Sunteți pe pagina 1din 160

ISSN:0716-7334

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE INSTITUTO DE ECONOMIA Oficina de Publicaciones Casilla 274 - V, Correo 21, Santiago

MODELOS DE OPTIMIZACION* Gonzalo Edwards ** Trabajo Docente N 57

Marzo, 1994

* Este trabajo es una publicacin conjunta del Instituto de Economa (Trabajo Docente N 57), y de

la Escuela de Administracin (Trabajo Docente 194-01). Pontificia Universidad Catlica de Chile. ** Profesor Facultad de Ciencias Econmicas y Administrativas, Pontificia Universidad Catlica de Chile.

INDICE

Pgina CAPITULO 1: CAPITULO 2: CAPITULO 3: CAPITULO 4: CAPITULO 5: CAPITULO 6: CAPITULO 7: CAPITULO 8: CAPITULO 9: CAPITULO 10: CAPITULO 11: REFERENCIAS INTRODUCCION AL PROCESO DE OPTIMIZACION PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS OPTIMIZACION SIN RESTRICCIONES OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y DESIGUALDAD SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL PROGRAMACION LINEAL: INTRODUCCION PROGRAMACION LINEAL Y EL COMPUTADOR PROBLEMAS ADICIONALES DE PROGRAMACION LINEAL VARIABLES BINARIAS 1 15 23 30 35 52 65 79 93 107 128 157

NOTA INTRODUCTORIA
El propsito de este trabajo es servir de material complementario para aquellos cursos que persiguen formar la capacidad de modelamiento matemtico en las reas de economa y administracin. El texto presenta el instrumental matemtico utilizado en el anlisis de optimizacin de manera comprensible, tratando de desarrollar la intuicin, sin mayor nfasis en el rigor formal. Por otra parte, el nfasis no est en la solucin de problemas de optimizacin claramente definidos, sino que en el planteamiento de los mismos. Para desarrollar la capacidad de plantear problemas se presentan en el texto numerosos ejemplos, a la vez que se proponen, al final de cada captulo, problemas adicionales para la ejercitacin del alumno. El trabajo puede dividirse en tres partes: Programacin No Lineal, donde lo principal es el planteamiento de problemas y la comprensin de las condiciones de Kuhn-Tucker. La segunda parte, de Programacin Lineal, que es un caso particular de Programacin No Lineal, presenta mltiples ejemplos de este tipo de modelos, destacando los anlisis grficos y los problemas de planteamiento. En esta parte, se hace uso de programas computacionales tales como el LINDO y el QSB+. Por ltimo, en la tecera parte, se enfatizan los problemas que requieren en su planteamiento el uso de variables binarias. Se debe destacar que se han dejado fuera varios temas en las reas descritas por razones de espacio y tiempo que en todo caso estn bien tratados en otros libros. Entre estos temas excluidos se encuentran: a) El dual; b) El mtodo Simplex de Programacin Lineal y otros algoritmos de solucin de distintos tipos de problemas de Programacin Matemtica. Asimismo, se ha decidido excluir los problemas de optimizacin en condiciones de incertidumbre, y los problemas de optimizacin dinmica. Por ltimo, como este trabajo surge de mis apuntes de clase en el Departamento de Economa Agraria y en la Facultad de Ciencias Econmicas y Administrativas de la Pontificia Universidad Catlica de Chile durante los ltimos diez aos, quiero agradecer, aunque no recuerde sus nombres, a todos los alumnos que he tenido y en especial a todos los ayudantes. De manera particular, deseo agradecer a Guillermo Donoso, Frantz Kroeger, Oscar Melo, Guillermo Ortiz, Sol Reyna y Mara Isabel Vial.

Modelos de Optimizacin

CAPITULO 1 INTRODUCCION AL PROCESO DE OPTIMIZACION El objetivo principal de este texto es aprender a plantear y resolver problemas de optimizacin. Para lograr este objetivo es conveniente expresar el problema de optimizacin tpico en trminos de las siguientes etapas: Entendimiento del Problema: Esta etapa consiste en entender las caractersticas esenciales del problema. Si bien esta etapa puede parecer obvia, muchas veces el problema radica justamente en el hecho que el problema no se entiende. En general, esta etapa no se expresa en lenguaje matemtico. Definicin de Variables: Las variables en juego deben ser definidas en forma clara. Por ejemplo, cuando se define una variable X como tomates, debe quedar claro si se refiere a kilos de tomates, hectreas de tomates, etc. Definicin de Funcin Objetivo: Esta etapa consiste en definir, en trminos matemticos, qu se quiere lograr. Por ejemplo, el objetivo puede ser maximizar ganancias, minimizar costos, minimizar el riesgo de quiebra, etc. Definicin del Conjunto de Restricciones: Esta etapa consiste en definir, nuevamente en trminos matemticos, el espacio de lo posible. Por ejemplo, cuntas hectreas se pueden sembrar como mximo con los distintos cultivos? de cunto dinero se dispone para llevar a cabo la empresa? qu capacidad se tiene para manejar inventarios? etc. Cabe advertir que muchas veces esta etapa se confunde, erradamente, con la etapa de bsqueda de la solucin. El conjunto de restricciones se refiere al espacio de lo posible y no a un espacio restringido donde se espera que est el ptimo. Si bien muchas veces puede parecer preferible trabajar con un espacio ms restringido para encontrar la solucin, en la prctica es comn que dichas restricciones dejen de hecho fuera del espacio a la verdadera solucin ptima, sobre todo en problemas complejos. Bsqueda de Solucin: Esta etapa representa el problema matemtico propiamente tal. Las etapas anteriores se refieren al problema de planteamiento del problema en trminos matemticos, mientras que esta etapa se refiere a la bsqueda del valor o de los valores de las variables que optimizan la funcin objetivo dentro del conjunto de valores posibles que stas pueden tomar. Interpretacin de Resultados: Esta etapa, que parece obvia, muchas veces es olvidada por los analistas. Un modelo no entrega resultados. Es el analista quien se debe hacer responsable de los mismos y entregarlos. Por ejemplo, si los

Trabajo Docente N 57

resultados "entregados" por el modelo o por el computador son contrarios a todo lo que el analista siempre ha creido, es posible que el analista deba revisar sus teoras. Sin embargo, lo ms probable es que el modelo tenga algn problema en el planteamiento o en el sistema de bsqueda de solucin que obligue a revisar lo realizado. El modelo es una herramienta que permite al analista entender un determinado problema. No es ms, aunque tampoco menos que eso. A continuacin se presentan varios ejemplos de planteamiento con el objeto de introducir algunos de los elementos anteriores a problemas prcticos. Se excluyen de esta introduccin las etapas de bsqueda de soluciones y de interpretacin de resultados. Ejemplo 1.1: Suponga que Ud. tiene un fundo con las siguientes caractersticas: 1. 2. 3. 4. 5. El fundo tiene 120 hectreas. Ud. est considerando la posibilidad de poner trigo, porotos, o una combinacin de ambos cultivos. Ud. no dispone de trabajadores permanentes y debe contratarlos a 700 pesos por jornada. El trigo requiere de 5 jornadas hombre por hectrea, mientras que los porotos requieren de 10 jornadas hombre por hectrea. Ud. dispone de un tractor y no puede tomar en arriendo ni dar en arriendo el tractor. Esto le impone un mximo de 300 jornadas-tractor para todo el ao. El trigo requiere de 3 JT/h, y los porotos 5 JT/h. Los costos variables por hectrea, sin contar la mano de obra, son de 50.000 pesos en el caso del trigo y 35.000 pesos en el caso de los porotos. El precio por quintal de trigo es de 3.000 pesos y por quintal de porotos, 4.000.

6. 7. 8.

El rendimiento esperado por hectrea de trigo es de 60 quintales y por hectrea de porotos es de 40 quintales.

El problema es determinar cuntas hectreas sembrar con cada cultivo.

Modelos de Optimizacin

Lo primero que hay que hacer es plantear el problema en trminos matemticos. En este ejemplo, lo que se quiere es que las ganancias sean lo ms grandes posible. Esto se expresa en trminos matemticos como: Maximizar Ganancias = Ingresos Totales - Costos Totales = IT - CT donde: IT = 3.000 x 60 x T + 4.000 x 40 x P Nmero de hectreas a sembrar de trigo y porotos respectivamente. 50.000 x T + 35.000 P + 700 (5 T + 10 P)

T, P = CT =

As, la funcin a maximizar es

f(T, P) = 126.500 T + 118.000 P

Funcin Objetivo

El problema son las restricciones. Como slo se cuenta con 120 hectreas, debe cumplirse que:

T + P 120

Restriccin 1

Por otra parte, como se cuenta slo con 300 jornadas tractor como mximo, se debe cumplir que:

3T + 5P 300

Restriccin 2

Trabajo Docente N 57

Por ltimo, estn las restricciones de no negatividad. Estas se refieren al hecho que no se pueden sembrar cantidades negativas. Matemticamente,

T 0, P 0

Restricciones de no negatividad

Esta ltima restriccin se debe poner a pesar de ser obvia. En un planteamiento matemtico, nada es obvio si no se explicita. En resumen, el problema anterior se expresa como: Maximizar f (T,P) = 126.500 T + 118.000 P sujeto a: T + P 120 3T + 5P 300 T 0; P 0 El modelo anterior es una simplificacin de una situacin tpica. No incorpora, por ejemplo, el hecho de que los rendimientos y los precios son aleatorios. Tampoco incorpora posibles restricciones de dinero o problemas de tasas de inters. Excluye, asimismo, toda consideracin de disponibilidad de agua de riego. Adicionalmente, no incluye posibles restricciones impuestas por el tamao de los potreros (suponga, por ejemplo, que no se desea sembrar ms de un cultivo en un potrero determinado). Dicho de otra forma, en un modelo slo se puede ver lo que ste incorpora. No se puede ver lo mucho que no incorpora. Ejemplo 1.2: Ud. est dedicado a la produccin de dos productos cuyas funciones de produccin son las siguientes:

0 Y1 = X1 ,7 0 Y2 = X1 , 2 X 0,8 2

Modelos de Optimizacin

donde Xi e Yj se refieren a las cantidades de insumos y productos respectivamente. Ud. sabe adems que PY1 = 10, PY2 = 15, PX1 = 2, PX2 = 3. El problema es plantear un modelo de optimizacin que, una vez resuelto, le permita decidir cunto producir de cada producto a fin de maximizar las utilidades. Como dato adicional, Ud. slo dispone de 150 pesos para la compra de insumos, y por razones tcnicas de almacenaje, Y1 no puede ser mayor al 30% de Y2. Nuevamente el objetivo es la maximizacin de utilidades. Tal como se dijo anteriormente, el primer paso es la definicin de las variables en forma clara. En este ejemplo, existen dos opciones: 1) trabajar directamente con las cantidades de insumos, 2) trabajar simultneamente con las cantidades de producto y de insumos. As, el problema se podra plantear, aunque erradamente por razones que se vern ms adelante, de cualquiera de las dos formas siguientes:
Planteamiento 1: 0 Maximizar 10 X 0,7 + 15 X 1 , 2 X 0,8 2X 1 3X 2 1 2 sujeto a: 2 X1 + 3X2 150 0 0 0 X 1 ,7 0,3 X 1 , 2 2;1 X 0,8 2 X 1, X 2 0 Planteamiento 2: Maximizar 10Y1 + 15 Y2 - 2 X1 - 3X2 sujeto a: 2X1 + 3X2 150 Y1 0,3 Y2 0 Y1 = X 1 ,7
0 Y2 = X 1 ,2 X 0,8 2 Y1, Y2, X1, X2 0

Trabajo Docente N 57

De los dos planteamientos anteriores, el primero tiene la ventaja de trabajar con dos variables en lugar de cuatro, lo que resulta ms fcil en trminos de la bsqueda de la solucin. El segundo, por otra parte, tiene la ventaja que su solucin entrega directamente las cantidades a producir y las cantidades de insumos por utilizar. En este sentido, en trminos del planteamiento del problema, parece preferible el segundo, mientras que en trminos del problema matemtico de resolucin es preferible el primero. Cul es el error en ambos planteamientos anteriores? El problema es que la cantidad del primer insumo, X1, se plantea como utilizable en ambos productos simultneamente. En la realidad, una parte se puede utilizar para un producto y el resto en el otro. No se puede usar el total de insumo en la produccin de un producto y el total tambin en la produccin del otro. De lo anterior, surge la necesidad de distinguir entre las cantidades del insumo que van a uno y otro producto. Es as como los planteamientos anteriores se reescriben como: Planteamiento 1:
0, 0, Maximizar 10 X 117 + 15 X 122 X 0,8 - 2 (X11 + X12) - 3X2 2

sujeto a: 2(X11 + X12) + 3 X2 150 0, 0, X 117 0,3 X 122 X 0,8 2 X11, X12, X2 0 Planteamiento 2: Maximizar sujeto a: 2(X11 + X12) + 3 X2 150 Y1 0,3 Y2 0,7 Y1 = X11 0, Y2 = X 122 X 0,8 2 X11, X12, X2, Y1, Y2 0 10 Y1 + 15 Y2 - 2 (X11 + X12) - 3 X2

Modelos de Optimizacin

Ejemplo 1.3: En un feedlot de engorda de novillos, se ha decidido alimentarlos con heno de alfalfa y maz grano, que cuestan 8 y 12 pesos por kilo respectivamente. El heno tiene, por kilo, 1,8 mkcal, 160 gramos de protena, 20 gramos de calcio y 160 gramos de fsforo. A su vez, el maz tiene 3 mkcal, 90 gramos de protena, 3 gramos de calcio y 2 gramos de fsforo por kilo. Los requerimientos de cada novillo por da son de 12 mkcal, 1,2 kilos de protena, 100 gramos de calcio y 50 gramos de fsforo. El problema es plantear un modelo de optimizacin que, una vez resuelto, permita minimizar el costo de engorda diario por novillo suponiendo que por razones tcnicas, la relacin calcio:fforo debe estar entre 1:1 y 2:1. Definiendo H y M como las cantidades, en kilos, de heno y maz respectivamente, el problema se puede plantear como sigue: Minimizar f (H,M) = 8H + 12 M sujeto a: 1,8 H + 3 M 12 160 H + 90 M 1,2 20 H + 3 M 100 160 H + 2 M 50 cantidad de calcio 1 cantidad de fsforo H, M 0 Ejemplo 1.4: Se dispone de 50 unidades de un bien para vender en 2 mercados independientes. En cada mercado, las demandas estn dadas por las ecuaciones P1 = 40 - X1 y P2 = 50 - 2 X2, donde Pi representa el precio de venta unitario en el mercado i, y Xi la cantidad vendida en dicho mercado. El problema es plantear el problema de optimizacin correspondiente. Las variables de decisin en este caso son las cantidades que se deben enviar a los distintos mercados. El problema se puede plantear de cualquiera de las siguientes formas: (caloras) (protenas) (calcio) (fsforo) 20 H + 3 M = 160H+ 2 M

Trabajo Docente N 57

Planteamiento 1: Maximizar P1 X1 + P2 X2 sujeto a: X1 + X2 50 P1 = 40 - X1 P2 = 50 - 2 X2 P1, P2, X1, X2 0 Planteamiento 2: Maximizar (40 - X1 ) X1 + (50 - 2X2 ) X2 sujeto a: X1 + X2 50 X1, X2 0 El segundo planteamiento reemplaza las ecuaciones de demanda en la funcin objetivo. Cabe sealar que ambos planteamientos no son equivalentes desde el punto de vista matemtico. La razn es que en el segundo planteamiento, si bien se sustituyen los precios en la funcin objetivo, no se sustituyeron en las restricciones de no negatividad originales (P1 0, P2 0). Dicho de otra forma, al segundo planteamiento falt agregar: 40 - X1 0 50 - 2X2 0 Ejemplo 1.5: Ud. es dueo de una planta agroindustrial que produce tomates, peras y duraznos en conserva. Ud. debe planificar la produccin del prximo mes de tal forma de maximizar los ingreso netos. Los costos de materia prima son 10, 15 y 20 pesos por kilo en los 3 productos respectivamente si se abastece del abastecedor A y 15, 20 y 10 pesos por kilo si se abastece

Modelos de Optimizacin

del abastecedor B. El abastecedor A no le presenta ningn problema para venderle las cantidades que Ud. quiera. Sin embargo, el abastecedor B lo obliga a comprar por lo menos 1 kilo de peras por cada dos kilos que le compre de duraznos y un mximo de 1 kilo de duraznos por cada kilo de tomates que le compre. La produccin Ud. la puede vender a la cadena de supermercados X o a la cadena Y (o a ambos). Las demandas de X vienen dadas por las siguientes ecuaciones, donde los precios son por kilo de materia prima equivalente: Ptomates = 2.000 - 2 Qtomates Pperas = 1.000 - 4 Qperas 850 - 3 Qduraznos
X X X

Pduraznos =

A Y, por otro lado, le gustara que le vendiera slo a l, por lo cual le ofrece menos precio a mayor cantidad que le enve a X. Las demandas de Y vienen dadas por las siguientes ecuaciones: Ptomates = 2.500 - 2Qtomates - Qtomates Pperas = 2.000 - 3Qperas - Qperas
Y X Y X Y X

Pduraznos = 3.000 - Qduraznos - Qduraznos En este caso, se deber decidir acerca de cunto comprar de cada producto a cada abastecedor, y cunto vender de cada producto en conserva a cada supermercado. De aqu surge la siguiente definicin de variables: Pj , Qj Pj , Qj
l l i i

precio y cantidad de producto j (j = tomates, peras, duraznos) comprada al abastecedor i (i = A, B). precio y cantidad de producto j (j = tomates, peras, duraznos) vendido al supermercado l (l = X, Y).

Se supondr, en un primer anlisis, que se debe cobrar el mismo precio a ambos supermercados. As el problema se puede plantear como:

10

Trabajo Docente N 57

Maximizar
X X X X X Y Y Y Y Y

Ptomates Qtomates + Pperas Qperas + Pduraznos Qduraznos + Ptomates Qtomates + Pperas Qperas + P duraznos Qduraznos - 10 Qtomates - 15 Qperas - 20 Qduraznos - 15 Qtomates - 20 Qperas - 10 Qduraznos sujeto a: Qperas
B B B B B A A A Y

0,5 Qduraznos
B

Qduraznos Qtomates Ptomates Ptomates Pperas Pperas


X Y X X X Y X Y X

= 2.000 - 2 Qtomates = 2.500 - 2 Qtomates - Qtomates = 1.000 - 4 Qperas = 2.000 - 3 Qperas - Qperas
X Y X X Y X

Pduraznos = 850 - 3 Qduraznos Pduraznos Ptomates Pperas = 3.000 - Qduraznos - Qduraznos = Ptomates = Pperas
Y Y Y Y X

Pduraznos = Pduraznos Todas las variables mayores o iguales a cero.

Las tres ltimas restricciones son las que aseguran que se cobre un mismo precio a ambos supermercados. Si se puede cobrar distintos precios a ambos supermercados, se deben omitir estas restricciones.

Modelos de Optimizacin
Problemas Propuestos

11

1.1.

Ud, que es administrador de un fundo de 150 hectreas, debe programar su produccin para el prximo ao. Los productos a considerar son trigo, maz y remolacha. Los coeficientes tcnicos de produccin y las disponibilidades de los distintos recursos son lo que a continuacin se sealan:

trigo maz remolacha disponibilidad Mano de obra (JH/h) 15 Capital (JM/h) 12 25 14 85 4 3.000 2.000

Suponiendo que los beneficios netos unitarios (expresados en trminos de pesos por hectrea) son 500, 800 y 950 pesos para el trigo, maz y remolacha respectivamente, plantee el problema de optimizacin correspondiente. 1.2. En un taller se elaboran tres productos A, B, C cuyas demandas son respectivamente 90, 110, 120 unidades semanales. En la tabla se indican las capacidades del taller para cada mtodo y las ganancias asociadas con cada producto y mtodo de fabricacin. Mtodo 1 2 3 Capacidad Producto 160 120 140 Ganancia/unidad 1 2 3 A 139 140 B 201 207 C 254 255

137 210 255

Plantee el problema de optimizacin correspondiente definiendo claramente las variables, funcin objetivo y restricciones. 1.3. Una fbrica de muecas debe decidir cuntas muecas de cada tipo producir para maximizar las ganancias. Cuenta con dos tipos de muecas, tipo 1 y tipo 2. El tipo 1 llora y requiere 15 minutos de fabricacin y 15

12

Trabajo Docente N 57

minutos de acabado a mano, el tipo 2 necesita 30 minutos para su fabricacin y 3/9 horas para el acabado a mano. La ganancia por mueca tipo 1 es de $ 8 y la de la otra es de $ 12. La produccin est limitada a 10 horas en el departamento de fabricacin diariamente y el acabado a mano 8 horas/da. Se pide: Plantee el problema de optimizacin correspondiente. 1.4. Ud. acaba de recibir por equivocacin un animal extico del Africa con la siguiente nota colgada a su cuello: Me llamo TIMBO, como nada ms que carne de lagartija y maz, necesito un mnimo de 80 grs. de protena y 6.000 caloras diarias. Soy un animal simptico siempre que me den las protenas y caloras que pido. Cidenme. Depus de hacer las averiguaciones del caso, Ud. aprende que por cada kilo de carne de lagartija, obtiene 40 grs. de protena y 4.000 caloras. Por cada kilo de maz, obtiene un total de 30 grs. de protenas y 3.500 caloras. El precio del maz es de 100 pesos por kilo mientras que el precio unitario de la carne de lagartija depende de cuanto compre Ud. al da. Su carnicero amigo le dice que cada da est ms difcil conseguirla por lo que le especifica la siguiente funcin para el precio: P = 50 + 200 X donde P = precio por kg. de la carne de lagartija X = cantidad de carne comprada (en kgs. por da) Se pide: a) 1.5. Formule el modelo de optimizacin que le permita minimizar el costo de la racin diaria.

Para cada una de las siguientes afirmaciones escriba la o las restricciones correspondientes definiendo claramente todas las variables.

a) La relacin calcio:fsforo en una racin debe estar entre 3:1 y 4:1

Modelos de Optimizacin

13

b) Por cada tractor que compre, debe haber por lo menos 6 trabajadores permanentes en el fundo. c) Juanita me ha pedido que la llame por lo menos 6 veces por cada 5 que llame a Francisca. d) Para hacer una cazuela, por cada papa se debe poner al menos 2 pedazos de zapallo. e) Por cada hectrea de maz, se necesitan 2 jornadas-hombre (JH) al ao, y por cada hectrea de trigo se requieren 4. Se dispone de 25 JH en total para el ao. f) Un agricultor desea sembrar el doble de hectreas de arroz que de maz y el triple que de porotos. g) Del total de trigo que se produzca, la mitad se debe mandar a Santiago, no ms de un tercio a Valparaso, y el resto a Concepcin. h) En una fonda han dedicido regalar 2 dulces por cada litro de chicha que les compren. i) Un agricultor tiene 10 kg. de semilla de un cultivo super especial. Cada kg. produce al final de la estacin 2,5 kg. de producto que puede ser consumido o usado como semilla para la temporada siguiente. El producto en s no puede ser almacenado de un ao para otro. Este agricultor desea tener por lo menos 16 kg. para consumir luego de la primera cosecha y por lo menos 12 para consumir luego de la segunda. De ah para adelante la semilla ya no le interesa. 1.6. Ud es dueo de un restaurant y dispone para el da de hoy de 100 lechugas, 200 tomates, 35 aceitunas, 180 betarragas y 100 choclos. En su men, Ud. ha decidido poner lo siguiente: ENSALADAS DE HOY LECHUGAS A LA NAPOLITANA (1 lechuga, 2 tomates, 1 choclo) BETARRAGAS A LA VIENESA (2 lechugas, 3 betarragas, 1 aceituna) CHOCLOS A LA CHILENA 450 pesos 300 pesos 650 pesos

14

Trabajo Docente N 57

(3 choclos, 1 aceituna, 4 tomates) Se pide: Plantee un modelo que le permita maximixar sus ingresos (suponga que lo que haga lo vende, pero que debe preparar los platos antes que lleguen los clientes). Se recomienda definir: X1 = N de platos de Lechugas a la Napolitana. X2 = N de platos de Betarragas a la Vienesa. X3 = N de platos de Choclos a la Chilena. 1.7. Suponga que Ud. se qued despus del 18 de septiembre, da en que puso una fonda, con 1.000 litros de chicha y 600 litros de vino. Ud. tiene la posibilidad de guardarlos, total o parcialmente, hasta el prximo ao y venderlos en las fondas a un precio de 100 pesos y 150 pesos por litro de chicha y de vino respectivamente, o venederlos hoy a un precio de 50 y 85 pesos respectivamente a una botillera. Ud. no tiene problemas con la tasa de inters directamente, pero necesita hoy 50.000 pesos para pagar una deuda pendiente. Por ltimo, el seor de la botillera le exige que por cada litro de chicha que le venda debe venderle por lo menos 2 litros de vino.

Se pide: Plantee el problema de optimizacin correspondiente definiendo claramente las variables.

Modelos de Optimizacin

15

CAPITULO 2 PROGRAMACION MATEMATICA: ALGUNOS CONCEPTOS BASICOS Los problemas vistos en el captulo anterior son todos problemas de Programacin Matemtica (PM). Formalmente, en un problema de PM se trata de encontrar el vector x = (x1 , x2 , ..., xn ) que, perteneciendo a un conjunto X, llamado conjunto de oportunidades y subconjunto a su vez de Rn , o conjunto de los nmeros reales en n dimensiones, maximice una funcin objetivo f(x1 , x2 , ..., xn ). Dicho de otra forma, el conjunto X no es ms que el conjunto de todos los valores que pueden tomar las distintas variables, mientras que la funcin objetivo representa aquello que se desea maximizar. En trminos del ejemplo 1.1, el set X es el conjunto de todos los valores de T y P que satisfacen las restricciones T + P 120 3T + 5P 300 T 0; P 0 y la funcin objetivo es f (T,P) = 126.500 T + 118.000 P Cabe sealar que el planteamiento de un problema de Programacin Matemtica como uno de maximizacin, en lugar de uno de minimizacin, es slo por conveniencia. Es obvio que existen muchos problemas donde lo que se desea es minimizar y no maximizar una funcin objetivo. Afortunadamente, todo problema de minimizacin se puede escribir como uno de maximizacin ya que el vector que minimiza a f(x) es el mismo que maximiza - f(x). Dos importantes casos especiales de PM lo constituyen la Programacin No Lineal y la Programacin Lineal. En el primero, el conjunto de oportunidades X est caracterizado por X = {x | g(x) b, x 0} en que

Modelos de Optimizacin

17

de cmo transformar ciertos problemas de PM que no son estrictamente de PNL o PL en problemas que caigan dentro de estas ltimas categoras. Ejemplo 2.1: Considrese el problema Maximizar 3X1 + 2X2 sujeto a: X1 100 2X1 + 3 X2 10 X1 , X2 0 En este caso, la segunda restriccin no es de "menor o igual" con lo cual el problema no debe, segn la definicin anterior, considerarse como de PL. Sin embargo, esta restriccin puede reescribirse como -2 X1 - 3 X2 - 10 sin cambiar para nada las implicancias de la restriccin. Ejemplo 2.2: Considrese el problema Maximizar X1 + X2 sujeto a: X1 = 100 X1 + 2 X2 200 X1 , X2 0 El problema en este caso lo presenta la primera restriccin, que es de igualdad. Esta restriccin se puede descomponer en dos partes: X1 100 X1 100

18

Trabajo Docente N 57

Obviamente, estas restricciones implican que X1 = 100. Este sistema lleva, sin embargo, a tratar el problema de "mayor o igual" de la misma manera que en el ejemplo 2.1 As, el problema de PM se puede reescribir como el siguiente problema de Programacin Lineal: Maximizar X1 + X2 sujeto a: - X1 - 100 X1 100 X1 + 2 X2 200 X1 , X2 0 Ejemplo 2.3 Considrese el problema: 3 Maximizar X1 + X2 sujeto a: 2 X1 + X2 100 X1 0 En este caso, la variable X2 no tiene restriccin de nonegatividad. Como en Programacin No Lineal todas las variables deben ser nonegativas, y reconociendo que todo nmero real, (positivo, negativo, o cero) puede expresarse como la diferencia entre dos nmeros nonegativos, lo que se hace es reescribir la variable X2 como X2 = X21 - X22 donde X21 y X22 son mayores o iguales a cero. As, el problema original se puede reescribir como el siguiente problema de Programacin No Lineal:

Modelos de Optimizacin

19

3 Maximizar X1 + X21 - X22 sujeto a: 2X1 + X21 - X22 100 X1 , X21 , X22 0 Los tres ejemplos anteriores han permitido transformar problemas de PM, que no son problemas de PNL o de PL, en problemas que s son de PNL o PL. La ventaja de esto es que en general, mientras ms acotada est una clase de problemas, ms especficos se puede ser en su caracterizacin y resolucin. Dicho de otra forma, todo lo que se pueda decir de los problemas de PM es vlido para problemas de PNL o PL, pero no viceversa. Esto quiere decir que al transformar, por ejemplo, un problema de PM, no PL, en uno de PL, todo lo que es vlido para la clase de problemas de PM sigue siendo vlido para el problema transformado, y, adems, todo lo que es vlido para problemas de PL pasa a ser vlido luego de la transformacin. En todo caso, se debe destacar que no siempre es posible hacer este tipo de transformaciones, como lo demuestra el ejemplo siguiente: Ejemplo 2.4: Considrese el problema Maximizar 3X1 + 2X2 sujeto a: X1 < 40 X2 20 X1 , X2 0 El problema en este caso es la desigualdad estricta en la primera restriccin. Podra pensarse que el ptimo es X1 = 39,9 y X2 = 20. Sin embargo, una solucin mejor sera X1 = 39,99 o mejor an X1 = 39,999. En este caso no se puede encontrar el ptimo, con lo cual ya no se puede maximizar de acuerdo con la definicin del proceso de maximizacin dada al comienzo de este captulo.
* * * *

20

Trabajo Docente N 57

Mximos Locales y Mximos Globales Un punto x* es un mximo global si f(x*) f(x) para todo x, x* X. Por otro lado, x* es un mximo global estricto si f(x*) > f(x) para todo x, x* X. Asimismo, x* es un mximo local si x* X y f(x*) f(x) para todo x, que perteneciendo a X, se encuentre en una vecindad de x*. Si f(x*) > f(x), entonces x* es un mximo local estricto. El carcter geomtrico intuitivo de estas definiciones es inmediato como lo ilustra la figura siguiente:

f(x)

x* 1

* x2

* x3

x* 4 x

x* 5

x* 6

X1 es un mximo local estricto, X2 es un mnimo global estricto, X3 es un * mximo local estricto y un mximo global (no estricto), X4 es un mnimo local * * estricto, X5 es un mximo global (no estricto), X6 es un mnimo local (en un borde del conjunto de oportunidades).

Modelos de Optimizacin

21

Problemas Propuestos

2.1.

Considere los siguientes problemas de optimizacin:


Maximizar X1 + 3 X2 sujeto a: X1 + 2 X2 8 2X1 + 3 X2 15 X1 + X2 = 6 X1 , X2 0 Mininizar 3X1 + 2 X2 sujeto a: X1 + 2 X2 10 X1 0 Minimizar 3 X2 + Y sujeto a: X + Y 10 2X + Y 15 X + 3Y = 10 X 0, Y 0

Se pide: Transforme estos problemas en problemas de Programacin Lineal o No Lineal segn corresponda. 2.2. Considere el siguiente problema de optimizacin.
Minimizar P1 X1 + P2 X2 sujeto a: P1 = 100 - X1 P2 = 200 - X2 X1 + X2 20 P1, P2, X1, X2 0

22

Trabajo Docente N 57

Se pide: Transforme este problema en un problema de Programacin No Lineal sin sustituir las variables P1 y P2 en la funcin objetivo.

Modelos de Optimizacin

23

CAPITULO 3 OPTIMIZACION SIN RESTRICCIONES

Este captulo tiene por objeto caracterizar el ptimo cuando el problema no tiene restricciones. Es decir, cuando el conjunto de oportunidades es igual al conjunto de los nmeros reales en n dimensiones, Rn. En primer lugar se ver el caso de una funcin objetivo de una variable para luego generalizar al caso de una funcin de varias variables.
Funcin objetivo de una variable

En este caso, se desea maximizar una funcin f(x). Si se supone que f(x) es diferenciable, entonces la condicin de primer orden es que
df dx = 0

y la condicin de segundo orden es que


d2f dx2 < 0

cuando se evala la segunda derivada en el punto donde la primera derivada es cero. Si un punto satisface estas condiciones, entonces dicho punto es un mximo local. Se debe destacar que la condicin de segundo orden es suficiente pero no necesaria, ya que la segunda derivada podra ser cero en el mximo, como lo demuestra el caso de la funcin
f(x) = - x2

En este ejemplo la primera derivada es cero en el punto x* = 0, y la segunda derivada evaluada en dicho punto tambin es cero. El punto x* = 0, sin embargo, es un mximo. Si se sustituye la condicin de segundo orden por
d2f dx2 0

24

Trabajo Docente N 57

se obtiene una condicin necesaria pero no suficiente, ya que una segunda derivada igual a cero puede corresponder a un mximo, mnimo, o punto de inflexin. Para ver este punto se sugiere estudiar las funciones
a) f(x) = - x2 b) f(x) = x2 c) f(x) = x3

En los tres casos, la primera derivada es cero cuando x* = 0, y la segunda derivada es cero tambin cuando se evala en dicho punto El caso a) corresponde a un mximo, b) corresponde a un mnimo, y c) corresponde a un punto de inflexin. Para saber si un punto crtico (punto en el cual la primera derivada es cero) es un mximo, mnimo, o punto de inflexin, se debe en primer lugar evaluar la segunda derivada en dicho punto. Si dicha derivada es cero, se debe seguir derivando hasta encontrar la primera derivada no cero cuando se evala en el punto crtico. Supngase que la ensima derivada es la primera derivada distinta de cero; entonces si n es impar, se trata de un punto de inflexin; si n es par y dfn dfn es mayor que cero, se trata de un mnimo; y si es par y es menor que dxn dxn cero, se trata de un mximo. Para finalizar el anlisis de funciones de una variable, considrese la funcin
f(x) = 3x

df En este caso, dx = 3, con lo cual f(x) no tiene punto crtico. En este caso no se puede maximizar ya que el mximo es infinito, el cual no es un nmero real.

Modelos de Optimizacin
Ejemplo 3.1:

27

Considrese la matriz
-3 1 2 1 -4 -1 2 -1 -7

Esta matriz es negativa definida ya que


det (H1) = f11 = -3 < 0
f11 f12 -3 1 det (H2) = det f f = det 1 -4 = 11 > 0 21 22

-3 1 2 det (H3) = det 1 -4 -1 = - 62 < 0. 2 -1 -7 Matriz positiva definida: Una matriz es positiva definida si los determinantes de sus submatrices no alternan de signo, con el primer determinante mayor que cero. En otras palabras, si det (H1) > 0, det (H2) > 0, det (H3) > 0, y as sucesivamente. Matriz semidefinida: Para que una matriz sea negativa semidefinida o positiva semidefinida, los requisitos de menor o mayor que cero descritos pasan a ser de menor o igual o de mayor o igual. Otras Matrices: Si el Hessiano evaluado en el punto crtico, es decir el punto donde la primera derivada es cero, no corresponde a ninguna de las definiciones anteriores, entonces el punto crtico es un punto de inflexin.

En relacin con el Hessiano, se debe destacar que, tal como se pide mostrar en el problema propuesto 3.2., el requisito que este sea negativo definido en el caso de un mximo obliga a que todos los miembros de la diagonal sean negativos. Esto es equivalente a decir que el punto crtico debe ser un mximo en todas las direcciones definidas por los ejes de las ordenadas. La razn para exigir que adems el Hessiano sea negativo definido, lo cual implica considerar las segundas derivadas cruzadas, es que puede darse el caso que siendo un mximo en el sentido de X1, X2, ... no lo sea en el sentido de una combinacin de las variables. Este punto debera quedar claro al resolver el problema propuesto 3.3. En este punto, es conveniente destacar que si el Hessiano es semidefinido positivo o semidefinido negativo en el punto crtico, en teora dicho punto puede

28

Trabajo Docente N 57

ser un mximo, mnimo, o punto de inflexin. En el caso de una variable, para determinar a cul caso corresponda, se deba seguir derivando hasta llegar a la primera derivada no cero cuando se evaluaba en el punto crtico. En el caso de varias variables, ello significa derivar el Hessiano con respecto a cada una de las variables; luego dicho conjunto de derivadas respecto nuevamente a cada una de las variables, y as sucesivamente. Hacer sto, aparte de ver que significa ser positivo o negativo en dichos conjuntos, est claramente fuera del alcance de este texto. Finalmente, se debe sealar que la caracterizacin del ptimo basada en las primeras y segundas derivadas se refiere a ptimos locales, no necesariamente globales. Sin embargo, si la segunda derivada, o el Hessiano, tiene un signo nico para cualquier valor de la o las variables, entonces el ptimo local es tambin global. Por otra parte, el hecho que una funcin tenga una segunda derivada negativa, por ejemplo, para cualquier valor de la variable, no significa que dicha funcin tenga necesariamente un mximo local y en consecuencia global. Tal sera el caso de una funcin que converge asintticamente a un valor dado.
Problemas Propuestos

3.1

Considere la funcin
f(X,Y,Z) = -2X2 -XY - Y2 - Y Z - Z2 + 6X+7Y+8Z - 9

a) b) 3.2

Encuentre un punto crtico. Es ste un mximo, mnimo o ninguno de los dos? Use las condiciones de segundo orden.

Considere cualquier funcin f(X1, X2). Muestre que para que el Hessiano 2f(x1, x2) sea negativo definido, es necesario que fii = sea menor que xi2 cero para i = 1, 2. Considere la funcin
f(X,Y) = - 2X2 - Y2 - a XY

3.3

donde "a" es un parmetro que puede tomar cualquier valor. Se pide:

Modelos de Optimizacin

29

a) b) c)

Demuestre que el punto (X,Y) = (0, 0) es un punto crtico. Encuentre un valor cualquiera de "a" tal que dicho punto crtico sea un mximo. Para el valor de "a" encontrado, encuentre el valor de f(0, 0); f(0, 1); f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; -1). Trate de imaginar la forma de la funcin. Encuentre un valor cualquiera de "a" tal que el punto crtico sea un punto de inflexin. Para el valor de "a" encontrado en la parte anterior, encuentre el valor de f(0, 0); f(0, 1); f(1, 0); f(0, 1); f(-1, 0); f(1, 1); f(-1; 1). Nuevamente, trate de imaginar la forma de la funcin.

d) e)

30

Trabajo Docente N 57

CAPITULO 4 OPTIMIZACION CON RESTRICCIONES DE NO NEGATIVIDAD

En este captulo, el objetivo es caracterizar el ptimo cuando se impone la condicin que las variables sean no negativas. En economa, esta es la situacin normal. Los precios no pueden ser negativos, las cantidades a producir o almacenar no pueden ser negativas, las cantidades de insumos tampoco, etc. Por otra parte, como se vio en el captulo 2, en Programacin No Lineal, el problema se define con la restriccin que todas las variables sean mayores o iguales a cero. Al igual que en el captulo anterior, se ver en primer lugar el caso de funciones de una variable para luego ver el caso de funciones de diversas variables.
Funcin objetivo de una variable

El problema en este caso se puede escribir como


Maximizar f(x) sujeto a: x 0

En relacin con este problema, el ptimo puede ser mayor o igual a cero. Si es estrictamente mayor que cero, entonces las condiciones derivadas para el caso sin restricciones se mantienen. Si el ptimo se encuentra donde x* es igual a cero, entonces la derivada de la funcin evaluada en dicho punto debe ser menor o igual a cero (nunca mayor que cero por cuanto ello implicara que existe un punto mejor dentro de los valores positivos de la variable). El grfico siguiente muestra las distintas situaciones posibles.

Modelos de Optimizacin

31

f(x)

f(x)

x* (a) f(x)

x* (b)

x* (c)

La situacin (a) ocurre cuando x* > 0. En este caso el ptimo se encuentra en un punto interior del conjunto de oportunidades con lo que f'(x*) debe ser necesariamente igual a cero. Las condiciones de segundo orden seran las mismas que en el caso sin restricciones visto en el captulo anterior. La situaciones (b) y (c) ocurren cuando el ptimo se encuentra en el borde del conjunto de oportunidades. Es decir, cuando x* = 0. En el caso (b), f'(x*) < 0; mientras que en (c), f'(x*) = 0. Lo anterior se puede resumir en las siguientes condiciones de primer orden:
(1) Si x* > 0, entonces f'(x*) = 0 (2) Si x* = 0, entonces f'(x*) 0 (3) x* 0

Estas condiciones se pueden sustituir por

32

Trabajo Docente N 57

(1') (2') (3')

f' (x*) 0 x* f' (x*) = 0 x* 0

La razn para ello es que (1), (2) y (3) implican que necesariamente se cumple (1'), (2') y (3'); y adems (1'), (2'), y (3') implican que necesariamente se cumple (1), (2), y (3). Son por lo tanto expresiones igualmente vlidas para representar las condiciones de primer orden en el caso de una variable con restriccin de no negatividad. De aqu en adelante se trabajar con las condiciones (1'), (2') y (3'). Hasta aqu no se han discutido las condiciones de segundo orden para el caso en que x* = 0. Si f'(x* = 0) es igual a cero, el punto crtico x* puede ser un mximo o un mnimo en el borde tal como se observa en el grfico siguiente. De aqu que las condiciones de segundo orden presentadas para el caso sin restricciones se deban mantener.
f(x) f(x)

Por otra parte, si f'(x*=0) es estrictamente menor que cero, entonces necesariamente se trata de un mximo local, independiente del valor de la segunda derivada, tal como lo muestran los grficos siguientes

Modelos de Optimizacin

33

f(x)

f(x)

f''(x*) < 0

f''(x*) > 0

Funcin objetivo de varias variables

El problema en este caso se representa como


Maximizar f(x1, ....., xn) sujeto a: xi 0 para todo i = 1, ..., n

Las condiciones de primer orden son anlogas a aquellas presentadas para el caso de una variable restringida a ser no negativa. Es as como debe cumplirse que
f 1) x i f 2) x xi i 3) xi 0; 0; i = 1,...., n

= 0; i = 1,...., n i = 1,...., n

34

Trabajo Docente N 57

Problemas Propuestos

4.1.

Sea Q la cantidad producida de un cierto producto. El precio unitario de venta est dado por P = 20 - Q (funcin demanda) y el costo total de produccin por
C = Q2 + 8Q + 2

a) Qu cantidad Q maximiza la utilidad neta y a qu precio? b) Qu cantidad Q maximiza el ingreso total por ventas y a qu precio?

Modelos de Optimizacin

35

CAPITULO 5 OPTIMIZACION CON RESTRICCIONES DE IGUALDAD Y DESIGUALDAD

Este captulo persigue caracterizar el mximo de un problema cuando existen distintos tipos de restricciones, para terminar con el caso general de Programacin No Lineal. En primer lugar, se ver el caso de restricciones de igualdad, luego se ver el caso de restricciones de desigualdad, y finalmente se caracterizar el mximo en el caso general de Programacin No Lineal.
Restricciones de igualdad

El problema en este caso se presenta como


Maximizar f(x1, ....., xn) sujeto a: g1(x1, ... , xn) = b1
. . . . . .

gm(x1, ... , xn) = bm

Para caracterizar el ptimo se hace uso del Lagrangeano, que en este caso es igual a
= f(x1, ... , xn) +

i =1

i (bi - gi(x1, ... ,xn))

donde i, (i = 1,.....,m), son variables auxiliares. La ventaja de usar el Lagrangeano es que ste transforma un problema con n variables y m restricciones de igualdad en un problema con n + m variables, pero sin restricciones.

Las condiciones de primer orden, como en el caso sin restricciones, son

36

Trabajo Docente N 57

xi = 0 para i = 1, ... , n = 0 para j = 1, ... , m j Ejemplo 5.1:

Suponga el problema
2 2 Maximizar - x1 - x2 sujeto a 2 x1 + x2 = 6

El Lagrangeano en este caso es


2 2 = - x1 - x 2 + (6 - 2 x1 - x2 )

Las condiciones de primer orden para este problema son


x1 = - 2x1 - 2 = 0 x2 = - 2x2 - = 0 = 6 - 2 x1 - x 2 = 0

Al resolver este sistema de ecuaciones se obtiene


x1 = 2,4 x2 = 1,2 * = -2,4 f(x1 ; x2 ) = f(2,4; 1,2) = -7,2. Significado de
* * * *

Modelos de Optimizacin

37

Para entender el significado de la variable , a continuacin se desarrolla, por conveniencia como se ver ms adelante, nuevamente el ejemplo anterior alterando slo el lado derecho de la restriccin.
Ejemplo 5.2:

Suponga el problema
2 2 Maximizar - x1 - x2 sujeto a 2 x1 + x2 = b

donde b es un parmetro. El Lagrangeano sera simplemente


2 2 = - x1 - x 2 + (6 - 2 x1 - x2 )

Las condiciones de primer orden son


x1 = - 2x1 - 2 = 0 x2 = - 2x2 - = 0 = b - 2 x1 - x 2 = 0

Al resolver este sistema de ecuaciones se obtiene


2b 5 * b x2 = 5

x1 =

* = -

2b 5

* * b2 2b b f(x1 ; x2 ) = f( 5 ; 5 ) = - 5

38

Trabajo Docente N 57

Lo que se ha hecho con este ejemplo es obtener el valor de las variables en el ptimo y el valor de la funcin objetivo en el ptimo como funcin del lado derecho de la restriccin. Si ste vara, es fcil obtener la nueva solucin ptima. El punto importante, sin embargo, surge del hecho que en el ptimo, se cumple que
f* b -b2 ( 5 ) = b = *

Este resultado es vlido cualquiera sea el nmero de variables en la funcin objetivo y cualquiera sea el nmero de restricciones1. El resultado general se expresa como
* f* i = b i

A modo de ejemplo, si f(x1,......, xn) representa el ingreso de una firma y bi la disponibilidad de insumo i, entonces i representa cuanto cambian los ingresos en el ptimo por unidad adicional de recurso i que se utilice. Como las restricciones son de igualdad este valor puede ser positivo, negativo, o cero. Por ejemplo, una unidad adicional de agua puede ser beneficiosa, perjudicial, o no tener ningn efecto sobre la produccin si se obliga a utilizarla (restriccin de igualdad), dependiendo del nivel de agua que se utiliza inicialmente.
Programacin No Lineal
*

El problema de Programacin No Lineal, tal como se definiera en el captulo 2, es


Maximizar f(x1, ... , xn) sujeto a:

1 En rigor, es necesario sealar que para poder encontrar el ptimo usando el mtodo del Lagrangeano, es necesario que las restricciones cumplan con ciertas condiciones de regularidad que permitan despejar el ptimo de las condiciones de primer orden. Estas condiciones, puede decirse, son de inters terico ms que prctico por lo que no se analizan en este texto. El lector interesado puede consultar las referencias al final de este texto.

Modelos de Optimizacin

39

g1(x1, ... , xn) b1


. . . . . .

gm(x1, ... , xn) bm x1, x2, ..., xn 0

Para derivar las condiciones de primer orden, se hace uso nuevamente del Lagrangeano donde
= f(x1,...., xn) +

i =1

i (bi - gi(x1, ... ,xn))

La nica diferencia entre este Lagrangeano y el anterior es que el trmino que acompaa a i, (bi - gi(x1, ... , xn)), debe ahora ser mayor o igual que cero en lugar de igual a cero. Ello, debido a que las restricciones son ahora de desigualdad. As, el problema es
Maximizar = f(x1, ... , xn) + i (bi - gi(x1, ... ,xn))
i =1 m

sujeto a x1, ... , xn 0

En otras palabras, el problema de Programacin No Lineal se puede expresar como un problema con n + m variables con restricciones de no negatividad para algunas de ellas.

A continuacin se presentan las condiciones de primer orden para este problema, dejando para despus de dicha presentacin la explicacin de las mismas.

40

Trabajo Docente N 57

1) x 0; i 2) x xi = 0; i 3) 0; j 4) = 0; j j 5) xi, j 0;

i = 1, ... , n i = 1, ... , n j = 1, ... , m j = 1, ... , m i = 1, ... , n; j = 1, ... , m

Estas condiciones se conocen como condiciones de Kuhn-Tucker. Las condiciones (1) y (2) son anlogas a aquellas presentadas anteriormente para el caso con restricciones de no negatividad. La condicin (3) es simplemente otra forma de escribir la restriccin que
gi(x1, ... , xn) bi

La condicin (4) es anloga a la condicin (2) referida a i . Esta dice que si no se usa todo el recurso, entonces i = 0, y que si i es mayor que cero es porque se usa todo el recurso. La condicin de no negatividad para xi era parte de las restricciones originales. Por ltimo, la condicin que i 0 se deriva del hecho que i es en el ptimo, al igual que antes, igual a
* f* i = b i
* *

Si aumenta la disponibilidad de recurso i, el valor de la funcin objetivo en el ptimo debe aumentar, o bien quedar igual. No puede empeorar la situacin si se aumenta la disponibilidad de un recurso. Este resultado es distinto de aquel presentado para el caso con restricciones de igualdad, donde bi no representaba disponibilidad sino que uso efectivo.
i se conoce como precio sombra del recurso e indica cunto es lo mximo que se est dispuesto a pagar en trminos de las unidades en que est expresada la funcin objetivo, por una unidad adicional de recurso2.
2

Al igual que en el caso de restricciones de igualdad, es necesario que las restricciones cumplan

Modelos de Optimizacin

41

A continuacin se presentan algunos ejemplos de caracterizacin del ptimo en el caso general de Programacin No Lineal.
Ejemplo 5.2: Considrese el problema 2 Maximizar 3X1 + 2X2 sujeto a 2 X1 + X2 6 X1, X2 0

En este caso, el Lagrangeano se puede escribir como


2 = 3X1 + 2X2 + (6 - 2X1 - X2)

Las condiciones de Kuhn-Tucker en este caso son


1) X = 6X1 - 2 0 1 3) X = 2 - 0 2 5) = 6 - 2X1 - X2 0 2) X X1 = 0 1 4) X X2 = 0 2 6) = 0

7) X1, X2, 0

Con esto, se ha caracterizado el ptimo. Sin embargo, lo dificil es encontrar el ptimo a partir de dicha caracterizacin. Las ecuaciones (2), (4) y (6) definen un sistema de 3 ecuaciones con 3 incgnitas. Una solucin inmediata es X1 = X2 = = 0. Sin embargo, esta solucin no satisface la condicin (3), con lo que debe buscarse otra solucin al sistema de ecuaciones.
con ciertas condiciones de regularidad, que es lo mismo que decir que estn bien comportadas, para que el ptimo se pueda caracterizar por las condiciones de Kuhn Tucker saaladas. El lector interesado puede consultar las referencias al final de este texto.

42

Trabajo Docente N 57

Si se supiera cules variables son iguales a cero y cules son estrictamente mayores que cero en el ptimo, entonces el sistema se podra resolver ms fcilmente, ya que o la variable sera igual a cero o bien el trmino entre parntesis sera igual a cero. De aqu se desprende la necesidad de evaluar los siguientes 8 casos:
Caso 1 2 3 4 5 6 7 8 X1 0 + 0 0 + + 0 + X2 0 0 + 0 + 0 + + 0 0 0 + 0 + + +

Por la condicin (3), debe ser mayor o igual a 2 con lo que se descartan los casos 1, 2, 3, y 5 de la tabla anterior. A continuacin se analizarn los casos restantes.
Caso 4: ( X1 = X2 = 0; > 0)

En este caso se debe cumplir que


(1') (2') (3') (4') (5') (6') (7') -2 0 (-2 ) 0 = 0 2- 0 (2 - ) = 0 6 0 6 = 0 X1, X2, 0

La condicin (6') implica que = 0 lo cual contradice la condicin (3').


Caso 6 (X1 > 0; X2 = 0; > 0)

En este caso se debe cumplir que

Modelos de Optimizacin

43

6 X1 - 2 = 0 (2 - ) 0 6 - 2 X1 = 0

De aqu se desprende que


X1 = 3; = 9; X2 = 0

Esta solucin satisface todas las condiciones de Kuhn-Tucker.


Caso 7: (X1 = 0; X2 > 0; > 0)

En este caso se debe cumplir que


2- = 0 6 - X2 = 0

De aqu se desprende que = 2; X2 = 6; X1 = 0. Esta solucin cumple adems con todas las otras condiciones de Kuhn-Tucker.
Caso 8: (X1 > 0 ; X2 > 0 ; > 0)

En este caso se debe cumplir que


6 X1 - 2 = 0 2-= 0 6 - 2 X1 - X2 = 0

2 14 De aqu se desprende que = 2; X1 = 3 ; X2 = 3 . Esta solucin satisface todas las condiciones de Kuhn-Tucker. El problema es ahora determinar cul de los tres puntos que satisfacen las condiciones de Kuhn-Tucker es el ptimo del problema. Para determinarlo, basta reemplazar en la funcin objetivo:

f(3, 0) = 27

44

Trabajo Docente N 57

f(0, 6) = 12 2 14 2 f( 3 , 3 ) = 10 3

En consecuencia, el ptimo es
x1 = 3; x2 = 0; * = 9 f(x1 ; x2 ) = 27
* * * *

Para terminar, es importante destacar que el nmero de casos por analizar es igual a 2n+m, donde n es igual al nmero de variables y m es el nmero de restricciones (cada restriccin implica considerar una variable i). Asimismo, se debe sealar que las derivadas pueden ser expresiones no lineales en las variables, con lo que la resolucin de los sistemas de ecuaciones se dificulta an ms.
Ejemplo 5.3:

Supngase que las lneas areas tienen una dimensin mxima para las maletas, expresada en trminos de la suma del largo, ancho y alto. Suponga que un fabricante de maletas ha decidido producir la Super Maleta, que maximiza el volumen cumpliendo la restriccin de las lneas que de la suma anterior no debe exceder 120 cm. En trminos matemticos, el problema se puede plantear como
Maximizar xyz sujeto a: x + y + z 120 x, y, z 0

donde x, y, z representan el largo, ancho y alto respectivamente. El Lagrangeano de este problema es

= x y z + (120 - x - y - z)

Modelos de Optimizacin

45

Las condiciones de Kuhn-Tucker son:


1) x = y z - 0 2) x x = (y z - ) x = 0 3) y = x z - 0 4) y y = (x z - ) y = 0 5) x = x y - 0 6) z z = (x y - ) z = 0 7) = 120 - x - y - z 0 8) = (120 - x - y - z) = 0 9) x, y, z, 0

En este problema, en teora se debe evaluar 24 = 16 casos, ya que n = 3 y m = 1. Sin embargo, es claro que en el ptimo la maleta no puede tener ninguna dimensin igual a cero. Por otra parte, dado que en el ptimo se debe cumplir * f* que i = b y que obviamente si se permitiera una mayor suma de los lados, i se podra aumentar el volumen, debe ser estrictamente mayor que cero en el ptimo. De lo anterior se desprende que se debe evaluar slo un caso donde todas las variables son estrictamente positivas. As, las condiciones de KuhnTucker se pueden expresar como
yz-= 0 xz-= 0 xy-= 0 120 x - y - z = 0

De aqu se desprende de que x* = y* = z* = 40; = 1600.

Problemas Propuestos

46

Trabajo Docente N 57

5.1.

El problema es determinar las dimensiones de un tarro de conserva cilndrico de base circular y de volumen dado, tal que se emplee el mnimo de hojalata. Se desea determinar las dimensiones para un estanque cilndrico refrigerado de capacidad 1.000 m3, de modo que su costo sea mnimo. Los componentes del costo son Metales de los extremos Metal de la pared cilndrica Costo de la refrigeracin (sobre la vida til de estanque) $ 1,00 por m2 $ 0,50 por m2 $ 5,00 por m2 de superficie

5.2.3

Por razones de diseo, el dimetro no puede excederse de 10 mts. a) b) 5.3. Formule el problema de PM correspondiente empleando el largo L y el dimetro D como variables de decisin. Escriba las condiciones de Kuhn-Tucker y derive una solucin a partir de stas.

Suponga que Ud, es el nico abastecedor en Concepcin de peras deshidratadas. Ud. tiene dos plantas deshidratadoras, en Temuco y Rancagua, cuyos costos en materia prima, procesamiento y transporte estn dados a continuacin.
Planta Costo Materia Costo Transporte Prima Procesamiento Concepcin (pesos/kg.) (pesos/kg.) (pesos/kg.) Temuco 30 20 + X 30 Rancagua 20 2X 10 + X

Nota: Los costos est expresados por kg. de producto final equivalente. Ud. debe ofrecer por lo menos 100 unidades a un precio unitario de 200 pesos por kg. Ud. puede vender cuanto quiera por encima de dichas 100 unidades. Se pide:

Bruno Philippi: "Introduccin a la Optimizacin de Sistemas". Ediciones Universidad Catlica de Chile, 1982.

Modelos de Optimizacin

47

a) b) 5.4.

Plantee el problema de programacin no lineal que le permita decidir cunto debe producir en cada planta. Resuelva las condiciones de Kuhn-Tucker justificando claramente su procedimiento.

En relacin con el ejemplo 5.3, suponga que la Super Maleta no se vende por problemas de precio. Los clientes no estn dispuestos a pagar ms de 3.500 pesos por la maleta. Si los nicos costos pertinentes son: i) 1 peso por cm2 de cuero.

ii) 4 pesos por cm2 de fondo (hay que poner un refuerzo para que no se desfonde) iii) 2.000 pesos por maleta por concepto de ganancias, pago al trabajo, etc. Se pide: Plantee y resuelva el nuevo problema de optimizacin. 5.5. Con el fin de permitir el intercambio entre dos poblados aislados se ha decidido construir la infraestructura de transporte necesaria para comunicarlos. En un primer anlisis del problema, se ha definido la situacin como sigue: El poblado A est ubicado en una isla a 200 km. del continente y a 500 km. del poblado B que se encuentra tierra adentro, a 100 km. de la costa. El proyecto contempla la construccin de 2 puertos, en la isla y en el litoral, adems de una carretera entre el poblado B y el puerto del litoral. Suponga que el costo variable por tonelada-kilometro en el transporte terrestre es de 30 pesos, mientras que dicho costo es de 12 pesos en el caso del transporte martimo. Se estima que habra 5000 viajes de ida y vuelta al ao con un promedio de carga de 1,5 toneladas, y que el costo del camino terrestre es de 500.000 pesos por km. Adicionalmente, suponga una tasa de inters de 10% anual y que el camino durar 10 aos.

48

Trabajo Docente N 57

El problema es plantear el problema de optimizacin correspondiente. Grficamente la situacin se puede representar como sigue

200 km

LITORAL

400 km

100 km

El problema es dnde ubicar el puerto del litoral. En trminos del grfico siguiente se trata de determinar X, de modo tal de minimizar el costo de transporte entre A y B.

Modelos de Optimizacin

49

200 km

LITORAL X B 100 km

Se pide Plantee el problema de optimizacin correspondiente y resuelva. 5.6 Ud. tiene un fundo de 100 hectreas y desea saber cuntas hectreas poner con trigo y maz. Ud. sabe que la funcin de produccin de trigo es:
Q = 20 H L0,2

donde: Q = produccin ( en qq) L = N de trabajadores ( en jornadas hombre) H = N de Hectreas En el caso del maz, la funcin de produccin es:
Q = 10 H0,8L0,4

50

Trabajo Docente N 57

El precio por quintal de trigo es de 3.000 y por quintal de maz es 3.200, el precio por jornada hombre es de 1.000 pesos en horario normal y 1.500 en horario extra. Ud. puede contratar un mximo de 20 jornadas a horario normal y un mximo de 1.000 en horario extra. Finalmente, suponga que por cada hectrea de maz que siembre Ud. quiere sembrar un mnimo de 3 hectreas de trigo. Se pide: a) Plantee el problema de optimizacin correspondiente, definiendo claramente la funcin objetivo y restricciones.

b) Plantee sin resolver las condiciones de Kuhn-Tucker del problema. 5.7 Considere el problema:
Maximizar (X1 + X2) sujeto a: 2X1 + X2 2 X1 + X2 3 X1, X2 0

a) Dibuje el set de oportunidades. b) Cul es el ptimo? ( justifique mediante figuras) 5.8 Considere el problema
Maximizar X1+X2 sujeto a: X1 - 2X2 = 2 X1 3 X2 4

a) Escriba las condiciones de Kuhn-Tucker para este problema. b) Resuelva el problema.

Modelos de Optimizacin

51

5.9

Considere el problema:
Minimizar X12 - X1X2 + 0,5X22 - X1 - X2 sujeto a: X1 +X2 3 3X1 + 2X2 6 X1 0, X2 0

a) b) c)

Escriba las condiciones de Kuhn-Tucker para este problema. Encuentre un punto ptimo en el caso en que no se consideran las restricciones del problema (ninguna de ellas). Encuentre una solucin ptima para el problema original (con restricciones). Indicacin: verifique si el punto encontrado en a) satisface las restricciones del problema, estudie la convexidad o concavidad de la funcin f(X1, X2), y utilice esta informacin al buscar una solucin para las condiciones de Kuhn-Tucker.

52

Trabajo Docente N 57

CAPITULO 6 SUFICIENCIA DE CONDICIONES DE KUHN-TUCKER

En el captulo anterior se vieron las condiciones de Kuhn-Tucker con el objeto de caracterizar el ptimo. Para encontrarlo a partir de dichas condiciones fue necesario probar todas las posibilidades. Como cada variable podra ser mayor o igual a cero, se probaron 2n+m casos, donde n era el nmero de variables y m el nmero de restricciones ( sin contar las de no negatividad). Como demostr el ejemplo 5.2., el hecho que un punto satisfaga las condiciones de Kuhn-Tucker, no implica que dicho punto sea un mximo ni siquiera local. En otras palabras, las condiciones de Kuhn-Tucker son condiciones necesarias pero no suficientes. El propsito ahora es ver condiciones suficientes para garantizar que si un punto satisface todas las condiciones de Kuhn-Tucker, entonces es tambin un mximo global (no slo local). Para hacerlo, es necesario hablar de funciones cncavas y convexas y de conjuntos convexos, ya que el principal resultado es que si la funcin objetivo es cncava y las restriciones representan un conjunto convexo, entonces todo punto que satisfaga las condiciones de Kuhn-Tucker es un mximo global (i.e. no es necesario seguir buscando puntos crticos para maximizar).
Funciones cncavas

Una funcin es cncava si para cada par de puntos X1 y X2 y 0 1 se cumple que


f(X1+ (1-) X2 ) f(X1) + (1-) f(X2)

El trmino
X1+ (1-) X2

es solamente un promedio ponderado de X1 y X2. Por otra parte


f(X1 + (1-)X2)

Modelos de Optimizacin

53

es la funcin valorada en dicho punto. Suponiendo que la funcin es de una variable, lo anterior se puede graficar como

f(x) f( X1 +(1) X2 )

X1 X1 +(1) X 2

X2

En relacin con el lado derecho


f(X1) + (1-)f(X2)

es un promedio ponderado de f(X1) y f(X2). Graficamente


f(x) 2 f(X ) f( X1+(1- )X2) 2 f(X1 )+(1-)f(X ) 1 f(X )

X1

X1+(1- )X2

X2

Lo que se requiere para que una funcin sea cncava es por lo tanto que la funcin no pase nunca por debajo de la recta que une cualesquiera dos puntos. Los siguientes grficos muestran casos de funciones cncavas.

54

Trabajo Docente N 57

f(x)

f(x)

x f(x) f(x)

Si la funcin es diferenciable, la definicin de concavidad se puede hacer en trminos de la primera derivada de la funcin. En el caso de funciones de una variable, la funcin f(x) es cncava si para cualquier par de puntos X1 y X2 se cumple que
f(X2) f(X1) + f'(X1) (X2 - X1)

Grficamente,
f(x) 1 2 1 f(X1 )+f'(X )(X -X ) f(X2 ) f(X1 )

X1

X2

Modelos de Optimizacin

55

En otras palabras, para que una funcin diferenciable sea cncava, se requiere que la recta tangente en cualquiera de sus puntos no est nunca por debajo de la funcin. Si la funcin diferenciable es de varias variables, para que sta sea cncava se requiere que para cualquier par de puntos X1 y X2, se cumpla que

f(X2) f(X1) +

fi(X1) (Xi - Xi )
2 1

i=1

donde fj(X1) es la derivada parcial de la funcin respecto a xj evaluada en el punto X1. Esto quiere decir que el plano tangente a la funcin en cualquiera de sus puntos no puede estar nunca por debajo de la funcin. Por ltimo, si la funcin es doblemente diferenciable, entonces se requiere que el Hessiano sea negativo semidefinido para que sta sea cncava o negativo definido para que sea estrictamente cncava.
Ejemplo 6.1:

Supngase la funcin
2 2 f(x1,x2) = - 3 x1 - 2 x2 + x1 x2

El Hessiano de esta funcin es


-6 1 H = 1 -4

el cual es negativo definido. cncava.

Esto implica que la funcin es estrictamente

En relacin con este ejemplo, a continuacin se comprobar que tambin se cumple la condicin de concavidad basada en la primera derivada. Supngase, a modo de ejemplo, los puntos X1 = (2,3) y X2 = (5,1). En este caso,
f(X1) = -3.22 - 2.32 + 2.3 = -24 f(X2) = -3.52 - 2.12 + 5.1 = -72

56

Trabajo Docente N 57

Las primeras derivadas de la funcin respecto de x1 y x2 son


f1(x1,x2) = -6x1 + x2 f2(x1,x2) = -4x2 + x1

las cuales evaluadas en el punto X1 son iguales a


f1(X1) = -6.2 + 3 = -9 f2(X1) = -4.3 + 2 = -10

Por ltimo,
X1 - X1 = 5 - 2 = 3 X2 - X2 = 1 - 3 = -2
2 1 2 1

Reemplazando en la condicin de concavidad basada en la primera derivada, se debe cumplir que


1 2 2 1 f(X2) f(X1) + f1(X1) (X1 - X1 ) + f2(X1) (X2 - X2 ) -72 -24 + (-9) ( 5 - 2 ) + ( -10) ( 1 - 3 ) -72 -31

Como esta desigualdad se cumple, se ha comprobado que la funcin


2 2 f(x1,x2) = - 3 x1 - 2 x2 + x1 x2

es estrictamente cncava.
Funciones convexas

Una funcin es convexa si para cada par de puntos X1 y X2 y 0 1 se cumple que


f(X1+ (1- ) X2) f(X1) + (1-) f(X2)

Si la funcin es diferenciable, para que sta sea convexa se requiere que para cualquier par de puntos X1 y X2, se cumpla que

Modelos de Optimizacin

57

f(X2) f(X1) +

fi(X1) (Xi - Xi )
2 1

i=1

donde fj(X1) es la derivada parcial de la funcin respecto a xj evaluada en el punto X1. Esto quiere decir que el plano tangente a la funcin en cualquiera de sus puntos no puede estar nunca por encima de la funcin. Por ltimo, si la funcin es doblemente diferenciable, entonces se requiere que el Hessiano sea positivo semidefinido para que sta sea convexa o positivo definido para que sea estrictamente convexa. Los grficos siguientes muestran distintas funciones convexas.
f(x) f(x)

x f(x) f(x)

Claramente, la lnea recta es cncava y convexa a la vez. Por otra parte, la funcin normal usada en estadstica, por ejemplo, no es ni cncava ni convexa.

58

Trabajo Docente N 57

Conjuntos convexos: Definicin: El conjunto C perteneciente a los nmeros reales se dice convexo si para cada par de puntos x1, x2 que pertenezcan al conjunto y cada nmero real con 0 < < 1, el punto X= X1 + (1-) X2

tambin pertenece al conjunto. Geomtricamente el conjunto C es convexo si para cada par arbitrario de puntos del set, la lnea que los une tambin pertenece al set. Grficamente, a continuacin se ilustra un conjunto convexo y uno no convexo

X2

X1
CONJUNTO CONVEXO CONJUNTO NO CONVEXO

Ejemplo 6.1:

Considrese el hiperplano
X = {x / ax = b}

donde ax = a1x1 + a2x2 + ... + anxn. A continuacin se demostrar que este es un conjunto convexo. Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < < 1. Luego, se debe cumplir que
ax1 = b

Modelos de Optimizacin

59

ax2 = b

Sea el punto
x = x1 + (1-) x2

Esto implica que


ax = a(x1+(1-)x2) = ax1+ (1-)ax2 = ab+(1-a)b = b.

con lo cual el punto x = x1 + (1-) x2 tambin satisface la condicin que


ax = b

De aqu se desprende que


X = {x/ax = b}

es efectivamente un conjunto convexo.


Ejemplo 6.2:

Considrese el semiespacio
X = {x / ax b}

Este conjunto tambin es convexo, como se demuestra a continuacin. Sea x1, x2 un par de puntos que pertenezcan al conjunto y 0 < < 1. Luego, se debe cumplir que
ax1 b ax2 b

Sea el punto
x = x1 + (1-) x2

Esto implica que

60

Trabajo Docente N 57

aX = a (x1 + (1-) x2) = aX1 + (1-) aX2

Como el promedio ponderado de dos nmeros menores o iguales a b es tambin menor o igual a b, quiere decir que el conjunto
X = {x/ ax b}

es tambin un conjunto convexo.


Ejemplo 6.3:

Considrese el conjunto
X = {x / g(x) b}

donde se impone el requisito que g(x) sea una funcin convexa. Este conjunto tambin es convexo como se demostrar a continuacin. Si g(x) es una funcin convexa entonces para cualquier par de puntos X1, X2 y 0 1, se debe cumplir que
g(X1+(1-)X2) g( X1) + (1-) g( X2) (1)

Por otra parte, para que X sea un conjunto convexo, se requiere que para cada par de puntos X1 y X2 que satisfagan
g(X1) b g(X2) b

se cumpla que
g(x) = g( X1 + (1 - ) X2) b

Ello efectivamente se cumple ya que el lado derecho de (1) es menor o igual a b con lo que el lado izquierdo tambin debe serlo. La importancia de este ltimo resultado es que si las gi(x) en las restricciones de un problema de Programacin No Lineal son todas funciones convexas, el conjunto de oportunidades X sera la intersecin de varios conjuntos convexos y por lo mismo sera convexo tambin.

62

Trabajo Docente N 57

uno de los puntos (en este caso, como se trata de curvas de nivel, el promedio es simplemente el valor de la funcin en dicha curva (i.e.A)). Ahora bien, como el set X es convexo se tiene que
x2

A>B>C

(x1*,x2*)

f(x1,x2) = C f(x1,x2) = B f(x1,x2) = A

x1

x2

A>B>C
(x1*,x2*) f(x1,x2) = A f(x1,x2) = B f(x1,x2) = C

x1 En ambos casos, todo ptimo local ser global. Un caso especial de lo anterior se muestra en el grfico siguiente.

Modelos de Optimizacin

63

x2

A>B>C

f(x1,x2) = A f(x1,x2) = B f(x1,x2) = C x1

Aqu, X es un conjunto convexo, y la funcin objetivo es cncava (la funcin lineal es la nica funcin cncava y convexa a la vez). En este caso todo ptimo local es global aunque no estricto. Sin embargo, para maximizar, basta encontrar un mximo global para quedar satisfecho. Ahora, la pregunta es por qu se necesita que el conjunto X sea convexo? El grfico siguiente ilustra la respuesta.

x1

B x2

64

Trabajo Docente N 57

El punto A es mximo local al igual que B. A es el mximo global. Lo que pasa es que X no es un conjunto convexo. En este caso, habra que probar los 2n+m casos y comparar todos aquellos puntos que satisfagan las condiciones de KuhnTucker. Por ltimo es necesario destacar que el resultado es que si la funcin objetivo es una funcin cncava y X es un conjunto convexo, todo punto que satisfaga las condiciones de Kuhn-Tucker es un mximo global. Sin embargo, podra darse el caso, desafortunado por cierto, que ningn punto satisfaga las condiciones de Kuhn-Tucker. En este caso no se puede encontrar el mximo. A modo de ejemplo, suponga el siguiente problema
Maximizar x sujeto a: x0

En este caso, ningn punto satisface las condiciones de Kuhn-Tucker. Este problema no tiene punto crtico; el mximo se logra cuando x es igual a infinito, que no es un nmero real.

Modelos de Optimizacin

65

CAPITULO 7 PROBLEMAS ADICIONALES DE PROGRAMACION NO LINEAL

Este captulo presenta algunos ejemplos adicionales de planteamiento de problemas de Programacin No Lineal en el convencimiento de que slo la prctica permite avanzar en este campo. Por esta razn, se han dejado varios problemas como Problemas Propuestos.
Ejemplo 7.1:4

Suponga que una empresa distribuidora cuenta con 250 unidades de un cierto producto en Concepcin, 100 unidades en Los Angeles y 325 unidades en Valparaso. Por otra parte debe abastecer con 140 unidades a Santiago, 220 unidades a Rancagua y 185 unidades a Teno. Los costos de flete entre las distintas ciudades, en miles de pesos por unidad se presentan a continuacin:
Desde: Concepcin Los Angeles Valparaso Santiago 14 30 5 Hacia: Rancagua 6 12 7 Teno 5 11 8

Por convenios sindicales en Concepcin, la empresa ha decidido que lo que se enva desde dicha ciudad a Santiago debe ser al menos el doble que lo que se enva desde dicha ciudad a Rancagua. Asimismo, en Santiago, se exige que como mximo el 30% de lo que llegue provenga de Concepcin. Para plantear el Problema de Programacin No Lineal correspondiente, se proceder en etapas:

Definicin de Variables:
La forma de plantear y resolver problemas de optimizacin no siempre es nica. En este captulo slo se presenta una forma adecuada de hacerlo. Por otra parte, en este captulo nos olvidaremos de los requisitos de que en un problema de Programacin No Lineal se debe maximizar y que las restricciones deben ser de menor o igual, salvo cuando sea necesario usar las condiciones de Kuhn-Tucker para resolver.
4

66

Trabajo Docente N 57

Desde: Concepcin Los Angeles Valparaso Funcin Objetivo:

Santiago XCS XLS XVS

Hacia: Rancagua XCR XLR XVR

Teno XCT XLT XVT

El objetivo es minimizar los costos totales de transporte, con lo cual la funcin objetivo es
Minimizar 14XCS + 6XCR + 5XCT + 30XLS + 12XLR + 7XLT + 5XVS + 7XVR + 8XVT Restricciones de Oferta: XCS + XCR + XCT 250 XLS + XLR + XLT 100 XVS + XVR + XVT 325 Restricciones de Demanda: XCS + XLS + XVS 140 XCR + XLR + XVR 220 XCT + XLT + XVT 185 Otras Restricciones: XCS 2XCR XCS 0,3 (XCS + XLS + XVS) Todas las variables mayores o iguales a cero

Ejemplo 7.2:

Modelos de Optimizacin

67

Hoy es 1 de abril de 1994. Ud. est solo en una isla desierta bien grande donde puede sembrar trigo. Asimismo, tiene 80 quintales de trigo que se pueden usar como semilla o consumir. Su consumo anual normal de trigo es de 20 quintales. Gracias a un diario de vida dejado por un nufrago anterior, Ud. aprende que en esta isla, el trigo se siembra a principios de abril y se cosecha a fines de marzo del ao siguiente. Por cada quintal de trigo que se siembra, se requieren 5 das de trabajo durante el ao, y se cosechan tres quintales. Por otra parte, Ud. sabe que en dos aos ms (1 de abril de 1996) pasar un barco que le cobrar 220 quintales de trigo por el pasaje a tierra firme, lugar donde Ud. ha decidido volver. En dicho barco Ud. no puede transportar trigo para su consumo en tierra firme, ya que la capacidad del barco es limitada. Ud. puede trabajar normalmente 180 das cada ao como mximo. Para aumentar la disponibilidad de trabajo, es decir para disponer de ms de 180 das, Ud. deber consumir 0,2 quintales de trigo por cada da de exceso (para recuperar la energa adicional requerida). El trigo disponible a comienzos de cada ao puede ser usado para: a) sembrar a comienzos del ao; b) consumir durante el ao; c) ser almacenado hasta el final del ao. Por ltimo, suponga que su nico objetivo es minimizar el nmero de das trabajados en exceso de los 180 das de trabajo normal anuales. Para plantear el Problema de Programacin No Lineal correspondiente, se proceder nuevamente en etapas.
Definicin de Variables:
TCi TSi TAi THi TFi Ei = = = = = = Trigo consumido en ao i, en quintales. Trigo sembrado en ao i, en quintales. Trigo que se almacena en ao i, en quintales. Trigo cosechado a fines del ao i, en quintales. Trigo disponible a fines del ao i, en quintales. Das trabajados en exceso de los 180 das normales en el ao i.

Funcin Objetivo:

68

Trabajo Docente N 57

El objetivo es minimizar los das trabajados en exceso de los 180 das normales. Matemticamente, esto significa que la funcin objetivo es
Minimizar E1 + E2 Restricciones: TC1 = 20 + 0,2 E1 TC2 = 20 + 0,2 E2 TC1+TS1+TA1 = 80 TA1+TH1 = TF1 TH1 = 3 TS1 TC2+TS2+TA2 = TF1 TA2+TH2 = TF2 TH2 = 3 TS2 TF2 150 5 TS1 180 + E1 5 TS2 180 + E2 Todas las variables mayores o iguales a cero. Ejemplo 7.3: Una empresa productora de Tarros en Conserva tiene una funcin de produccin del tipo Cobb-Douglas X= 30 K0,5 L0,4 Consumo ao 1. Consumo ao 2. Disponibilidad inicial. Disponibilidad a fines ao 1. Cosecha ao 1. Uso de trigo en ao 2. Disponibilidad a fines ao 2. Cosecha ao 2. Pasaje barco. Requerimiento mano de obra en ao 1. Requerimiento mano de obra en ao 2.

donde

Modelos de Optimizacin

69

X = nmero de tarros producidos. K = nmero de unidades de capital en horas mquina. L = nmero de trabajadores (en hrs.hombre)

El productor enfrenta una curva de demanda por su producto igual a:


Px = 1.000 - 2X

y una curva de oferta de trabajo igual


PL = 10 + 0,5 L

Por ltimo, el productor puede disponer de a lo ms 100 unidades de capital a 5 pesos por unidad. En este caso, la funcin objetivo es
Maximizar PX X - PL L - PK K = = (1.000-2(30 K0,5 L0,4)) (30 K0,5 L0,4) - (10+ 0,5 L)L - 5K sujeto a: K 100 K,L 0

Problemas Propuestos

7.1.

Hoy es 1 de septiembre y Juan Prez no sabe cuntas hectreas de maz sembrar en su fundo de 20 hectreas. El maz es el nico cultivo posible aunque podra dejar parte de la tierra sin cultivar. Asmismo, el maz requiere de 5 jornadas hombre por hectreas al ao y Ud. cuenta con slo 70 jornadas hombre al ao. El problema se complica por el siguiente aspecto: Hoy Juan Prez tiene 20 bolsas de una semilla especial de maz que puede usar ahora o el prximo ao. No va a poder conseguir ms el prximo ao. Esta semilla tiene un rendimiento de 95 qq/ha. y se requiere de una bolsa por ha. Si decide guardar parte de esta semilla, tiene una prdida del 10% de las bolsas que guarde.

70

Trabajo Docente N 57

Por otra parte, Juan Prez puede comprar una semilla corriente tanto este ao como el prximo a 8.000 pesos por bolsa a un rendimiento de 60 qq/ha. El maz que produzca este ao no puede ser utilizado como semilla el prximo y debe venderse este ao (no se puede almacenar). Suponga adems que el precio del maz este ao es de $ 2.000 y el prximo ao ser de $ 3.000 por quintal. Finalmente, suponga que en todo lo dems los costos son iguales para ambos tipos de semilla (15.000 pesos por hectrea de maz, ambos aos). Se pide: Plantee, sin resolver, el problema de programacin matemtica correspondiente que le permita determinar cunto sembrar con cada tipo de semilla cada uno de los dos aos. 7.2 Ud. ha sido nombrado por la Direccin del Metro para determinar la distancia ptima entre las distintas estaciones del nuevo recorrido Plaza Italia-La Florida. Para ello Ud. cuenta con los siguientes antecedentes. 1) 2) 3) 4) La distancia entre Plaza Italia y La Florida es de 10.000 metros. La velocidad promedio de los trenes cuando estn andando es de 600 mts/min (36km/hr). El tren se detiene en cada estacin 4 minutos. Los trenes pasarn cada 10 minutos independiente de la distancia entre paraderos. Esto significa que en promedio los pasajeros demorarn 5 minutos desde que llegan a la estacin hasta que parte el tren. Ellos no saben a qu hora pasan los trenes. La distancia entre estaciones no afecta el costo de la va, ya que la distancia total es una sola. Sin embargo, afecta el nmero de estaciones, las cuales cuestan 1.000.000 de dlares cada una de construccin y duran 20 aos. Suponga que no tienen costo de mantencin. El tiempo que demoran, en promedio, los pasajeros en llegar desde su casa hasta la estacin ms prxima se estima en 10(x/1000)1,5 minutos, donde x es la distancia en metros entre las estaciones. Lo mismo se demoran desde la estacin hasta su lugar de destino. El recorrido en tren, promedio por pasajero, se estima en 3.500 metros. Se debe destacar que este es un supuesto simplificador, ya que obviamente el recorrido promedio en tren depende de la distancia entre paraderos.

5)

6)

Modelos de Optimizacin

71

7)

Por ltimo, al Metro se suben 100.000.000 pasajeros al ao (independientemente de la distancia entre paraderos) cuyo costo alternativo es de 0,02 dlares por minuto.

Se pide: Suponiendo una tasa de inters de 15%, desechando el costo de los trenes (que debera variar segn la distancia enre estaciones), y olvidando que el nmero de estaciones debe ser entero, plantee el problema de optimizacin correspondiente y resuelva. 7.3 Una empresa productora de sillas tiene la siguiente funcin de produccin:
S = 400 K 0,6 L0,3

donde S es el nmero de sillas producidas por mes; K es el nmero de unidades de maquinaria, en horas mquina; y L es el nmero de trabajadores El productor enfrenta una curva de demanda por sus sillas igual a:
Ps = 10.000 - 2S

y una curva de oferta de trabajo igual a


PL=3+L

Por ltimo, este fabricante de sillas puede disponer de a lo ms 150 horas mquina por mes a 5 pesos por unidad. Se pide: a) Plantee el problema de programacin matemtica de la empresa. b) Escriba, SIN RESOLVER, las condiciones de KuhnTucker del problema. 7.4 Una panadera ofrece, entre otros productos, empanadas de queso y empanadas de pino. El panadero desea programar la produccin dominical de ambos productos. La experiencia le ha enseado que las demandas por ambos tipos de empanadas se ajustan bastante bien a las relaciones

72

Trabajo Docente N 57

P1 = 40 - 0,1x1 - 0,03x2 P2 = 70 - 0,03x1 - 0,2x2

donde Pi = precio unitario empanada tipo i (i = 1 (queso), i = 2 (pino)). Xi = produccin dominical de empanadas tipo i. Dentro de sus posibilidades de produccin el panadero sabe que el costo unitario de producir una empanada de queso es de $10 y una de pino es de $15. Se pide: a b) Formule un modelo que permita al panadero maximizar el beneficio neto derivado de la venta de empanadas. Sin exigir que el nmero de empanadas a fabricar debe ser entero, resuelva su modelo y determine la produccin ptima.

7.5.

En relacin con el ejemplo 7.1, encuentre una solucin factible cualquiera del problema, indicando el costo total de transporte asociado. Nota: Por solucin factible se entiende una solucin que satisface todas las restricciones.

7.6.

Ud. ha decidido viajar a Talca en su camioneta todo terreno por la Carretera Panamericana. El problema es que debe pasar a buscar un encargo a una casa que queda a 5.000 metros de la carretera pero sin camino que las una, con lo que debe decidir en que punto salirse de la carretera y en que punto volver a la misma. Grficamente,

Modelos de Optimizacin

73

A TALCA

C. P A N A M E R I C A N A

5.000 m.

A SANTIAGO

El tiempo que demora en carretera es de 1.200 metros por minuto, mientras que en el trayecto fuera de carretera, su velocidad se reduce a 500 metros por minuto. Se pide: a) Suponiendo que su problema es llegar a Talca lo ms rpido posible, plantee el problema de optimizacin correspondiente. Suponga que la casa del encargo est a mitad de camino y que la distancia entre Santiago y Talca es de 300 kilometros. Resuelva el problema anterior.

b)

7.7.

La empresa agroindustrial SUPERARIZ es duea de una parcela de 20 hectreas y de una planta de alimento para pollos. En la parcela se ha sembrado tpicamente maz para ser entregado a la planta, que la usa como materia prima. El problema es que el agrnomo encargado de la parcela, que es evaluado de acuerdo al ingreso neto que genera la parcela, ha comenzado a alegar porque dice tener cultivos ms rentables. Por otra parte, el ingeniero a cargo de la planta de alimentos, que es evaluado segn los ingresos netos que deja la planta, alega que si la parcela deja de

74

Trabajo Docente N 57

producir maz, l tendra que comprarlo fuera con el consiguiente costo "altsimo" de flete. En este punto, el agrnomo argumenta que el alimento bien podra tener ms harina de pescado, que sale relativamente ms barato que el maz comprado fuera, pero algo ms caro que el propio. Obviamente, el ingeniero contraataca diciendo que si bien algo se puede hacer en esa lnea , no es mucho, ya que los pollos a quienes va el alimento, tendran gusto a pescado. El director de SUPERARIZ decidi contratarlo a usted para que analice la situacin y determine lo que es mejor para la compaa como un todo. Para efectuar su labor, Ud solicit antecedentes de la parcela y de la planta. Ellos son:
PARCELA

Cultivos posibles: maz, porotos


Matriz de requerimientos y disponibilidad Maz Mano de obra (J/ha) Maquinaria (J/ha) Rendimiento (qq./ha.) Ingreso Neto (pesos/ha.) 2 1 100 100 Porotos 1 2 100 400 Disponibilidad 25 28

PLANTA

Materias primas posibles: Maz, Harina de Pescado. Precio de venta del alimento: $6 por kilo. Capacidad mxima de la planta: 4.000 kilos de alimento al ao.

Modelos de Optimizacin

75

Restriccin tcnica: A lo ms puede usarse un 50% de harina de pescado en el alimento.


Matriz de requerimientos Maz Caloras (Mcal./Kg.) Protenas (Grs./Kg.) Precio ($/Kg.) 1.000 100 1-4 Harina de Pescado 800 200 2 Estndar Mnimo por Kg. 900 120

Nota: El precio del maz es de $1 por Kilo si viene de la parcela y $4 si viene de fuera.

Se pide: En base a lo anterior formule un modelo de optimizacin que le permita desempear bien su tarea en su nuevo trabajo. Nota: Cualquier antecedente que pudiera faltarle, invntelo. 7.8. El Sr. Pedro Prez dispone de 200 hectreas donde puede plantar tomates, cebollas o porotos. Asimismo, tiene la alternativa de comprar vacas a comienzos de temporada con el objeto de producir leche y luego venderlas a fines de temporada. Las vacas requieren de 0,5 hectreas cada una. El problema es determinar cunto plantar de cada cultivo y cuntas vacas comprar a comienzos de temporada. Para resolver el problema, Ud. cuenta con los siguientes antecedentes adicionales: a) Ud. dispone de 1.000 m3 de agua para la temporada. Los tomates requieren por hectrea el doble de agua que las cebollas, y stas requieren el triple que los porotos. Los porotos requieren 6 m3 de agua por hectrea. La tierra dedicada a las vacas requiere de 1 m3 por hectrea mientras que la tierra no dedicada a nada requiere de 0,1 m3 por hectrea.

76

Trabajo Docente N 57

b)

Las vacas producen 150 litros de leche por vaca al ao, la cual se vende a 100 pesos por litro. El precio de compra es de 80.000 pesos por vaca a comienzos de temporada, mientras que el precio de venta es de 78.500 pesos a fines de temporada. Suponga una tasa de descuento igual a cero. El siguiente cuadro presenta informacin que puede ser til para resolver su problema.
Tomates Cebollas Porotos Rendimiento (en kg./ha.) Costos Unitarios (en $/ha.) Precio de venta (en $/kg.) 50 22.000 390 120 17.000 240 140 22.000 280

c)

Se pide: a) b) Formule el problema de optimizacin correspondiente. Explcite cualquier supuesto adicional que estime necesario. Nota:

Sin resolver el problema, puede dar una buena recomendacin al Sr. Prez que sea al menos factible?

7.9.

La empresa MMM necesita determinar cunto producir de un producto en cada uno de los siguientes dos perodos para maximizar sus ingresos totales. Para resolver el problema Ud. cuenta con los siguientes antecedentes: a) b) El costo medio unitario de produccin en el primer perodo es de 200 pesos mientras que en el segundo perodo, este sube a 550 pesos. La demanda para el primer perodo est dada por
P1 = 1.600 - 2 X1

Modelos de Optimizacin

77

c)

El costo de almacenamiento es de 100 pesos por unidad por mes. El problema del almacenamiento es que el producto se deteriora y se puede vender a slo 800 pesos por unidad en el siguiente perodo. La demanda para el segundo perodo para el producto no almacenado se puede representar como
P2 = 2.500 - 3 X2

d)

siempre que no se venda producto almacenado. El problema es que el producto almacenado y no almacenado son en alguna medida sustitutos. El precio de demanda para el producto no almacenado reacciona de igual forma ante cambios en la cantidad de producto no almacenado com ante cambios en la cantidad de producto almacenado. Se pide: Plantee el problema de optimizacin correspondiente. 7.10. La empresa "Deshidratados, S.A." dispone de 800 cajas de manzanas deshidratadas para vender en 2 mercados independientes. En cada mercado, las demandas por este producto estn dadas por las siguientes ecuaciones:
P1 = 1.200 - X1 (Mercado Interno) P2 = 1.500 - 3 X2 (Mercado de Exportacin)

donde Pi = precio de venta por caja en el mercado i; Xi = cantidad, en cajas, vendida en el mercado i. Por razones de embalaje y razones comerciales, en las ventas al mercado de exportacin, slo caben 2 alternativas excluyentes: mandar 150 cajas o mandar 300 cajas. Se pide: a) b) Encuentre las cantidades que la empresa debe enviar a cada mercado. Cunto pagara como mximo la empresa por una caja adicional de manzanas deshidratadas?

78

Trabajo Docente N 57

Nota: En esta pregunta, tanto en la parte a) como en la parte b), puede usar el sistema que quiera para resolver, siempre que explicite claramente su razonamiento. 7.11. Considere el siguiente problema de Programacin No Lineal:
Maximizar - 3 x2 + xy - 2 y2 + 50 x + 60 y sujeto a: 2 x + y 30 x, y 0

Se pide: a) b) Escriba las condiciones de Kuhn-Tucker del este problema. Resuelva el problema justificando el carcter global de la solucin.

7.12. Ud. ha decidido correr una triatln, que consiste en 2 km. de natacin, 30 km. de ciclismo y 15 km. de trote. Su objetivo es llegar en el mnimo tiempo posible, para lo cual debe decidir la velocidad en que correr cada etapa. Al respecto, Ud. ha decidido que lo peor es cambiar el paso en la mitad de una etapa porque se agota ms rpido. Se Pide: Plantee su problema de optimizacin definiendo y explicando claramente las variables, funcin objetivo y restricciones. Notas: a) b) Cuidado con cansarse en la mitad del trayecto, ya que de ah en adelante no le quedara ms que llegar con paso de tortuga. Recuerde que mientras ms rpido se corre o se nada, ms rpido se cansa.

79

Modelos de Optimizacin

CAPITULO 8 PROGRAMACION LINEAL: INTRODUCCION La Programacin Lineal se defini como aquel caso de Programacin No Lineal, en el cual la funcin objetivo y las restricciones son lineales. Esto significa que cualquier problema de Programacin Lineal debe poder expresarse como Maximizar c1X1 + c2X2 + ... + cnXn sujeto a: a11X1 + a12X2 + ... + a1nXn b1 a21X1 + a22X2 + ... + a2nXn b2 . . . am1X1 + am2X2 + ... + amnXn bm X1, X2 ..., Xn 0 Ejemplo 8.1 1: Se debe programar la produccin de dos productos, X1 y X2, de manera tal de maximizar las utilidades. El siguiente cuadro resume los principales antecedentes de este problema. Tipo de Mquina 1 2 3 Precio Unitario Costo Unitario Producto 1 (en hrs/unid.) 2 1 1 70 30 Producto 2 Disponibilidad (en hrs/unid.) (en hrs/semana) 1 1 3 120 60 70 40 90

Adaptado del libro de B. Philippi: "Introduccin a la Optimizacin de Sistemas". Ediciones Universidad Catlica de Chile. 1982.

80

Trabajo Docente N 57

Matemticamente, este problema se puede plantear como: Maximizar 40X1 + 60X2 sujeto a: (1) (2) (3) (4) 2X1 + X2 70 X1 + X2 40 X1 + 3X2 90 X1, X2 0

Este problema se puede resolver de varias maneras, algunas de las cuales se vern a continuacin. Mtodo Grfico Por ser el problema anterior de dos variables es posible resolverlo en forma grfica. En primer lugar, se representar grficamente el conjunto de oportunidades definido por las restricciones. Las restricciones de no-negatividad indican que se puede trabajar slo dentro del cuadrante no-negativo. La primera restriccin, 2X1 + X2 7 0, se puede representa rcomo
X 2

100 90 80 70 60 50 40 30 20 10

A
X1

10 20 30 40 50 6

0 70 80 90 100

81

Modelos de Optimizacin

El rea A define el conjunto de puntos donde se satisfacen simultneamente las restricciones de no-negatividad y la primera restriccin. El grfico siguiente presenta el conjunto de oportunidades, que es cuando se consideran todas las restricciones.

100 90 80 70 60 50 40 30 20 10 10 20 30 40 50 6 0 70 80 90 100
f = 2100 f =1800 f = 1200 * (X * , X ) = (15, 25) 2 1

Las lneas punteadas representan conjuntos de puntos donde el valor de la funcin objetivo es el mismo. Se conocen tambin como curvas de nivel o curvas de isoutilidad. En programacin lineal estas curvas son siempre rectas y paralelas entre s. La curva de nivel, que contiene al menos un punto dentro del conjunto de oportunidades y que hace mximo el valor de la funcin objetivo, es aquella donde f = 2.100. Este es el mximo valor alcanzable de la funcin objetivo. Dicho valor se alcanza cuando X1 = 15 y X2 = 25.

82

Trabajo Docente N 57

Es conveniente hacer notar que en dicho punto las restricciones activas, es decir, que se cumplen con igualdad, son las restricciones (2) y (3). Mtodo de Kuhn-Tucker
Si bien las condiciones de Kuhn-Tucker persiguen caracterizar el ptimo ms que encontrarlo, es posible usarlas para encontrar la solucin. Por otra parte, dado que en cualquier problema de Programacin Lineal la funcin objetivo es cncava y las restricciones forman un conjunto convexo, cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un ptimo global. En el problema anterior el Lagrangeano por maximizar es:

= 40x1+60x2+1(70-2x1-x2)+2(40-x1-x2)+3(90-x1-3x2) y las condiciones de Kuhn-Tucker son: 1) x = 40 - 21 - 2 - 3 0 1 2) x x1 = (40 - 21 - 2 - 3) x1 = 0 1 3) x = 60 - 1 - 2 - 33 0 2 4) x x2 = (60 - 1 - 2 - 33) x2 = 0 2 5) = 70 - 2x1 - x2 0 1 6) 1 = (70 - 2x1 - x2) 1 = 0 1 7) = 40 - x1 - x2 0 2 8) 2 = (40 - x1 - x2) 2 = 0 2 9) = 90 - x1 - 3x2 0 3 10) 3 = (90 - x1 - 3x2) 3 = 0 3 11)x1, x2, 1, 2, 3 0

83

Modelos de Optimizacin

En este caso se deben analizar 25 = 32 casos, los que se resumen a continuacin: Caso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 x1 0 + 0 0 0 0 + + + + 0 0 0 0 0 0 + + + + + + 0 0 0 0 0 + + + + + x2 0 0 + 0 0 0 + 0 0 0 + + + 0 0 0 + + + 0 0 0 + + + 0 + 0 + + + + 1 0 0 0 + 0 0 0 + 0 0 + 0 0 + + 0 + 0 0 0 + + + + 0 + + + 0 + + + 2 0 0 0 0 + 0 0 0 + 0 0 + 0 + 0 + 0 + 0 + 0 + + 0 + + + + + 0 + + 3 0 0 0 0 0 + 0 0 0 + 0 0 + 0 + + 0 0 + + + 0 0 + + + + + + + 0 +

Analizar 32 casos es bastante largo, con lo cual es conveniente tratar de descartar algunos casos antes de emprender la tarea. Para ello, se analizar la funcin objetivo y restricciones del problema.

84

Trabajo Docente N 57

Maximizar 40X1 + 60X2 sujeto a: (1) (2) (3) (4) 2X1 + X2 70 X1 + X2 40 X1 + 3X2 90 X1, X2 0

Del anlisis se puede desprender que: a) b) Dado que x1 y x2 tienen un coeficiente positivo en la funcin objetivo, ambos no pueden ser iguales a cero en el ptimo. Si x1 es cero, x2 podra ser como mximo igual a 30, por la tercera restriccin. En este caso la funcin objetivo tomara un valor de 1.800. Por otra parte, si x2 es cero, x1 podra ser como mximo igual a 35, por la primera restriccin. En este caso la funcin objetivo tomara un valor de 1.400. De aqu se desprende que x2 no puede ser igual a cero. Por ltimo, si x1 = 1 (cualquier valor positivo pero chico), x2 puede ser como mximo igual a Error!, por la restriccin 3, con lo cual la funcin objetivo tomara un valor de 1.820, mayor que 1.800. De aqu se desprende que tanto x1 como x2 deben ser positivos en el ptimo. Del anlisis anterior se desprende que la tabla con los distintos casos se puede simplificar de la siguiente forma: Caso 7 17 18 19 29 30 31 32 1 0 + 0 0 0 + + + 2 0 0 + 0 + 0 + + 3 0 0 0 + + + 0 +

Por otra parte, las condiciones de Kuhn-Tucker se pueden reescribir como:

85

Modelos de Optimizacin

1) 2) 3) 4) 5) 6) 7) 8) 9)

d = 40 - 21 - 2 - 3 = 0 dx1 d = 60 - 1 - 2 - 33 = 0 dx2 d = 70 - 2x1 - x2 0 d1 d = (70 - 2x1 - x2 ) 1 = 0 d1 1 d = 40 - x1 - x2 0 d2 d = (40 - x1 - x2 ) 2 = 0 d2 2 d = 90 - x1 - 3x2 0 d3 d = (90 - x1 - 3x2 ) 3 = 0 d3 3 x1 , x2 , 1 , 2 , 3 0

A continuacin se analiza cada uno de los casos anteriores: Caso 7: (x1, x2, 1, 2, 3) = (+, +, 0, 0, 0) No puede ser por condicin 1). Caso 17: (x1, x2, 1, 2, 3) = (+, +, +, 0, 0) No puede ser por condiciones 1) y 2). Caso 18: (x1, x2, 1, 2, 3) = (+, +, 0, +, 0) No puede ser por condiciones 1) y 2). Caso 19: (x1, x2, 1, 2, 3) = (+, +, 0, 0, +) No puede ser por condiciones 1) y 2). Caso 29: (x1, x2, 1, 2, 3) = (+, +, 0, +, +)

86

Trabajo Docente N 57

Las condiciones 1) y 2) implican 2 = 30 y 3 = 10. A su vez, las condiciones 6) y 8) implican x1 = 15, x2 = 25. Como este punto satisface todas las condiciones de Kuhn-Tucker, se concluye que el ptimo es * * * * * (x1 , x2 , 1 , 2 , 3 ) = (15, 25, 0, 30, 10) Una vez ms, es claro que, como mtodo, el uso directo de las condiciones de Kuhn-Tucker es deficiente para encontrar la solucin a problemas de optimizacin. Anlisis de Sensibilidad para los Coeficientes de la Funcin Objetivo: El anlisis de sensibilidad para los coeficientes de la funcin objetivo se refiere a cunto puede variar cada uno de dichos coeficientes, manteniendo los dems constantes, sin que cambie la solucin ptima. Si se vara un coeficiente de la funcin objetivo, cambia la pendiente de las curvas de nivel o de isoutilidad. En el ejemplo, mientras la pendiente de la curva de nivel est entre las pendientes de las restricciones (2) y (3), que son las restricciones activas en el ptimo, no cambiar la solucin ptima. A continuacin se realiza el anlisis de sensibilidad para c1 coeficiente asociado a la variable x1 en la funcin objetivo. La funcin objetivo, parametrizando c1, es c1 x1 + 60 x2 La pendiente de las curvas de nivel en este caso es -c1/60. Por otra parte, 1 las pendientes de las restricciones (2) y (3) son -1 y - 3 respectivamente. El rango de sensibilidad es por tanto -c1 1 -1 60 - 3 o bien 20 c1 60

87

Modelos de Optimizacin

Esto quiere decir que mientras c1 est en el rango (20; 60) el ptimo * seguir siendo ( x1 , x* ;2 )= (15, 25). El rango de sensibilidad para c2 se obtiene en forma anloga. En este caso, -40 1 -1 c -3 2 o bien 40 c2 120 Se debe hacer notar que si bien la solucin ptima no cambia mientras los coeficientes varan dentro del rango de sensibilidad, el valor de la funcin objetivo en el ptimo s vara. Anlisis de Sensibilidad para bj El rango de sensibilidad para bj se refiere a cunto puede variar la disponibilidad, bj, de un recurso sin que varen los precios sombra, l's, de los distintos recursos. La importancia de este tipo de anlisis radica en que permite saber, por ejemplo, cuntas unidades de recurso es conveniente vender (comprar) a un determinado precio. Por ejemplo, en el caso del recurso (2), se vio que l2 = 30. Ello quiere decir que el mximo precio que se est dispuesto a pagar por una unidad adicional de este recurso es 30 pesos. El problema es ahora determinar cuntas unidades se est dispuesto a comprar a dicho precio mximo. El anlisis de sensibilidad permite encontrar la respuesta. Si bien es posible derivar los rangos de sensibilidad para los distintos bj en forma grfica en el caso de dos variables, este se ver para el caso general con n variables en el captulo 9, donde se muestra el programa computacional LINDO. Problemas Propuestos 8.1.Use el mtodo grfico para encontrar los valores de X1 y X2 que maximizan la funcin objetivo, f(x1, x2) en cada uno de los siguientes casos:

88

Trabajo Docente N 57

a) b) c) d)

f(x1, x2) = 3x1 + 2x2 f(x1, x2) = 5x1 + 2x2 f(x1, x2) = 2x1 + 3x2 f(x1, x2) = 3x1 + 3x2

Las restricciones en todos los casos son: 2x1 + 3x2 12 4x1 + 2x2 16 x1, x2 0 8.2. Use el mtodo grfico para resolver el siguiente problema: Minimizar f(x1, x2) = -x1 - x2 sujeto a: x1 + 3x2 6 -x1 + x2 1 -2x1 + x2 -4 x1, x2 0 8.3. Suponga el siguiente problema de optimizacin: Maximizar sujeto a: 2X1 + X2 20 X1 + X2 12 X1, X2 0 Se pide: a) b) Resuelva grficamente. Cunto est dispuesto a pagar por una unidad adicional de recurso uno? Explique su respuesta. Nota: Puede usar las condiciones de Kuhn-Tucker, pero no es necesario. 4X1 + 3X2

8.4.

Ud. tiene un fundo de 20 hectreas donde puede producir trigo y/o maz. Los requerimientos de agua para el ao son de 10 mil y

89

Modelos de Optimizacin

cinco mil metros cbicos por hectrea de trigo y maz respectivamente. Ud. cuenta con 180 mil metros cbicos para el ao. Por otra parte, de su anlisis econmico de ambos rubros Ud. obtiene la siguiente estructura de costos: Precio Unitario Fertilizantes Pesticidas Mano de Obra Maquinaria Rendimiento Precio por quintal Se pide: a) b) c) Plantee el problema de Programacin Lineal correspondiente. Usando anlisis grfico, cuntas hectreas sembrara con cada cultivo? qu restricciones son activas? inactivas? Si el precio de la mano de obra sube de 100 a 200 pesos por unidad, cmo cambiara su respuesta anterior? Use nuevamente anlisis grfico. Cunto pagara como mximo por poder arrendar una hectrea adicional? Suponga el precio original de 100 pesos por unidad de mano de obra. 100 150 100 400 Requerimientos (uds./ha.) 5 2 4 3 30 120 15 4 3 3 40 160

d)

8.5.

Para una encuesta telefnica, una empresa de marketing necesita contactar 150 seoras (esposas), 120 seores (esposos), 100 adultos solteros de sexo masculino y 110 adultos solteros de sexo femenino. El costo de una llamada en la maana es de $2 y se alcanzan los siguientes resultados: 30% de los llamados en la maana contactan una seora. 10% de los llamados en la maana contactan un seor. 25% de los llamados en la maana contactan un soltero. 35% de los llamados en la maana contactan una soltera.

90

Trabajo Docente N 57

Debido al costo de mano de obra, cuesta $5 hacer un llamado en las tardes. Los resultados de los llamados en la tarde son los siguientes: 30% de los llamados en la tarde contactan una seora. 30% de los llamados en la tarde contactan un seor. 20% de los llamados en la tarde contactan un soltero. 20% de los llamados en la tarde contactan una soltera. Se pide: a) Suponiendo que a lo ms la mitad de los llamados se pueden hacer en la tarde, formule un modelo de Programacin Lineal que pueda ser usado para minimizar el costo de esta encuesta. Resuelva grficamente el problema anterior.

b) 8.6.

Ud. es dueo de una fbrica de hamburguesas que produce 3 tipos de hamburguesas: Precio por kg. Extra Estndar Rasca 1.000 800 400 Cont. Grasa Mximo 4% 10% 30%

Para producir las hamburguesas, Ud. puede comprar 4 tipos de carne, cuyos precios y contenidos de grasa se sealan a continuacin. Precio por kg. Filete Posta Rosada Punta de Ganso Cazuela 450 400 250 220 Cont. Grasa (porcentaje) 1% 4% 15% 45%

Adicionalmente, Ud. ha decidido que, por razones de imagen, no debe producir ms de un 15% de hamburguesas tipo Rasca.

91

Modelos de Optimizacin

Finalmente, por problemas de capacidad, Ud. no puede producir ms de 1.000 kg. de hamburguesas a la semana. Se pide: Plantee el Problema de programacin lineal correspondiente. 8.7. Suponga el siguiente problema de optimizacin: Maximizar sujeto a: X1 + X2 60 2X1 + 3X2 120 X1 + 5X2 60 3X1 + X2 80 X1, X2 0 Se pide: a) b) Resuelva grficamente. Encuentre los precios sombra de cada una de las restricciones. Use las condiciones de Kuhn-Tucker y su respuesta a la parte a). Cunto puede cambiar el coeficiente asociado a X1 en la funcin objetivo sin que cambie el programa ptimo de produccin? (mquina 1) (mquina 2) (mquina 3) (mquina 4) 30X1 + 40X2

c)

8.8.

Dado el siguiente modelo de programacin lineal: Maximizar 10X1 + 8X2 sujeto a: 3X1 + 2X2 36(departamento de ensamble) X1 + 2X2 20(departamento de pintura) X2 9 (departamento de marketing) X1, X2 0

92

Trabajo Docente N 57

Se pide: I. El valor de X2 en el ptimo es: a) b) c) d) e) II. 4 6 8 9 12

El valor de la funcin objetivo en el ptimo es: a) b) c) d) e) 128 124 90 96 Ninguna de las anteriores.

III. El precio sombra en el departamento de pintura es: a) b) c) d) e) 1 11 -1 0 Ninguna de las anteriores.

IV. Asuma que el coeficiente de X2 no cambia, Qu cambio en el coeficiente de X1 determinar que en la solucin ptima slo se produzca X2? a) b) c) d) e) Infinito 0 8 1 Ninguna de las anteriores.

93

Modelos de Optimizacin

CAPITULO 9 PROGRAMACION LINEAL Y EL COMPUTADOR El programa LINDO2 El programa LINDO permite resolver problemas de programacin lineal en forma efectiva. Aparte de entregar la solucin ptima, entrega los anlisis de sensibilidad tanto para los coeficientes de la funcin objetivo como de los bj. En la pgina siguiente se presenta el listado de salida del LINDO, para el ejemplo desarrollado en los captulos anteriores. En relacin con los resultados puede verse que: 1) 2) * * En el ptimo x1 = 15; x2 = 25 Los costos reducidos son cero en ambos casos. Estos costos se refieren a cunto cambiara la funcin objetivo si la restriccin xi 0, se reemplaza por xi 1. En rigor el costo reducido se refiere al cambio en la funcin objetivo por unidad infinitesimal de cambio en la restriccin xi 0. En el ptimo, existe una holgura de 15 unidades en la restriccin (1) ("Row" 2 se refiere a la primera restriccin ya que la funcin objetivo es considerada la "Row" 1). No hay holgura en las dems restricciones ya que son activas en el ptimo. * * * Los precios sombra son 1 = 0, 2 = 30, 3 = 10. Los rangos de sensibilidad para los coeficientes de la funcin objetivo son: 40 + 20 c1 40 - 20 60 + 60 c2 60 - 20
2

3)

4) 5)

Se debe hacer notar que existen adems otros programas relativamente fciles de usar para resolver problemas de programacin lineal. Uno de ellos es el programa QSB+, cuya salida se muestra a travs de ejemplos en los problemas propuestos al final de este captulo. En cualquier caso, se recomienda al lector leer bien los manuales de tal forma de aprovechar al mximo los programas.

94

Trabajo Docente N 57

OBJECTIVE FUNCTION VALUE 1) 2100.00000 VARIABLE VALUE x1 15.000000 x2 25.000000 ROW 2) 3) 4) SLACK OR SURPLUS 15.000000 .000000 .000000 2

REDUCED COST .000000 .000000 DUAL PRICES .000000 30.000000 10.000000

NO. ITERATIONS =

RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE x1 40.000000 20.000000 20.000000 x2 60.000000 60.000000 20.000000 RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 3 4 70.000000 40.000000 90.000000 INFINITY 6.000001 30.000000 15.000000 10.000000 30.000000

Los rangos que aqu se dan se deben interpretar por separado. As, por ejemplo, el rango para c2 supone que c1 se mantiene en su valor original de 40. 6) Los rangos de sensibilidad para bj son 70 + b1 70 - 15 40 + 6 b2 40 - 10 90 + 30 b3 90 - 30 Estos rangos se deben tambin interpretar en forma separada. A modo de ejemplo, b1 puede variar entre 55 e infinito sin que varen los precios sombra. El precio sombra 1, es igual a cero

95

Modelos de Optimizacin

con lo cual la disponibilidad puede aumentar hasta infinito sin que cambie su precio sombra de cero. Si b1 disminuye a 55, esta restriccin comienza a ser activa (recordar que la holgura era igual a 15). Problemas Propuestos 9.1. Una empresa produce 3 bienes X, Y y Z, cada uno de los cuales es fabricado utilizando 4 tipos de materias primas L, P, K y T. La informacin acerca de la materia prima necesaria para producir una unidad de producto X, Y y Z se ha resumido en el siguiente cuadro: X L P K T 2 3 1 4 Y 5 6 0 2 Z 1 2 3 1

Los costos por unidad de las materias primas son $2 para L, $1 para P, $1 para K y $0 para T. Adems, existen otros costos de fabricacin equivalentes a $2, $3 y $2 por unidad producida de X, Y y Z respectivamente. No es posible adquirir en el mercado ms de 30, 60, 20 y 50 unidades de materia prima L, P, K y T respectivamente por mes. Los bienes X, Y y Z pueden ser vendidos a $12, $22 y $10. Para decidir cunto producir de cada bien, la empresa ha diseado el siguiente modelo de optimizacin, el cual maximiza los beneficios netos. Maximizar 2X + 3Y + 2Z sujeto a: 2X + 5Y + Z 3X + 6Y + 2Z X + 3Z 4X + 2Y + Z X, Y, Z 0 30 60 20 50

96

Trabajo Docente N 57

Utilizando el "LINDO" se obtuvieron los resultados que se presentan en la pgina siguiente. Se pide: a) b) c) d) Explique cmo se obtuvieron los coeficientes de la funcin objetivo en el planteamiento original. Cul es la poltica de produccin ptima? Cules son los requerimientos de materias primas? Desde qu valor el dueo de la empresa debera esta dispuesto a arrendarla? Cul o cules materias primas no han sido utilizadas en su totalidad segn las posibilidades del mercado de materias primas? Qu significa esto? Es material que se pierde? Cunto debera estar dispuesto a pagar el dueo de la empresa por adquirir q unidad ms de cada una de las materias primas consideradas por separado? Cunto debera estar dispuesto a pagar por obtener 5 unidades ms de la materia prima T? Por alguna razn tecnolgica, los costos de fabricacin (sin considerar los costos de materias primas) del producto Z son eliminados. Qu sucede con el plan de produccin y las utilidades percibidas por la empresa?

e)

f) g)

97

Modelos de Optimizacin

OBJECTIVE FUNCTION VALUE 1) 28.22222 VARIABLE VALUE REDUCED COST X 11.333333 0.000000 Y 0.888889 -0.000000 Z 2.888889 -0.000000 ROW 2) 3) 4) 5) SLACK OR SURPLUS DUAL PRICES 0.000000 0.511111 14.888889 0.000000 0.000000 0.088889 0.000000 0.222222 3

NO. ITERATIONS =

RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE CURRENT COEF X 2.000000 Y 3.000000 Z 1.000000 ALLOWABLE ALLOWABLE INCREASE DECREASE 1.333333 0.666667 2.000000 2.090909 2.000000 0.250000

RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE 2 3 4 5 30.000000 60.000000 20.000000 50.000000 12.884615 INFINITY 20.000000 8.000000 3.636364 14.888889 8.125000 34.000000

98

Trabajo Docente N 57

h)

Suponga que el gerente de la empresa est considerando la posibilidad de fabricar un nuevo producto W. Una unidad de produccin de W requiere 2, 3, 1 y 2 unidades de materia prima L, P, K y T respectivamente. A qu precio (mnimo) de venta debera venderse la primera unidad de este producto para que valga la pena producirlo? Suponga que el mercado de materias primas crece permitiendo que las restricciones para la compra de materias primas se amplen. Concretamente en la nueva situacin no es posible abastecerse de ms de 33 unidades de L, 70 de P, 30 de K y 52 de T. Cambia la poltica de produccin? Cules son los nuevos beneficios mensuales obtenidos en la empresa?

i)

9.2.

Nico tiene una pequea empresa en la cual produce tres tipos de fertilizantes para jardn mezclando, en distintas proporciones, tres ingredientes bsicos A, B y C. ( Para proteger el negocio de Nico no se revelarn estos tres ingredientes). Las especificaciones tcnicas de cada mezcla son las siguentes: Mezcla 1 2 3 Mximo % de A 50% 15% 5% 25% 65% 50% Mnimo % de C

El precio de venta por kilo de mezcla 1, 2 y 3 es de $10, $8 y $6 respectivamente. Nico estima que puede vender todo lo que produzca de cada una de las mezclas. El costo por kilo de A, B y C es de $3, $2 y $1 respectivamente, y la disponibilidad de B y C est limitada a 2.850 y 1.300 kilos semanales respectivamente. Por otra parte, Nico slo tiene $ 10.000 semanales para adquirir estos ingredientes bsicos para preparar sus mezclas.

99

Modelos de Optimizacin

Si se define XIJ = kilos de ingrediente i en la mezcla j (i = A, B, C; j = 1, 2, 3) el problema de Nico puede formularse como Maximizar 7 XA1 + 8 XB1 + 9 XC1 + 5 XA2 + 6 XB2 + 7 XC2 + 3 XA3 + 4 XB3 + 5 XC3 sujeto a: 0,5 XA1 - O,5 XB1 - 0,5 XC1 0 0,25 XA1 + 0,25 XB1 - 0,75 XC1 0 0,85 XA2 - 0,15 XB2 - 0,15 XC2 0 0,65 XA2 + 0,65 XB2 - 0,35 XC2 0 0,95 XA3 - 0,05 XB3 - 0,05 XC3 0 0,5 XA3 + 0,5 XB3 - 0,05 XC3 0 XB1 + XB2 + XB3 2850 XC1 + XC2 + XC3 1300 3 XA1 + 2 XB1 + XC1 + 3 XA2 + 2 XB2 + XC2 + 3 XA3 + 2 XB3 + XC3 10000 Los resultados, usando el programa LINDO, fueron los siguientes: 1) OBJETIVE FUNCTION VALUE 41500.0000 VARIABLE VALUE REDUCED COST XA1 1000.000000 .000000 XB1 2850.000000 .000000 XC1 1300.000000 .000000 XA2 .000000 2.000000 XB2 .000000 2.000000 XC2 .000000 2.000000 XA3 .000000 4.000000 XB3 .000000 4.000000 XC3 .000000 4.000000

100

Trabajo Docente N 57

ROW SLACK OR SURPLUS DUAL PRICES 2) 1575.000000 .000000 3) 12.500000 .000000 4) .000000 .000000 5) .000000 .000000 6) .000000 .000000 7) .000000 .000000 8) .000000 3.333333 9) .000000 6.666667 10) .000000 2.333333 NO. INTERATIONS = 3 RANGES IN WHICH THE BASIS IS UNCHANGED VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE XA1 XB1 XC1 XA2 XB2 XC2 XA3 XB3 XC3 7.000000 5.000000 8.000000 INFINITY 9.000000 INFINITY 5.000000 2.000000 6.000000 2.000000 7.000000 2.000000 3.000000 4.000000 4.000000 4.000000 5.000000 4.000000 2.000000 2.000000 2.000000 INFINITY INFINITY INFINITY INFINITY INFINITY INFINITY

RIGHTHAND SIDE RANGES ROW 2 3 4 5 6 7 8 9 10 CURRENT RHS .000000 .000000 .000000 .000000 .000000 .000000 2850.000000 1300.000000 10000.000000 ALLOWABLE ALLOWABLE INCREASE DECREASE INFINITY 1575.000000 INFINITY 12.500000 INFINITY .000000 INFINITY .000000 INFINITY .000000 INFINITY .000000 150.000000 1890.000000 3000.000000 15.000000 150.000000 3000.000000

101

Modelos de Optimizacin

a) b) c) d)

Cul es la solucin ptima? Cul es la utilidad semanal? Cules son los porcentajes de cada ingrediente bsico en la mezcla ptima? Es una solucin nica? Si no lo es, indique ( no calcule) cul sera una solucin alternativa. El proveedor ofrece venderle 140 kilos adicionales de ingrediente B a un precio mayor que el usual, hasta cunto estara usted dispuesto a pagar? El proveedor, por otros compromisos, decide disminuir en 10 kilos la entrega de ingrediente C y para no tener problemas con usted ofrece devolverle los $10 de su costo, Es esto conveniente para Nico? Comente brevemente su respuesta. Mirando los resultados le recomendara usted a Nico pedir dinero prestado para adquirir ms ingredientes? Qu ingrediente podra adqurir? Cunto debera estar dispuesto a pagar por cada peso prestado? Hasta cunto dinero podra solicitar a este precio? Comente brevemente. Si el precio de venta de la mezcla 2 aumenta en un peso por kilo cambia su programa de produccin? Y si aumenta en tres pesos? Puede decir algo de la solucin ptima si el costo del ingrediente A baja a $ 2,5 por kilo?.

e)

f)

g)

h) 9.3.

La Gerencia de Desarrollo de Winston-Salem est tratando de completar sus planes de inversin para los prximos tres aos. En la actualidad la empresa cuenta con $2.000 para inversiones. En perodos de seis meses, durante los prximos tres aos, la empresa espera poder contar con los siguientes ingresos provenientes de inversiones anteriores: $500 (en 6 meses ms), $400, $380, $360, $340 y $300 (a fines del tercer ao). Los tres proyectos de inversin considerados son los siguientes:

102

Trabajo Docente N 57

Flujos de caja por semestre PROYECTOS Foster City Housing 1 2 3 4 5 6 Valor al final del tercer ao - $ 3.000 - $ 1.000 - $ 1.800 $ 400 $ 1.800 $ 1.800 $ 5.500 - $1.000 - $2.000 - $ 500 $1.500 $1.500 $1.500 $ 200 $6.000 Disney - $2.000 - $2.000 - $1.800 $1.000 $1.000 $1.000

Si la empresa invierte un porcentaje del total, el retorno de la inversin corresponde al mismo porcentaje. Es posible conseguir fondos a una tasa del 3.5% semestral, pero a lo ms se pueden pedir $ 2.000 cada vez ( el principal de la deuda no puede ser mayor que $ 2.000). Por otro lado, puede invertir los excesos de fondos a una tasa del 3% semestral. Lo que se desea es maximizar el ingreso neto al final del tercer ao. Para lograr el plan de inversiones la empresa formul el siguiente modelo de programacin lineal donde las variables de decisin utilizadas fueron: F = porcentaje de participacin en el proyecto Foster City M = porcentaje de participacin en el proyecto Housing D = porcentaje de participacin en el proyecto Disney Bi = monto solicitado como prstamo en el perodo i Li = monto invertido (al 3%) en el perodo i

103

Modelos de Optimizacin

Maximizar 1Z sujeto a:
1) 3000F + 2000M + 2000D - 1B1 + 1L1 = 2000 2) 1000F + 500M + 2000D + 1,035B1 - 1,03L1 - 1B2 + 1L2 = 500 3) 1800F - 1500M + 1800D + 1,035B2 - 1,03L2 - 1B3 + 1L3 = 400 4) - 400F - 1500M - 1000D + 1,035B3 - 1,03L3 - 1B4 + 1L4 = 380 5) - 1800F - 1500M - 1000D + 1,035B4 - 1,03L4 - 1B5 + 1L5 = 360 6) - 1800F - 200M - 1000D + 1,035B5 - 1,03L5 - 1B6 + 1L6 = 340 7) 1Z - 5500F + 1000M - 6000D + 1,035B6 - 1,03L6 = 300 8) 1B1 2000 9) 1B2 2000 10) 1B3 2000 11) 1B4 2000 12) 1B5 2000 13) 1B6 2000 14) 1F 1 15) 1M 1 16) 1D 1

Los resultados, usando el programa QSB+, son los siguientes:

104

Trabajo Docente N 57

No Var Solution Cost 1 Z +7665.1787 2 F +.71434140 3 M +.63720959 4 D 0 5 B1 +1417.4434 6 L1 0 7 B2 +2000.0000 8 L2 0 9 B3 +2000.0000 10 L3 0 11 B4 +448.44897 12 L4 0 13 B5 0 14 L5 +2137.4841 15 B6 0 16 L6 +3954.8650

Opportunity Objective Minimum Maximum Coefficient Obj. Coeff. Obj. Coeff. 0 1.0000000 0 +INFINITY 0 0 - 454.59485 +3043.7207 0 0 - 583.69208 +644.82007 +452.38162 0 -INFINITY +452.38162 0 0 -.40969697 +.00882163 +.00878849 0 -INFINITY +.00878849 0 0 -.32740423 +INFINITY +.33431387 0 -INFINITY +.33431387 0 0 -.24546637 +INFINITY +.25095651 0 -INFINITY +.25095651 0 0 -.16248728 +.00530449 +.00530449 0 -INFINITY +.00530449 +.00515000 0 -INFINITY +.00515000 0 0 -.22211158 +.00515000 +.00500000 0 -INFINITY +.00500000 0 0 -.22786446 +.00500000

Maximized OBJ = 7665.179

Const. Status 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Tight Tight Tight Tight Tight Tight Tight Loose Tight Tight Loose Loose Loose Loose Loose Loose

RHS

Shadow Slack or Price Surplus =+2000.00 +1.819220 0 =+500.000 +1.757701 0 =+400.000 +1.381929 0 =+380.000 +1.098031 0 =+360.000 +1.060900 0 =+340.000 +1.030000 0 =+300.000 +1.000000 0 <+2000.00 0 +582.5566+1417.443 <+2000.00 +.3274042 0 <+2000.00 +.2454664 0 <+2000.00 0 +1551.551+448.4490 <+2000.00 0 +2000.000 0 +Infinity <+2000.00 0 +2000.000 0 +Infinity <+1.00000 0 +.2856586+.7143414 <+1.00000 0 +.3627904+.6372097 <+1.00000 0 +1.000000 0 +Infinity

Minimum Maximum RHS RHS -526.2444 +3415.854 -1387.037 +1275.555 -542.7526 +1598.599 -1171.551 +828.4490 -1777.484 +Infinity -3614.865 +Infinity -7365.179 +Infinity +Infinity +863.9908 +2561.718 +1703.148 +3027.054 +Infinity +Infinity +Infinity

Se pide: a) b) Qu representa Z en la funcin objetivo? Cunto es lo que se obtendra con el plan de inversiones?

105

Modelos de Optimizacin

c) d) e) f) g)

Cul es el flujo de caja esperado del proyecto "Housing"? Qu tendra que suceder para que fuera conveniente invertir en el perodo 3? Qu sucedera si la tasa a la cual se puede pedir prestado baja al 3,2% trimestral? Cunto estara la empresa dispuesta a pagar por contar con $ 800 adicionales para inversin a comienzos del perodo 2? Sera conveniente para la empresa una poltica que permitiera pedir prestados $1200 adicionales durante el perodo 4?

9.4.

Considere el siguiente problema de programacin lineal resuelto usando el programa QSB+. En 10 lugares marcados con las letras "XXXX(.)" se ha borrado lo que apareca en el listado original. En cada uno de los 10 casos, escriba lo que apareca. Maximizar 40X1 + 20X2 + 33X3 + 87X4 sujeto a: 1) 2) 3) 4) 5) 1X1 + 1X2 + 1X3 + 1X4 200 1X2 + 3X3 + 7X4 450 1X1 + 4X2 + 2X3 + 5X4 600 2X1 + 3X2 + 1X3 + 1X4 100 2X1 + 1X2 + 1X3 + 1X4 300

No Var Solution Cost 1 X1 +117.85714 2 X2 0 3 X3 0 4 X4 XXXX(4)

Opportunity Objective Minimum Maximum Coefficient Obj. Coeff. Obj. Coeff. 0 +40.0000 +17.666666 +174.00000 +9.5714293 +20.0000 +XXXX(1) XXXX(2) XXXX(3) +33.0000 -Infinity +48.714287 0 +87.0000 +50.333332 +Infinity

Maximized OBJ = XXXX(5)

106

Trabajo Docente N 57

Const. Status 1 2 3 4 5 Loose Tight Loose Loose Tight

RHS

Shadow Price <+200.00 0 <+450.000 +9.571429 <+600.000 XXXX(7) >+100.000 0 XXXX(9) <+300.000 XXXX(10)

Slack or Minimum Maximum Surplus RHS RHS +17.8571 XXXX(6) +Infinity 0 0 +700.0000 +160.714 +439.2857 XXXX(8) -Infinity +300.0000 0 +100.0000 +335.7143

107

Modelos de Optimizacin

CAPITULO 10 PROBLEMAS ADICIONALES DE PROGRAMACION LINEAL Este captulo presenta algunos ejemplos adicionales de Programacin Lineal. Al igual que en el captulo 7, se han dejado varios ejercicios como Problemas Propuestos en el convencimiento que slo el enfrentamiento con nuevos problemas permite el desarrollo de la habilidad de plantear en trminos matemticos las situaciones que se presentan en la realidad. Ejemplo 10.1: Una empresa agroindustrial controla 2 parcelas, 3 plantas de proceso y 2 unidades distribuidoras. Considrese uno de los productos de la empresa: sopa de tomates. Los tomates pueden cultivarse en cualquiera de las dos parcelas a un costo de 200 y 150 pesos por tonelada respectivamente. Desde cualquier parcela es posible enviar la produccin a cualquiera de las plantas procesadoras. Los costos de transporte por tonelada se presentan en la Tabla N 1. Tabla N 1: Costos de transporte desde distintas parcelas a distintas plantas procesadoras. En pesos por tonelada. Parcela 1 2 Planta Procesadora 1 2 3 5 15 8 6 11 2 Capacidad Parcela (en toneladas) 290 400

Suponga que con 0,1 toneladas de tomates es posible producir una caja de sopa de tomates. Los costos variables de procesar una caja de sopa de tomates en las distintas plantas estn dados en la Tabla N 2. Tabla N 2: Costos variables y capacidad de procesamiento en 3 plantas alternativas Planta Procesadora 1 2 3 Costos de Procesamiento Procesamiento (en pesos por caja)(en cajas) 25 34 17 Capacidad Planta 800 1.500 3.000

108

Trabajo Docente N 57

Desde cualquier planta de proceso es posible enviar la produccin a cualquier unidad distribuidora. Los costos de transporte desde las plantas procesadoras a las unidades distribuidoras estn dadas en la Tabla N 3. Tabla N 3: Costos de transporte desde distintas plantas procesadoras a distintas unidades distribuidoras. En pesos por caja. Planta 1 2 3 Requerimientos por Unidad Distribuidora (en cajas) Distribuidora 1 2 8 15 4 6 20 2 3.000 800

Con el objeto de formular el problema de optimizacin correspondiente, se seguirn las siguientes etapas: Definicin de variables: Produccin de la parcela i, en toneladas (i=1,2) Produccin de la planta j. En cajas (j=1,2,3) Produccin distribuda por la unidad k. En cajas (k=1,2) Zij Cantidad de tomates producidos en i para ser procesados en la planta j. En toneladas. Mjk Cantidad procesada por la planta j y distribuda por la unidad k. En cajas. Funcin objetivo: El problema es minimizar los costos totales cuyos componentes son: Vi Wj Yk

109

Modelos de Optimizacin

COMPONENTES COSTOS TOTALES Costo Produccin Parcelas Costo Transporte Parcelas a Plantas Costo Procesam. Plantas Costo Transporte Plantas a Distrib. Restricciones: V1 290 V2 400 Z11 + Z12 + Z13 V1 Z21 + Z22 + Z23 V2 W1 10 Z11 + 10 Z21 W2 10 Z12 + 10 Z22 W3 10 Z13 + 10 Z23 W1 800 W2 1.500 W3 3000 W1 M11 + M12 W2 M21 + M22 W3 M31 + M32 Y1 M11 + M21 + M31 Y2 M12 + M22 + M32 Y1 3.000 Y2 1.800 Todas las variables 0 Capacidad parcelas. Lo que las parcelas envan a las plantas debe ser menor o igual a lo que producen. Se puede procesar en las plantas, a lo ms, lo que llega desde las parcelas. Capacidad plantas. 200V1+ 150V2 5Z11+8Z12+11Z13+15Z21+6Z22+2Z23 25W1+34W2+17W3 8M11+15M12+4M21+6M22+20M31+2M32

Las plantas envan a las distribuidoras, a lo ms, lo que producen. Las unidades distribuidoras pueden distribuir, a lo ms lo que les llega desde las plantas procesadoras. Requerimientos Distribuidoras. Restricciones de no negatividad.

Para resolver este problemas, se utiliz el programa de computacin LINDO. El programa ptimo de produccin, procesamiento y distribucin se resume en la Figura 1.

110

Trabajo Docente N 57

Figura 1 Programa de produccin, procesamiento y distribucin ptimo


PARCELA 1
80 Ton.

PROCESADORA

DISTRIBUIDORES

80 Ton

800 Cajas

800 cajas

1
1000cajas 3.000 cajas

2
100 Ton

1.000 cajas

1200 cajas

400 Ton

300 Ton

2
1.800 cajas 3.000 cajas 1800 cajas

Ejemplo 10.2: Ud. es dueo de un fundo de 35 hectreas que puede sembrar con trigo y/o porotos. Los coeficientes tcnicos, en jornadas por hectrea y las disponibilidades de los distintos recursos se presentan a continuacin: Trigo Porotos Disponibilidad Sem.1 Sem.2 Sem.1 Sem.2 Sem.1 Sem.2 M. de Obra Maquinaria Agua (m3/ha.) Ut. Neta (pesos/ha.) 2 3 3 1 2.000 3.000 40.000 4 1 2 5 3.000 5.000 35.000 60 50 70 80 200.000 50.000

111

Modelos de Optimizacin

Adicionalmente, Ud. puede almacenar agua en un tranque desde el primer semestre hasta el segundo semestre a un costo de $3 por metro cbico. Para plantear este problema de inventarios, se proceder en etapas. Definicin de variables: T = Nmero de hectreas de trigo. P = Nmero de hectreas de porotos. A = Cantidad de agua almacenada desde el primer semestre al segundo, en metros cbicos. Funcin objetivo: Maximizar 40.000 T + 35.000 P - 3 A Restricciones: 2T + 4P 60 3T + 1P 50 3T + 2P 70 1T + 5P 80 2.000T+3.000P 200.000-A 3.000T+5.000P 50.000+A T, P, A 0 Ejemplo 10.3: El matadero municipal de una ciudad tiene tres centros principales de trabajo : 1. 2. 3. Recepcin, inspeccin y preparacin del ganado. Matanza y preparacin de la carne. Congelacin y almacenaje intermedio. Mano de obra, semestre 1. Mano de obra, semestre 2. Maquinaria, semestre 1. Maquinaria, semestre 2. Agua, semestre 1. Agua, semestre 2.

112

Trabajo Docente N 57

El centro nmero 2 puede variar su capacidad mediante el uso de horas extraordinarias, aumentndola hasta en un 15 por ciento. El centro nmero 3 no presenta flexibilidad en su capacidad, ya que la restriccin est en las instalaciones de congelacin y el horario de trabajo abarca las 24 horas del da cualquiera sea su produccin. Gnero Productividad (TM/Hora) Centro N 2 Vacuno Cordero Cerdo Capacidad (horas/mes normal) 172 720 5,0 4,0 5,0 Centro N 3 1,6 2,0 1,0

La utilizacin de inventarios con el fin de adaptar la capacidad instalada total a la demanda, escencialmente estacional, significa grandes costos por capital invertido, almacenaje en fro, transporte intermedio y prdidas de peso del gnero. Estos inventarios slo pueden ser de productos terminados, ya que es necesario que el gnero se encuentre ya congelado para almacenarlo en fro. En la tabla siguiente se indican los costos involucrados en la produccin en pesos. Costos Gnero Prod. Mano de obra Inv.Prod. Term. ($/TM) Centro n 2 ($/TM/Mes Almacen.) ($/Hora normal) Vacuno Cordero Cerdo 26 22 20 12 12 12 7,0 6,5 6,0

El costo de mano de obra en los centros nmero 1 y 3 son independientes de la cantidad producida, por lo cual forman parte del costo fijo del matadero. El costo de horas extraordinarias en el centro nmero 2 es un 50 por ciento mayor al costo de tiempo normal en ese mismo centro.

113

Modelos de Optimizacin

Las cantidades demandadas (fijas) para los prximos 2 meses, y los inventarios al inicio del primer perodo son los que se muestran en el cuadro siguiente: Gnero Vacuno Cordero Cerdo Demanda (TM/Mes) Perodo 1 Perodo 2 420 200 280 570 140 410 Inventario Inicial (TM) 80 30 30

Para plantear este problema, es conveniente definir: Xit Ii Lt Et = = = = Cantidad producida de producto i (vacuno, cordero, cerdo) en el perodo t, en toneladas mtricas. Inventario de producto i terminado al final del primer perodo. Horas "normales" trabajadas en el centro nmero 2 en el perodo t. Horas "extra" trabajadas en el centro nmero 2 en el perodo t.

A partir de estas definiciones, es posible deducir el siguiente modelo de Programacin Lineal: Funcin Objetivo: El objetivo es minimizar los costos totales. Estos incluyen los costos de produccin, los costos de mano de obra en el centro No. 2 y los costos de mantener inventarios.3 En trminos matemticos, dichos costos se pueden expresar como: Costos de prod. = 26(X11+X12)+22(X21+X22)+20(X31+X32) Costos mano de obra Centro No.2 = 12(L1+L2) + 18(E1+E2) Costo Inventarios = 7 I1 + 6,5 I2 + 6 I3

3Se

excluyen los costos de mano de obra en los centros Nos. 1 y 3 por ser independientes de los volmenes de produccin.

115

Modelos de Optimizacin

Programa Optimo de Produccin para el Matadero Municipal Mes 1 Mes 2 Inventario al final del Mes 1 Vacuno 340 570 0 Cordero 236,33 73,67 66,33 Cerdo 333,08 326,92 83,08

Nota: Este programa implica un uso de 21,7 y 25,8 horas extraordinarias en el Centro No. 2 durante el primer y segundo mes respectivamente. El mnimo costo para satisfacer las distintas demandas es de 49.592,67 dlares. Problemas Propuestos 10.1.3 Una planta reductora de aluminio produce dos tipos de aluminio, los cuales se venden a $ 285 y $ 320 la tonelada, respectivamente. La compaa dispone de dos fuentes de bauxita con las siguientes caractersticas y costos por tonelada.

CONTENIDO DE Bauxita 1 2 A 40% 10% B 30% 70% C 30% 20% Costo/ton $ 15 $ 20

La planta tiene una capacidad para tratar 200 tons. de bauxita a la semana. Por contratos pendientes debe adquirir de la fuente N 1 un mnimo de 50 tons. a la semana y de la fuente N 2 un mnimo de 65 tons. semanales. El aluminio de $ 285 debe contener por lo menos 30% de A, no ms de 20% de B y no ms de 25% de C. El aluminio de $ 320 debe contener un mnimo de 40% de B, no ms de 30% de A y no ms de 25% de C. En el proceso de fabricacin se pierde un 30% de A, un 90% de B y un 85% de C.

3 Ver Philippi, B.: op. cit.

116

Trabajo Docente N 57

Qu cantidades de bauxita tipo 1 y 2 deben emplearse para maximizar las utilidades de la planta? Formule el modelo de programacin lineal correspondiente. 10.2. La lnea area de carga "SLOW AIR" dispone de un solo avin con tres compartimientos. La capacidad mxima, en peso y volumen, de cada compartimiento es la siguiente: Compartimiento 1 (adelante) 2 (centro) 3 (atrs) Peso (toneladas) 9 13 8 Volumen (metros cbicos) 150 240 100

Para mantener el balance del avin es necesario que la relacin entre el peso de la carga en cada compartimiento, y la capacidad mxima (en peso) de dicho compartimiento, sea la misma en los tres compartimientos. "SLOW AIR" tiene solicitudes para transportar las siguientes cuatro cargas, con el mismo destino y, con las caractersticas que se indican: Peso (toneladas) 15 10 20 8 Densidad (m3/ton) 15 25 20 12 Beneficio neto ($) 100 150 115 80

1 2 3 4

La empresa puede escoger transportar slo parte de una de estas cargas, y desea determinar cunto debe aceptar de cada una, y cmo debe cargar el avin, de modo de maximizar el beneficio neto derivado del vuelo. Formule un modelo de Programacin Lineal que permita a SLOW AIR resolver su problema, indique claramente cules son las restricciones y la funcin objetivo. Cuntas restricciones son? Cuntas variables? 10.3. Un restaurant de Pomaire prepara dos tipo de cazuela, extra y corriente. Los costos y precios de venta unitarios de cada tipo son:

117

Modelos de Optimizacin

Costo unitario Precio venta

Extra 150 170

Corriente 85 100

Para preparar una cazuela extra los cocineros trabajan el doble que para una cazuela tipo corriente. Si todas las cazuelas fueran tipo corriente, la capacidad de los cocineros sera de 1.000 cazuelas al mes (como ste es un restaurant de mala muerte, el producto se almacena fcilmente). Para el prximo mes, el restaurant dispone de papas suficientes como para hacer 800 platos de cazuela. Dispone adems de 400 trozos de filete, apropiados para la cazuela extra y 700 huesos apropiados para la cazuela corriente. Se pide: a) Con los datos disponibles, formule un modelo de Programacin Lineal que permita determinar el programa de produccin mensual que maximice los beneficios. Grficamente determine el conjunto de oportunidades y encuentre el programa ptimo de produccin. Cules son las restricciones activas e inactivas?

b) c)

10.4. La compaa XYZ fabrica un producto cuya demanda se ha pronosticado para los prximos cuatro meses en 1.800, 2.200, 3.400 y 2.800 unidades respectivamente. Debido a las variaciones en la demanda, los administradores de XYZ han encontrado que en algunos meses existe produccin en exceso, lo cual ocasiona grandes costos de manejo y almacenaje; en tanto que en otros meses la compaa no est en posibiliddes de cubrir la demanda. La compaa puede fabricar 2.400 unidades por mes en turnos normales. Utilizando tiempo extra es posible fabricar 800 unidades mensuales adicionales. Debido a los mayores costos de mano de obra en tiempo extra, se produce un aumento de $7 por culquier unidad que no se produzca en tiempo normal. Los administradores han estimado que se incurre en un costo mensual de almacenamiento de $3 por cualquier unidad que se fabrique en un mes determinado y que no se venda durante el mismo.

118

Trabajo Docente N 57

Se pide: Formule un modelo de Programacin Lineal que le permita a XYZ determinar un programa ptimo de produccin que minimice los costos totales de produccin y almacenamiento y considere las ventas estimadas de los prximos cuatro meses. Nota: Explicite cualquier supuesto adicional que necesite. 10.5. Un agricultor debe comprar las siguientes cantidades de fertilizantes: Tipo de fertilizante 1 2 3 4 5 Cantidad requerida (Toneladas) 185 50 50 200 185

Estas cantidades las puede comprar en 4 cooperativas distintas, sujeto a las siguientes restricciones de tonelaje mximo que puede comprar en cada cooperativa. Cooperativa N Tonelaje Mximo (suma de las toneladas de todos los fertilizantes comprados) 1 350 2 225 3 195 4 275 El precio de los fertilizantes por cooperativa est dado en la siguiente tabla: Precio por tonelada de fertilizante Tipo Cooperativa 1 2 3 4 1 4,5 1,39 2,90 3,19 2 4,25 1,78 3,10 3,50 3 4,75 1,99 2,40 3,25 4 4,13 1,25 3,12 2,98 Formule un P.P.L. que resuelva el problema a mnimo costo.

5 0,99 1,23 1,24 1,10

119

Modelos de Optimizacin

10.6. El administrador de un fundo de 50 hectreas cerca de Santiago le ha pedido asesora para decidir qu sembrar el prximo ao. Los cultivos posibles son trigo y maz. Los coeficientes tcnicos de produccin y las disponibilidades de los distintos recursos se presentan en el cuadro siguiente: Mano de obra Capital Riego (jor.hombre/h.) (jor.mq./h) (m3/h) Trigo Otoo Invierno Primavera Verano Maz Otoo Invierno Primavera Verano Disponibilidad Otoo Invierno Primavera Verano 3 2 1 4 0 0 3 6 80 80 80 80 2 1 1 3 0 0 4 2 160 100 60 80 30 40 20 30 0 0 45 50 1200 1300 1000 1000

El margen neto (en miles de pesos por h) es de 100 en el caso del trigo y 120 en el caso del maz. Se pide: (a) Formule el problema correspondiente. de Programacin Lineal

(b) Como el maz usa la tierra slo en primavera y verano, a Ud. se le ha ocurrido estudiar la posibilidad de poner una hortaliza de invierno (betarraga) que tiene un margen neto de 60 mil pesos por hectrea, requiere de 4 jornadas hombre/h. en invierno, 8 jornadas maquinaria/h., y 30 m3/h, tambin en invierno.

120

Trabajo Docente N 57

Plantee nuevamente el problema de Programacin Lineal definiendo claramente las variables, funcin objetivo y restricciones. (c) D una solucin factible, no necesariamente bsica u ptima, al problema planteado en (b) que implique producir tanto trigo como maz como betarragas. 10.7. Hoy, 1 de abril de 1996, Ud. dispone de 300 novillos que debe vender durante el prximo ao. Las fechas posibles de venta son: 1 de abril 1996 (t=0) 1 de agosto 1996 (t=1) 1 de diciembre 1996 (t=2) 1 de abril 1997 (t=3) Los pesos de los novillos se presentan junto a los respectivos precios en el Cuadro N 1. CUADRO N 1: Distribucin de los pesos de 300 novillos al 1 de abril de 1996 (en Kgs.) Peso 300 350 400 450 Categora segn peso 1 2 3 4 Nmero de novillos 150 100 50 0 Precio por novillo 3.000 4.000 5.000 8.000

Ud. sabe que los novillos aumentan 50 kgs. cada 4 meses. En otras palabras, suben 1 categora entre las distintas fechas de entrega. Los novillos de 450 kgs. deben ser vendidos al matadero al instante que alcanzan dicho peso. Suponga que tambin puede vender novillos "chicos" (categoras 1, 2, 3) en las fechas sealadas, a los precios indicados. Los requerimientos y disponibilidad de forraje se presentan en el Cuadro N 2.

121

Modelos de Optimizacin

CUADRO N 2: Requerimientos (en Kgs.) de forraje por animal, y disponibilidad de forraje (kgs.) por perodo Categora Novillo 1 2 3 Perodo Perodo 1/4/96-1/8/96 1/8/96-1/12/96 100 200 350 150 250 300 220 220 290 Perodo 1/12/96-1/4/97

Disponibilidad 30.000

50.000 25.000

Nota: No se puede almacenar forraje de un perodo a otro. a) Plantee el modelo de programacin lineal que le permita decidir cuntos animales de cada peso debe vender en cada fecha para maximizar los ingresos totales. (Nota: Suponga que no puede comprar animales).

b) Repita lo anterior suponiendo que puede comprar forraje a 0,5 pesos/kg. hasta un mximo de 1.000 kgs. cada perodo. (Suponga que no puede vender forraje). Se recomienda definir: Xij = Stock de animales de categora i en la fecha de venta j. (i = 1, 2, 3, 4) (j = 0, 1, 2, 3) Expresada en nmero de novillos. (Definir como stock antes de las ventas de la misma fecha). = Venta de novillos de categora i en la fecha de venta j. Expresada en nmero de novillos.

Vij

10.8. Ud. ha sido nombrado Gerente de una empresa de auditora que tiene 20 auditores que puede trabajar 200 horas al mes cada uno, dando un total de 4.000 horas-mes disponibles por mes, para desempear labores de auditora propiamente tal y labores de entrenamiento. Hoy es 10 de Diciembre y Ud., sabe que Enero, Febrero y Marzo son meses de gran actividad. De hecho, Ud. ya sabe que en Enero requerir de 5.000 horas de auditora propiamente tal, en Febrero de 6.000 y en Marzo de 8.000. En Diciembre slo se requieren 2.500 horas de este tipo pudiendo

122

Trabajo Docente N 57

usarse las 1.500 horas restantes en el entrenamiento de los auditores nuevos. Por cada individuo nuevo que se contrate es necesario que un auditor antiguo (o ya entrenado) dedique 100 horas (exclusivamente) a su entrenamiento. Dicho entrenamiento dura un mes con lo cual hay que contratar con, al menos, un mes de anticipacin. Ud. sabe que al final del mes de entrenamiento el 50% de los nuevos dejan su trabajo. Por otra parte el 5% de los auditores antiguos se retiran cada mes. Si el costo mensual de un auditor regular es de 50.000 pesos y el de un auditor en entrenamiento es de 30.000, formule el problema de programacin lineal que le permita determinar cuntos auditores contratan al comienzo de cada mes. Nota: Ud. no puede echar a nadie una vez contratado hasta el final del perodo (1 de abril), en que los echa a todos. 10.9. Una planta productora de salchichas produce dos tipos de salchichas las cuales se venden a 285 y 320 pesos por kilo respectivamente. La compaa dispone de dos abastecedores de materia prima con las siguientes caractersticas y costos por kilo.

Abastecedor

Carne (kg.) 0,4 0,1

Grasa (kg.) 0,3 0,7

Otros (kg.) 0,3 0,2

Costo ($/kg.) 200 150

1 2

La planta tiene una capacidad para tratar 200 kgs. de materia prima a la semana. Por contratos pendientes debe adquirir de la fuente N 1 un mnimo de 60 kgs. Las salchichas de 285 pesos no deben contener ms de un 50% de grasa. Las salchichas de 320 pesos deben contener un mnimo de 30% de carne y no ms de 25% de "otros".

123

Modelos de Optimizacin

Suponiendo que en el proceso de fabricacin no se pierde materia prima, formule un modelo lineal apropiado para maximizar las utilidades de la planta. (Ayuda: defina Xij = cantidad de materia prima comprada al abastecedor i para producir salchicas tipo j). 10.10. Ud. est a cargo de una planta de leche que produce leche en polvo y queso. Para producir un kilo de leche en polvo se requieren 6 litros de leche y para producir un kilo de queso se requieren 9 litros de leche. La leche le cuesta 20 pesos por litro si le compra al abastecedor A, el cual le puede entregar como mximo 200 litros diarios, y 23 pesos si le compra al abastecedor B, el cual le puede entregar como mximo 400 litros diarios. Adicionalmente, Ud., tiene un maestro quesero que puede producir como mximo 30 kgs. de queso diarios y una mquina deshidratadora que puede producir como mximo 20 kgs. diarios de leche en polvo. Por otra parte, Ud. cuenta con 2 mayoristas a los cuales les puede vender su produccin. El mayorista 1 le paga 500 pesos por kilo de leche en polvo y 350 pesos por kilo de queso, exigiendo que por cada kilo de queso que le vende, le venda tambin 2 kg. de leche en polvo. El mayorista 2 le paga 400 pesos por kilo de leche en polvo y 390 pesos por kilo de queso. Este mayorista no puede comprarle ms de 30 kgs. diarios en total (tiene un almacn chico). Se pide: Formule el problema de Programacin Lineal correspondiente. 10.11. Ud. es un agricultor que posee 100 hectreas que puede sembrar con trigo, maz y/o porotos. Los requerimientos de maquinaria y mano de obra por hectrea por rubro son los siguientes. Trigo Maz Maquinaria (jornadas/h) Trabajo (jornadas/h) Rendimiento (qq/h) 2 1 30 3 4 40 Porotos 1 5 25

124

Trabajo Docente N 57

Ud. dispone de 100 jornadas de maquinaria y puede contratar hasta un mximo de 90 jornadas-hombre a un salario de 20 pesos por jornada. Puede pagar sobre tiempo (a $30 por jornada) hasta un mximo de 15 jornadas adicionales. Ud. tiene en principio dos posibilidades de comercializacin de su producto: 1) directo a pblico, 2) a una planta procesadora. En ambos mercados los precios son de 100, 70 y 100 pesos por quintal de trigo, maz y porotos, respectivamente. La planta procesadora sin embargo, le acepta comprar adems "porogos", mezcla de trigo con porotos en partes iguales a un precio de $110 por quintal (esta industria hace porotos con riendas en conservas). Se pide: Plantee el problema de optimizacin lineal para maximizar los ingresos netos del predio en la prxima temporada. 10.12.Un agricultor desea saber cuntas hectreas de trigo y maz sembrar este ao en su fundo de 50 hectreas. Los requerimientos de los distintos factores y los mrgenes por hectrea se presentan a continuacin.

Trigo Mano de obra (en JH por h.) Maquinaria (en JT por h.) Margen neto (en pesos por h.) 4 6 8.000

Maz Disponibilidad 7 3 10.000 230 140

El problema se complica por el siguiente problema de agua:

125

Modelos de Optimizacin

Trigo Maz Disponibilidad Requerimiento en invierno (en m3 por h.) Requerimiento en verano (en m3 por h.) 100 300 12.000

80

120

4.000

Hoy estamos a principios de invierno, que es cuando se siembra para cosechar a fines del verano (son dos estaciones en el ao no ms). Ud. puede almacenar en un tranque el agua que no use en invierno para usarla en el verano. Por ejemplo, si el tranque tiene 1.000 m3 a comienzos del verano o, Ud. tendra una disponibilidad de 5.000 m3 para usar en el verano. El tranque tiene una capacidad mxima de 4.000 m3, y hoy (principio de invierno) tiene 2.500 m3. Claramente, el agua que no use en invierno y que no almacene debe dejarla correr. Se pide: Plantee, sin resolver, el problema de optimizacin correspondiente. 10.13. Una empresa est planificando su plan de produccin del producto ABC para los siguientes cuatro meses. La demanda puede ser satisfecha por: a) la produccin del mes, b) inventario de perodos anteriores y c) entregas atrasadas en un mes (esto significa que es posible entregar un pedido atrasado slo en un mes). La capacidad de produccin mensual es de 650 unidades, la demanda mensual es de 400, 600, 500, y 750 unidades respectivamente. El costo de produccin mensual es de $5, $6,5, $7,25 y $9 respectivamente. El costo de mantencin de inventario es igual al 20% del costo de produccin en el mes y el costo de entregar un pedido atrasado es de $1. Por ltimo, se dispone de 100 unidades de inventario, a comienzos del perodo 1. Se pide: Formule un modelo de Programacin Lineal que represente este problema. 10.14. Una fbrica de conservas lo acaba de contratar para la planificacin de su produccin de esprragos y arvejas en

126

Trabajo Docente N 57

conserva de los prximos 4 meses. Por estudios de mercado, Ud. sabe que la demanda es estacional. Los precios a los que podr vender la produccin son los siguientes: PRECIO (En pesos por Kg. de materia prima equivalente) Producto Esprragos en conserva Arvejas en conserva Nov. Dic. 35 28 50 37 Enero Feb. 60 100 40 80

La materia prima (esprragos y arvejas) se debe procesar en el mes en que se compra ya que son productos perecibles. Los costos de dicha materia prima son tambin estacionales. A continuacin se presenta la evolucin de dichos costos. PRECIO (En pesos por Kg.) Materia Prima Esprragos Arvejas Nov. 10 20 Dic. 15 30 Enero 28 55 Feb. 30 60

Adicionalmente, Ud. sabe que el costo de almacenar los productos en conserva es de 10 pesos por Kg. de materia prima equivalente por mes en cualquiera de los dos productos. Por ltimo, Ud. sabe que los esprragos en conserva requieren de dos horas-mquina por Kg. de materia prima procesada y que las arvejas requieren de 1 hora-mquina por Kg. de materia prima procesada. La disponibilidad de horas-mquina es de 600 horas por mes. Dicha disponibilidad se puede aumentar hasta en un mximo de 50 horas por mes a un costo de 4 pesos por hora. Se pide: Plantee, sin resolver, el problema de programacin lineal correspondiente. 10.15.Ud. ha sido contratado recientemente en una sucursal de Almacenes Pars para determinar la contratacin de vendedores para el perodo previo a la Navidad. A continuacin se presentan las necesidades de vendedores por horario de trabajo.

127

Modelos de Optimizacin

Horario

Nmero de vendedores 30 110 35 140 50

9:00 A.M. - 12:00 A.M. 12:00 A.M. - 15:00 P.M. 15:00 P.M. - 18:00 P.M. 18:00 P.M. - 21:00 P.M. 21:00 P.M. - 24:00 P.M.

Por otra parte, Almacenes Pars ha decidido operar en base a turnos de 9 horas de trabajo, los cuales se presentan a continuacin. Turno 1 2 3 4 5 Horario

9:00 A.M.-18:00 A.M. 12:00 A.M.-21:00 P.M. 15:00 P.M.-24:00 P.M. 9:00 P.M.-12:00 P.M.; 15:00 P.M.-21:00 P.M. 12:00 A.M.-15:00 P.M.; 18:00 P.M.-24:00 P.M.

Se pide: Formule, sin resolver, el problema de Programacin Lineal que le permita minimizar el nmero de vendedores contratado. Nota: No se preocupe del hecho que los nmeros de vendedores deben ser enteros.

Modelos de Optimizacin

128

CAPITULO 11 VARIABLES BINARIAS Las variables binarias son variables que slo pueden tomar el valor de cero o el valor de uno. El propsito de este captulo es ver, a travs de varios ejemplos, distintos usos que tiene este tipo de variables. Debe sealarse que la mayora de los programas de computacin para resolver problemas de Programacin Lineal, includo el LINDO y el QSB+, puede trabajar con este tipo de variables en problemas que en todo lo dems son de Programacin Lineal. Ejemplo 11.1: Ud. tiene un fundo de 100 hectreas, donde puede sembrar trigo y maz. Al considerar sus distintas restricciones, Ud. ha decidido plantear el problema de la siguiente forma: Max 20 T + 30 M sujeto a: 2 T + 3M 220 T + M 100 T, M 0 El problema se complica por el siguiente aspecto. Su vecino le ha ofrecido su tractor por una semana a un costo de 350 pesos que Ud. puede tomar o dejar. Una semana equivale a 48 HT. En otras palabras, el tomar en arriendo el tractor del vecino le implicara a Ud. contar con 268 HT en lugar de 220, pero tendra que pagar 350 pesos por el arriendo. Usando variables binarias1, este problema se puede expresar como: Max 20 T + 30 M - 350 H
En el programa LINDO, este tipo de variables se conoce con el nombre de "integer", mientras que en el programa QSB+, se llaman simplemente "binarias". Por otra parte, en este ltimo programa, las variables "integer" son aquellas que pueden tomar valores enteros (0, 1, 2, 3, ... ).
1

(Horas tractor) (Hectreas)

Modelos de Optimizacin

129

sujeto a: 2 T + 3M 220 + 48 H T + M 100 T, M 0 Binarias: H Si no conviene tomar en arriendo el tractor, H ser igual a cero en el ptimo. En caso contrario, la variable H tomar un valor de uno. Ejemplo 11.2: Ud. dispone de 2 barras de aluminio de 10 y 15 metros respectivamente. Por otra parte, Ud. sabe que puede vender hasta un mximo de 5 barras de 1,7 metros a un precio de $500 cada una. Asimismo, Ud. puede vender las siguientes barras: Tipo de barra 1 2 3 4 Largo Demanda en metros Mxima 2,1 1,7 1,3 0,4 2 5 11 20 Precio Unitario 800 500 (1) 390 60 (Horas tractor) (Hectreas)

(1) Se refiere a la demanda del prrafo anterior. Para plantear el problema de tal forma que pueda ser resuelto usando variables binarias, es conveniente definir las siguientes variables: Xi1 = Xi2 = Nmero de barras tipo i (i = 1, 2, 3, 4) a partir de la barra de 10 metros. Nmero de barras tipo i (i = 1, 2, 3, 4) a partir de la barra de 15 metros.

Con estas definiciones, el problema se puede plantear como: Maximizar 800 (X11 + X12) + 500 (X21 + X22) + 390 (X31 + X32)

130

Trabajo Docente N 57

+ 60 (X41 + X42) sujeto a: X11 + X12 2 X21 + X22 5 X31 + X32 11 X41 + X42 20 2,1X11 + 1,7X21 + 1,3X31 + 0,4X41 10 2,1X12 + 1,7X22 + 1,3X32 + 0,4X42 15 Xij 0 para todo i,j. Enteras: Xij para todo i,j. Ejemplo 11.3: Usted ha decidido hacer una comida en su casa obviamente al mnimo costo. Como restricciones usted tiene que darles un mnimo de 10.000 caloras y un mnimo de 1.950 grs. de protenas en total. Los productos por considerar, junto con sus composiciones unitarias, estn dados a continuacin: Caloras Carne (en Kgs.) Papas (en Kgs.) Arroz (en Kgs.) Tomates (en Kgs.) Huevos (en unidades) Adicionalmente, suponga que: a) b) c) d) Si les da carne no debe darles huevos. Si les da carne, debe darles un mnimo de 2 kgs. de tomates. Usted sabe que a sus invitados les carga el arroz con huevo. Si les da papas, debe darles como mnimo 2 Kgs. 2.000 4.000 3.000 500 80 Protenas 600 20 40 200 30 Precio 600 80 60 150 10

En primer lugar se definir:

Modelos de Optimizacin

131

C= P= A= T= H=

Cantidad de carne, en kgs. Cantidad de papas, en kgs. Cantidad de arroz, en kgs. Cantidad de tomates, en kgs. Cantidad de huevos, en unidades.

Para plantear este tipo de problemas, es conveniente nuevamente usar variables binarias. A continuacin se ver cmo plantear cada uno de los supuestos adicionales presentados. El supuesto "si les da carne no debe darles huevos" se puede plantear como: C 100.000 A1 H 100.000 A5 A1 + A5 1 Binarias: A1, A5 La variable A1 tomar el valor de 1 si C es estrictamente mayor que cero, mientras que la variable A5 tomar el valor de 1 si H es estrictamente mayor que cero. La restriccin que la suma de A1 ms A5 sea menor o igual a 1 significa, en consecuencia, que ambas variables no pueden ser estrictamente positivas en forma simultnea. El supuesto "si les da carne, debe darles un mnimo de 2 kgs. de tomates" se puede plantear como: T 2A1 La variable A1 tomar, tal como se vio ms arriba, el valor de 1 si C es estrictamente mayor que cero. En dicho caso, T tendra que tomar como mnimo un valor de dos. Se debe hacer notar que si A1 toma el valor de cero, con lo cual C sera igual a cero, T podra tomar cualquier valor positivo. Por otra parte, el supuesto "usted sabe que a sus invitados les carga el arroz con huevo", lo obliga a plantear, por razones anlogas a aquellas presentadas en relacin con el supuesto "si les da carne no debe darles huevos", las siguientes restricciones adicionales:

A 100.000 A3 A3 + A5 1

132

Trabajo Docente N 57

Binarias: A3 Por ltimo, el supuesto "si les da papas, debe darles como mnimo 2 Kgs." se puede plantear como: 2A2 P 100.000 A2 Binarias: A2 Si A2 es igual a cero, entonces P puede tomar slo el valor de cero. Por otra parte, si A2 es igual a uno, entonces P puede tomar cualquier valor entre 2 y 100.000. En resumen, este problema se puede plantear como: Minimizar 600C + 80P + 60A + 150T + 10H sujeto a: 2.000C + 4.000P + 3.000A + 500T + 80H 10.000 600C + 20P + 40A + 200T + 30H 1.950 C 100.000 A1 H 100.000 A5 A1 + A5 1 2A1 T A 100.000 A3 A3 + A5 1 2A2 P 100.000 A2 Todas las variables mayores o iguales a cero. Binarias: A1, A2, A3, A5 Ejemplo 11.4: Usted tiene una verdulera y tiene 2 proveedores a los que puede comprar tomates, lechugas y repollos. El costo de ir y volver a cada uno de los proveedores es el siguiente: Prov. 1: Prov. 2: $5.000 $3.000

Modelos de Optimizacin

133

Los precios a los que usted puede vender, los precios de los distintos proveedores y la demanda mxima son: Precio venta Tomate Lechugas Repollos 200 150 300 Prov. 1 150 100 50 Prov. 2 100 40 200 Demanda Mxima 100 200 200

Para plantear el problema, nuevamente se usan variables binarias. Defnase: Ti = Li = Ri = Cantidad de tomates comprados al proveedor i (i=1,2). Cantidad de lechugas comprados al proveedor i. Cantidad de repollos comprados al proveedor i.

El problema en este caso se puede plantear como sigue: Maximizar 200(T1 + T2) + 150(L1 + L2) + 300(R1 + R2) - 150T1 -100L1 - 50 R1 - 100T2 - 40L2 - 200R2 - 5.000 A1 - 3.000 A2 sujeto a: T1 + T2 100 L1 + L2 200 R1 + R2 200 T1 + L1 + R1 100.000 A1 T2 + L2 + R2 100.000 A2 Ti, Li, Ri 0 Binarias: A1, A2 Si Ti, Li, o Ri es positivo, entonces Ai sera necesariamente igual a 1, con lo cual habra que asumir el costo de ir y voler donde el proveedor i. El valor de 100.000 en las restricciones correspondientes es un valor arbitrario pero suficientemente alto como para no restringir el valor que puedan tomar, en caso de ser positivas, las variables Ti, Li, o Ri.

134

Trabajo Docente N 57

Programacin Cuadrtica La Programacin Cuadrtica se usa cuando la funcin objetivo es cuadrtica. Es decir, cuando la funcin objetivo se puede expresar como: 2 ci Xi + ai Xi + bij Xi Xj En todo lo dems, el problema es igual a los problemas de Programacin Lineal. A continuacin se ver cmo resolver este tipo de problemas usando variables binarias. Ejemplo 11.5: Supngase el siguiente problema de optimizacin: Maximizar: 10X1 + 2X2 - 2X1 - 3X2 + X1 X2 sujeto a: X1 + X2 20 2 X1 + 3 X2 40 X1, X2 0 El Lagrangeano de este problema es: = 10X1 + 2X2 - 2X1 - 3X2 + X1 X2 + 1(20 - X1 - X2) + 2 (40 - 2X1 - 3X2)
2 2 2 2

Por otra parte, las condiciones de Kuhn-Tucker son:

Modelos de Optimizacin

135

1)X = 10 - 4X1 + X2 - 1 - 22 2) X X1 = 0 1 1 0 3) X = 2 - 6X2 + X1 - 1 - 32 4) X X2 = 0 2 2 0 5) 1 2 = 20 - X1 - X2 0 = 40-2X1 - 3X2 0 6) 1 1 = 0

7)

8)

= 0 2 2

9) X1, X2, 1 , 2 0 Las condiciones (1), (3), (5), (7) y (9) son restricciones tpicas de un problema de Programacin Lineal. Por otra parte, las condiciones (2), (4), (6) y (8) se pueden imponer usando variables binarias. A modo de ejemplo, la condicin (2) se puede expresar como: 10 - 4X1 + X2 - 1 - 22 + Y1 = 0 Y1 100.000 A1 X1 100.000 A2 A1 + A2 1 Y1 0 Binarias: A1, A2 Se debe hacer notar que estas restricciones incluyen la restriccin (1) por el hecho que la variable auxiliar Y1 debe ser mayor o igual que cero. Lo anterior significa que las condiciones de Kuhn-Tucker se pueden escribir como:

136

Trabajo Docente N 57

10 - 4X1 + X2 - 1 - 22 + Y1 = 0 Y1 100.000 A1 X1 100.000 A2 A1 + A2 1 2 - 6X2 + X1 - 1 - 32 + Y2 = 0 Y2 100.000 A3 X2 100.000 A4 A3 + A4 1 20 - X1 - X2 - Y3 = 0 Y3 100.000 A5 1 100.000 A6 A5 + A6 1 40 - 2X1 - 3X2 - Y4 = 0 Y4 100.000 A7 2 100.000 A8 A7 + A8 1 X1, X2, Y1, Y2, Y3, Y4, 1, 2 0 Binarias: A1, A2, A3, A4, A5, A6, A7, A8 Si un punto cumple con todas estas restricciones, entonces cumple adems con todas las condiciones de Kuhn-Tucker del problema original. Por otra parte, la funcin objetivo del problema es cncava, por cuanto el Hessiano, que es igual a: H = 1 -6 es negativo definido. Esto quiere decir, tal como se viera en el captulo 6, que cualquier punto que satisfaga las condiciones de Kuhn-Tucker es un mximo global. Todo lo anterior significa que cualquier punto que cumpla con el conjunto de restricciones anterior, ser un mximo global del problema original. El nico problema es que no se tiene funcin objetivo para poner este conjunto de restricciones en un problema de Programacin Lineal con variables binarias. Para ello se utiliza una funcin objetivo auxiliar del tipo:
-4 1

Modelos de Optimizacin

137

Minimizar J donde J es una variable cualquiera. Problemas Propuestos 11.1. Usted est planeando su ltima gira como candidato presidencial, para lo cual dispone de 3 das: domingo 10, lunes 11, martes 12. Usted ha decidido reducir su lista de posibles lugares a 4: Puerto Montt, Valdivia, Temuco, y Concepcin. Usted estima que el nmero de personas que puede convencer est dado por la siguiente tabla: Domingo Puerto Montt Valdivia Temuco Concepcin 1.000 3.000 800 2.000 Lunes 800 5.000 800 3.000 Martes 500 1.000 820 2.500

As, si realiza, por ejemplo, una concentracin el da martes en Temuco, usted estima que aumentar su votacin en 820 votos. Adicionalmente, usted considera que no debe hacer 2 concentraciones en el mismo lugar por razones de imagen. Por ltimo, dados los problemas de traslado, usted no puede estar en Concepcin el lunes si ha ido a Temuco el da anterior. Se pide: Plantee el problema de optimizacin correspondiente, de tal forma que pueda ser resuelto usando el programa LINDO o QSB+. 11.2. Suponga que el dueo de una fbrica qumica recibe el encargo de determinar una mezcla de 1.000 kilos que contenga cobre, estao y calcio. Le dicen adems que la mezcla debe tener a lo ms 380 kilos de cobre, por lo menos 200 kilos de estao, y por lo menos 100 kilos de calcio. Los costos de cada componente son 2, 3, y 4 pesos por kilo respectivamente. Se pide: a) b) Formule el problema de Programacin Lineal correspondiente. Suponga que le imponen la restriccin que las cantidades de cada uno de los componentes deben estar expresadas en cientos (100, 200, ...). Replantee el problema de tal forma que pueda ser resuelto con el programa LINDO o QSB+.

138

Trabajo Docente N 57

11.3. Usted tiene una lechera que produce 100.000 litros de leche a la semana. Debe decidir si venderlos como leche a planta A, a la planta B, o bien venderlos como queso a pblico directamente. (Estas alternativas no son excluyentes). Por cada 10 litros de leche, usted puede producir 1 Kg. de queso. Para producir queso, sin embargo, debe contratar a un maestro quesero que le cuesta 450.000 pesos por semana. Los precios de los distintos productos son los siguientes: Queso: Leche: Planta A: 340 pesos por litro. Planta B: 280 pesos por litro. Adicionalmente, usted sabe que el gerente de la planta A es un maoso y que si le manda leche, le debe mandar entre 25 y 30 mil litros por semana. Se pide: a) b) Plantee el problema de optimizacin correspondiente de tal forma de poder resolverlo con el programa LINDO o QSB+. Ahora suponga que la planta B est dispuesta a comprar hasta 90.000 litros siempre que no le venda a la planta A. En caso contrario, est dispuesta a comprarle un mximo de 45.000 litros. Cmo incorporara estos puntos en el planteamiento del problema. Suponga que el maestro quesero ha decidido que l pide 450 mil pesos por cualquier cantidad inferior a 4.000 Kg. de queso, pero que su precio sube a 480 mil si le piden producir ms de 4.000 Kg. Como incorporara este punto en el planteamiento del problema. 3.000 pesos por Kg.

c)

11.4. Ud. ha decidido presentarse a una propuesta pblica para abastecer de alimentos a los escolares de la ciudad de Pelarco durante todo el prximo ao. Las bases de la propuesta sealan lo siguiente:

Modelos de Optimizacin

139

1. 2. 3. 4. 5. 6.

Cada racin consiste de un guiso (excluye pan, postre, etc.). Se deber dar raciones a 1.000 nios todos los das (5.000 raciones semanales, ya que se excluyen sbados y domingos). Ningn guiso podr ser entregado ms de 2 veces durante la semana. Al menos 1 vez a la semana se deber dar pescado. Se podr dar guisos diferentes a los distintos escolares en un da determinado. Se deber entregar por lo menos 2,5 millones de caloras por semana al total de nios (equivale a 500 caloras diarias prmedio por alumno) y por lo menos 125 kilos de protena (equivale a 25 grs. promedio por da por alumno). Los requisitos son mnimos. En la adjudicacin se dar especial importancia a la cantidad de protenas totales suministradas. Al cabo de un ao, habr una nueva licitacin.

7. 8.

En caso de ganar la propuesta Ud. ha dedicido considerar slo los siguientes guisos cuya composicin de caloras y protenas se presenta en el Cuadro 1. Cuadro 1: Aportes Nutritivos de Guisos Seleccionados Nombre Caloras Protenas (por racin)(grs/racin) variable unit.(1) 1 2 3 4 5 6 7 (1) Charquicn Pollo a la jardinera Lentejas Pescado con pur Tallarines con carne Arroz con salchicha Salpicn de verduras 500 650 800 200 700 600 300 Costo

30 20 45 20 200 10 20

100 300 50 250 100 200 150

Incluye costos de materia prima y preparacin, excluye inversiones que Ud. tendra que hacer.

140

Trabajo Docente N 57

Se pide: a) Plantee un modelo de programacin matemtica que le ayude en la presentacin a la propuesta. Defina claramente las variables, funcin objetivo y restricciones. Resuelva usando el programa LINDO o QSB+ y presntese a la propuesta en forma realista indicando, entre otras cosas, el precio (un nmero en pesos) que Ud. cobrara por racin el cual quedara fijo por el ao completo. Recuerde que Ud. se presenta a esta propuesta como parte de un negocio que debe ser rentable; que hay varias empresas presentndose (que pueden tener otra estructura de costos); que hay inversiones que hacer; que los costos de la materia prima pueden cambiar a lo largo del ao; que si gana la propuesta, la inversin puede o no servirle para la licitacin del prximo ao (sobre todo cuando se considera que puede no ganarla de nuevo); etc. Considere estos elementos cuando determine el precio que va a cobrar por el ao. Nota: Haga todos los supuestos adicionales que estime convenientes. 11.5. Una fbrica de galletas tiene 1800 libras de galletas de chocolate, 100 libras de galletas de almendras y 50 libras de galletas de coco. La fbrica envasa tres tipos de latas de 5 libras cada una, que contienen estas galletas en las siguientes cantidades. Lata 1: 3 libras de chocolate, 1 libra de almendras y 1 libra de coco. Lata 2: 4 libras de chocolate, 0,5 libras de almendras y 0,5 libras de coco. Lata 3: 5 libras de chocolate. El precio de venta es de 500, 400, y 600 pesos/lata respectivamente. Se pide: a) b) Plantee el problema de Programacin Lineal correspondiente. Suponga que quiere producir a lo ms 2 tipos de lata por convenios con los distribuidores. Plantee nuevamente el problema.

b)

Modelos de Optimizacin

141

11.6. Ud. ha decidido instalar una botillera con los siguientes productos: Bebidas: Margen Neto ($/Bot.) Coca Cola Pepsi Cola Limn Soda Vinos: Santa Rita Casillero 20 10 180 130 10 12 15 Demanda Semanal (Mx.) 250 100 400

Su problema es determinar qu comprar al comienzo de la semana si sabe que no puede comprar ms de 650 botellas en total. Se pide: a) b) c) Plantee el problema de optimizacin correspondiente. Cmo incorporara el hecho que sus abastecedores le exigen quedarse con Pepsi o con Coca Cola? Adicionalmente, cmo incorporara el hecho que Santa Rita exige que por cada botella que compre de Casillero, le compre a ellos (como mnimo) dos botellas de Santa Rita? Cmo incorporara el hecho que Limn Soda exige para venderle, que no le compre ms de 60 botellas a Coca Cola?

d)

11.7. La empresa AGRINDUS S.A. le ha pedido a Ud. que la asesore en la planificacin de las compras y produccin semanal. La empresa produce 3 productos. Ud. cuenta con la siguiente informacin: 1. a) Los productos son: Duraznos en conserva: precio = 1.000 pesos/tarro, ingredientes: 0,3 Kg. de duraznos/tarro.

142

Trabajo Docente N 57

b) c) 2.

Tutti-Frutti en conserva, precio = 1.200 pesos/tarro, ingredientes: 0,1 Kg. de duraznos/tarro y 0,2 kg. de peras por tarro. Ciruelas conserva, precio 800 pesos/tarro, ingredientes: 0,35 kg. de ciruelas/tarro. AGRINDUS cuenta con dos abastecedores de fruta cuyos precios (en pesos/kg.) son: Abastecedor A Duraznos Peras Ciruelas 1.600 1.200 1.300 Abastecedor B 1.400 1.600 1.500

3. 4.

AGRINDUS puede procesar como mximo 200 kgs. de fruta por semana. El abastecedor B le ofrece, para cada producto un descuento de 20% sobre todo exceso por encima de los 10 kgs. que le compre. Ejemplo: si le compra 14 kgs. de duraznos, deber pagar 1.400 * 10 + 1.400 * 0.8 * 4 = 18.420 pesos

5. 6.

El abastecedor A le exige, para venderle a Ud. cualquier producto, que le compre al menos 20 kgs. de duraznos. Ud. ha decidido, por razones de imagen, producir como mnimo 30 y como mximo 90 tarros de cada producto.

Se pide: Plantee el problema de optimizacin correspondiente, definiendo claramente las variables. 11.8. Para distribuir uno de los diversos productos que fabrica, una empresa desea utilizar slo 2 de los 3 depsitos de su propiedad. En la tabla siguiente se resume cierta informacin relativa a los costos de distribucin y capacidad de cada depsito.

Modelos de Optimizacin

143

Depsito A B C Se pide:

Mercado 1 Mercado 2 Capacidades $/ton. $/ton. ton/mes 5 7 4 8 3 10 50 30 80

Formule un problema de programacin matemtica que le permita identificar los depsitos a utilizar y el programa ptimo de distribucin de acuerdo con los antecedentes presentados y considerando que los mercados 1 y 2 requieren de 40 y 30 toneladas mensuales, respectivamente. 11.9. Ud. tiene dos parcelas de 10 y 20 hectreas cada una, las que puede sembrar con trigo y maz. Los requerimientos de mano de obra y maquinaria son: Trigo Maz Mano de obra (en jornadas/h) Maquinaria (en jornadas/h) Rendimiento parcela 1 (en qq/h) Rendimiento parcela 2 (en qq/h) Margen neto unitario (en pesos/qq) 5 15 30 40 10.000 10 20 60 60 10.000

Ud. puede disponer de 40 jornadas-hombre y 100 jornadas-maquinaria para el ao en la parcela 1, y de 60 jornadas-hombre y 150 jornadas-mquina en la parcela 2. Adicionalmente, Ud. podra mandar a 1 trabajador por 10 das (10 jornadas) de la parcela 1 a la parcela 2 a un costo total de 3.000 pesos. Por ltimo, Ud. puede no sembrar nada, en cuyo caso se evitara el costo de contratar un administrador que sirve para las 2 parcelas y que le cobrar 1.000.000 de pesos al ao (si siembra, debe contratarlo). Se pide: Formule un modelo de programacin matemtica, que pueda ser resuelto con el LINDO o el QSB+, y que permita determinar:

144

Trabajo Docente N 57

i) ii)

cunto producir en cada parcela; si mandar o no a una persona de la parcela 1 a la 2;

iii) si contrata o no a una persona de la parcela 1 a la 2; iv) si contrata o no al administrador. 11.10.La empresa constructora "Los Sauces" est pensando construir un condominio en un terreno de 3000 m2, de su propiedad. Este nmero de metros es neto de los espacios reservados para jardines. El problema consiste en determinar el nmero ptimo de casas tipo I y de casas tipo II, de tal forma de maximizar utilidades. Para resolver el problema Ud. cuenta con los siguientes antecedentes: Casas Tipo I Tipo II Costo de construccin (UF/casa) Tiempo de construccin (das/casa) Terreno requerido (en mts2/casa) Precio de venta (U.F./casa) 1.500 40 600 1.900 1.700 60 300 2.000

Adicionalmente, Ud. sabe que por problemas del terreno, no se puede construir ms de 6 casas tipo II. Asimismo, Ud. sabe que las casas deben construirse una despus de la otra, y que el tiempo mximo no puede ser superior a 400 das. Por ltimo Ud., obviamente, sabe que el nmero de casas debe ser entero. Se pide: a) b) Plantee el problema de optimizacin correspondiente. Use el mtodo grfico para resolver el problema. Cuntas casas construira de cada tipo? Cul es el valor de la funcin objetivo en el ptimo? Determine grficamente el rango en que puede variar el coeficiente asociado al nmero de casas tipo II sin que cambie el nmero de casas a construir de cada tipo en el ptimo.

c)

Modelos de Optimizacin

145

11.11. Ud. es dueo de un fundo que produce 20 mil cajas de manzanas todos los aos. El huerto est en plena produccin y se espera que dure otros 5 aos. Las manzanas son de exportacin en un 75%. Su problema es decidir si poner su propio packing, que vale 50.000 dlares y que dura exactamente 5 aos, a un costo operacional anual de 1.000 dlares independientes de la cantidad de fruta, ms 0,5 dlares por caja. En caso de poner su propio packing, ste tendra capacidad para 35 mil cajas al ao, con lo que podra servir a terceros a un precio de 1,2 dlares la caja. Los precios de venta en este caso seran de 3,8 y 3,2 dlares por caja para la fruta de exportacin y no de exportacin, respectivamente. Si no pone packing, Ud. tiene 3 posibilidades excluyentes: 1) Vender sus manzanas a un exportador a un precio de 3 dlares la caja. En este caso, ellos se encargaran de separar la fruta de exportacin, con lo que el precio anterior es vlido para toda la fruta que Ud. le entregue de su huerto (la exportadora se pone desagradable si le manda fruta de terceros). Vender la fruta clasificada por Ud. mismo a un precio de 3,5 dlares la caja de exportacin y de 2,8 dlares la caja no de exportacin. El problema es que en esta alternativa Ud. puede vender un mximo de 11,000 cajas de exportacin y el sobrante de exportacin lo tendra que vender a otra exportadora a un precio de 2,9 dlares por caja. El costo de clasificar es de 0,1 dlares la caja, ms un costo fijo anual de 1000 dlares. Vender 10.000 kilos de manzanas, sin clasificar, a una planta de jugos a un precio de 2.95 dlares la caja, y vender el resto de la misma manera que en la alternativa 2.

2)

3)

Se pide: Plantee el modelo de optimizacin correspondiente del tal forma que pueda ser resuelto con el LINDO o QSB+. Si necesita ms supuestos, invntelos. Nota: El modelo no puede incorporar parte o partes de la solucin. Del LINDO o QSB+ debera poder salir qu alternativa seguir, etc.

146

Trabajo Docente N 57

11.12. Imagnese en la siguiente situacin: Ud. tiene un fundo que produce 20 mil kg. de limones al ao y desea saber si seguir vendindolos a granel sin clasificar a un precio de 100 pesos por kilo o si clasificarlos en primera y segunda clase antes de venderlos. Obviamente, si clasifica ya no puede venderlos a granel. Todo el proceso de clasificacin cuesta 200 mil pesos en total y Ud. sabe que 6.000 kilos de la produccin son de primera y los 14 mil kilos restantes son de segunda. El problema se complica por los siguientes aspectos: los limones de primera Ud. los puede vender a una firma exportadora que le paga 130 pesos por kilo hasta un mximo de 4.000 kilos, mientras que los limones de segunda puede venderlos a un mayorista que le paga 100 pesos por kilo hasta un mximo de 3 mil kilos y/o a una verdulera que le compra hasta un mximo de 12 mil kg. a un precio de 105 por kilo. Por ltimo, una empresa agroindustrial est dispuesta a pagar 104 pesos por kilo por todos los limones que Ud. desee venderle independiente de la clasificacin, pero siempre y cuando vengan ya clasificados. Le exige, sin embargo, que en el caso de venderle algo, le venda un mnimo de 15 mil kilos. Se pide: Plantee el problema de tal forma que pueda ser resuelto por el LINDO o QSB+. El programa debe permitirle a Ud. determinar si le conviene o no clasificar, y adems cmo vender su produccin.

11.13. Hoy es 1 de mayo, comienzos del ao agrcola, y usted est planificando qu producir el prximo ao en su fundo de 200 hs. Para ello ha decidido limitar las posibilidades a trigo, maz, frejol y remolacha. El fundo est dividido en tres potreros de 20, 140, y 40 hs., no pudiendo sembrar ms de 2 cultivos en cualquiera de ellos (puede producir por ejemplo trigo y maz en un potrero y maz y frejoles en otro). En el invierno usted no tendr problemas de agua, y los requerimientos en primavera y verano son los siguientes:

Modelos de Optimizacin

147

Requerimientos de agua en mt3 por h. Trigo Maz Frejol Remolacha Disponib.

Primavera 2.000 Verano 1.000

4.000 3.000 3.000 2.000

5.000 1.000

400.000 300.000

Los ingresos netos por hectrea son los siguientes: Trigo: Maz: Frejol: Remolacha: 200.000 300.000 380.000 530.000

Se pide: a) b) Plantee el problema de optimizacin de tal forma que pueda ser resuelto con el LINDO o QSB+. Suponga que usted ha decidido que cualquier cultivo que siempre debe tener por lo menos 5 hectreas (puede no sembrar).

c) Suponga que para vender, en caso que usted decida vender, debe pagar una comisin fija al corredor de $200.000 en el caso del trigo, y para la remolacha de $180.000 (estas comisiones se pagan una sola vez, independiiente del volumen de produccin).

11.14.Ud., que es administrador de un fundo de 150 hectreas, debe programar su produccin para el prximo ao. Los productos a considerar son trigo, maz y remolacha. Los coeficientes tcnicos de produccin y las disponibilidades de los distintos recursos son los que a continuacin se sealan. trigo maz remolacha Disponibilidad

148

Trabajo Docente N 57

Mano de obra (en j.h./h.) Capital (en j.m./h) Se pide: a)

15 12

25 14

85 4

3.000 2.000

Suponiendo que los beneficios netos unitarios (expresado en trminos de pesos por hectrea) son 500, 800 y 950 pesos para el trigo, maz y remolacha respectivamente, plantee el problema de optimizacin correspondiente. Ahora suponga que tiene 3 potreros de 55, 65 y 30 hectreas cada uno, y que en un potrero especfico no puede sembrar ms de un cultivo (puede no sembrarlo con nada), cmo cambiara su respuesta anterior? Nota: Se recomienda definir Xij = cantidad de potreros tipo i sembrado con el cultivo j.

b)

c)

Suponga que si produce trigo, no puede producir remolacha y s debe producir maz. Plantee nuevamente el problema.

11.15.La empresa "FLETES, S.A." tiene 4 camiones ubicados en Rancagua y Concepcin (2 en cada ciudad). La capacidad de los distintos camiones se presenta a continuacin: Camin Capacidad Ubicacin (en m3) 1 2 3 4 5 9 12 14 Rancagua Rancagua Concepcin Concepcin

La Municipalidad de Talca acaba de llamar a propuesta para trasladar 22,5 m3 de alimentos desde Talca al pueblo "Los Sauces" que queda a 45 km. de Talca (viaje de ida y vuelta). FLETES, S.A. lo ha contratado a Ud. para decidir cul es el mnimo precio que debe cobrar para que le convenga participar en la propuesta. Para realizar su tarea, Ud. cuenta adems con los siguientes antecedentes:

Modelos de Optimizacin

149

1)

Los camiones que enve a Talca para traladar alimentos a Los Sauces deben finalmente volver a la ciudad donde se encuentran hoy los camiones. A modo de ejemplo, si enva el camin 1, ste tendra que seguir la siguiente ruta: Rancagua - Talca - Los Sauces - Talca Rancagua. La distancia entre Rancagua y Talca es de 80 km. (ida y vuelta), mientras que entre Concepcin y Talca la distancia es de 100 km. El costo de combustible, desgaste, etc. es de 50 pesos por km. independiente del camin. Ningn camin alcanza a hacer ms de un viaje entre Talca y Los Sauces.

2) 3) 4)

Se pide: a) b) Plantee, sin resolver, el problema de optimizacin correspondiente. Ahora suponga que el camin 1 alcanza a hacer hasta 2 viajes entre Talca y Los Sauces. En este caso, la ruta sera Rancagua - Talca - Los Sauces - Talca - Los Sauces - Talca - Rancagua. Nuevamente, plantee, SIN RESOLVER, el problema de optimizacin correspondiente.

11.16. Para cada una de las siguientes afirmaciones escriba la o las restricciones correspondientes definiendo claramente todas las variables. Estas deben ser escritas de tal forma que se puedan entender en el LINDO o QSB+. a) b) Por cada 3 kilos de maz que ponga en una dieta de pollos, debo poner al menos 2 kilos de harina de pescado. Por cada kilo de galletas de chocolate se usan 800 grs. de harina, y por cada kilo de galletas de gengibre se usan 650 gramos de harina. Se dispone de 6.000 grs. de harina en total. Un proveedor de tomates (proveedor A) exige que si le compro, le compre como mnimo 15 kilos. El nmero de hectreas sembradas de maz debe ser igual a 10, 15 o 20. Son las nicas tres posibilidades. Un agricultor ha decidido que si produce trigo, no puede producir maz, y s debe producir porotos.

c) d) e)

150

Trabajo Docente N 57

f) g) h)

Deseo producir exactamente 3 productos de 5 posibles. SAVORY ha decidido regalar 3 calcomanas por cada 10 helados que le compren. Se requieren 2 jornadas-hombre (JH) por hectrea de maz y 3 JH por hectrea de porotos. Se dispone de un mximo de 120 JH en horario normal y de 30 JH en horario extraordinario. El abastecedor A est dispuesto a venderle como mximo 30 unidades si Ud. le compra al abastecedor B. Si no le compra al abastecedor B, entonces est dispuesto a venderle cualquier cantidad hasta 55 unidades.

i)

11.17.Ud. es administrador de un fundo de 120 hectreas y debe programar su produccin para el prximo ao. Los productos posibles son porotos, arvejas y tomates. Los coeficientes tcnicos de produccin, las disponibilidades de los distintos recursos, los precios y rendimientos se presentan a continuacin. Porotos Mano de obra (en JH/h.) Maquinaria (en JM/h) Rendimiento (en qq/h) Precio neto (2) (en pesos/qq.) 3 6 60 Arvejas 5 2 50 Tomates Disponibilidad 9 9 30 8.000 (1) 550

2.000 3.000

Notas: (1) La disponibilidad mxima es de 400 JH en horario normal y 300 JH en horario extraordinario. (2) Se refiere a neto de insumos tales como semillas, fertilizantes, etc.

Ud. sabe adems que el precio por JH en horario normal es de 2.000 pesos por jornada trabajada, y en horario extraordinario de 2.800 pesos por jornada trabajada. Se pide:

Modelos de Optimizacin

151

a) b)

Plantee, SIN RESOLVER, el problema de optimizacin correspondiente. Asigne valores numricos en forma arbitraria a los precios sombra asociados a la(s) restriccin(es) de mano de obra, y explique claramente qu significan en la prctica dichos nmeros. Suponga que ha decidido sembrar como mximo 2 de los cultivos. Cmo incorporara esta restriccin? Ahora suponga que si decide no sembrar nada, el administrador del fundo del lado le ofrece 400.000 pesos por arrendrselo durante un ao. Replantee, sin resolver, el problema de optimizacin correspondiente.

c) d)

11.18.Usted acada de ser nombrado Gerente de Programaciones de LADECO. Su primer trabajo, donde debe demostrar sus habilidades, consiste en programar exactamente "un vuelo" desde Santiago a cada una de las siguientes ciudades: Arica, Temuco y Puerto Montt. Las horas disponibles de salida son: 8 AM y 6 PM. LADECO no puede programar ms de dos vuelos en una misma hora de salida. Los datos de demanda sugieren las siguientes contribuciones a la utilidad esperada, en funcin de la hora de salida: Hora de salida 8 AM 6 PM Destino Arica Temuco Puerto Montt 10 13 15 8 9 23

Se pide: Formule el modelo de optimizacin correspondiente de tal forma que pueda ser resuelto usando el programa LINDO.

152

Trabajo Docente N 57

11.19.Suponga el siguiente problema de optimizacin: Maximizar 220 T + 300 P + 150 M + 195 C donde T, P, M, C, representan las hectreas a sembrar de trigo, porotos, maz, y cebollas, respectivamente. Las restricciones son: T + P + M + C 200 (hectreas) 2T + 4P + 3M + 5C 500 (maquinaria, en jornadas) Se pide: Cmo incorporara las siguientes restricciones adicionales? a) b) c) Por una peste extraa, si siembra trigo, no puede sembrar ms de 2 hectreas de cebollas. Si siembra cualquier cultivo, debe sembrar mnimo 3 hectreas. Puede contratar horas extra de maquinaria a un precio de 10 pesos por jornada, pero debe pagar el costo del transporte hasta su predio que asciende a 1.000 pesos. Si siembra porotos, debe sembrar un mximo de 100 hectreas en el total de los dems cultivos. Si siembra los 4 cultivos debe contratar a un segundo ingeniero agrnomo por 10.000 pesos. En relacin con el problema original, si gana ms de 80.000 pesos brutos, debe pagar un impuesto adicional de 1.500 pesos, aunque se pase por 1 solo peso.

d) e) f)

11.20.Los localidades se abastecen de dos centros mayoristas. Los costos medios de transporte son los que a continuacin se sealan: Mayorista 1 2 Localidad 1 3 + 2X 6+X 2 4+X 3X Oferta 200 130

Modelos de Optimizacin

153

Demanda

110

120

donde X representa la cantidad que se transporta entre cada centro de origen y cada centro de consumo. Se pide: Plantee el problema de minimizacin de costo de transporte de tal forma que pueda ser resuelto con variables binarias. 11.21.Suponga que Ud. est sentado en este minuto frente a 100.000 melones de 1 kilo cada uno de su propiedad en su fundo en Melipilla. Tiene la posibilidad de mandarlos ya sea a San Antonio, donde el precio de venta es de 28 pesos, o a Santiago donde el precio de venta es de 26 pesos por unidad. Debido al reciente terremoto, existe un fuerte problema de transporte entre Melipilla y San Antonio por lo que las autoridades han decidido restringir los flujos entre ambas ciudades que no sean de emergencia (medicamentos y materiales de construccin). Para lograrlo, han decidido poner un impuesto unitario por kilo que transporte cualquier productor o empresa, creciente. Es decir, mientras ms kilos Ud. decida transportar a San Antonio mayor ser el impuesto unitario que Ud. deber pagar. El impuesto unitario promedio al cual estar sujeto es: T = 0,0001 X donde X es el nmero de kilos transportados entre Melipilla y San Antonio y T es el impuesto promedio por unidad transportada expresado en pesos. Suponga asimismo un costo de transporte unitario, excludo el impuesto, de 5 pesos por meln, que pesan 1 kilo cada uno, entre Melipilla y San Antonio y de 4 pesos por meln entre Melipilla y Santiago.

Se pide: a) b) Plantee el problema de programacin cuadrtica correspondiente. Escriba las condiciones de Kuhn Tucker correspondientes.

154

Trabajo Docente N 57

c) d)

Determine cunto debe enviar a cada mercado. Un vecino suyo le ofrece un meln en 23 pesos. Justifique. Se lo compra?.

11.22.Considere el siguiente problema de optimizacin: Maximizar - X1 - 2X2 + 3X1 + X2 sujeto a: X1 + X2 8 X1, X2 0 a) b) Demuestre si la funcin objetivo es cncava, convexa, o ninguna de las dos. Plantee el problema de Programacin Cuadrtica correspondiente.

11.23.Ud. es el nico productor en Chile de trigo de color verde y de maz colorado. Este es un mercado muy especial, que tiene la caracterstica que hay miles de consumidores (es decir, Ud. es un monopolista que NO enfrenta un poder monopsnico por el lado de la demanda). Las demandas que Ud. enfrenta son : Ptv = 100 - Qtv Pmc = 200 - 2Qmc donde Ptv, Pmc, Qtv, Qmc son lo precios y cantidades vendidas de trigo de color verde y de maz colorado respectivamente. Los costos totales de produccin se pueden expresar como: CT = 10 + 2Qtv + 3Qmc

Por ltimo, Ud. sabe que no puede producir ms de 30 unidades considerando ambos productos. Se pide: Plantee el problema de Programacin Cuadrtica correspondiente.

Modelos de Optimizacin

155

11.24.Ud. tiene una verdulera y tiene 3 proveedores a los que puede comprar tomates, lechugas, repollos, y zanahorias. Los precios a los que Ud. puede vender, los precios que cobran los distintos proveedores, junto con las cantidades mximas que puede comprarle a cada uno, se presentan a continuacin:

Precio Prov. 1 de venta P Q mx. mx. Tomates Lechugas Repollos Zanahorias 200 150 300 400 150 100 50 260

Prov. 2 P Q mx. 30 40 10 20

Prov. 3 P Q

40 100 100 40 5 150 35 300

80 50 200 30 60 20 40 10

Adicionalmente, Ud. sabe que no podr vender a esos precios ms de 80, 270, 400 y 38 Kg. de tomates, lechugas, repollos, y zanahorias respectivamente. Se pide: a) b) Plantee el problema de programacin lineal correspondiente de tal forma de maximizar sus ingresos netos. Si el costo de ir y volver donde cada proveedor es el siguiente: Proveedor 1: Proveedor 2: Proveedor 3: 1.500 6.000 12.000

Cmo incorporara este hecho en su planteamiento, de tal manera que pueda ser resuelto con el LINDO? c) Ahora suponga que al proveedor 1 le carga el proveedor 2 por lo que exige que si Ud. decide comprarle a l (proveedor 1) entonces le debe comprar al menos el triple que al 2 en trminos de kilos totales. Cmo incorporara este hecho en su planteamiento LINDO? En relacin con el problema planteado en (a), suponga que los tomates del proveedor 1 son de un tipo especial donde Ud. es un monopolista que enfrenta la siguiente curva de demanda:

d)

156

Trabajo Docente N 57

Precio = 80 - 2Q Plantee nuevamente el problema de tal forma que pueda ser resuelto con el LINDO.

Modelos de Optimizacin

157

REFERENCIAS

Chiang, Alpha C.: Fundamental Methods of Mathematical Economics, 2da. Edicin, Mc Graw-Hill Book Company 1974. Edwards, Gonzalo: Matemticas y Estadstica en Economa, Serie Docente No. 52, Instituto de Economa, P. Universidad Catlica de Chile, 1992. Hillier, F. y G.J. Lieberman: Introduction to Operations Research, 3a. Edicin, Holden-Day, San Francisco, 1980. Intrilligator, M.D.: Mathematical Optimization and Economic Theory, PrenticeHall, New Jersey, 1971. Philippi, Bruno: Introduccin a la Optimizacin de Sistemas, Universidad Catlica de Chile, 1982. Ediciones