés neto y proporciona un método para
ajustar las variables mas sujetas al control de los emisores de bonos. El modelo
que surge de la minimización de las necesidades admite así una solución explícita.
2.2.3. Aplicaciones industriales
A. Industria Química
Las aplicaciones dentro de la industria química han sido, sobre todos, en los
campos de producción y de administración de inventarios.
B. Industria del carbón

Se formulo un modelo para la industria del carb ón el cual implica dos
problemas interrelacionados de programación lineal. Los datos del
problema son demandas distribuidas especialmente para el carbón y los
costos unitarios de las entregas desde los depósitos hasta las localidades.
Los niveles de esas e ntregas constituyeron así las variables al primer
problema de programación lineal. Se seleccionaron en tal forma que
minimizaron el costo de las demandas en función de las restricciones de la
capacidad de los depósitos de carbón.
Las variables del segundo problema de programación son los costos de
entrega del carbón en las localidades y la regalías unitarias percibidas en
los diferentes depósitos. Se seleccionaron los valores de estas variables
para maximizar el total neto de entradas de dinero debidas al p ago de las
regalías.
C. Aviación Comercial
Las aplicaciones en este campo esta conectado con problemas de rutas y
de administración de líneas.
D. Industria del Transporte

Este en un campo en el que se encuentran pocas aplicaciones. El trabajo
principal se ha hecho para el diseño optimo y el empleo optimo también de
redes de comunicación. Los métodos de programación lineal han sido
utilizados en la transmisión, relevo e interrupción. Estos métodos
proporcionan una correcta aproximación para resolver i nteracciones
complejas entre capacidades de sistemas, demandas de clientes y factores
económicos.
6
................................................................................................................................................................................................................................
E. Industria del Hierro y del Acero

En esta industria han sido formulados y planteados numerosos modelos
para la planeación de producción.
F. Industria papelera
El problema del transporte se ha usado dentro de la industria papelera y de
la pulpa. La programación de transporte trata del problema de una
empresa que cuenta con varias instalaciones. El problema consiste en cómo
asignar las diversas órdenes a los molinos para reducir los fletes totales de
la empresa a un mínimo.
G. Industria petrolera
Este campo industrial ha proporcionado muchas y muy importantes
aplicaciones de la programación lineal. La primera de ellas,
cronológicamente hablando, fue la mezcla de gasolinas para maximizar las
utilidades. Otros problemas implican la asignación de crudos a diversa
refinerías, así como el inventario óptimo y la tasa de producción para
productos cuyo consumo varia con el año. Los modelos matemáticos de las
operaciones de las refinerías y de la industria petrolera en general, han
conducido al estudio y solución de muchos problemas cuya programación
ya no es lineal.
H. Industria ferrocarrilera
Ha sido formulado un modelo de programación lineal para optimizar los

movimientos de mercancías por fecrrocarril en lo que se refiere a sus fletes,
para poder manipular los problemas que se encuentran en una gran
terminal ferroviaria.
Otras aplicaciones ferroviarias tienen que tratar con la distribución de los
vagones de carga y la clasificación de los esfuerzos en los patios.
2.2.4. Análisis Económico.

El uso de técnicas de programación lineal en el campo de la economía no se ha
limitado al modelo interindustrial de Leontief. Otra aplicación importante ha sido la
interpretación lineal de la teoría o política económica de la empresa.
El problema de seleccionar inversiones ha sido tratado mediante técnicas de
programación lineal. Además de las dietas, muchos problemas del aspecto más
vasto del análisis de mercados han s ido planteados según estas técnicas.
Mediante las técnicas de programación lineal, se investigaron también casos
especiales de la teoría de localización de fabricas, o sea, la selección de lugares
para plantas y almacenes tendiente a maximizar las ganancia s.
Un experimento poco usual que implica la programación lineal, se diseño para
medir la utilidad cardinal de gastos monetarios y cómo usar las utilidades
calculadas para predecir nuevas selecciones.
2.2.5. Aplicaciones militares

Uno de los primeros mod elos lineales que se hizo, cronológicamente hablando, fue
el concerniente al despegue de los aviones. En él,, las restricciones implicadas eran
los suministros a Berlín Occidental, el número posible de vuelos, el número de
tripulaciones y de aviones y fina lmente el dinero disponible. El objetivo era o bien
ser capaces de entregar una cantidad especificada de toneladas con el costo
mínimo posible, o bien maximizar el tonelaje que había que transportar con una
cantidad dada de dinero y de equipo.
7
................................................................................................................................................................................................................................
Otro uso dentro de la Fuerza Aérea fue el problema del desempleo, en estrecha
relación con la asignación eficiente de recursos limitados como pueden ser las
tripulaciones de combate debidamente entrenadas y el número de aviones.
Otros ejemplos militares incluyen: el p roblema de seleccionar una arma aérea
contra guerrillas; el problema de defensa de las comunidades frente a desastres
2.2.6. Asignación de personal

Un problema particular de asignación dinámica considera el caso de los colectores
de peaje en las casetas para periodos dados de tiempo con el mínimo de personal
posible.
2.2.7. Programación de producción y administración de inventarios

La programación lineal considera el problema de suavizar la producción para
satisfacer requisitos estipulados en tal form a que se minimicen los costos de
almacenamiento.
Un problema que ha sido investigado en muchas formas mediante la programación
lineal es el de balancear una línea de ensamble. Una variante a este problema es la
línea de producción en etapas múltiples. El p roblema se plantea en cómo minimizar
el tiempo total transcurrido a lo largo de toda la línea de producción..
Otra aplicación implica el problema de determinar el número de cada tipo de
unidad o articulo que se va a producir por caminos diferentes en una l ínea de
producción de un taller, en tal forma que el costo total de producción sea el mínimo
y que satisfaga los tiempos y características para los medios disponibles.
También tenemos el problema de proporcionar y asignar nuevos aviones a las
diversas tareas de transporte para minimizar los costos acumulados.
2.2.8. Diseño estructural

Los problemas en este campo implican la linealización de los principios de
ingeniería relacionados con la teoría del colapso plástico y del diseño estructural.
El problema de diseñar marcos planos en tal forma que el consumo de materiales
sea mínimo puede también formularse mediante un modelo lineal.
2.2.9. Análisis de trafico

Este problema tiene que ver con el asunto de la sincronización de los semáforos. La
formulación matemática del sistema de redes de calles implica el conocimiento de
los siguientes parámetros: ciclo total de los semáforos(rojo más verde); la fracción
del ciclo que permanece rojo en cada crucero, así como él numero de vehículos que
pueden moverse en ca da dirección en dicho crucero. El modelo puede manipular
fenómenos tales como la variación de velocidad promedio a lo largo del recorrido y,
en diferentes porciones de este, salidas y entradas de vehículos al mismo, variación
de la capacidad de transito co n intersección y dirección de flujo, la capacidad de
cada cuadra para contener vehículos estacionados, luces de tres vías y otras
programaciones especiales. El criterio para obtener un tiempo óptimo de
sincronización de los semáforos es que se minimicen el numero de retrasos.
2.2.10.Problema de transporte y teoría de redes.

El problema se plantea de la siguiente manera: consideremos una red, digamos
ferrocarriles, carreteras, comunicaciones en general; conectemos dos puntos dados
mediante un cierto numer o de puntos intermedios y, así, cada arco o enlace de la
red llevara un numero que represente su capacidad. Suponiendo la condición de
estados estable, encontrar el flujo máximo desde un punto a otro. Un método
simple de calculo, basado en el simplex, ha s ido desarrollado para resolver este
problema.
8
................................................................................................................................................................................................................................
2.3. LA PROGRAMACION LINEAL EN LA ECONOMIA
La investigación para la mejor solución, la máxima, la mínima o en general las soluciones

óptimas a una variedad de problemas ha entretenido e intrigado al hombre a través de las
edades. Euclides, en su libro III, se preocupo en encontrar las líneas rectas más cortas y
más largas que pudieran trazarse desde un punto hasta la circunferencia de un circulo, y en
su libro IV, describe como encontrar el paralelogramo de superficie máxima con un
perímetro dado. Sin embargo, el método de ataque riguroso a estos problemas mas
complicados, tuvo que esperar hasta que los grandes matemáticos de los siglos XVII y
XVIII desarrollaran los poderosos métodos del calculo y del calcul o de variaciones.. Con
estas técnicas podemos encontrar las soluciones máximas y mínimas a una amplia gama
de problemas de optimización..
En el campo de la economía es problema cotidiano el que se refiere a la distribución de

recursos limitados; por la simple enumeración de los casos en que se presenta ese
planteamiento, puede observarse que subyace en gran parte de la economía, tocando
capítulos o partes de ella, muy variados.
La distribución de recursos escasos es esencialmente un problema de decisió n, pues

implica la acción de preferir una alternativa de usos, entre una gama infinita de
posibilidades.
Además, para los fines que se persigue en cada caso y las limitaciones que impone la
escasez de los recursos, en muchas ocasiones es necesario sacrific ar una meta en aras de
otras.
Tales decisiones deben estar basadas en consideraciones teóricas y practicas que

proporcionen elementos suficientes para suponer que la decisión tomada es precisamente
la adecuada o que, cuando menos, figura entre las mejores .
La decisión que implica preferencia de una alternativa entre otras cualitativamente distintas
– vgr. Entre construir una casa o un hospital -, empieza a ser un motivo de investigación,
pero los resultados alcanzados se basan, a menudo, en criterios muy discutibles.
Otra cosa sucede cuando son cuantificables tanto las metas o fines perseguidos como los
recursos. En este caso, el problema de decisión puede resolverse a partir de criterios de
índole cuantitativa; por otra parte, la idoneidad de la decisión tomada para lograr un
determinado fin, es susceptible de medida y, por tanto, de calificación.
Gran parte de los problemas económicos cuantitativos de decisión tienen una solución
óptima. En verdad, el problema fundamental es la técnica que se debe aplica r para
determinar la solución idónea desde el punto de vista cuantitativo.
Se ha dicho que el principio económico fundamental es la obtención de un resultado

determinado con el mínimo posible de medios. Semejante principio es una norma general
que se tiene presente al decidir una asignación de recursos. Pero si bien se le tiene
presente, su aplicación origina problemas en su mayor parte no resueltos a la fecha.
Sin embargo, algo se ha adelantado en ese terreno. En la actualidad existen algunas
técnicas que, como conjunto permitirán alcanzar decisiones económicas sobre bases cada
vez mas científicas.
Dentro del esfuerzo para hacer mas científica la Economía, destacan los modelos
matemáticos. La aplicación de las Matemáticas a la Economía tiene ya una respet able
tradición: se debe a Cournot su adaptación primera. Desgraciadamente, las consecuencias
9
................................................................................................................................................................................................................................
de tal aplicación fueron lamentables: el aparente caos de la vida económica, llevo al

estudiosa a resumir los fenómenos en modelos matemáticos que eliminaban ciert as
características esenciales y que, en ultima instancia, deformaba la realidad hasta hacerla
tan parecida a los pájaros o animales convencionales del arte decorativo, de que hablaba
Marshall.
Los peligros que entraña la aplicación de los métodos matemá ticos a la economía han sido
denunciados con celo excesivo, aunque también con ciertas bases objetivas. De cualquier manera,
el abuso de las Matemáticas les creo tal desprestigio como método aplicable a la Economía, que el
grupo de técnicas surgidas durant e la segunda guerra mundial fue recibido con frío y hostilidad;
ahora bien su aportación a la solución de ciertos problemas económicos, trocó bien pronto la
hostilidad en respeto. En la actualidad puede afirmarse que las nuevas técnicas matemáticas
ocupan un lugar de honor en la Economía.
El grupo de técnicas a que nos referimos se conoce con el nombre de Investigación de

Operaciones, Investigación Operativa o Teoría de Decisiones. Su objetivo principal es la
determinación de soluciones optimas de los pro blemas económicos, mediante métodos
matemáticos y estadísticos. Aun cuando su campo de aplicación no es exclusivamente la Economía,
la mejor cosecha se ha logrado en él.
A tal grupo de técnicas pertenece la Programación Lineal. El problema que resuelve, e n su aspecto
general, es que se refiere a determinar la combinación de recursos que permita la obtención del
máximo producto. El adjetivo lineal deriva de la condición de que las relaciones implicadas sean de
primer grado o lineales.
Ya a primera vista pud e verse que se trata de una técnica que hace posible, científicamente, la
aplicación del principio fundamental en aquellos casos en que la expresión algebraica del problema
es un conjunto de relaciones lineales.
Aun cuando parezca demasiado restrictiva la condición de linealidad, las posibilidades de aplicación
son abundantes. Un ejemplo permitirá aclarar conceptos.
Es típico el caso de una empresa que produce varios artículos; supongamos, para simplificar la
exposición, que se trata de dos artículos que difieren solamente en calidad, y que la producción de
una unidad de cada uno de ellos necesita cierta cantidad de materias primas(diferentes
proporciones), y distinto tiempo de elaboración. Si se cuenta con una cantidad limitada de materias
primas y una capacidad de producción determinada, se trata de precisar el número de unidades de
cada articulo que se deberá producir para obtener los ingresos mas elevados posibles, dada la
limitación de los recursos y suponiendo conocidas las utilidades unitarias de cad a tipo de articulo.
En un problema de esta índole se pueden buscar diversas soluciones. Una de ellas seria fijar el plan
de producción siguiendo el criterio de producir la mayor cantidad posible de aquel articulo que
proporcione las mayores utilidades por unidad. Otro criterio para determinar el programa de
producción puede consistir en calcular las utilidades obtenibles de producirse el máximo posible de
cada articulo y optar por aquel que proporcione las mayores utilidades.
Debe hacerse notar aquí, que los planes de producción determinados con los criterios anteriores no
han de coincidir necesariamente con el plan optimo. Pero puede pensarse también en la posibilidad
de determinar el plan de producción buscando una combinación de los dos artículos que
proporcionen la máxima utilidad y, obviamente, será ese el criterio que se puede considerar mas
efectivo. Ahora bien, ¿cómo calcular semejante combinación si los planes posibles suelen ser
10
................................................................................................................................................................................................................................
numerosos?. Mas aun, suponiendo que se llegara a una solución que se considerara optima ¿puede
afirmarse que necesariamente es la mejor?
La combinación óptima puede determinarse por medio de la programación lineal. Una idea general
sobre el planteamiento nos aproximara mas a la naturaleza del problema.
Tenemos un objetivo, que es la maximización de las utilidades. Ahora bien, tales utilidades
dependen del numero de unidades que de cada articulo se produzcan, por lo que es posible
expresarlas como la suma de la utilidad unitaria de cada articulo multiplicada por el número de
unidades que se produzcan de él. La expresión algebraica de las utilidades será una función, y si,
cualquiera que sea la cantidad producida de un articulo, su utilidad unitaria es constante, esa
función será de primer grado o lineal.
Nuestro objetivo, por tanto, es obtener el máximo valor de la función de utilidades, es decir
maximizar la función. Pero dicho máximo esta restringido por las limitaciones de materias primas y
de capacidad de producción; por ello decidimos que se trata de obtener un máximo co ndicionado.
Analicemos las condiciones o restricciones. Si disponemos de una cantidad determinada de
materias primas para la producción, resultara obvio que lo requerido para un plan de producción
posible deberá ser igual, cuando más, a la suma disponible. Dicho de otro modo, la cantidad de
materias primas utilizadas deberá ser igual o menor que la cantidad disponible de ellas. Pero, en
sentido matemático, esto equivale a una desigualdad. A igual conclusión se llega al plantear la
restricción de capacidad.
El problema desde el punto de vista matemático, consiste en obtener el valor máximo de una
función condicionada por desigualdades. Empero, lo que se ha dicho para el caso de las utilidades o
el producto, es valido también para conceptos como costos; sin embargo, en ese caso, el objetivo
será minimizarlos.
El ejemplo que hemos utilizado en los renglones anteriores es demasiado simple. La realidad esta
compuesta por fenómenos que implican el manejo de una gran cantidad de variables en muchas
ocasiones; por lo tanto, la solución manual de un problema de programación lineal implica un
trabajo excesivo y muchas veces antieconómico. Empero, esta limitación ha dejado de existir desde
el momento en que surgieron las computadoras, las cuales han abierto nuevas po sibilidades para la
solución de problemas económicos.
El empleo de las computadoras es imprescindible cuando se pretende resolver problemas que
impliquen gran numero de operaciones o cuyo proceso de solución es iterativo, como es el caso de
la Programación Lineal.
La Programación Lineal se aplica a problemas de desarrollo, donde es necesario el manejo de una
gran numero de ecuaciones e incógnitas.
El descubrimiento de la programación lineal ha repercutido en la Teoría Económica, al haber

introducido nuevos conceptos tales como “proceso” y “programa”, lo cual da un enfoque realista de
la empresa.
En las dos ultimas décadas , se ha originado una nueva clase de problemas de optimización
relacionadas con las estructuras complejas de organizaciones propias de la sociedad moderna.
Para el economista la parte más importante de la Programación Lineal es la representada por la

exposición del problema en forma matemática, pues ello le permite conocer su naturaleza y
determinar el método que lo resuelve.
11
................................................................................................................................................................................................................................
CAPITULO III
PROGRAMACION LINEAL
3.1. DEFINICION
La programación lineal es una técnica de optimización que consiste en la maximización o
minimización de una función lineal, llamada función objetivo o función económica, sujeta a
restricciones también lineales.
El adjetivo lineal deriva de la condición de que las relaciones implicadas sean de primer
grado.
El criterio de optimización es por lo general un objetivo económico. Por ejemplo: las

ganancias, las capacidades, los requerimientos, etc. son funciones que se deben maximizar;
en cambio los costos, las perdidas, los accidentes, etc. son funciones que se deben
minimizar.
3.2. MODELO DE PROGRAMACION LINEAL

El modelo de un programa lineal tiene la siguiente forma:
Max o Min (Z) = c 1x1 + c2x2 + ..........+ c nxn (1)
Sujeto a las restricciones estructurales:

a i1 x1 + a i2 x2 + .....+ a in xn = bi i=1,m (2)

y las restricciones de no negatividad

xj 0 j=1,n (3)
En las ecuaciones anteriores: a ij , b i y cj son valores que se asumen conocidos y el

problema consiste en hallar los valores de los x j que optimicen la función (1) sujeta a las
restricciones (2) y (3).
Las variables x j se llaman variables de decisión.
Por consiguiente un modelo de programación lineal tiene 3 componentes:
 Una función objetivo como se indica en (1)
 Un conjuntos de restricciones estructurales como se indica en (2)
 Un conjunto de restricciones de no -negatividad de las variables de decisión, como se
indica en (3)
Un programa lineal puede ser expresado de la siguiente forma:

n
Max o Min (Z) =  cj xj
J=1
Sujeto a:
n 
 a ij x j = b i i=1,m
J=1 
X j 0 j=1,n
12
................................................................................................................................................................................................................................
el programa lineal también puede ser expresado utili zando la notación matricial:
Max o Min (Z) = C t X

s.a.

AX = B

X 0
Donde:
c1 x1 b1 a11 a12 .......... a1n

c2 x2 b2 a21 a22 .......... a2n
C= . X= B= A= ………………………
........................
cn xn bm a m1 am2 ........... amn
3.3. FORMULACION DEL MODELO DE PROGRAMACION LINEAL .

Para formular el modelo es necesario estudiar el sistema t eniendo en cuenta los objetivos
que se persigue alcanzar. Por lo general, se asume que el sistema satisface ciertas
condiciones, para que pueda ser modelado mediante un programa lineal.
La formulación del modelo de PL consiste en determinar el valor de lo s coeficientes a ij, b i ,

c j y expresar el modelo en una de las formas del modelo de PL.
Cabe indicar que formular y modelar un Programa Lineal no son cosas equivalentes. En
particular, la formulación del Programa Lineal procede solamente después de la
modelación.
A continuación se presentan algunas aplicaciones de programación lineal, donde el objetivo

es formular el programa lineal correspondiente; ya que los métodos de solución sé
discutirán posteriormente.
3.4. SOLUCION DE UN PROGRAMA LINEAL
El proceso de solución de un programa lineal empieza cuando este ha sido formulado

correctamente, y consiste en aplicar un método o una técnica de solución para hallar el
vector X que optimice la función objetivo, sujeta a las restricciones estructurales y a las
restricciones de no-negatividad.
Un programa lineal puede ser resuelto mediante un método gráfico, o en forma analítica
según la complejidad del problema. La aplicación de un método analítico implica el uso de
cierto algoritmo de calculo.
Existen muchos métodos analíticos para solucionar un programa lineal, sin embargo él mas
utilizado debido a su eficiencia computacional es el Método simplex.
3.5. FORMULACION DE PROBLEMAS
En esta parte, los pasos de formulación que se presentaron en la sección anterior se

aplican a problemas de complejidad variable. También haremos hincapié en las nuevas
técnicas, útiles en la identificación de las variables, los datos, la función objetivo y las
restricciones.
13
................................................................................................................................................................................................................................
EJEMPLO 3.1.: PROBLEMA DE PLANEACION DE PRODUCCION

La Cia. ALFA fabrica artículos para el hogar y manufactura dos productos: A y B. Ambos sufren 3
procesos en el mismo orden que son:
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso es: 160,120 y 280 minutos respectivamente.
El producto A requiere 2, 1 y 4 minutos de maquinado, armado y montaje respectivamente;
mientras que el producto B, necesita 2, 2 y 2 minutos de maquinado, armado y montaje
respectivamente.
El gerente de producción debe decidir que cantidad de cada pr oducto debe manufacturarse con el
objeto de hacer el mejor empleo de los medios limitados de producción, sabiendo que la ganancia
por cada unidad del producto A es $10 y del producto B es de $15.
Solución:
Las variables de decisión son:

x1: número de unidades del producto A que se va a producir/semana
x2: número de unidades del producto B que se va a producir/semana
El programa lineal es:
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160
x 1 + 2x 2  120
4x 1 + 2x 2  280
x 1, x 2 0
Dos fabricas de papel producen 3 tipos diferentes de papel de bajo grado, medio grado y alto
grado. Se tiene un contrato de venta para proveer: 16 ton. De bajo gra do, 5 ton. De medio grado y
20 ton. De alto grado.
La fabrica 1, produce 8 ton de bajo grado, 1 ton de medio grado y 2 ton de alto grado en un día de
operación. La fabrica 2 produce 2 ton de bajo grado, 1 ton de medio grado y 7 ton de alto grado
por día de operación.
Los costos de operación son de $1000/dia para la fabrica 1 y de $2000/dia para la fabrica 2.
¿Cuantos días debe trabajar cada fabrica a fin de cumplir con el mencionado contrato de venta en
la forma más económica?
SOLUCION
Sean las variables de decisión:

x1 = número de días de trabajo de la fabrica 1
14
................................................................................................................................................................................................................................
Min (z) = 1000x 1 +2000x 2

s.a.
8x 1 +2x 2  16
1x1 +1x 2  5
2x 1 +7x 2  20
x 1, x2  0
PROBLEMA 3.3.: EJEMPLO DE POLITICA DE INVERSION
Un banco tiene $ 1 millón disponible para préstamos. Puede prestar dinero a empresas,
proporcionar hipotecas o conceder prestamos personales. Las políticas del banco limitan los
préstamos personales a un máximo del 25% de t odos los prestamos, mientras que los prestamos a
empresas no pueden exceder la cantidad de hipotecas.
También el banco quiere que los préstamos a empresas sean por lo menos 10% más que los
prestamos personales. Los interese promedio son: 12% en préstamos p ersonales, 10% en
préstamos a empresas y 8% sobre hipotecas. Los fondos que no se han prestado, se invierten en
valores a corto plazo al 5%. El banco quiere un programa para maximizar el interés.
Solución
Variables de decisión :
X 1 = prestamos personale s
X 2 = prestamos a empresas
X 3 = prestamos por hipotecas
X 4 = inversión en valores a corto plazo
Función objetivo
Max (z) = 0.12 x 1 + 0.10 x 2 + 0.08 x 3 + 0.05 x 4
Restricciones:
X 1 +x 2 + x 3 + x 4 = 1 000,000 ( capital de inversión)
X 1  0.25 (X 1 +x 2 + x 3) (prestamos personales)
X 2 x 3 (prestamos a empresas)
X 2  1.10 x 1 (prestamos a empresas)
Condición de no negatividad
X 1 ,x 2 ,x 3 ,x 4 0
15
................................................................................................................................................................................................................................
PROBLEMA3.4.: EJEMPLO DE POLITICA DE PRESTAMOS
Una institución financiera, ALFA BANK, se encuentra en el proceso de formular su política de

préstamos para el próximo trimestre. Para este fin se asigna un total de $ 12 millones. Siendo una
institución de servicios integrales, esta obligada a otorgar prestamos a diversos clientes. En la
siguiente tabla, se señala los tip os de prestamos, la tasa de interés que cobra el banco y la
posibilidad de que el cliente no cubra sus pagos, irrecuperables o incobrables, según se estima por
su experiencia.
Tipo de Tasa de Probabilidad de
préstamo interés incobrables
Personal 0.140 0.10
Automóvil 0.130 0.07
Casa 0.120 0.03
Agrícola 0.125 0.05
Comercial 0.100 0.02
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto no producen ingreso
por concepto de intereses.
La competencia con otras instituciones financieras del área requiere que el banco asigne cuando
menos el 40% de los fondos totales a préstamos agrícolas y comerciales. Para dar asistencia a la
industria de la habitación en la región, los préstamos para casa deben ser iguales cuando menos al
50% de los préstamos personales, para automóvil y para casa. El banco tiene asimismo una política
establecida que especifica que la relación global de pagos irrecuperables no puede ser superior a
0.04.
Solución:
Variables de decisión:
X 1: Prestamos personales en millones de $
X 2: Prestamos para automóviles.
X 3: Prestamos para casa.
X 4: prestamos agrícolas
X 5: prestamos comerciales
Función objetivo:
El objetivo es maximizar el rendimiento neto: diferencia entre ingreso por concepto de interes y los
fondos perdidos por adeudos no cubiertos. Como los adeudos no cubiertos son irrecuperables,
tanto el interés como el principal en la función objetivo es:
Max(z) = 0.14(0.9x 1) + 0.13(0.93x 2) + 0.12(0.97x 3) + 0.125(0.55x 4) + 0.1(0.98x 5)
- 0.1 x1 – 0.07 x 2 – 0.03 x 3 – 0.05 x4 – 0.02 x5

Restricciones
X1 + X2 + X3 + X4 + X5  12 (Fondos totales)
X + X5  0.4 (12) (prestamos comerciales y agricolas)
x3  0.5(X 1 + X2 + X3 ) (prestamos para casa)
0.1X1 + 0.07 X 2 +0.03 X 3 +0.05 X 4 + 0.02 X5
---------------------------------------------------  0.04 (limites sobre adeudos
X 1 + X2 + X 3 + X4 + X 5 no cubiertos)
O bien:
0.06X 1 + 0.03 X 2 - 0.01 X 3 + 0.01 X 4 - 0.02 X 5 0
16
................................................................................................................................................................................................................................
Condición de no negatividad ;
X ij 0
PROBLEMA 3.5.: EJEMPLO DE UN PLAN DE INVERSION
Un inversionista tiene perspectivas de invertir en dos actividades A y B, siendo el horizonte

económico de 5 años. Cada unidad económica invertida en A en el comien zo de cualquier año
produce una utilidad de $ 0.40, dos años mas tarde. Cada unidad monetaria invertida en B, en el
comienzo de cualquier año produce una utilidad de $ 0.70 tres años mas tarde. Además tiene otras
dos perspectivas: C y D para el futuro.
Cada unidad monetaria invertida en C en el comienzo del segundo año permite una utilidad de
$1.00 al fin de los 5 años. Cada unidad monetaria invertida en D en el comienzo del quinto año
produce una utilidad de $0.30.
El inversionista dispone de $ 10,000 y desea conocer el plan de inversiones que maximice sus
utilidades.
Solución:
Podemos esquematizar el plan de inversión de la siguiente manera:
Años 1 2 3 4 5 Utilidad
Actividad
0.40 X 1A
X 2A
A X 3A 0.40(x1A+x2A+X3A+x4A)
X 4A
0.70 X 1B
X 2B
B X 3B 0.70(x1B+x2B+x3B)
1.00 X 2C
C 0.10(x2C)
0.30 X 5D
D 0.30(x5D)
El capital requerido y la utilidad se invierte n en las diversas actividades del año correspondiente.
Variables de decisión
X i j: unidades monetarias invertidas en el i -ésimo período y la j-ésima actividad,
Función objetivo:
Max (z) = 0.40(x 1A+x2A+X3A+x4A) + 0.70(x 1B+x2B+x3B) + 0.10(x 2C) + 0.30(x 5D)
Restricciones :
Las restricciones son debido a la disponibilidad de capital en cada año.
Para el primer año
17
................................................................................................................................................................................................................................
X 1A + X1B  10,000
Para el segundo año:
X 2A +x 2B +X 2C +  10,000 - X 1A - X1B
Para el tercer año
X 3A +X 3B  10,000 - X1B - X 2A -X 2B - X 2C + 0.40 X 1A
Para el cuarto año:
X 4A  10,000 + X 1A -x 2B -X 2C -X 3A -X 3B + 0.40 x 2A + 0.70 X 1B
Para el quinto año:
X 5D  10,000 - x 2C -X 3B –X 4A +0.40 x 3A - 0.70 X 2B
condición de no negatividad
X ij  0 (variables no negativas)
PROBLEMA 3.6.: EJEMPLO DE INVERSION
Al gerente de cartera de la AFP “BUENA VIDA” se la ha pedido invertir $1’000,000 de un gran fondo
de pensiones. El departamento de investigación de inversiones ha identificado seis fondos mutu os
con estrategias de inversión variables, resultando en diferentes rendimientos potenciales y riesgos
asociados, como se resume en la siguiente tabla:
FONDO
1 2 3 4 5 6
Precio($/acción) 45 76 110 17 23 22
Devolución esperada (%) 30 20 15 12 10 7
Categoría de riesgo Alto Alto Alto Mediano Mediano Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diferentes fondos.
Para este fin, la administración de la AFP, ha especificado las siguientes pautas:
 La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y 75% de la
cartera.
 La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la
cartera.
 La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 50% de la
cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en
muchas alternativas diferentes. La gerencia de la AFP ha especificado que la cantidad invertida en
los fondos de alto riesgo 1,2 y 3 deben estar en la tasa 1:2:3 , respectivamente. La cantidad
invertida en los fondos de mediano riesgo 4 y 5 debe ser 1:2 .
Con estas pautas, ¿qué cartera debería usted, gerente de cartera, recomendar para maximizar la
tasa esperada de retorno?.
18
................................................................................................................................................................................................................................
Solución
X j : fracción de la cartera por invertir en el periodo j
Tasa esperada de rendimiento = rendimiento total esperado / cantidad invertida
Función objetivo:
Max(z) = 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6
Restricciones:
Por inversión
X1 + X2 + X3  0.50 (mínimo alto riesgo)
X1 + X2 + X3  0.75 (máximo alto riesgo)
X4 + X5  0.20 (mínimo mediano riesgo)
X4 + X5  0.30 (máximo mediano riesgo)
X6 0.05 (mínimo bajo riesgo)
Debido a las proporciones:
X2 = 2 X 1 - 2 X1 + X2 = 0 (proporción X 1 a X2 )
Agenda Total de cartera
X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
Condición de no negatividad:
Xj0 (j = 1,6)
19
................................................................................................................................................................................................................................
PROBLEMA 3.7.: EJEMPLO DE PROBLEMA DE ADMINISTRACIÓN DE CARTERA
Los socios generales de Gamma Tech, una compañía de inversión de capital de riesgo están
considerando invertir en una o más propuestas que han recibido de varios negocios empresariales.
El departamento de investigación ha examinado cada propuesta, y cuatro de los empresarios
cumplen con el requerimiento de Gamma Tech de lograr un rendimiento lo suficientemente alto
para el riesgo asociado. Estas compañías son: Bio Tech, Tele Comm, Laser -Optics y Compu-Ware.
El departamento de investigación de Gamma Tech también ha estimado el rendimiento total de
estos negocios en dólares actuales, dado en la última columna de la tabla si guiente:
PROYECTOS AÑO 1 AÑO 2 AÑO 3 AÑO 4 DEVOLUCION

Bio Tech 60 10 10 10 250
Tele Comm 35 35 35 35 375
Laser-Optics 10 50 50 10 275
Compu-Ware 15 10 10 40 140
Fondos para 90 80 80 50
inversión
Cada uno de los cuatro proyectos requiere inversione s de una cantidad conocida al principio de
cada uno de los siguientes cuatro años, como se muestra en la tabla. El departamento de
contabilidad de Gamma Tech ha preparado una estimación de los fondos totales que Gamma Tech
tiene para invertir a principios de cada uno de los siguientes cuatro años, que se da en la ultima fila
de la tabla. Observe que los fondos no usados de cualquier año no están disponibles para su
inversión en los años posteriores.
Cada uno de los socios generales de Gamma Tech, se le ha pedido hacer recomendaciones
respecto a cuales de estos proyectos elegir, si acaso, para invertir y lograr él mas alto rendimiento
total en dólares actuales. Ud. y los otros socios han acordado que Gamma Tech, en un esfuerzo por
diversificarse, no inverti rá conjuntamente en Tele -Comm y Laser-Optics, que están desarrollando
el mismo tipo de tecnología.
Solución:
Pregúntese que puede controlar libremente en este problema y se dará cuenta de que puede elegir
aceptar o rechazar cada una de las cuatro propuestas. Debe reconocer que estas decisiones
implican una decisión “si” ó “no”. Parece razonable entonces crear una variable entera para cada
proyecto de la siguiente manera
1 si Gamma debe invertir en el Proyecto j (j=1,4)

X j=
0 si Gamma no debe invertir en el Proyecto j
Función Objetivo:
Max (z)= 250X 1 + 375 X 2 + 275 X 3 + 140 X 4
Restricciones:
Fondos totales invertidos en los proyectos seleccionados
20
................................................................................................................................................................................................................................
60X1 + 35X2 + 10X3 + 15X 4  90 (año 1)
10X1 + 35X2 +50 X3 +10 X 4  80 (año 2)
10X1 + 35X2 + 50X3 +10 X 4  80 (año 3)
10X1 +35 X2 +10 X3 +40 X 4  50 (año 4)
Restricción de pauta de inversión
Recuerde que la administración ha decidido no invertir en Tele -Com y Laser-Optics a la vez. ¿Puede
usar las variables X 2 y X3 para escribir una restricción matemática apropiada?
Se necesita una restricción para asegurar que si X 2 es 1 , entonces X 3 es 0, y si X 3 es 1, entonces

X2 es 0 ( o de manera equivalente ambas variables no pueden tener el valor 1)
Una forma de lograr e sto es requerir que el producto de estas dos variables sea 0
X2 * X 3 0
Si una de las variables es positiva, la otra debe ser 0. Pensándolo un poco, puede darse cuenta de
que la siguiente restricción logra el mismo objetivo
X2 + X 3  1
Restricciones de no negatividad
X1 , X 2 , X 3 , X 4 = 0 ó 1
EJERCICIOS PROPUESTOS
1. Una estación de TV afronta el siguiente problema: se ha comprobado que el programa A con 20
minutos de música y 2 minutos de comerciales interesa a 30,000 televidentes, mientras que el
programa B con 10 minutos de música y 1 minuto de comerciales interesa a 10,000 televidentes. El
auspiciador de los programas insistió en que por lo menos se dedique 6 minutos de propaganda por
semana, mientras que una estación de TV no puede dedicar ma s de 80 minutos semanales para
música.
¿Cuántas veces por semana debería ser presentado cada programa a fin de lograr el máximo
número de televidentes?
2. la Cía. ALFA produce ejes de automóviles y camiones para mercado nacional o internacional.
Cada eje debe pasar por dos procesos de manufactura: moldeado y acabado.
Cada eje de automóvil requiere 16 unidades de moldeado y 10 unidades de acabado, mientras que
un eje de camión requiere 24 unidades de moldeado y 20 de acabado. Semanalmente se dispone
de 480 unidades de moldeado y 360 de acabado. La demanda de sus ejes es tal que la Cía. Puede
vender todo lo que produce. ALFA obtiene un beneficio de $50 por cada eje de automóvil y $60 por
cada eje de camión.
Además ALFA tiene un contrato con la Beta Motor Co. Por el cual debe entregar 12 ejes de
automóvil y 8 de camión semanalmente.
Dado los limites y requerimientos mencionados, ALFA desea saber que cantidad de ejes de
automóvil y de camión debe producir semanalmente para maximizar sus utilidades.
3. Un hombre que tiene $10,00 para invertir, esta considerando dos tipos de inversión: bonos y
acciones. Después de consultar con su corredor, el inversionista ha escogido dos bonos y dos
21
................................................................................................................................................................................................................................
acciones que le interesan particularmente. La utilidad promedio que puede espera r de las
inversiones es como sigue:
Tipo de inversión: Acción 1 Acción 2 Bono 1 Bono 2
Utilidad promedio: 5% 6% 3.5% 4%
Además su corredor le recomendó muy especialmente que invirtiera por lo menos $4,000 en bonos
y no más de $3,000 en la Acción 2. Este consejo es tomando en cuenta los éxitos financiero y los
riesgos que esta dispuestos a correr, de modo que el inversionista se atiene a estas limitaciones y
requerimientos.
Su objetivo es maximizar las utili dades bajo estas condiciones. ¿Cuál es el plan de inversión
óptimo?
4. Una pequeña planta fabrica 2 tipos de partes para automóvil, compra piezas fundidas que se
maquinan, taladran y pulen. Se proporciona los datos que aparecen en la siguiente tabla:
PARTE A PARTE B
CAPACIDAD DE MAQUINADO 25 por hora 40 por hora
CAPACIDAD DE TALADRO 28 por hora 35 por hora
CAPACIDAD DE PULIDO 35 por hora 25 por hora
Las piezas fundidas para la par te A cuestan $2 cada una; para la parte B cuestan $3. Se venden a
$5 y $6 respectivamente. Las tres tienen costos de operación de $20, $14 y $17.50 por hora.
Suponiendo que se puede vender cualquier combinación de partes A y B, ¿Cuál es la mezcla de
productos que maximiza la utilidad?
5. La Cia. Gamma vende 4 tipos de productos. En la siguiente tabla se dan los recursos requeridos
para producir una unidad de cada producto, y los precios de venta de cada producto.
PRODUCTO
1 2 3 4
MATERIA PRIMA 2 3 4 7
HORAS DE TRABAJO 3 4 5 6
PRECIO DE VENTA $4 $6 $7 $8
En la actualidad se dispone de 4,600 unidades de materia prima y 5,000 horas de trabajo. Para
satisfacer las demandas de los clientes, hay que producir exactamente 950 unidades en total. Los
clientes exigen que se produzcan por lo menos 400 unidades del producto 4.
¿Cuál seria el plan de producción óptimo a din de maximizar los ingresos de Gamma por las ventas?
6. La Cia. ALFA, vende rollos de papel para computadoras y cajas registradoras a

diversos vendedores al detalle. Sus rollos estándar tienen 20 pulgadas de ancho. Los
vendedores al detalle han hecho pedidos de 1050 rollos de 3 pulgadas de ancho; 2050
rollos de 5 pulgadas de ancho y 4050 rollos de 8 pulgadas de ancho. Estos son pedidos
únicos. Cualquier rollo sobrante de tamaño para el detalle se vende con descuento, lo
que provoca una perdida neta de $1 por cada rollo de 3 pulgadas, $1.50 por cada rollo
de 5 pulgadas y $2 por cada rollo de 8 pulgadas.
El desperdicio es reciclado a un cost o neto de $0.50 por pulgada.
Como gerente del departamento de producción, se le ha pedido como deben cortarse
los rollos para satisfacer la demanda especificada para los rollos de tamaño para venta
al detalle (con el mínimo desperdicio de papel, sabiendo que el máximo desperdicio
22
................................................................................................................................................................................................................................
aceptable de papel por rollo es de 2 pulgadas), a la vez que se minimice el costo total.
Formule un modelo de programación lineal para este problema.
7. La Compañía ALFA fábrica 3 productos de caucho: Airtex(material esponjoso),

Extendex(material elástico) y Resistex(material rígido). Los tres productos requieren
los mismos tres polímeros químicos y una base. La cantidad de cada ingrediente usada
por libra del producto final se muestra en la siguiente tabla:
INGREDIENTES(oz./lb de producto)
PRODUCTO POLIMERO POLIMERO B POLIMERO C BASE
A
Airtex 4 2 4 6
Extendex 3 2 2 9
Resistex 6 3 5 2
Alfa, tiene el compromiso de producir al menos 1000 lbs. De Airtex, 500 lbs. De
Extendex y 400 lbs. De Resistex para la próxima semana, pero la gerencia de la Cia.
Sabe que puede vender mas de cada uno de los tres productos.
Los inventarios actuales de los ingredientes son: 500 lbs. De polímero A, 425 lbs. De
polímero B, 650 lbs. De polímero C y 1,100 lbs. De la base. Cada libra de Airtex
produce a la Cia. Una ganancia de $7, cada libra de Airtex una ganancia de $7 y cada
libra de Resistex una ganancia de $6. Como gerente del departamento de producción,
usted necesita determinar un plan de producción óptimo para esta semana.
8. .La Beta Oil Company, cerca de Lima, suministra gasolina a sus distribuidores en
camiones. La compañía recientemente recibió un contrato para iniciar el suministro de
800,000 galones de gasolina por mes a distribuidores del Departamento de La
Libertad. La compañía tien e $500,000 disponibles para crear una flota consistente en
tres tipos diferentes de camiones. En la siguiente tabla se muestra la capacidad
relevante, costo de compra, costo operativo y número máximo de viajes por cada tipo
de camión.
TIPO DE CAPACIDAD COSTO DE COSTO DE MAXIMO DE

CAMION (galones) COMPRA($) OPERACIÓN($/mes) VIAJES/MES
1 6000 50,000 800 20
2 3000 40,000 650 25
3 2000 25,000 500 30
Sobre la base del mantenimiento y la disponibilidad de conductores, la compañía no

desea comparar más de 1 0 vehículos para su flota. Asimismo, la compañía desearía
asegurarse que se compren al menos tres de los camiones Del tipo 3 (que se requieren
para su uso en las rutas de trayecto corto/baja demanda). Finalmente, la compañía no
desea que más de la mitad de la flota sea de camiones Del tipo 1. Como gerente de
operaciones, formule un modelo para determinar la composición de la flota que
minimice los costos operativos mensuales al tiempo que satisfaga la demanda, no
saliéndose Del presupuesto y satisfaciendo l os requerimientos de las otras compañías.
9. La Cia. Gamma dirige sus gastos de venta en diversos rubros con el objeto de producir ventas.
Uno de los tipos de actividad que es efectiva es la Conferencia Regional de Ventas. Existen 6
regiones (designadas I a VI) en las cuales estas conferencias toman lugar semanalmente y en
algunas mensualmente. Cada una de las conferencias puede ser de un día completo o de mediodía.
Existe un costo por persona y un resultado esperado de ventas para cada uno de estos tipos de
23
................................................................................................................................................................................................................................
conferencias. Los tipos de conferencias disponibles, sus costos y sus ventas resultantes se listan a
continuación.
Conferencias de Ventas Costo($) Ventas

resultantes($)
Mensual I - Todo el día 120 13,500
Semanal II - Todo el día 130 21,500
Semanal II - Mediodía 80 11,500
Semanal III - Todo el día 60 7,500
Mensual IV - Todo el día 100 11,800
Mensual IV - Mediodía 60 9,500
Semanal V - Todo el día 200 22,000
Semanal VI - Todo el día 600 97,000
Semanal VI - Mediodía 350 50,000
Además de estas actividades, un comercial de tv que cuesta $1,250 debe producir $118,500 en
ventas.
Un anuncio en un grupo de periódicos locales costará $330 y producirá $57,000 en ventas.}
Finalmente, el tener abierta una oficina de consultas durant e un día costará $180 y producirá
$23,800 en ventas.
A la Cia. Le gustaría maximizar sus ventas manejando sus gastos de venta, pero desea mantener
algunas restricciones. El plan fue cubrir un período de 6 meses y para ese periodo el presupuesto
de gastos de ventas es $52,500. Se decidió que al menos la mitad del presupuesto debía ir a las
conferencias semanales y mensuales de ventas. Al menos una persona debía ser enviada a la
semanal VI y mensual I (días completos).
El comercial de tv. Debe ser usado al m enos una vez, además no debe enviarse mas de una
persona a las conferencias Mensual IV como a la semanal II (días completos)
Explique la distribución óptima de los gastos de venta. ¿Qué restricciones esta considerando?
24
................................................................................................................................................................................................................................
CAPITULO IV
SOLUCION DE UN PROGRAMA LINEAL
El proceso de solución de un Programa lineal empieza con el problema expresado en

su forma general y consiste en aplicar un método de solución para hallar el vector x
que optimice la función objetivo, sujeta a la restricciones estructurales y a las
condiciones de no negatividad de las variable de decisión.
La solución puede ser hallada mediante el método gráfico o geométrico, o en forma

analítica, dependiendo de la complejidad del problema. Dentro de los métodos
analíticos el mas usado debido a su eficiencia computacional es el método simplex.
4.1. METODO GRAFICO O GEOMETRICO
Este método tiene la ventaja de ser fácilmente comprensible y además permite

visualizar alguna propiedades de un programa lineal.
En este capitulo se examinar an los programas lineales con dos variables desde un
punto de vista geométrico.
Aun cuando los problemas del mundo real tienen muchas variables y no pueden
resolverse geométricamente, las ideas ganadas al resolver gráficamente problemas
de dos variables pr oporciona una clara comprensión de cómo resolver
algebraicamente problemas de tres o mas variables que es el método usado con
computadoras. Este método es útil no solo para encontrar una solución optima,
sino también para obtener información adicional sobr e cuan susceptible es la
solución óptima con respecto a los cambios en los datos del problema(sensibilidad).
Ejemplo 4.1. : PROBLEMA DE PLANEACION DE PRODUCCION
La Cia. ALFA fabrica artículos para el hogar y manufactura dos productos: A y B.

Ambos sufren 3 procesos en el mismo orden que son:
- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso son: 160,120 y 280

minutos respectivamente.
El producto A requiere 2, 1 y 4 minutos de maquinado, armado y montaje

respectivamente; mie ntras que el producto B, necesita 2, 2 y 2 minutos de
maquinado, armado y montaje respectivamente.
El gerente de producción debe decidir que cantidad de cada producto debe
manufacturarse con el objeto de hacer el mejor empleo de los medios limitados
de producción, sabiendo que la ganancia por cada unidad del producto A es $10
y del producto B es de $15.
Solución:

x1: número de unidades del producto A que se va a producir
25
................................................................................................................................................................................................................................
x 2: número de unidades del producto B que se va a producir
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160
x 1 + 2x 2  120
4x 1 + 2x 2  280
x 1 ,x 2 0
4.1.1. Gráfica de las restricciones de un Programa Lineal.
En primer lugar hay que gr aficar las restricciones. Para determinar que
valores de x 1 y x 2 satisfacen las restricciones considere una restricción
a la vez.
Cada restricción presenta ciertos valores de x 1 y x 2 que satisfacen la
restricción. Estos valores se denominan valores factibles. Aquellos
valores que no satisfacen la restricción se llaman valores infactibles.
Si consideramos la restricción 2x 1 + 2x 2  160 , como una ecuación, es

decir: 2x 1 + 2x 2 = 160, entonces esta representaría una recta en el
plano cartesiano, p ero como el signo es de desigualdad la restricción
representará a uno de los semiplanos en que queda dividido el plano
cartesiano.
Esta recta tiene como puntos:
x 1 = 0 , x 2 = 80 punto (0,80)
x 2 = 0 , x 1 = 80 punto (80,0)
X2 Gráfica 1
100 -
80 -
60 -
40 -
20 -
l l l l l x1
20 40 60 80 100
26
................................................................................................................................................................................................................................
L1
La recta L1 : 2x 1 + 2x 2 = 160 corta al plano en dos semiplanos. Donde uno contiene

todos los punto que cumplen con la condición de 2x 1 + 2x 2  160 (valores factibles) ,
es decir la zona rayada.
Cabe hacer notar que solamente se hace uso del primer cuadrante, debido a la
condición de no negatividad de las variables de decisión.
Aplicando los mismos conceptos a la segunda y tercera restricción y superp oniendo las
tres gráficas, tenemos que la zona en la cual se cumplen simultáneamente las tres
restricciones, es la región rayada, tal como se indica en la siguiente gráfica:
Gráfica 2
140 -
120 -
100 -
80 -
60 -
40 -
20 -
l l l l l l x1
20 40 60 80 100 120
Se observa que cualquier punto dentro de la región sombreada cumple

simultáneamente con las tres restricciones y con la condición de no negatividad.
El problema consiste en maximimizar la función objetivo Z = 10 x 1 + 15 x 2 sobre la

región sombreada de la gráfica 2; esto procede de la siguiente manera:
Sea Z = 0, entonces la pendiente de la función objetiva es:
m=x 2 /x 1 = - 10 / 15
Por lo tanto, la función objetivo, z , representa una familia de rectas paralelas con
pendiente m = - 10/15, tal como se muestra en la gráfica 3:
27
................................................................................................................................................................................................................................
Gráfica 3
140 -
120 -
100 -
80 -
60 -
40 -
20 -
l l l l l l x1
20 40 60 80 100 120
z=0 z=1000
La recta 10 x 1 + 15 x 2 = 1000 de la gráfica 3, representa el máximo val or de la

función z, sujeta a las restricciones del problema propuesto.
La recta z=1000 y la región sombreada tienen un punto común, cuyas coordenadas
son:
x 1 = 40 y x 2 = 40
Este punto representa la solución del problema y el óptimo de la función o bjetivo es z
= $1000.
Sobre la base de este problema, es interesante hacer algunas definiciones inherentes a

la solución de un programa lineal.
Gráfica 4
140
120 -
100 -
80 -
60 -
40 -
20 -
l l l l l l x1
20 40 60 80 100 120
28
................................................................................................................................................................................................................................
Región Factible:
Es aquella que cumple con todas las restricciones y las condiciones de no negatividad.
En nuestro ejemplo , la región sombreada de la gráfica 4 representa la región factible.
La RF, se caracteriza por ser convexa.
Solución Factible:
Es cualquier punto situado en la región factible.
Solución Básica:
Es aquella que se halla en la intersección de rectas o hiperplanos o en la intersección
con los ejes coordenados. Para nuestro ejemplo, los puntos 1,2,3,..... y 10 de la
gráfica 4 son soluciones básicas.
En un sistema donde existen n variables y m restricciones, una solución básica se

obtiene haciendo (n -m) variables iguales a cero y los valores delas variables restantes
se determinan resolviendo las m ecuaciones con m variables.
Las m variables se llaman variables básicas (no negativas).
Para nuestro ejemplo, en el programa lineal formulado, agregamos varaibles de
holgura para convertir la restricción del tipo  a una restricción del tipo = .
Se agregan tantas variables de holgura co mo restricciones del tipo  existan.

Nuestro programa quedaría así:
Max Z = 10 x 1 + 15 x 2 +0x 3 +0x 4 +0x 5

s.a.
2x 1 + 2x 2 +x 3 = 160
x 1 + 2x 2 + x 4 = 120
4x 1 + 2x 2 x 5 = 280
x 1 ,x 2 ,x 3 ,x 4 ,x 5 0
En este caso:
n=5 y m=3
Se obtiene una solución básica haciendo (5 – 3 = 2) variables iguales a cero.

Sea : x 1 = x 2 = 0 (variables no básicas)
Por consiguiente: x 3 = 160

x 4 = 120 variables básicas
x 5 = 280
Esta solución corresponde al punto 1 en la gráfica 4.
29
................................................................................................................................................................................................................................
Solución Básica Factible:
Es una solución básica que pertenece a la región factible.

En nuestro ejemplo, los puntos: 1,2, 5,7 y 8 de la gráfica 4 son soluciones básicas
factibles.
Solución Básica Factible Degenerada:

Es una solución básica factible en la que una o más variables básicas toman el valor
cero.
Si todas las variables básicas son positivas, se tendrá una solución básica factible no
degenerada.
Solución Optima:
Es la solución factible que optimiza la función objetivo(según sea el caso).
Tanto la región factible como la solución óptima de un programa lineal gozan de ciertas
propiedades, cuya aplicación facilita el trabajo de calcular el punt o óptimo.
Entre estas tenemos:
 Existe un punto extremo del poliedro convexo en el cual la función objetivo es

optimo.
 Cada solución básica factible corresponde a un punto extremo del poliedro convexo.
De lo expuesto, tendríamos únicamente que investiga r los puntos extremos del

poliedro convexo y buscar aquel punto que proporcione el mayor (o menor0 valor de
para la función objetivo y tendremos así la solución optima.
En nuestro ejemplo, los puntos extremos que forman la región factible son las
soluciones básicas factibles:
s.b.f. x ,x2
1 z
1 (0,0) 0
2 (0,60) 900
3 (40,40) 1000
4 (60,20) 900
5 (70,0) 700
Se observa que el valor de z mas alto es el que le corresponde al punto 3, que vendría
a se la solución óptima
.
x 1 = 40 y x 2 = 40 Z max = $1000
30
................................................................................................................................................................................................................................
4.2. PROGRAMAS LINEALES CON PROPIEDADES GEOMETRICAS ESPECIALES
Como se vio anteriormente, en un programa lineal con dos variables, la solución

optima ocurrió en un punto extremo de la región factible. A continuación se verán
ejemplos de programas lineales para los cuales éste no es el caso. También
conocerá lo que ocasiona estas excepciones y como interpretarlas.
4.2.1. Programas lineales infactibles
Para examinar un tipo de excepción, supongamos que Ud. es el jefe de

producción de la empresa ALFA, y que el jefe de ventas le informa que desea
firmar un contrato a largo plazo para proveer 60 unidades del producto A cada
día. Para deducir un plan de producción semanal que satisfaga este
requerimiento de ventas, usted ha modificado la formulación del programa
lineal del ejemplo 4.1, añadiendo la siguiente restricción: x 1  80
Max (z)= 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160 (1)
x 1 + 2x 2  120 (2)
4x 1 + 2x 2  280 (3)
x1  80 (4)
x 1, x 2  0
El resultado de añadir la nueva restricción(4) se ilustra en la gráfica 4.5
Gráfica 4.5
x2
140 - C
120 - (3)
(4)
100 -
80 - B
60 - A
D
40 - E
I
20 - F
G H J
l l l l l l x 1
20 40 60 80 100 120
(1) (2)
31
................................................................................................................................................................................................................................
Como puede observar, no existen valores de x 1 y x 2 que satisfagan la nueva

restricción(4) y todas las anteriores restricciones. Esto significa, que con sus
actuales recursos, Alfa no puede satisfacer un acuerdo contractual para proveer
80 unidades del producto A por día.
Si se firma el contrato propuesto, Alfa necesita ra obtener recursos adicionales

para incrementar las capacidades de producción. La Gerencia, por tanto, tendrá
que tomar una decisión estratégica sobre el valor de esta inversión.
El programa lineal del ejemplo 4.2. se denomina programa lineal infactible,

lo que significa que ningún valor de las variables satisface las restricciones
simultáneamente, es decir, que no existe ninguna región factible. Para tales
problemas, no tiene caso tratar de obtener una solución óptima por que ni
siquiera podrá encontrar una solución factible.
Las causas más comunes para que un programa lineal sea infactible son:
 Un error en la formulación del problema.
 La forma de capturar los datos en la computadora
 Cuando las restricciones son demasiado restrictivas.
4.2.2. Programas lineales ilimitados
Considere otro ejemplo de un programa lineal cuya solución no ocurra en un

punto extremo de la región factible.
Ejemplo 4.3. un programa lineal ilimitado
Max (z) = 2x 1 + 2x2

s.a.
x1 – x2  1 (1)
-1/2 x1 + x2  2 (2)
x 1, x 2  0 Gráfica 4.6
x1
3 - (2)
2 -
(1)
1 -
¡ ¡ ¡
1 2 3 x2
32
................................................................................................................................................................................................................................
Se dice que tal problema es un programa lineal ilimitado, lo que significa que la
función objetivo puede mejorarse indefinidamente, esto es, que existen valores
factibles de las variables que pueden hacer el valor de la función objetivo tan
grande como se desee en el caso de maximización (o tan chico como se desee
en el caso de minimización).
El problema tiene una solución no acotada.
4.2.3. Programas lineales con soluciones optimas a lternativas
Alguno programas lineales tienen más de una solución óptima. Cada solución
óptima se denomina solución óptima alternativa . Tener soluciones óptima
alternativas significa solamente que existen diferentes valores factibles para las
variables que producen el mismo mejor valor de la función objetivo. Todas las
soluciones óptimas son iguales en cuanto a que, por definición son las mejores.
Sin embargo, es posible que usted prefiera una de estas soluciones óptimas
alternativas sobre las demás por alg una razón secundaria, tal vez por que una
solución sea más fácil de poner en práctica que las otras.
Ejemplo 4.3. Un programa lineal con solución óptima alternativa
Max (z) = 2 x 1 + 4 x 2
s.a.
2x 1 + x 2  230 (1)
x 1 + 2x 2  250 (2)
x 2  120 (3)
x1,x2 0
La solución gráfica de este problema se ilustra en la gráfica 4.6.
Gráfica 4.7
X2
300 -
200 - (1)
(3)
100 -
‘ ‘ ‘ x1
100 200 300
(2)
33
................................................................................................................................................................................................................................
Punto extremo (x 1, x 2) Z
A (0,0) 0
B (115,0) 230
C (70,90) 5 00
D (10,120) 500
E (0,120) 480
34
................................................................................................................................................................................................................................
CAPITULO V
EL METODO SIMPLEX
En él capitulo anterior se desarrollo la parte relacionada a como resolver p roblemas de

programación lineal con dos variables de manera gráfica. Cuando se hayan implicadas
mas de tres variables, este enfoque no es posible. Además, los programas lineales del
mundo real se resuelven con la ayuda de computadoras, que utilizan álgebra lineal,
no-geometría. En este capitulo desarrollaremos el método simplex, un método
algebraico para resolver todos los problemas de programación lineal.
El método simplex prevee un sistema rápido y efectivo para resolver problemas de

programación lineal. Es la técnica empleada en las aplicaciones prácticas y permite
resolver una gran cantidad de problemas de real importancia industrial.
Este método llega a la solución óptima por medio de iteraciones o pasos sucesivos,
utilizando los conceptos básicos del álgebra matricial, para determinar la intersección
de dos o mas líneas hiperplanas. Comienza con alguna solución factible, y
sucesivamente obtiene soluciones en las intersecciones que ofrecen mejores funciones
de la función objetivo.
Finalmente, este méto do proporciona un indicador que determina el punto en el cual se
logra la solución óptima.
5.1. PROCEDIMIENTO
5.1.1. CASO DE MAXIMIZACION
Dado el siguiente programa lineal en forma general:
Max (z) = c 1x1 + c2x2 + .........+ c nxn

s.a.
a11x1 + a12x2 + .......+ a 1nxn  b1
a21x1 + a22x2 + .......+ a 2nxn  b2
.................................................
................................................
am1x1 + am2x2 + .......+ a mnxn  bm
x j  0 (j=1,n)
En este programa, se observa que todas las restricciones son del tipo “ 
“. Para la aplicación del método simplex, todas las restricciones del
programa tienen que convertirse a la forma “=”, es decir a la forma
estandarizada de un programa lin eal (función objetivo de maximización,
restricciones estructurales del tipo , y las variables de decisión solo
admiten valores positivos).
Para lograr esto se introducen las llamadas variables de holgura, una por
cada restricción del tipo  que exista, de la siguiente manera:
Max (z) = c 1x1 + c2x2 + .........+ c nxn + 0 x n+1 +0 x n+2+...+0 x n+m

s.a.
a 11x1 + a 12x2 + .......+ a 1nxn + x n+1 = b1
a21x1 + a 22x2 + .......+ a 2nxn + x n+2 = b2
.................................................
35
................................................................................................................................................................................................................................
................................................
am1x1 + am2x2 + .......+ a mnxn +x n+m = bm
x j  0 (j=1,n+m)
Cabe indicar que las variables de holgura son no negativas. Además, en la función
objetivo, los coeficientes asociados a estas variables tomas el valor cero, ya que no
deben afectar el valor de la función en caso de ser positivas. Así mismo en l as
restricciones estructurales, los coeficientes de las variables de holgura son 1 y positivo.
Si al resolver el programa lineal, se halla que la variable de holgura es cero, nos indica
que los recursos correspondientes a dicha restricción se han agotado, es decir se ha
ocupado la totalidad de los recursos.
Por otro lado, si el valor de la variable de holgura es mayor que cero, entonces el
recurso correspondiente no es realmente limitante, y si la producción no puede ser
incrementada, esto se deberá a la l imitación impuesta por otros recursos.
Si el resultado final fuese de un valor positivo, nos indica que están sobrando recursos
en la restricción correspondiente.
EJEMPLO 5.1. PROBLEMA DE PLANEACION DE PRODUCCION
La Cia. ALFA fabrica artículos para el h ogar y manufactura dos productos: A y B.

- Maquinado
- Armado
- Montaje
La disponibilidad de minutos diarios de cada proceso es: 160,120 y 280 minutos

respectivamente.
respectivamente; mientras que el producto B, necesita 2, 2 y 2 minutos de

manufacturarse con el objeto d e hacer el mejor empleo de los medios limitados de
producción, sabiendo que la ganancia por cada unidad del producto A es $10 y del
producto B es de $15.
Solución:
x2: número de unidades del producto B que se va a producir
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160
x 1 + 2x 2  120
4x 1 + 2x 2  280
36
................................................................................................................................................................................................................................
x 1, x 2 0
Convirtiendo las restricciones a la forma “=”, se introducirán 3 variables de holgura,

una por cada restricción del tipo “ ”, con lo cual el programa lineal queda de la
siguiente manera:
Max Z = 10 x 1 + 15 x 2 + 0 x 3 +0x 4 +0x 5

s.a.
2x 1 + 2x 2 + x 3 = 160
x 1 + 2x 2 +x 4 = 120
4x 1 + 2x 2 +x 5 = 280
x 1, x 2 , x 3, x 4 x 5 0
En el programa, se observa que este tiene ahora 5 variables y solo 3 ecuaciones, lo

cual implica que 5 – 3 = 2 variables tienen que hacerse cero. Esto nos indica que en
este caso la solución optima estará compuesta por 3 variables básicas y 2 variable no
básicas.
Se observa también que las variables de holgura forman en su conjunto una matriz
identidad, ya que tienen una diagonal de unos, el cual es la condición del simplex en
cada solución básica factible a ser analizada. Y con la cual se empieza a aplicar el
método
El programa convertido, se presenta en la tabla del simplex de la siguiente manera:
Tablero Nº 1
cj 10 15 0 0 0
ci xk bi X1 X2 x3 x4 x5 
0 x3 160 2 2 1 0 0 80
0 x4 120 1 (2) 0 1 0 60
0 x5 280 4 2 0 0 1 140
Z 0 0 0 0 0 0
cj– zj 10 15 0 0 0
Del tablero 1,se tiene que:

En la primera fila, se colocan los coeficientes de las variables en la función objetivo.
En la segunda fila se distinguen las siguientes columnas:
c i : que representa los coeficientes asociados a las variables que están en la
base(variables básicas)
x k : que representa a las variables que están en la base(variables básicas)
b i : que representa al valor que asumen las variables básicas.
X 1 : que representa a los coeficientes de la variable X 1 en el programa lineal
En la penúltima fila, se distinguen dos valores:
37
................................................................................................................................................................................................................................
Z=  ci . bi el cual representa el valor de la función objetivo.

Z j =  ci . a ij
En la ultima fila, se encuentran las diferencias c j – z j, que nos indica:
 Si todas las variables presentan diferenc ias iguales a ceros o negativas, entonces
se ha llegado a la solución óptima. Generalmente esto no ocurre el primer tablero.
 Si al menos una o mas variables presentan diferencias positiva, eso implica que
existe una mejor solución, por consiguiente habrá que determinar la variable a
ingresar a la base. Esto se logra viendo que variable presenta una diferencia
positiva mayor.
En la ultima columna, del tablero se distingue la regla del mínimo de los :
Min  = min (bi / a ij) donde a ij >0
Esta regla permite determinar que variable debe salir de la base, a fin de que ingrese
otra variable para mejorar la solución. Para tal efecto la variable a salir será aquella
que tenga el menor valor de .
Del tablero 1 se ha obtenido la primera solución básic a factible donde las variables
básicas y sus valores correspondientes son:
x 3 = 160
x 4 = 120
x 5 = 280
Y las variables no básicas son:
x1=x2=0
Donde el valor de la función objetivo se calcula de la siguiente manera:
Z = 0x160 + 0x120 + 0x 280 = 0
El calculo de los Z j es de la siguiente manera:
Z 1 = 0x2 + 0x1 + 0x4 = 0

Z 2 = 0x2 + 0x2 + 0x2 = 0
Z 3 = 0x1 + 0x0 + 0x0 = 0
Z 4 = 0x0 + 0x1 + 0x0 = 0
Z 5 = 0x0 + 0x0 + 0x1 = 0
La fila c j – z j ser obtiene restando de cada elemento de la pri mera fila c j el

correspondiente elemento de z j. Esto se hace solamente para las variables que no
están en la base, ya que para las variables básicas la diferencia es cero.
c1 – z1 = 10 – 0 = 10
c2 – z2 = 15 – 0 = 15
c3 – z3 = 0–0= 0
c4 – z4 = 0–0= 0
c5 – z5 = 0–0= 0
Con esto se ha completado el tablero 1.
38
................................................................................................................................................................................................................................
Obtención de la segunda solución
Aquí vamos a analizar mas en detalle el significado de los coeficientes de

transformación.
Del tablero 1 se observa por ejemplo que x 1 no figura en esta solución y deseamos
saber que ocurre económicamente si ingresa x 1.
Si se introduce x 1, se reduce las cantidades de x 3, x4 y x 5 en la proporción indicada
por los coeficientes de x 1.
Por lo tanto, se deberá disminuir:
2 unidades de x 3
1 unidad de x4
4 unidades de x 5
¿Cómo se sabe si se gana o se pierde con el cambio?

Se calcula la influencia de introducir x 1 y de quitar unidades de x 3, x4 y x5.
Entonces se tiene que:
Beneficio de introducir una unidad de x 1 = $3 (valor dado por su coeficiente de
ganancia c j = c 1 = 3).
La reducción indirecta de la ganancia al eliminar unidades de

x3, x4 y x5 = 2x0 + 1x0 + 4x0 = $0, valor dado por z j = z 1 = 0
La ganancia neta del cambio es:

cj – z j = c 1 – z 1 = 3 – 0 = $ 3
Valor que se encuentra en el ta blero 1 en la fila c j – zj y columna de x 1.
Este valor de $3 se denomina costo de oportunidad y es lo que se deja de ganar al no

introducir x 1 en la solución.
Se aprecia en definitiva que c j – zj es en realidad un balance económico que analiza la

mejora potencial en la función objetivo que puede lograrse introduciendo x j, de donde
se desprende que:
z j = a lo que se pierde al introducir x j.
c j = a lo que se gana al introducir x j
Por lo tanto cuando se maximiza un problema, esto admite una solución m ejor,
siempre que haya un valor positivo de c j – zj.
Este paso que se acaba de explicar constituye el medio de conocer si la solución
obtenida anteriormente puede o no ser mejorada.
Elección de la variable que entra
Ahora bien, del tablero 1 se observa que hay dos variable que tienen diferencias
positivas, siendo x 2 la que tienen mayor valor, por consiguiente x 2 debe ingresar a la
base ya que proporciona la mayor ganancia y se denota en el tablero con una flecha
hacia adentro.
Elección de la variable que sale
Así mismo, la variable que deberá salir de la base para que ingrese x 2, será la variable
x 4, ya que presenta el menor valor de los , y se denota también en el tablero con
una flecha hacia fuera
39
................................................................................................................................................................................................................................
El valor de a ij que se encuentra en la intersec ción de la variable que sale con la

variable que entra (2), se llama elemento pivote y se encierra en un circulo.
En el tablero 2, la nueva base estará formada por x 3, x 2 y x 5

En la fila donde esta el elemento pivote(tablero 1), dicha fila se divide po r el elemento
pivote y el resultado se traslada a la fila correspondiente en el tablero 2.
Para completar las otras filas, se hará uso del pivoteo, mediante la siguiente formula:
Tablero Nº 2
cj 10 15 0 0 0
ci xk bi X1 X2 x3 x4 x5 
0 x3 40 (1) 0 1 -1 0 40
15 x2 60 1/2 1 0 ½ 0 120
0 x5 160 3 0 0 -1 1 53.3
Z 900 7.5 15 0 7.5 0
cj– zj 2.5 0 0 -7.5 0
Del tablero 2 se ha obtenido la segunda solución básica factible donde las variables
básicas y sus valores correspondientes son:
x 3 = 40
x 2 = 60
x 5 = 160
x1=x4=0
Donde el valor de la función objetivo es:
Z = 0x40 + 15x60 + 0x160 = $900
Obtención de la tercera solución

Del tablero 2, se observa que todavía no se ha llegado a la solu ción óptima en vista
que existe aun un cj – zj positivo.
Elección de la variable que entra

Puesto que solo existe una diferencia positiva en la fila de c j – zj, que corresponde a la
variable x 1, esta es la que ingresa a la base.
Elección de la variable q ue sale

Del tablero 2, se observa que la variable que tiene el mínimo de los  es la variable x 3
y por consiguiente esta variable sale de la base.
En el tablero 3, la nueva base estará formada por x 1, x 2 y x 5

En la fila donde esta el elemento pivote(ta blero 2), dicha fila se divide por el elemento
pivote y el resultado se traslada a la fila correspondiente en el tablero 3.
Para completar las otras filas del tablero 3, se hará uso del pivoteo.
40
................................................................................................................................................................................................................................
Tablero Nº 3
c 10 15 0 0 0
j
ci xk Bi X1 X2 x3 x4 x5
10 x3 40 1 0 1 -1 0
15 x2 40 0 1 -1/2 1 0
0 x5 40 0 0 -3 2 1
Z 1000 10 15 2.5 5 0
cj–zj 0 0 -2.5 -5 0
Como todas las diferencias de cj – zj son ceros o negativas, se ha llegado a la solución

óptima, donde las variables básicas y sus valores correspondientes son:
x 1 = 40
x 2 = 40
x 5 = 40
x3=x4=0
Donde el valor de la función objetivo es:
Z = 10x40 + 15x40 + 0x40 = $1000
En resumen, el resultado del tablero 3 nos indica que la Cia. ALFA, debe producir
diariamente 40 unidades del producto A y 40 unidades del producto B, lo que daría una
ganancia máxima de $1000.
Además nos indica que están sobrando 40 minutos de montaje por día(valor que
corresponde a la variable x 5 en la tercera restricción)
.
5.1.2. CASO DE MINIMIZACION
Cuando un programa lineal tiene restricciones del tipo “menor o igual que”( ) o
de limite mínimo y por consiguiente se desea convertir las desigualdades en
igualdades, entonces es necesar io sustraer variables en lugar de agregar variables de
holgura. A estas variables se les llama variables de exceso. Se sustraen tantas
variables de exceso como restricciones del tipo “menor o igual que” existan.
Las variables de exceso son no negativas y e l coeficiente de costo en la función
objetivo es cero.
EJEMPLO 5.2
Dos fabricas de papel producen 3 tipos diferentes de papel de bajo grado, medio grado
y alto grado. Se tiene un contrato de venta para proveer: 16 ton. De bajo grado, 5
ton. De medio grado y 20 ton. De alto grado.
La fabrica 1, produce 8 ton de bajo grado, 1 ton de medio grado y 2 ton de alto grado
en un día de operación. La fabrica 2 produce 2 ton de bajo grado, 1 ton de medio
grado y 7 ton de alto grado por día de operación.
Los costos de operación son de $1000/dia para la fabrica 1 y de $2000/dia para la
fabrica 2.
¿Cuantos días debe trabajar cada fabrica a fin de cumplir con el mencionado contrato
de venta en la forma más económica?
SOLUCION
Sean las variables de decisión:
41
................................................................................................................................................................................................................................

Min (z) = 1x 1 +2x2

s.a.
8x 1 +2x2  16
1x1 +1x2  5
2x 1 +7x2  20
x 1, x2  0
Se sustraen 3 variables de exceso:
Min (z) = 1x 1 +2x2 + 0x 3 + 0x4 + 0x 5

s.a.
8x 1 +2x2 - x3 = 16
1x1 +1x2 - x4 = 5
2x 1 +7x2 - x5 = 20
x 1, x2, x3, x4, x5  0
En esta parte del simplex, se observa que al hacer qu e las 2 variables estructurales
sean iguales a cero(x 1 = x2 =0) se tendría que:
x3 = -16
x3 = -5
x3 = -20
Lo cual viola la condición de no negatividad de las variables.
Para el caso de minimización, se propone una modificación a partir de esta etapa d el

simplex. Esta consiste en hacer que las variables estructurales puedan tomar un valor
nulo en las ecuaciones precedentes, en forma tal que las variables de exceso,
permaneciendo positivas, satisfagan dichas ecuaciones. Esto se logra introduciendo
además de las variables de exceso, las llamadas “variables artificiales”.
Representaremos a las variables artificiales por la letra  con un subíndice apropiado.

Estas variables también cumplen la condición de no negatividad.
Por consiguiente nuestro programa lineal original con la sustracción de las variables de
exceso y la adición de las variables artificiales quedaría de la siguiente manera:
Min (z) = 1x 1 +2x2 + 0x 3 + 0x4 + 0x 5 + M1 +M 1 +M1

s.a.
8x 1 +2x2 - x3 +1 = 16
1x1 +1x2 - x4 +2 = 5
2x 1 +7x2 - x5 +3 = 20
x 1, x2, x3,x4 ,x5, 1 , 2, 3  0
En este problema, las variables artificiales 1, 2 y 3 pueden interpretarse como

“número de días imaginarios”.
Cabe indicar que las variables de exceso y las variables artificiales no guardan
correspondencia con relación a su influencia en los costos. Es decir, mientras que las
variables de exceso tienen c oeficientes nulos de costos en la función objetivo, cada
42
................................................................................................................................................................................................................................
variable artificial recibe una asignación de costo igual a M, siendo M una cantidad
infinitamente grande. Esto asegura que estas variables no pueden tomar parte en
ningún caso en la solución óptima.
Si estuviésemos en un caso de maximización, el coeficiente asociado de beneficio de la

variable artificial recibe una asignación de –M, es decir un valor tan pequeño que la
variable correspondiente no tendría cabida en la solución.
Así mismo, se observa que las variables artificiales permiten obtener un inicio
conveniente y correcto para hallar la solución óptima aplicando el método simplex, ya
que estas variables se usan para formar o completar, según sea el caso la matriz
identidad.
Al aplicar el simpl ex a este problema, que corresponde a un caso de minimización, solo

hay que tener presente el punto relacionado con la variable que entra a la base, es
decir con c j – z j; esto por que mientras exista una diferencia de c j – z j negativa,
habrá una mejor solución. En el caso de que existan varias diferencias negativas, se
eligira a la variable que tenga la diferencia mas negativa.
En el problema, llega a la solución óptima cuando todas las c j – z j son ceros o positiva
Pasando al tablero simplex, se tien e que:
Tablero 1
cj 1 2 0 0 0 M M M
ci xk bi X1 X2 X3 X4 X5 1 2 3 
M 1 16 (8) 2 -1 0 0 1 0 0 2
M 2 5 1 1 0 -1 0 0 1 0 5
M 3 20 2 7 0 0 -1 0 0 1 10
Z 41M 11M 10M -M -M -M M M M
cj - zj 1- 2- M M M 0 0 0
11M 10M
Tablero 2
cj 1 2 0 0 0 M M M
ci xk bi X1 X2 X3 X4 X5 1 2 3 
1 X1 2 1 2/8 -1/8 0 0 1/8 0 0 8
M 2 3 0 6/8 1/8 -1 0 -1/8 1 0 4
M 3 16 0 (52/8 2/8 0 -1 -2/8 0 1 2.26
)
Z 2+19 1 2/8+ 1/8+ -M -M 1/8- M M
M 58/8 3/8M 3/8M
M
cj - z j 0 6/8 - -1/8 M M -1/8 0 0
58/8 + +
M 3/8M 11/8
M
43
................................................................................................................................................................................................................................
Tablero 3
cj 1 2 0 0 0 M M M
ci xk bi X1 X2 X3 X4 X5 1 2 3 
1 X1 72/52 1 0 -7/52 0 2/52 7/52 0 -2/52 36
M 2 60/52 0 0 5/52 -1 (6/52 -5/52 1 -6/52 10
)
2 X2 32/13 0 1 2/52 0 -8/52 -2/52 0 8/52
Z 328/5 1 2 -3/52 -M - 3/52 - 0 14/52 -

2 + 14/5 57M/5 58M/52
+60M 5M/5 2 2
/52 2 +6M/
52
cj - z j 0 0 3/52 M 14/5 -3/52 0 -
- 2- + 14/52+
5M/5 6M/5 57M/5 58M/52
2 2 2
Tablero 4
cj 1 2 0 0 0 M M M
ci xk bi X1 X2 X3 X4 X5 1 2 3
1 X1 3 1 0 -8/6 -1/6 0 8/6 1/6 0
0 X5 12 0 0 5/6 -1/6 1 -5/6 1/6 -1
2 X2 2 0 1 2/6 1/6 0 -2/6 -1/6 0
Z 7 1 2 -4/6 -1/6 0 4/6 1/6 0
cj - z j 0 0 4/6 1/6 0 M- M- M
4/6 1/6
La solución del problema es:

X1 = 3 días
X2 = 2 días
X5 = 12 tn.
Z = $7,000
Además, x3 = x4 = 0
Esto nos indica que para cumplir con el mencionado contrato de venta, la fabrica 1,
deberá trabajar 3 días, la fabrica 2 solo 2 días, lo cual nos dará un costo total de
operación mínimo de $7,000
44
................................................................................................................................................................................................................................
CAPITULO VI
PROGRAMACION LINEAL: USO DE LA COMPUTADORA
En el presente capitulo se exa mina como los que tienen que tomar decisiones utilizan
la computadora para resolver problemas con mucha variables y restricciones, y como
interpretan los resultados de la computadora para formular el plan óptimo.
Ahora que comprende la forma en que el a lgoritmo simplex soluciona los problemas de
programación lineal, puede confiar en la computadora para realizar los cálculos
detallados. Como pudo observar en el capitulo 5, el algoritmo simplex no solo produce
la solución óptima, sino que también proporcio na información económica adicional útil
en el proceso de toma de decisiones, como los valores de los precios sombra, costos
reducidos, intervalos de sensibilidad y análisis parametrico.
Todo el software para solución de programas lineales proporciona esta información.
6.1 USO DEL LINDO FOR WINDOWS

Sé hará uso del software de programación lineal llamado LINDO ( Linear, INteractive,
and Discrete Optimizer) para resolver y analizar un problema de programación lineal.
6.1.1. Definición del problema
La Cia. ALFA fabrica artículos para el hogar y manufactura dos productos: A y B.

- Maquinado
- Armado
- Montaje

respectivamente.


manufacturarse con el objeto de hacer el mejor empleo de los medios limitados de
6.1.2. Formulación del problema

La combinación de la función objetivo de maximizar la ganancia total y las tres

restricciones estipuladas en función de los recursos disponibles da como resultado el
siguiente problema de programación lineal:
45
................................................................................................................................................................................................................................
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160 maquinado
x 1 + 2x 2  120 armado
4x 1 + 2x 2  280 montaje
x 1, x 2  0
6.1.3. solución de computadora
El modelo de producción puede solucionarse usando cualquier paquete de software de

programación lineal disponible como lindo.
El primer paso es introducir los datos del modelo en el formato requerido por LINDO de
la forma como se muestra en la figura 6.1.
MAX 10 x 1 + 15 x 2
ST
2x 1 + 2x 2 < 160
x 1 + 2x 2 < 120
4x 1 + 2x 2 < 280
END
Figura 6.1. Entrada del programa
Ahora puede ordenarle a la computado ra que use LINDO para resolver el problema
usando la opción SOLVE. La solución, se muestra en la figura 6.2., Donde la parte (a)
del reporte representa la formulación Del programa y la parte (b) representa en
primer lugar los valores óptimos de las varia bles estructurales. La segunda parte
proporciona información referente a las restricciones.
MAX 10 X1 + 15 X2
SUBJECT TO
2) 2 X1 + 2 X2 <= 160
3) X1 + 2 X2 <= 120
4) 4 X1 + 2 X2 <= 280
END (a)
LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE
1) 1000.000
VARIABLE VALUE REDUCED COST

X1 40.000000 0.000000
X2 40.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 2.500000
3) 0.000000 5.000000
4) 40.000000 0.0 00000
NO. ITERATIONS= 2 (b)
Figura 6.2. (a) Entrada de Lindo (b) Reporte óptimo del lindo
46
................................................................................................................................................................................................................................
6.2. INTERPRETACION DE LA SOLUCION OPTIMA
La computadora realizo los pasos el algoritmo simplex, como se describe en él capitulo

5, para resolver el problema de Planeación de la producción presentado en la sección
6.1. los resultados se dan en la figura 6.2.
Recuerde que el algoritmo simplex esta diseñado para resolver un problema en su

forma estándar. Como la entrada del programa no estaba en forma estándar, la
computadora tuvo que añadir tres variables de holgura correspondientes a las tres
restricciones de desigualdad. En la figura 6.2, la salida de la sección (b) en la primera
parte corresponde a las dos variables originales, mientras que la segu nda parte
corresponde a las tres variables de holgura, una por cada restricción de desigualdad.
6.2.1. Interpretación de los valores de las variables originales.
La fila 1) representa el valor de la función objetivo, mientras que la columna

etiquetada como VALUE, indica que la solución óptima a este problema es producir 40
unidades Del producto A y 40 unidades Del producto B por día, lo que nos da una
ganancia máxima de $1,000 por día.
La columna etiquetada como REDUCED COST, pertenece a los costos red ucidos de
estas dos variables.
Sin embargo, los costos reducidos tienen significado sólo para las variables no básicas
6.2.2. Interpretación de los valores de las variables de holgura .
La segunda parte de la sección (b) contiene información similar perte neciente a las
tres variables de holgura. En particular, de la columna etiquetada VALUE, los valores
óptimos de las tres variables de holgura(cuyos nombres son los de las
correspondientes tres restricciones) son 0, 0 y 40, respectivamente. ¿Que significan
estos valores en el contexto de este problema?.
Recuerde que la variable de holgura para la restricción 1 representa en número de

minutos no utilizados en el proceso de maquinado. El tener un valor 0 para esta
variable en la solución optima de la figura 6.2 significa que no hay tiempo de holgura,
todos los minutos disponibles para este proceso se utilizan. De manera similar, todos
los minutos Del proceso de armado sé utilizan por que el valor de su variable de
holgura es 0. El valor de 30 para la tercera variable de holgura correspondiente a la
restricción 3, (proceso de montaje), indica que hay una desocupación de 40 minutos,
es decir que el número de minutos disponible Del proceso de montaje para producir
ambos productos es 40 minutos menos que él limite de 280 minutos.
Por otra lado en la columna etiquetada con DUAL PRICES, proporciona los precios
duales de las variables de holgura.
Por ejemplo el precio dual para la primera variable de holgura es 2.50, lo que nos
indica que cada incremento unitario en el valor de esta variable de holgura,
manteniendo las demás variables básica en el valor 0, tienen como resultado un
aumento de $2.50 de ganancia en la función objetivo. Como una unidad de esta
variable de holgura corresponde a usar un minuto mas en el pr oceso de maquinado, el
uso de 1 minuto mas aumenta las ganancias en $2.50.
De manera similar, p[ara la segunda variable de holgura, el precio dual es 5.00,

significa que cada incremento unitario en la segunda variable de holgura, manteniendo
47
................................................................................................................................................................................................................................
las otras variables no básicas en el valor 0, resulta en un aumento de $5.00 de

ganancia en la función objetivo. Como una unidad de esta variable de holgura
corresponde a usar un minuto mas en el proceso de armado, el uso de 1 minuto mas
aumenta las ganancias en $5.0 0.
Recuerde que los precios duales tienen significado solo para las variables no básicas,
como las dos primeras variables de holgura no son básicas(no son parte de la solución
óptima). En contraste, la tercera variable de holgura es básica, y por lo tanto , su
precio dual es 0, esto significa que el incremento Del limite de 280 minutos para el
proceso de montaje no tendrá ninguna ganancia adicional. Esto tiene sentido, pues la
solución óptima indica que solo se han usado 240 minutos del proceso de montaje, el
cual esta por debajo Del limite especificado de 280 minutos.
EJEMPLO 6.2.: PROBLEMA DE POLITICA DE PRESTAMOS
Un banco tiene $ 1 millón disponible para prestamos. Puede prestar dinero a

empresas, proporcionar hipotecas o conceder prestamos personales. Las políticas del
banco limitan los prestamos personales a un máximo del 25% de todos los prestamos,
mientras que los prestamos a empresas no pueden exceder la cantidad de hipotecas.
También el banco quiere que los prestamos a empresas sean por lo menos 1 0% mas
que los prestamos personales. Los interese promedio son: 12% en prestamos
personales, 10% en prestamos a empresas y 8% sobre hipotecas. Los fondos que no
se han prestado, se invierten en valores a corto plazo al 5%. El banco quiere un
programa para maximizar el interés.
Solución
X 1 = prestamos personales
X 2 = prestamos a empresas
X 3 = prestamos por hipotecas
X 4 = inversión en valores a corto plazo
Max (z) = 0.12 x 1 + 0.10 x 2 + 0.08 x 3 + 0.05 x 4

s.a.
X 1 + x 2 + x 3 + x 4 = 1 000,000 (capital de inversión)
X 1  0.25 (X 1 +x 2 + x 3) (prestamos personales)
X 2 x3 (prestamos a empresas)
X 2  1.10 x 1 (prestamos a empresas)
X 1 ,x 2 ,x 3 ,x 4 0
Para la entrada del programa en el LINDO, es necesario reescribir el programa de la

siguiente manera:
Max (z) = 0.12 x 1 + 0.10 x 2 + 0.08 x 3 + 0.05 x 4

s.a.
48
................................................................................................................................................................................................................................
x 1 +x 2 +x 3 +x 4 = 1 000,000 (capital de inversión)
0.75 x 1 - x 2 -x 3 0 (prestamos personales)
x 2 -x 3  0 (prestamos a empresas)
x 2 - 1.10 x 1 0 (prestamos a empresas)
x 1 ,x 2 ,x 3 ,x 4 0
Aplicando el LINDO, se tiene:
MAX 0.12 X1 + 0.1 X2 + 0.08 X3 + 0.05 X4

SUBJECT TO
2) X1 + X2 + X3 + X4 = 1000000
3) 0.75 X1 - 0.25 X2 - 0.25 X3 <= 0
4) X2 - X3 <= 0
5) - 1.1 X1 + X2 >= 0
END
1) 97500.00

X1 250000.000000 0.000000
X2 375000.000000 0.000000
X3 375000.000000 0.000000
X4 0.000000 0.047500

2) 0.000000 0.097500
3) 0.000000 0.030000
4) 0.000000 0.010000
5) 100000.000000 0.000000
EJEMPLO 6.3.: PROBLEMA DE POLITICA DE PRESTAMOS
Una institución financiera, ALFA BANK, se encuentra en el proceso de formular su

política de préstamos para el próximo trimestre. Para este fin se asigna un total de $
12 millones. Siendo una institución de servicios integrales, esta obligada a otorgar
prestamos a diversos clientes. En la siguiente tabla, se señala los tipos de prestamos,
la tasa de interés que cobra el banco y la posibilidad de que el cliente no cubra sus
pagos, irrecuperables o incobrables, según se estima por su experiencia.
49
................................................................................................................................................................................................................................
Tipo de Tasa de Probabilidad

préstamo interés de incobrables
Personal 0.140 0.10
Automóvil 0.130 0.07
Casa 0.120 0.03
Agrícola 0.125 0.05
Comercial 0.100 0.02
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto no
producen ingreso por concepto de intereses.
La competencia con otras instituciones financieras del área requiere que el banco
asigne cuando menos el 40% de los fon dos totales a prestamos agrícolas y
comerciales. Para dar asistencia a la industria de la habitación en la región, los
prestamos para casa deben ser iguales cuando menos al 50% de los prestamos
personales, para automóvil y para casa. El banco tiene asimism o una política
establecida que especifica que la relación global de pagos irrecuperables no puede ser
superior a 0.04 .
Solución:
X 1: Prestamos personales en millones de $

X 2: Prestamos para automóviles.
X 3: Prestamos para casa .
X 4: prestamos agrícolas
X 5: prestamos comerciales
El objetivo es maximizar el rendimiento neto: diferencia entre ingreso por concepto de

interés y los fondos perdidos por adeudos no cubiertos. Como los adeudos no cubiertos
son irrecuperables, tanto el interés como el principal en la función objetivo es:
Max(z) = 0.14(0.9 x 1) + 0.13(0.93 x 2) + 0.12(0.97 x 3) + 0.125(0.55 x 4) + 0.1(0.98

x 5)
- 0.1 x 1 – 0.07 x 2 – 0.03 x 3 – 0.05 x 4 – 0.02 x 5

sujeto a:
X 1+ X 2 +X 3 +X 4 +X 5  12 (Fondos totales)
X 4 +X 5  0.4 (12) (prestamos comerciales y agrícolas)
x 3  0.5(X 1 +X 2 +X 3 ) (prestamos para casa)
0.1X 1 + 0.07 X 2 +0.03 X 3 +0.05 X 4 + 0.02 X 5

--------------------------------------------------------------  0.04 (limites
sobre adeudos
X 1+ X 2 + X 3 + X 4 + X 5 no cubiertos)
O bien:
0.06X 1 + 0.03 X 2 - 0.01 X 3 + 0.01 X 4 - 0.02 X 5  0
X j  0 (j=1,5)
50
................................................................................................................................................................................................................................
Reescribiendo el programa, se tendría:
Max(z) = 0.126 x 1 + 0.1209 x 2 + 0.1164 x 3 + 0.068875 x 4 + 0.098 x 5 - 0.1 x 1 –

0.07 x 2 – 0.03 x 3 – 0.05 x 4 – 0.02 x 5
s.a.
X 1+ X 2 +X 3 +X 4 +X 5  12
X 4 +X 5  4.8
0.5x 3 –0.5 X 1 – 0.5 X 2 0
0.06X 1 + 0.03 X 2 - 0.01 X 3 + 0.01 X 4 - 0.02 X 5 0
X ij 0
Aplicando el LINDO, tendriamos la formulación correspondiente y la solución:
MAX 0.026 X1 + 0.05089999 X2 + 0.0864 X3 + 0.018875 X4

+ 0.07799999 X5
SUBJECT TO
2) X1 + X2 + X3 + X4 + X5 <= 12
3) X4 + X5 >= 4.8
4) - 0.5 X1 - 0.5 X2 + 0.5 X3 >= 0
5) 0.06 X1 + 0.03 X2 - 0.009999999 X3 + 0.009999999 X4 - 0.02 X5 <= 0
END
1) 0.9964800

X1 0.000000 0.060400
X2 0.000000 0.035500
X3 7.200000 0.000000
X4 0.000000 0.059125
X5 4.800000 0.000000

2) 0.000000 0.086400
3) 0.000000 -0.008400
4) 3.600000 0.000000
5) 0.168000
0.000000
NO. ITERATIONS= 3
51
................................................................................................................................................................................................................................
EJEMPLO 6.4.: PROBLEMA DE INVERSION
Al gerente de cartera de la AFP “BUENA VIDA” SE LA HA PEDIDO INVERTIR $1’000,000

de un gran fondo de pensiones. El departamento de investigación de inversiones ha
identificado seis fondos mutuos con estrategias de inversión variables, resultando en
diferentes rendimientos potenciales y riesgos asociados, como se resume en la
siguiente tabla:
FONDO
1 2 3 4 5 6
Precio($/acción) 45 76 110 17 23 22
Devolución 30 20 15 12 10 7
esperada(%)
Categoría de riesgo Alto Alto Alto Mediano Mediano Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los

diferentes fondos. Para este fin, la administración de la AFP, ha especificado las
siguientes pautas:
 La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y
75% de la cartera.
 La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y
30% de la cartera.
 La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 50%
de la cartera.
Una segunda forma de controlar el riesgo es diversifi car, esto es, esparcir el riesgo
invirtiendo en muchas alternativas diferentes. La gerencia de la AFP ha especificado
que la cantidad invertida en los fondos de alto riesgo 1,2 y 3 deben estar en la tasa
1:2:3 , respectivamente. La cantidad invertida en lo s fondos de mediano riesgo 4 y 5
debe ser 1:2 .
Con estas pautas, ¿qué cartera debería usted, gerente de cartera, recomendar para
maximizar la tasa esperada de retorno?.
Solución
X j : fracción de la cartera por invertir en el per iodo j
Tasa esperada de rendimiento = rendimiento total esperado / cantidad invertida
Función objetivo:
Max(z) = 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6
Restricciones:
Por inversión
X1 + X 2 + X3  0.50 (mínimo alto riesgo)
52
................................................................................................................................................................................................................................
X1 + X2 + X3  0.75 (máximo alto riesgo)
X4 + X 5  0.20 (mínimo mediano riesgo)
X4 + X 5  0.30 (máximo mediano riesgo)
X6 0.05 (mínimo bajo riesgo)
Debido a las proporciones:
X2 = 2 X 1 - 2 X1 + X2 = 0 (proporción X 1 a X 2 )
Agenda Total de cartera
X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
Condición de no negatividad:
Xj0 (j = 1,6)
Max 0.30 X 1 + 0.20 X 2 + 0.15X 3 + 0.12 X 4 + 0.10 X 5 + 0.07 X 6

s.a.
X1 + X 2 + X3  0.50
X1 + X 2 + X3  0.75
X4 + X 5  0.20
X4 + X 5  0.30
X6  0.05
- 2 X1 + X 2 = 0
- 3 X1 + X 3 = 0
- 2 X4 + X 5 = 0
X1 + X 2 + X 3 + X 4 + X 5 + X 6 = 1
53
................................................................................................................................................................................................................................
PROBLEMAS DESARROLLADOS
1. PetroPerú obtiene tres tipos de petróleo crudo de sus pozos de Talara,

Pavayacu y Trompeteros. La gasolina obtenida de estos petróleos
crudos se mezcla junto con dos aditivos para obten er el producto final.
Estos petróleos crudos y aditivos contienen azufre, plomo y fósforo,
como se muestra en la siguiente tabla:
PETROLEOS CRUDOS ADITIVOS
Talara Pavayacu Tompeteros 1 2
Azufre(%) 0.07 0.08 0.10 -- --
Plomo(g/gal) -- -- -- 7 6
Fósforo(g/gal) -- -- -- 0.052 0.02
Costo($/gal) 0.55 0.47 0.33 0.08 0.12
Debido a los residuos e impurezas, cada galón de petróleo crudo de Talara

resulta solo en 0.35 de galón del producto final, que contiene 0.07% de azufre.
De manera similar, cada galón de cr udo Pavayacu produce 0.40 de galón del
producto final que contiene 0.08% de sulfuro y cada galón de crudo de
Trompeteros resulta en 0.30 de galón del producto final que contiene 0.10% de
azufre. La gerencia ha establecido las siguientes especificaciones pa ra controlar
la cantidad de azufre, plomo y fósforo:
 Cada galón debe tener a lo mas 0.07% de azufre
 Cada galón debe tener entre 1.25 y 2,5 gramos de plomo
 Cada galón debe tener entre 0/0025 y 0.0045 gramos de fósforo
 La cantidad total de los aditivos no pu ede exceder de 1.9% de la mezcla
Como gerente de producción, determine un plan de mezclado que produzca una
gasolina aceptable al mínimo costo.
2. La Cia. BETA STEEL produce tres tamaños de tubos: A,B y C que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de
maquina de modelado. Cada pie de tubo B requiere 0.45 minutos y cada pie del
tubo C requiere 0.6 minutos.
Después de la producción, cada pie de tubo, sin importar el tipo, requiere 1
onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de
los tubos A,B y C respectivamente.
Para la siguiente semana, BETA ha recibido pedidos excepcionalmente grandes

que totalizan 2000 pies de tubo A, 4000 pies de tubo B y 5000 pies de tubo C.
Como solo se dispone de 40 horas de tiempo de maquina esta semana y solo se
tienen en inventario 5500 onzas de material de soldar, el departamento de
producción no podrá satisfacer esta deman da, que requiere de un total de 97
horas de tiempo de maquina y 11,000 onzas de material de soldar. No se
espera que continúe este alto nivel de demanda. En vez de expandir la
capacidad de las instalaciones de producción, la gerencia de BETA esta
considerando la compra de algunos de estos tubos a proveedores de Japón a un
costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
54
................................................................................................................................................................................................................................
TIPO PRECIO DEMAND TIEMPO DE MATERIAL COSTO DE COSTO

DE A MAQUINA PARA PRODUCCI DE
VENTA (ft) (min/ft) SOLDAR ÓN COMPRA
($/ft) (oz/ft) ($/ft) ($/ft)
A 10 2000 0.50 1 3 6
B 12 4000 0.45 1 4 6
C 9 5000 0.60 1 4 7
Como gerente del Dpto. de producción, se le ha pedido hacer recomendaciones

respecto a la cantidad de producción de cada tipo de tubo y la cantidad de compra a
Japón para satisfacer la demanda y maximizar las ganancias de la compañía.
Formulación de Programas :
1. X1 : numero de galones de petróleo crudo de Talara

X2 : numero de galon es de petróleo crudo de Pavayacu
X3 : numero de galones de petróleo crudo de Trompeteros
X4 : numero de galones del aditivo 1 para hacer un galón de gasolina
X5 : numero de galones del aditivo 2 para hacer un galón de gasolina
Min 0.55X 1 + 0.47X 2 + 0.33X 3 + 0.08X 4 +0.12x 5

s.a.
0.35X1 + 0.40X 2 + 0.30X 3 + X 4 + x5 = 1.0 (producción)

0.00025X 1 + 0.00032X 2 + 0.0003X 3  0.0007 (azufre)
7X4 + 6X 5  2.50 (lim. Superior plomo)
7X4 +6 X 5  1.25 (lim. Inferior plomo)
0.025X 4 +0.02X 5  0.0045 (lim. Superior fosforo)
0.025X 4 +0.02X 5  0.0025 (lim. inferior fosforo)
X4 + X5  0.19 (lim. Superior en aditivos)
Xj  0 (j=1,2,3,4,5)
2. X1 : numero de pies de tubo de tipo A por producir

X2 : numero de pies de tubo de tipo A por producir
X3 : numero de pies de tubo de tipo A por producir
X4 : numero de pies de tubo de ti po A que comprar a Japón
X5 : numero de pies de tubo de tipo A que comprar a Japón
X6 : numero de pies de tubo de tipo A que comprar a Japón
Max 7X 1 + 8X2 + 5X 3 + 4X4 +6x5 + 2X 6

s.a.
X1 + X4 = 2000 (demanda A)
X2
+ X5 = 4000 (demanda B)
X3 + X6 = 5000 (demanda C)
0.5X1 + 0.45X 2 + 0.6X 3  2400 (tiempo de maquina)
X1 + X2 + X3  5500 ( material para sol dar)
Xj  0 (j=1,2,3,4,5,6)
55
................................................................................................................................................................................................................................
F) PROBLEMA 1: REPORTE DEL LINDO

1) 0.9494500

X1 0.000000 0.127500
X2 1.375000 0.000000
X3 0.866666 0.000000
X4 0.140000 0.000000
X5 0.050000 0.000000
ROW SLACK OR SURPLUS DUAL PRI CES

2) 0.000000 -1.475000
3) 0.000000 374.999878
4) 1.220000 0.000000
5) 0.030000 0.000000
6) 0.000000 8.000000
7) 0.002000 0.000000
8) 0.000000 1.195000
NO. ITERATIONS= 7
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 0.550000 INFINITY 0.127500
X2 0.470000 0.102000 0.030000
X3 0.330000 0.022500 0.255000
X4 0.080000 0.040000 0.298750
X5 0.120000 0.239000 0. 040000
RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 1.000000 0.065000 0.110000
3 0.000700 0.000110 0.000052
4 2.500000 INFINITY 1.220000
5 1.250000 0.030000 INFINITY
6 0.004500 0.000250 0.000150
7 0.002500 0.002000 INFINITY
8 0.190000 0.035000 0.010000
56
................................................................................................................................................................................................................................
PROBLEMA 2: REPORTE DEL LINDO

1) 55000.00

X1 2000.000000 0.000000
X2 0.000000 0.250000
X3 2333.333252 0.000000
X4 0.000000 0.500000
X5 4000.000000 0.000000
X6 2666.666748 0.000000

2) 0.000000 4.500000
3) 0.000000 6.000000
4) 0.000000 2.000000
5) 0.000000 5.000000
6) 1166.666626 0.000000
NO. ITERATIONS= 4

VARIABLE CURRENT ALOWABLE ALLOWABLE
X1 7.000000 INFINITY 0.500000
X2 8.000000 0.250000 INFINITY
X3 5.000000 0.600000 0. 333333
X4 4.000000 0.500000 INFINITY
X5 6.000000 INFINITY 0.250000
X6 2.000000 0.333333 0.600000

RHS ICREASE DECREASE
2 2000.000000 2800.000000 2000.000000
3 4000.000000 INFINITY 4000.000000
4 5000.000000 INFINITY 2 666.666748
5 2400.000000 700.000000 1400.000000
6 5500.000000 INFINITY 1166.666626
57
................................................................................................................................................................................................................................
CAPITULO VII
ANALISIS DE SENSIBILIDAD
En una situación real, algunos datos de un modelo de programación lineal pueden

cambiar con el tiempo debido a la naturaleza dinámica del negocio. ¿Que sucede con la
solución óptima si los precios del mercado caen? ¿Si suben los costos de mano de obra
o de la materia prima? ¿Si se contratan empleados adicionales en una línea de
producción?. El decisor ante tales situaciones desearía saber qué tan sensible es la
solución óptima a estos valores de datos.
Las respuestas a estas preguntas pueden usarse de diversas maneras. Por ejemplo si
la solución óptima es muy sensible a algunos coeficientes, y se espera que estos
valores fluctúen con el tiempo, entonces el decisor puede desear usar el modelo solo
para planeación a corto plazo, o tal vez tenga que resolver el modelo periódicamente al
cambiar los datos.
Después de formular y reso lver un problema de programación lineal, un decisor debe

hacerse un número de preguntas importantes de la forma: ”¿Que sucede si.....?” . Por
ejemplo:
1. ¿Que le sucede a la solución óptima y al valor de la función objetivo

correspondiente si un coeficiente particular de la función objetivo se modifica?
2. ¿ Que le sucede a la solución óptima y al valor de la función objetivo
correspondiente si se modifica un valor particular del extremo derecho de las
restricciones?
Estas preguntas tienen que ver con el tema del análisis de sensibilidad. El decisor se
pregunta qué tan sensibles son la solución óptima y el valor de la función objetivo con
respecto a los cambios en los datos del problema, es decir, los coeficientes en la
función objetivo y las restricciones. ¿Q ue tanto impacto tendrá en la solución un
cambio en cualquiera de los datos?.
Estas preguntas de sensibilidad son importantes para un decisor por que los datos Del
problema a menudo tienen que estimarse y por tanto están sujetos a inexactitudes.
Antes de implantar la solución obtenida de un programa lineal, es ventajoso para el
gerente saber lo que podría suceder si las estimaciones de los datos son ligeramente
inexactas. El análisis de sensibilidad indica que coeficientes afectan mas
significativamente la solución óptima.
Para ilustrar otro uso del análisis de sensibilidad, suponga que las restricciones de un
programa lineal particular tienen que ver con la asignación de recursos escasos, como
capita, mano de obra y materias primas. El análisis de sensibi lidad puede ayudar a
determinar si es rentable o no adquirir cantidades adicionales de recursos.
7.1. USO DEL REPORTE DE SENSIBILIDAD DEL LINDO FOR WINDOWS
En esta parte se utiliza el paquete de programación lineal LINDO para hallar la solución
óptima y analizar los reportes de sensibilidad. Como se aprendió en la sección 6.1, el
algoritmo simplex proporciona mas información que simplemente la solución óptima.
58
................................................................................................................................................................................................................................
EJEMPLO 7.1.: Problema de planeación de producción de ALFA
La Cia. ALFA fabrica artículos p ara el hogar y manufactura dos productos: A y B.

- Maquinado
- Armado
- Montaje

respectivamente.
manufacturarse con el objeto de hacer el mejor empleo de los medios limitados de
Formulación del problema

La combinación de la función objetivo de maximizar la ganancia total y las tres

restricciones estipuladas en función de los recursos disponibles da como resultado el
Max Z = 10 x 1 + 15 x 2
s.a.
2x 1 + 2x 2  160 maquinado
x 1 + 2x 2  120 armado
4x 1 + 2x 2  280 montaje
x 1, x 2  0
solución de computadora
1) 1000.000

X1 40.000000
0.000000
X2 40.000000
0.000000

2) 0.000000
2.500000
3) 0.000000
5.000000 59
4) 40.000000
0.000000
................................................................................................................................................................................................................................
Con respecto al problema de ALFA, surgieron las siguientes preguntas de sensibilidad:
1. Debido a una competencia reciente en el mercado por el producto B, la

gerencia ha decidido disminuir la ganancia en $2 por unidad. ¿Cómo debería
cambiar el plan de producción par a A y B?.
2. ¿Que sucede con el margen de ganancia de ALFA, si el tiempo disponible
para maquinado disminuye en 20 minutos?
3. ¿Que sucede con el margen de ganancia de ALFA, si el tiempo disponible
para montaje aumenta en 40 minutos?
Utilizando el reporte de se nsibilidad del LINDO, que se muestra en la figura 6.3, se

tiene que:
La primera pregunta tiene que ver con un decremento de $2 en la ganancia del

producto B, lo cual hace que la ganancia sea ahora de $13 por unidad del producto B.
En otras palabras, Ud. d esea saber qué sucede con la solución óptima anterior de x 1 =
40 y x 2 = 40
Cuando el coeficiente de x 2 en la función objetivo disminuye de 15 a 13.
La primera parte del reporte de sensibilidad(OBJ COEFFICIENT RANGES) proporciona la
respuesta. Para x 2 el coeficiente de la función objetivo original es 15, como se indica
en la columna titulada “CURRENT COEF”. Las siguientes dos columnas proporcionan los
intervalos de sensibilidad para cada uno de los coeficientes de la función objetivo.
Lindo proporciona es tos intervalos reportando el incremento y decremento máximos
permisibles de los valores actuales.

X1 10.000000 5.000000 2.500000
X2 15.000000 5.000000 5.000000

2 160.000000 13.333333 40.000000
3 120.0000 00 40.000000 20.000000
4 280.000000 INFINITY 40.000000
FIGURA Nº 6.3. Reportes del análisis de sensibilidad del LINDO para el

problema de ALFA
En este ejemplo mientras el coeficiente de ga nancia de x 2 permanezca en el intervalo

de 10 a 20, que el valor mínimo y máximo permisibles respectivamente, y mientras los
demás coeficientes no cambien, la solución óptima de x 1 = 40 y x 2 = 40 no cambia. Un
valor fuera de este intervalo sin embargo, pue de ocasionar un cambio en la solución
óptima. Como el nuevo valor de 13 para este coeficiente esta dentro Del intervalo de
10 a 20, la solución actual sigue siendo óptima. Sin embargo, la ganancia máxima
cambia
60
................................................................................................................................................................................................................................
Max Z = (10 * 40) + (13 * 40)

Max Z = $920
La segunda pregunta se refiere a un decremento en el lado derecho de la primera

restricción de su valor original de 160 a 140. La segunda parte del reporte de la figura
6.3, titulada “RIGHTHAND SIDE RANGES” ayuda a contestar esta pregunta.
Recuerde que el precio dual o precio sombra de una restricción representa la cantidad
de cambio en la función objetivo por unidad de incremento en el valor del lado
derecho. Para la primera restricción, que limita los minutos totales usados en el
departamento de maq uinado a menos de 160, el precio sombra de 2.50 se da en la
sección 6 de figura 6.2.
Sin embargo, ese precio sombra es aplicable sólo si el valor del lado derecho
permanece dentro de cierto intervalo. De hecho, ese intervalo se proporciona en la
segunda parte del reporte de la figura 6.3 en las columnas rotuladas ALLOWABLE
INCREASE y DECREASE ALLOWABLE. Mientras el limite de minutos de maquinado este
entre 120 y 173.33 el precio sombra de 2.50 es válido. Esto significa que cada minuto
adicional de maquinad o del actual nivel de 160 a 173.33 minutos incrementan la
ganancia en $2.50. de manera alternativa, cada minuto disminuido del actual nivel de
160 hasta 120 disminuye la ganancia en $2.50.
Puede usarse esta información para responder la segunda pregunta de la manera
siguiente. Para la primera restricción correspondiente al proceso de maquinado, el
nuevo valor del lado derecho de la restricción que es 140 está dentro del intervalo de
120 a 173.33, por lo que el precio sombra de 2.50 es válido. El nuevo val or de la
función objetivo óptima correspondiente a 140 minutos disponibles en el proceso de
maquinado es:
Z1 = Z + (precio sombra)*(Cambio en el valor ld)

Z1 = 1000 + (2.50)*( -20)
Z1 = 950
Así pues, la reducción de 160 a 140 minutos provoca que la gan ancia óptima
disminuya de $1000 a $950.
La tercera pregunta tiene que ver con un incremento en el valor ld de la tercera

restricción, de su valor original de 280 a 320. Usando la misma parte Del reporte de
sensibilidad de la figura 6.3, puede verse que e l nuevo valor esta dentro Del intervalo
240 a infinito, y por lo tanto, el precio sombra de 0.00 sigue siendo valido. Esto
significa que cada minuto adicional en el proceso de montaje Del actual nivel de 280
hasta el infinito, el incremento de la ganancia es nulo. De manera alternativa, cada
minuto disminuido del actual nivel de 280 hasta 240 minutos la disminución de la
ganancia es nula.
6.4.2. Interpretación de reportes de análisis parametrico
En la sección 6.4.1., el reporte de sensibilidad del lado derecho para el problema de

ALFAQUIM indica que el precio sombra de 2.50 para la restricción (1) es valido
mientras el valor ld permanezca dentro del intervalo 120 a 173.33. De igual forma el
precio dual de 5.00 para la restricción (2) es válida mientras e l valor ld permanezca
dentro del intervalo 100 a 160. Sin embargo, ¿qué sucede si un coeficiente se cambia
a un valor fuera de estos intervalos?
61
................................................................................................................................................................................................................................
El análisis parametrico proporciona la respuesta. El lindo proporciona un reporte

parametrico que se presenta e n la figura 6.4
En la figura 6.5, la sección (A) indica lo que sucede cuando el ld de la primera

restricción se incrementa de su valor actual de 160. La sección (B) indica lo que
sucede cuando el ld sé decrementa de su valor actual de 160. De manera sim ilar, la
figura 6.5, la sección (C) indica lo que sucede cuando el ld de la segunda restricción
se incrementa de su valor actual de 120. La sección (D) indica lo que sucede cuando
el ld sé decrementa de su valor actual de 120.
Las dos primeras líneas de la sección A de la figura 6.5 confirman lo que ha aprendido
Del reporte del análisis de sensibilidad, esto es, al incrementarse el valor ld de 160 a
173.33, el valor de la función objetivo se incrementa de 1000 a 1000.33 en la
proporción Del precio sombra de 2.50. La siguiente línea indica que un incremento
mas allá de 173.33 no tiene efectos sobre el valor óptimo de la función objetivo por
que él; precio sombra para este intervalo es 0.000
La sección B proporciona información similar sobre el decreme nto en el valor ld. Las
dos primeras línea establecen que al disminuir este valor ld de 160 a 120, el valor de
óptimo de la función objetivo decrece de 1000 a 900 en la proporción del precio
sombra de 2.50. la siguiente línea indica que al disminuir todav ía mas este valor de ld
de 120 a 100, el valor óptimo decrece de 900 a 750 en la proporción del nuevo precio
sombra de 7.50
RIGHTHANDSIDE PARAMETRICS REPORT FOR ROW: 2
VAR VAR PIVOT RHS DUAL PRICE OBJ (A)

OUT IN ROW VAL BEFORE PIVOT VAL
160.000 2.50000 1000.00

SLK 4 SLK 2 4 173.333 2.50000 1033.33
200.000 0.000000E+00 1033.33
VAR VAR PIVOT RHS DUAL PRICE OBJ

(B)
160.000 2.50000 1000.00

X1 SLK 3 2 120.000 2.50000 900.000
100.000 7.50000 750.000
RIGHTHANDSIDE PARAMETRICS REPORT FOR ROW: 3
VAR VAR PIVOT RHS DUAL PRICE OBJ (C)

120.000 5.00000 1000.00

X1 SLK 3 2 160.000 5.00000 1200.00
200.000 0.000000E+00 1200.00
VAR VAR PIVOT RHS DUAL PRICE OBJ (D)

120.000 5.00000 1000.00
SLK 4 SLK 2 4 100.000 5.00000 900.000
80.0000 6.66667 76 6.667
FIGURA 6.4. Reporte Parametrico
62
................................................................................................................................................................................................................................
EJEMPLO 7.2.: Problema de inversión de BETA
BETA es una compañía de manejo de efectivo que esta considerando invertir $100,000
en una o más de las siguientes acciones con la tasa anticipada de rendimiento que a
continuación se muestra:
Inversión Tasa de rendimiento
Proyectada (%)
Acciones preferenciales de Eastern Oil 9.00
Acciones comunes de Alask an Oil 8.00
Acciones comunes de American Steel 7.00
Bonos municipales de Cleveland 6.00
La gerencia de BETA ha impuesto las siguientes pautas de inversión:
1. La inversión en bonos municipales debe ser d e al menos $20 000.

2. La inversión en bonos municipales no debe exceder 20% de la inversión
total en acciones, más $50 000.
3. La inversión total en acciones no debe ser mayor a 60% de la inversión
total.
4. La inversión total no debe exceder los fondos disponible s.
Como administrador de la cartera, es probable que quiera determinar la estrategia de

inversión que maximice el rendimiento total anual esperado sin violar ningún
lineamiento de inversión.
Formulación del problema.

Usando técnicas de formulación del ca pítulo 2, se llega a definir las siguientes variables
de decisión:
X 1= el número de dólares por invertir en las acciones preferentes de Eastern Oil.

X 2= el número de dólares por invertir en las acciones comunes de Alaskan Oil.
X 3= el número de dólares por invertir en las acciones comunes de American Steel.
X 4= el número de dólares por invertir en los bonos municipales de Cleveland.
La combinación de la función objetivo de maximizar la devolución esperada total y las

cuatro restricciones estipulada s en las pautas de inversión dan como resultado el
Maximizar 0.09x1+ 0.08x2+0.07x3+0.06x4

Sujeto a:
-0.2x1 – 0.2x2 – 0.2x3 –x4  50000
0.4x1 + 0.4x2 + 0.4x3 – x4  0
x1 + x2 + x3 + x4  100000
x4  20000
Solución de computadora.
El modelo de inversión puede solucionarse usando cualquier paquete de software de
programación lineal disponible como LINDO. El primer paso es introducir los datos del
modelo en el formato requerido por LINDO. Como de ilustra en la figura 6.8(a), escriba
el problema en el mismo formato que en la formulación.
63
................................................................................................................................................................................................................................
Ahora puede ordenarle a la computadora que use LINDO para resolverle el problema
tecleando la instrucción SOLUTION. La prime ra parte del reporte proporciona los
valores óptimos de las variables originales. La segunda proporciona información
referente a las restricciones.
1) 7800.000

X1 60000.000000 0.000000
X2 0.000000 0.010000
X3 0.000000 0.020000
X4 40000.000000 0.000000

2) 22000.000000 0.000000
3) 0.000000 0.030000
4) 0.000000 0.078000
5) 20000.000000 0.000000

X1 0.090000 INFINITY 0.010000
X2 0.080000 0.010000 INFINITY
X3 0.070000 0.02000 0 INFINITY
X4 0.060000 0.030000 0.195000

2 50000.000000 INFINITY 22000.000000
3 0.000000 20000.000000 18333.332031
4 100000.000000 78571.429688 50000.00 0000
5 20000.000000 20000.000000 INFINITY
Sobre la base de la primera parte, su recomendación a la gerencia de BETA es invertir

$60 000 en las acciones preferentes de Eastern Oil, nada en las acciones comunes de
Alaska Oil o American Steel y $40 000 en los bonos municipales de Cleveland. Como
lo indica el valor optimo de la función objetivo, esta cartera tiene un rendimiento anual
esperado de $7800, que es una tasa de devolución de 7.8%.
En la segunda parte, las restricciones están numeradas secuencialmente, comenzando
con el número 2 (el número se refiere a la función objetivo). Por ejemplo, en la fila
64
................................................................................................................................................................................................................................
titulada 2, corresponde a la primera re stricción en la formulación, el valor de 20 000

para la variable de superávit indica que el valor del lado izquierdo de esta restricción
es 20 000 más que el Del lado derecho. En otras palabras, los $40 000 invertidos en
los bonos municipales de Cleveland son $20 000 más que el mínimo requerido. Más
aún, el precio dual (también llamado el precio sombra) para esta restricción, mostrado
en la última columna, es 0.
Como otro ejemplo, en la fila titulada 5, correspondiente a la última restricción en la

formulación anterior, el valor de 0 para la variable holgada indica que esta restricción
es obligatoria, es decir, los $10 000 son invertidos usando el plan actual. Más aún, el
precio dual de 0.078 asociado con esta restricción indica que cada dólar adicional que
BETA puede invertir (hasta una cantidad dada en el reporte de sensibilidad, como se
muestra en la figura 6.9) gana una tasa esperada de 7.8%.
Uso de los reportes de sensibilidad

Durante la presentación de sus resultados la gerencia formuló las siguiente s
preguntas:
1. El gerente de finanzas advirtió que una incertidumbre reciente en el mercado

petrolero podría bajar la tasa esperada de devolución de las acciones de Eastern Oil
a 8%. Si esto sucede, ¿Debería BETA reconsiderar su estrategia de inversión?
2. El presidente de BETA probablemente pueda negociar un préstamo a largo plazo
del banco local a 7%. ¿ Debería BETA intentar obtener este préstamo? . Si es así,
¿por que cantidad?
3. El vicepresidente de Finanzas ha estudiado el prospecto de una empresa
ligeramente más riesgosa (comparada con las cuatro acciones y bonos bajo
consideración) que requiere una inversión de exactamente $60,000 y ofrece una
tasa de devolución de 8%. ¿Debería BETA considerar esta alternativa, dejando sólo
$40,000 para invertir en las acc iones y bonos bajo consideración?
Para responder la primera pregunta, identifique el impacto que este cambio tiene en el
modelo matemático. Si la tasa de devolución de las acciones preferentes de Eastern Oil
desciende a 8%, el coeficiente de la variable de E-Oil en la función objetivo cambia de
0.09 a 0.08. para determinar si este cambio tiene como resultado un cambio en el plan
de inversión, examine el reporte de sensibilidad de la figura 6.4 obtenida del LINDO.
¿esta el nuevo valor de 0.08 para el coef iciente de la función objetivo dentro Del
intervalo donde la solución actual sigue siendo óptima?.
La primera linea Del reporte de sensibilidad indica que el valor actual de 0.09 para este
coeficiente puede incrementarse infinitamente o disminuir en 0.01 sin cambiar la
solución óptima. Por lo tanto el intervalo de sensibilidad para este coeficiente va desde
0.08 a + infinito. Como este nuevo valor de 0.08 para este coeficiente sta dentro Del
intervalo de 0.08 a infinito, no hay cambio en el plan de inversi ón. Sin embaro la
devolución esperada total decrece en 1% de la cantidad invertida en acciones de la E -
Oil, es decir:
Max(Z)= 7800 – 0.01(60,000)
= 7,200
Por lo tanto, una disminución en la tasa de rendimiento de las acciones de Eastern Oil
de 8% no afecta el plan de inversión de BETA, pero disminuye la devolución hasta
$7,200.
65
................................................................................................................................................................................................................................
Para responder a la segunda pregunta, a saber, si BETA debe obtener un préstamo al

7% de interés y, si es así, por que cantidad, pregúntese como afecta este cambio el
modelo matemático. La respuesta es que la obtención de fondos de inversión
adicionales a través del préstamo propuesto tiene como resultado un incremento Del
lado derecho de la penúltima restricción. El precio dual de 0.078 asociado con esta
restricción es mayor que e l costo Del préstamo como se muestra en el reporte de la
figura 6.4, indica que cada dólar adicional disponible para inversión regresa 7.8
centavos. Como esta devolución de 7.8% es mayor que el costo Del préstamo a 7%,
realmente vale la pena que BETA aseg ure este préstamo. Pero el siguiente punto es
¿por qué cantidad?. Ciertamente hasta el limite para el cual este precio dual de 0.078
es valido. Puede calcularse este limite a partir de la información de la última línea de la
segunda parte del reporte de se nsibilidad de la figura 6.4. este valor es el máximo
incremento permisible de 78,571.43 sobre el valor actual de 100,000, esto es, BETA
debería obtener un préstamo por al menos $78,571.43, pero, ¿debería la compañía
obtener mas?.
La respuesta a esta pregu nta depende de lo que suceda al precio dual fuera de este
intervalo. Para esto se recurre al análisis parametrico que proporciona el lindo, que se
utiliza para estudiar el impacto de cambio de este tipo.
66
................................................................................................................................................................................................................................
PROBLEMAS PROPUES TOS
1. La Compañía ALFA fábrica 3 productos de caucho: Airtex(material esponjoso),

Extendex(material elástico) y Resistex(material rígido). Los tres productos
requieren los mismos tres polímeros químicos y una base. La cantidad de cada
ingrediente usada p or libra del producto final se muestra en la siguiente tabla:
INGREDIENTES(oz./lb de producto)
PRODUCT POLIMERO A POLIMERO B POLIMERO C BASE
O
Airtex 4 2 4 6
Extendex 3 2 2 9
Resistex 6 3 5 2
Alfa, tiene el compromiso de producir al menos 1000 lbs. D e Airtex, 500 lbs. De
Extendex y 400 lbs. De Resistex para la próxima semana, pero la gerencia de la
Cia. Sabe que puede vender más de cada uno de los tres productos.
Los inventarios actuales de los ingredientes son: 500 lbs. De polímero A, 425
lbs. De polímero B, 650 lbs. De polímero C y 1,100 lbs. De la base. Cada libra
de Airtex produce a la Cia. Una ganancia de $7, cada libra de Airtex una
ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del
departamento de producción, usted nec esita determinar un plan de producción
óptimo para esta semana.
a) Formule el programa lineal para este problema
b) ¿Cuál es el plan de producción óptimo?
c) Con el plan de producción actual, ¿para cual de los tres productos se puede
cumplir con una demanda adicio nal de 5%?. Explique
d) ¿Que coeficiente o coeficientes de ganancia podrían duplicarse, mientras se
mantienen fijos todos los demás coeficientes, sin que afecte el plan de
producción óptimo?. Explique
e) El compromiso de producir 400 libras de Resistex acaba de caer en 10%.
¿Que le sucede a la ganancia óptima?. Explique
f) Si la demanda de Airtex aumenta en 2%, ¿cual es el nuevo plan de
producción optimo?. Explique.
g) La Cia. Desea aumentar sus ganancias a $18,000 adquiriendo más cantidad
de polimero A. ¿Cuanto mas de polímero A se necesita?. Explique.
2. La Cia. Gamma dirige sus gastos de venta en diversos rubros con el objeto de
producir ventas. Uno de los tipos de actividad que es efectiva es la Conferencia
Regional de Ventas. Existen 6 regiones (designadas I a VI) en las cuales estas
conferencias toman lugar semanalmente y en algunas mensualmente. Cada una
de las conferencias puede ser de un día completo o de mediodía. Existe un
costo por persona y un resultado esperado de ventas para cada uno de estos
tipos de conferencias. Los tipos de conferencias disponibles, sus costos y sus
ventas resultantes se listan a continuación.
Conferencias de Ventas Costo($) Ventas

resultantes($)
Mensual I - Todo el día 120 13,000
Semanal II - Todo el día 130 21,500
Semanal II - Mediodía 80 11,500
Semanal III - Todo el día 60 7,500
Mensual IV - Todo el día 100 11,800
67
................................................................................................................................................................................................................................
Mensual IV - Mediodía 60 9,500

Semanal V - Todo el día 200 22,000
Semanal VI – Todo el día 600 90,000
Semanal VI - Mediodía 350 50,000
Además de estas actividades, un comercial de tv que cuesta $1,350 debe

producir $118,500 en ventas.
Un anuncio en un grupo de periódicos locales costará $330 y producirá $59,000
en ventas.
Finalmente, el tener abierta una oficina de consultas durante un día cos tará
$180 y producirá $21,800 en ventas.
A la Cia. Le gustaría maximizar sus ventas manejando sus gastos de venta,
pero desea mantener algunas restricciones. El plan fue cubrir un período de 6
meses y para ese periodo el presupuesto de gastos de ventas es $52,500. Se
decidió que al menos la mitad del presupuesto debía ir a las conferencias
semanales y mensuales de ventas. Al menos una persona debía ser enviada a
la semanal VI y mensual I (días completos).
El comercial de tv debe ser usado al menos una vez , además no debe enviarse
mas de una persona a las conferencias Mensual IV como a la semanal II (días
completos)
a) Explique la distribución óptima de los gastos de venta. Dar alguna

explicación de los resultados que aparezcan con fracción.
b) Calcule los ingresos por dólar gastado en el plan optimo de 6 meses.
c) ¿Cuál debe ser el total de ventas óptimo si el presupuesto se elevara a
$62,500?. ¿Dónde debe colocarse los $10,000 adicionales?. ¿Cual es el
retorno por unidad de $10,000 extras y por qué este es diferen te del monto
obtenido en la parte b.
d) ¿Cuál seria la solución óptima si se requieren 3 comerciales de TV?
e) ¿Piensa usted que el requerimiento de que la mitad del presupuesto se
gaste en conferencia de ventas influye mucho en el retorno de ventas?
Explique y justifique su respuesta. ¿Cuál es el retorno de ventas si solo se
dispone de $16,500 para conferencias de ventas?
f) Si usted tuviera la oportunidad de eliminar las restricciones con respecto al
número de personas enviadas a semanal Vi y mensual I, ¿Cuál eli minaría y
por que?
g) ¿Cuál será el retorno de ventas si se eliminara totalmente el requerimiento
Del comercial de Tv?. Donde debe localizarse los $1250 (i.e. ¿Cuál es la
nueva solución?)
3. Hacker Company fabrica tableros de circuitos electrónicos para computa doras

PC. Cada tablero de fax -modem, de compresión de datos y de sintetización de
sonido requiere una cierta cantidad de tiempo de maquina para insertar los
chips, soldarlos, ensamblarlos y probarlos. Estos datos(en minutos), junto con
la cantidad de minut os de tiempo de maquina disponible para cada operación,
el números mínimo de producción de cada tablero, las ganancias netas se
resumen en la tabla siguiente:
68
................................................................................................................................................................................................................................
Tablero
Fax -Modem Comprensión Sintetizador Minutos
de datos de sonido disponibles
Inserción de chips 0.333 0.25 0.5 500
Soldado 0.5 0.5 0.5 600
Ensamblado 2.0 2.0 1.0 2000
Prueba 1.5 2.0 3.5 2400
Ganancia($) 10 10 8
Producción 500 300 250
mínima
a) ¿Cuántos tableros de cada uno debe fabricar la empresa?. ¿Cuál es la

ganancia total?
b) Que pasa con la solución óptima, si se debe producir un mínimo de 550 fax -
modems?
c) ¿Qué sucede con la solución óptima si se tienen disponibles 400 minutos
adicionales de tiempo de maquina para el ensamblado?
d)¿Qué sucede con la solución óptima, si la g anancia por cada fax -modem se
incrementa en $8?
e) ¿Qué sucede con la solución óptima si se tienen disponibles 200 minutos
adicionales de tiempo de inserción de chips?
f) ¿Explique como afectan a la solución las restricciones de disminución del 20%
del tiempo de ensamblado y prueba?
g) ¿Qué sucede con la solución óptima, si la ganancia por cada sintetizador de
sonido se incrementa en $5?
h) ¿Cuál seria la solución óptima, si se requiere producir un mínimo de 400
sintetizadores?
4. La Cia. BETA STEEL produce tres tamaños de tubos: A,B y C que son vendidos,
respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se
requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de
maquina de modelado. Cada pie de tubo B r equiere 0.45 minutos y cada pie del
tubo C requiere 0.6 minutos.
Después de la producción, cada pie de tubo, sin importar el tipo, requiere 1
onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de
los tubos A,B y C respectivamente.
Para la siguiente semana, BETA ha recibido pedidos excepcionalmente grandes

que totalizan 2000 pies de tubo A, 4000 pies de tubo B y 5000 pies de tubo C.
Como solo se dispone de 40 horas de tiempo de maquina esta semana y solo se

tienen en inventario 55 00 onzas de material de soldar, el departamento de
producción no podrá satisfacer esta demanda, que requiere de un total de 97
horas de tiempo de maquina y 11,000 onzas de material de soldar. No se
espera que continúe este alto nivel de demanda. En vez de expandir la
capacidad de las instalaciones de producción, la gerencia de BETA esta
considerando la compra de algunos de estos tubos a proveedores de Japón a un
costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del
tubo C. Estos diversos datos se resumen en la siguiente tabla.
69
................................................................................................................................................................................................................................
TIPO PRECIO DE DEMANDA TIEMPO DE MATERIAL COSTO

VENTA (ft) MAQUINA PARA SOLDAR DE COMPRA
($/ft) (min/ft) (oz/ft) ($/ft)
A 10 2000 1 3 6
B 12 4000 1 4 6
C 9 5000 1 4 7
a) Formule el programa lineal par a este problema

b) ¿Cuál es el plan de producción/adquisición óptimo para la BETA STEEL?
c) Si pudiera obtener mas material para soldar o más tiempo de maquina, pero no
ambas cosas, ¿cual escogería? . Explique.
d) Los japoneses acaban de aumentar el precio de sus t ubos tipo C de $7 a $8 por
pie, ¿de que manera cambia el plan de producción/adquisición actual?.
Explique.
e) La Cia. puede vender su material para soldar con una ganancia de $32 por
libra. ¿Cuánto deberá vender?. Explique.
f) La Cia. desea aumentar sus gananci as a $57,500. ¿Cuantas horas mas de
tiempo de maquina se necesitan para lograr este objetivo?. Explique.
5. Al gerente de cartera de ALFA Pension, Inc. Se la ha pedido invertir $ 1 millón

de un gran fondo de pensiones. EL Departamento de investigación de
inversiones ha identificado seis fondos mutuos con estrategias de inversión
variables, resultando en diferentes rendimientos potenciales y riesgos
asociados, como se resume en la siguiente tabla:
FONDO
1 2 3 4 5 6
Precio($/acción) 45 76 110 17 23 22
Devolución esperada( %) 30 20 15 12 10 7
Categoría de riesgo Alto Alto Alto Median Mediano Bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en

los diversos fondos. Para ese fin, la administración de Alfa Pension ha
especificado las siguientes pautas:
i) La cantidad total invertida en fondos de alto riesgo debe estar entre 50% y
75% de la cartera.
ii) La cantidad total invertida en fondos de mediano riesgo debe estar entre 20
y 30% de la cartera.
iii) La cantidad total invertida en fondo s de bajo riesgo debe ser al menos 5%
de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el
riesgo invirtiendo en muchas alternativas diferentes. La gerencia de Alfa, ha
especificado que la cantidad invertida en los fondos de alto riesgo 1,2 y 3 deben
estar en la tasa 1:2:3, respectivamente. La cantidad invertida en los fondos de
mediano riesgo 4 y 5 debe ser 1:2.
Con estas pautas, ¿ qué cartera debería usted, gerente de cartera, recomendar
para maximizar la tasa espe rada de retorno?
Utilice el LINDO para determinar la solución óptima de ALFA y para escribir un
informe en el que usted:
a) Indique la mayor tasa de recuperación que se puede permitir si no se invierte
en el fondo 6
70
................................................................................................................................................................................................................................
b) Analice el efecto que tendría sobre la tasa óptima de recuperación un aumento

de la cantidad que debe ser invertida en la inversión de bajo riesgo.
c) Proporcione la estrategia de inversión óptima si la cantidad invertida en el fondo
4 debe ser la misma que la invertida en el fondo 5.
d) Analice el efecto de los aumentos y disminuciones individuales en las
devoluciones esperadas de cada fondo.
71

Separata de Investigacion de Operaciones I-1

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Separata de Investigacion de Operaciones I-1

Încărcat de

Drepturi de autor:

Formate disponibile

INVESTIGACION DE OPERACIONES EN ADMINISTRACION Eduardo Quiroz

La investigación de operaciones se puede definir como la utilización de un método planeado y de

La investigación de operaciones es un instrumento de la adm inistración diseñado para aumentar la

1.1. DEFINICION DE MODEL O

1.2. CLASIFICACION DE MODELOS

Los modelos icónicos sin muy adecuados para la descripción de acontecimientos en un

1.2.2. MODELOS ANALOGICOS

1.2.3. MODELOS SIMBOLICOS (o MATEMATICOS )

Entre los tipos de modelos matemáticos que se usan en la investigación de operaciones, se

B) Probabilístico y determi nístico

1.3. MODELOS DE LA INVESTIGACION DE OPERACIONES

1.3.1. Modelos de secuenciación

1.3.2. Modelos de reemplazo

1.3.3. Modelos de inventario

1.3.4. Modelo de asignación

1.3.5. Modelos de programación dinámica

1.3.6. Modelos competitivos

1.3.7. Modelos de líneas de espera

1.3.8. Técnicas de simulación

La simulación esta asociado con la experimentación.

1.3.9. Modelos de ruta

2.1. HISTORIA DE LA PROGRAMACIÓN LINEAL

Históricamente, el problema general de programación lineal fue desarrollado y aplicado por

El enunciado matemático inicial del problema general de programación lineal, fue

2.2. REVISION DE LAS APL ICACIONES DE LA PROGRAMACION LINEAL.

2.2.1. Aplicaciones en la agricultura.

la economía agrícola, o sea, relacionada con la economía de la región estado o

2.2.2. Aval de contratos.

2.2.3. Aplicaciones industriales

B. Industria del carbón

D. Industria del Transporte

E. Industria del Hierro y del Acero

Ha sido formulado un modelo de programación lineal para optimizar los

2.2.4. Análisis Económico.

2.2.5. Aplicaciones militares

2.2.6. Asignación de personal

2.2.7. Programación de producción y administración de inventarios

2.2.8. Diseño estructural

2.2.9. Análisis de trafico

2.2.10.Problema de transporte y teoría de redes.

2.3. LA PROGRAMACION LINEAL EN LA ECONOMIA

La investigación para la mejor solución, la máxima, la mínima o en general las soluciones

En el campo de la economía es problema cotidiano el que se refiere a la distribución de

La distribución de recursos escasos es esencialmente un problema de decisió n, pues

Tales decisiones deben estar basadas en consideraciones teóricas y practicas que

Se ha dicho que el principio económico fundamental es la obtención de un resultado

de tal aplicación fueron lamentables: el aparente caos de la vida económica, llevo al

El grupo de técnicas a que nos referimos se conoce con el nombre de Investigación de

El descubrimiento de la programación lineal ha repercutido en la Teoría Económica, al haber

Para el economista la parte más importante de la Programación Lineal es la representada por la

El criterio de optimización es por lo general un objetivo económico. Por ejemplo: las

3.2. MODELO DE PROGRAMACION LINEAL

Max o Min (Z) = c 1x1 + c2x2 + ..........+ c nxn (1)

Sujeto a las restricciones estructurales:

y las restricciones de no negatividad

En las ecuaciones anteriores: a ij , b i y cj son valores que se asumen conocidos y el

Un programa lineal puede ser expresado de la siguiente forma:

Max o Min (Z) = C t X

c1 x1 b1 a11 a12 .......... a1n

3.3. FORMULACION DEL MODELO DE PROGRAMACION LINEAL .

La formulación del modelo de PL consiste en determinar el valor de lo s coeficientes a ij, b i ,

A continuación se presentan algunas aplicaciones de programación lineal, donde el objetivo

3.4. SOLUCION DE UN PROGRAMA LINEAL