Programación Lineal

Ing.
Santiago Javez Valladares
Formulacin de Modelos Lineales
Aun recuerdo aquella tarde de 1990 cuando nuestro profesor entro al aula,
todos nosotros nos ubicamos en nuestros asientos, nos miro casi de reojo y
con voz pausada se dijo:
"les voy a ensear Investigacin de Operaciones" Que es eso? fue la
pregunta que lanzamos algunos de nosotros, algunas risas se escucharon
como siempre en el aula, el profesor sin inmutarse prosigui su monlogo
diciendo :"es una nueva ciencia que apareci durante la Segunda Guerra
Mundial y que ayud a derrotar a Alemania y ahora se ha trasladado a la
guerra que libran da a da las empresas en las cuales hay vencedoras y
vencidas ",que tan poderosa es esa nueva ciencia de la cul nunca antes
haba yo escuchado? que armas tan potentes debe usar ? como hace para
que algunas empresas crezcan y otras queden destruidas? preguntas como
estas empezaron a hacerse eco en mi cabeza, y hasta ahora siguen
sorprendentemente siendo analizadas an todava en todo el mundo por
muchas personas.
Creo que ese momento marc para m el rumbo de mi vida ,poder
responder esas preguntas y muchas ms hicieron que me interese de
sobremanera en Investigacin de Operaciones porque era algo nuevo ( y
muchos veces an todava lo sigue siendo) y que a travs de este tiempo
nuevas interrogantes han aparecido en
esta aventura de estudiar esta
ciencia ya sea personalmente o mediante las charlas con los alumnos de las
universidades de Trujillo.
Hoy estoy frente a ti a travs de estas lnea, para acompaarte a ingresar a
un nuevo y fascinante mundo, cumpliendo uno de los mayores sueos que
he tenido, hacer realidad la publicacin de un libro el cual no ha sido fcil,
1
Ing.Santiago Javez Valladares
hace algunos aos hice publicaciones de Investigacin de Operaciones e

Ingeniera Econmica que tuvieron aceptacin por los muchachos de las
diferentes universidades de Trujillo, y a travs de estos aos que he estado
ayudndoles con sus cursos mediante charlas de conocimientos, me segua
dando vuelta esa idea de realizar un libro pero el tiempo pasaba : problemas
econmicos, poco tiempo para plasmar ideas que sean de lo ms simples
para que t que estas leyendo estas lneas te sea ms atractiva la lectura y
que no sea tan solo un libro rgido en conocimientos si no que adems sea
de lectura amena y personal.
Mis ideas se plasmaron en realidad hoy, por eso es que espero que este
esfuerzo sea recompensado con tu preferencia y que aproveches de mejor
manera los conocimientos a desarrollar en los diferentes captulos.
Ing. Santiago Javez Valladares

Santiagoinvope1@hotmail.com
CAPITULO I
Introduccin a la Investigacin de Operaciones
Pag. 4
Capitulo II
2.1 Formulacin de un modelo Lineal
2.2 Problema para formular: Nivel A
Pag. 7
Pag. 8
Capitulo III
3.1 Problemas para formular : Nivel B
Pag. 21
Capitulo IV
4.1 Modelos para formular
Pag. 41
CAPITULO V
Casos De Aplicacin De Modelos Lineales
Pag.58
ANEXO 1
Entrevista a George Dantzig:
Fundador de la Programacin Lineal
Pag.84
ANEXO 2
Historia de los mtodos cuantitativos
Pag.89
Fundamentos de la Investigacin de Operaciones (I.O.)

Definicin:
Para iniciar el estudio de una nueva disciplina debemos saber sobre que
trata y cul es su aplicacin mediante una definicin, pero dar una
definicin de I.O. es bastante compleja, debido al lugar y al tiempo ha
cambiando; para la ORSA ( The Operations Research Society of America )
"La I.O. concierne con la decisin cientfica de como disear y operar el
mejor sistema hombre-mquina, usualmente bajo condiciones de asignar
recursos".
Fases en un estudio de I.O.:
a) Definir el problema (alcances, lmites, restricciones, objetivos).
b) Construccin o formulacin del modelo (la realidad se expresa en forma
matemtica).
c) Solucin del modelo (se utilizan diferentes algoritmos).
d) Validacin del modelo (valores posibles para dar un resultado esperado).
BREVE HISTORIA DE LA INVESTIGACION DE OPERACIONES
1759 QUESNAY: Uso de Modelos Primitivos de Programacin
Matemtica
1874 WALRAS : uso de tcnicas similares a QUESNAY.
PRECURSORES DE LOS MODELOS LINEALES:
1873 Jordan , Minkowsky en 1896 y Farkas en 1903.
Modelos Dinmicos Probabilisticos: Markov a fines del siglo XIX.
Modelos de inventarios, de Tiempo y Movimientos : en los aos 20 del
siglo XX.
Modelos de Asignacin : Konig y Egervary en la segunda y tercera dcada
del siglo XX.
Estudios de las Lneas de Esperas: Erlang a principios del siglo XX.
Teora de Juegos : Von Newman en 1937.
Teora de Preferencias: Von Newman con Morgenstern.
Modelos de Distribucin: Kantorovich en 1939.
Durante la Segunda Guerra Mundial existan grupos que asesoraban con
relacin a las acciones blicas a realizar: Anlisis de estrategias de
bombardeo, defensa area y programacin de operaciones logsticas; en
1937 cientficos ayudaron a detectar aeroplanos enemigos mediante el
radar. En el verano de 1941 se estable una seccin de Operations Research
(O.R,en espaol Investigacin de Operaciones o I.O.) en la RAF(Real
Fuerza Area); de igual modo en la British Army y la Navy. Estos
4
cientficos fueron conocidos como los O.R, por ser los primeros
investigadores operacionales. Al final de la guerra un grupo de ellos se
dedica a la industria y al gobierno, empezando la palabra I.O. para designar
a aquellos cientficos que se preocupaban por resolver los problemas que
aparecan en la administracin.
Se le debe a Gran Bretaa el haber iniciado la I.O. y a Estados Unidos por
el rpido crecimiento de esta disciplina.
El auge empieza en 1947 :
1947 GEORGE DANTZING: EL MTODO SIMPLEX.

PROGRAMACION DINAMICA: BELLMAN.
PROGRAMACION NO LINEAL: KUHN Y TUCKER.
PROGRAMACION ENTERA: GOMORY.
REDES DE OPTIMIZACION: FORD Y FULKERSON.
SIMULACION : MARKOWITZ.
INVENTARIOS: ARROW, KARLIN, SCARF,WHITIN.
ANALISIS DE DECISIONES: RAIFFA.
PROCESOS MARKOVIANOS DE DECISION: HOWARD.
Debemos ser claros que los avance de los modelos matemticos de la
Investigacin de operaciones se han basado en estudios hechos de Clculo
Diferencial e Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz,
Reimman, Stieltjes, por mencionar algunos), la Probabilidad y la
Estadstica ( Bernulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
* Ao en que se dio inicio a la programacin y con el uso de las
computadoras se empez a extender la Investigacin de Operaciones.
El tiempo va avanzando y para 1963, se haban clasificado las aplicaciones
en I.O., en problemas estructurales, de 8 formas bsicas:
1. Asignacin.
2. Inventario.
3. Reemplazo.
5
4. Lneas de espera.
5. Secuenciacin y coordinacin.
6. Trayectorias.
7. Competencia.
8. Bsqueda.
CAPITULO II
Modelos de Programacin Lineal

Se llama programacin lineal al conjunto de tcnicas matemticas que
pretenden resolver la situacin siguiente:
Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de
varias variables, sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.
Funcin Objetivo (F.O.):
Para seleccionar que funcin objetivo debe elegirse se toma en cuenta lo
siguiente:
a) Si vamos a encontrar situaciones en las cuales tendremos solo costos ya
sea de materia prima, costo de mano de obra, costo de uso de mquina,
costos de transporte, costos de depreciacin ,etc. esto indica que
indudablemente la F.O. ser de MINIMIZACION.
b) Si el enunciado solo da datos econmicos de ganancia, precio de venta o
dinero a recibir por unidad producida la F.O. ser de MAXIMIZACION.
c) Si el enunciado nos da al mismo tiempo costos y ganancias restaremos
de la siguiente manera:
GANANCIAS - COSTOS =UTILIDAD , la que tendr como F.O.
MAXIMIZACION.
d) Si no nos dan ningn datos econmico y solo se da tiempos, el tiempo se
minimiza, si nos da solo produccin, la produccin se ha de maximizar, si
el modelo corresponde a contratar al personal ,la funcin objetivo se
minimiza.
Restricciones:
Estas limitaciones o restricciones en los modelos lineales tienen slo las
siguientes estructuras:
<= , >=, =.
Muchos problemas tienen expresiones caractersticas que nos pueden
anunciar que tipo de restriccin debemos usar, por ejemplo:
Usar
Para expresiones como :
<=
como mximo, a lo ms, disponibilidad, demanda mxima.
>=
como mnimo, por lo menos, al menos, demanda mnima.
=
total, proporcin
Finalmente las restricciones deben tener las mismas unidades en tanto en su

lado izquierdo como derecho.
La no negatividad de algunas variables son muy importante para definir la
solucin de algunos modelos , por lo tanto se dice que todas las variables
son >=0.
Programacin Lineal
Formulacin
En esta parte debemos considerar algo muy importante, hay una variedad
de aplicaciones de modelos lineales, en las siguientes paginas vamos a
tratar de considerar modelos lineales y sobre todo de mas aplicacin al
inicio del aprendizaje de formulacin de modelos lineales.
Nivel A:
Problema 1.-(produccin)
Una industria vincola produce vino y vinagre. El doble de la produccin de
vino es siempre menor o igual que la produccin de vinagre ms cuatro
unidades. Por otra parte, el triple de la produccin de vinagre sumado con
cuatro veces la produccin de vino se mantiene siempre menor o igual a 18
unidades.
Halla el nmero de unidades de cada producto que se deben producir
para alcanzar un beneficio mximo, sabiendo que cada unidad de vino deja
un beneficio de S/8 y cada unidad de vinagre de S/2.
Solucin:
Beneficio
Vino
S/8 / unidad
Vinagre
S/ 2 /unidad
Variable de decisin:
Xi= Nmero de unidades producidas de i(i=Vino,vinagre=1,2) a elaborar.
Funcin Objetivo:
Max=8x1+2x2
Restricciones:
El doble de la produccin de vino es siempre menor o igual que la
produccin de vinagre ms cuatro unidades:
2x1<=x2+4
el triple de la produccin de vinagre sumado con cuatro veces la

produccin de vino se mantiene siempre menor o igual a 18 unidades.
3x2+4x1<=18
Modelo Lineal
Max=8x1+2x2
Sujeto a:
2x1-x2<=4
4x1+3x2<=18
no negatividad:
Xi>=0
Problema 2.-(produccin)
Una fbrica de carroceras de automviles y camiones tiene dos
departamentos. En el departamento A, para hacer la carrocera de un
camin, se invierten 7 das-operario, para fabricar la de un coche se
precisan 2 das-operario. En el departamento B se invierten tres das
operario tanto en carroceras de camin como de coche. Por limitaciones de
mano de obra y maquinaria, el departamento A dispone de 300 das
operario, y el departamento B de 270 das-operario. Si los beneficios que se
obtienen por cada camin son de $6000 y por cada automvil $2000
cuntas unidades de cada uno se deben producir para maximizar las
ganancias?
*Considere que para la produccin se debe utilizar ambos departamentos.
Departamento
A
Departamento
B
Beneficios
Camin
7 dias operario/camin
Automvil
2 das
operario/coche
3 das
operario/coche
$2000/automovil
3 dias operario/camin
$6000 /camin
Disponibilidad
300 das
/operario
270 das
/operario
Xi= Nmero de vehculos tipo i(i=camion,automovil=1,2) a producir.
Funcin objetivo:
Maximizar beneficios:
Max=6000x1+2000x2
9
10
Restricciones:
Departamento A
7x1+2x2<=300
Departamento B
3x1+3x2<=270
No negatividad:
Xi>=0
Problema 3.-(inversin)
Una entidad financiera capta depsitos y presta dinero. La captacin de
depsitos lleva una hora para convencer al cliente y otra de trabajo
burocrtico. El prstamo de dinero lleva una hora para convencer al cliente
y dos horas de trabajo burocrtico. El mximo nmero de horas de trabajo
disponibles es de 40 horas para convencer a los clientes y 60 horas para el
trabajo burocrtico. El beneficio obtenido por prestar dinero es 1/3 mayor
que el de captar depsitos. Cuntas operaciones de cada tipo le conviene
realizar para obtener el mximo beneficio?
Solucin:
Horas de trabajo
para convencer al
cliente
Horas de trabajo
burocrtico
Beneficio
Depsitos
1h/operacin
Prestamos
1h/operacin
Disponible
40 h
1h/operacin
2h/operacin
60 h
1/operacin
(1+1/3)/operacin
Variable de Decisin:
Xi= Nmero de operaciones de tipo i ( i = depsitos , prestamos = 1, 2) a
realizar.
Funcin objetivo:
Maximizar beneficios
Max=x1+1,333x2
Restricciones:
Horas de trabajo para convencer al cliente:
X1+x2<=40
Horas de trabajo burocrtico:
X1+2x2<=60
No negatividad:
Xi>=0
10
11
Problema 4.-(Inversin)
Una persona tiene S/500.000 para invertir en dos tipos de acciones A y B.
El tipo A tiene bastante riesgo con un inters anual del 10% y el tipo B es
bastante seguro con un inters anual del 7%. Decide invertir como mximo
S/300.000 en A y como mnimo S/100.000 en B, e invertir en A por lo
menos tanto como en B. Cmo deber invertir sus S/500.000 para
maximizar sus intereses anuales?
Solucin:
Inters
Inversin
Acciones A
0,10
Mximo
S/300 000
Acciones B
0,07
Mnimo
S/100 000
Dinero
Disponibilidad
S/500 000
Xi= Nmero de acciones de tipo i(i=A,B=1,2) a comprar.
Funcin objetivo:
Maximizar intereses
Max=0,10x1+0,07x2
Restricciones:
Dinero mximo a invertir en acciones tipo A
X1<=300000
Dinero mnimo a invertir en acciones tipo B
X2>=100000
invertir en A por lo menos tanto como en B
X1>=X2
Dinero disponible
X1+X2<=500000
No negatividad:
Xi>=0
Problema 5.-(mezcla)
Alice, gerente de la Food Fast. Proporciona albergues para cachorros. El
alimento para perros Kennel se hace mezclando dos productos de soya para
obtener una "dieta para perros bien balanceada". En la figura se dan los
datos para los dos productos. Si Alice quiere asegurarse de que sus perros
reciban al menos 8 onzas de protenas y 1 onza de grasa diariamente, cul
sera la mezcla del costo mnimo de los dos alimentos para perro?.
11
Solucin:
Producto
de soya
1
2
12
Costo
Por onza
$0,60
$0,15
Proteina (%)
Grasas (%)
50
20
10
20
Xi = Nmero de onzas del producto i(i=1,2) a comprar.
Funcin Objetivo:
Minimizar costos
Min=0,60x1+0,15x2
Restricciones:
Protenas:
0,50x1+0,20x2>=8
Grasas:
0,10x1+0,20x2>=1
No negatividad:
Xi>=0.
Problema 6.-(Mezcla)
Pearce Dears, un antiguo entrenador de grupos de choque, se ha convertido
en avicultor. Desea alimentar a sus animales en forma tal que se cubran sus
necesidades de nutricin a un costo mnimo. Pearce est estudiando el uso
de maz, soya, avena y alfalfa. En la figura se muestra la informacin
diettica importante por libra de grano (por ejemplo, 1 libra de maz
proporciona 15 miligramos de protena). Elabore un modelo de PL para
determinar la mezcla diettica que satisfar los requisitos diarios a un costo
mnimo.
Nutrientes por libra de grano
Nutriente
(mg)
Protena
Calcio
Grasas
Caloras
Costo por
libra
Maz
Soya
Avena
Alfalfa
15
40
20
850
70
30
10
50
1500
45
15
40
8
1200
40
7
45
25
4000
90
12
Necesidades
(mg)
Mnimo 50
Mnimo 150
Mximo 120 y Mnimo 25
Mnimo 5000
13
Solucin:
Xi= Nmero de libras a comprar de i(i=Maiz,soya,avena,alfalfa=1,2,3,4) .
Funcin Objetivo:
Minimizar costos
Min =70x1 + 45x2 + 40x3 + 90x4
Restricciones:
Protenas:
15x1 + 30x2 + 15x3 + 7x4 >= 50
Calcio:
40x1 + 10x2 + 40x3 + 45x4 >= 150
Grasas:
20x1 + 50x2 + 8x3 + 25x4 >= 25
20x1 + 50x2 + 8x3 + 25x4 <= 120
Caloras:
850x1 + 1500x2 + 1200x3 + 4000x4 >=5000
No negatividad:
Xi>=0
Problema 7.- (Encuesta)
Para realizar una encuesta por telfono, un grupo de investigacin de
mercado necesita comunicar por lo menos a 150 esposas, 120 maridos, 100
varones adultos solteros y 110 mujeres adultas solteras. Cuesta $2 realizar
una llamada telefnica durante el da, y $5 realizar una llamada telefnica
durante la noche(debido a mayores costos laborales). Estos resultados se
muestran en la tabla. Se pueden realizar a lo ms la mitad de estas llamadas
en la noche, por disponer de un nmero limitado de empleados . Formule
un PL que minimice los costos para completar la encuesta.
Porcentaje
Porcentaje
Persona
de
de
que
llamadas
llamadas
contest
Diurnas
Nocturnas
Esposa
Marido
Soltero
Soltera
Nadie
30
10
10
10
40
30
30
15
20
5
13
14
Solucin:
variables de decisin :
Xij= nmero de llamadas realizadas en el horario i (i=diurno/nocturno=1,2)
Funcin Objetivo:
Minimizar costos
Minimizar = 2x1 + 5x2
Restricciones:
Esposas encuestadas:
0.30x1+0.30x2>=150
Maridos encuestados:
0.10x1+0.30x2>=120
Solteros encuestados:
0.10x1+0.15x2>=100
Solteras encuestados:
0.10x1+0.20x2>=110
realizar a lo ms la mitad de estas llamadas en la noche
x2<=(1/2)(x1+x2)
No negatividad: Xi>=0
Problema 8.-(Pesca)
Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa
a pescar como mximo 2.000 toneladas de merluza y 2.000 toneladas de
rape, adems, en total, las capturas de estas dos especies no pueden pasar
de las 3.000 toneladas. Si el precio de la merluza es de S/10/kg y el precio
del rape es de S/15/kg, qu cantidades debe pescar para obtener el mximo
beneficio?
Solucin:
Merluza
Rape
Pesca
Mximo
Mximo
2000 tn
2000 tn
Total
Mximo
3000 tn
Precio de
S/10/kg
S/15/kg
Venta
Xi= Nmero de toneladas de pescado tipo i(i=merluza,rapa=1,2) a pescar.
14
15
Funcin Objetivo:
Maximizar ingresos
Max=(S/ 10/kg)*(1000 kg)x1 tn+(S/15/kg)*(1000 kg)x2 tn
Restricciones:
Toneladas de merluza:
X1<=2000
Toneladas de Rape:
X2<=2000
Toneladas mximas a pescar:
X1+X2<=3000
No negatividad:
Xi>=0
Problema 9.-(Compra)
Un hipermercado necesita como mnimo 16 cajas de langostino, 5 cajas de
ncoras y 20 de percebes. Dos mayoristas, A y B, se ofrecen al
hipermercado para satisfacer sus necesidades, pero slo venden dicho
marisco en contenedores completos. El mayorista A enva en cada
contenedor 8 cajas de langostinos, 1 de ncoras y 2 de percebes. Por su
parte, B enva en cada contenedor 2, 1 y 7 cajas respectivamente. Cada
contenedor que suministra A cuesta S/210, mientras que los del mayorista
B cuestan S/300 cada uno. Cuntos contenedores debe pedir el
hipermercado a cada mayorista para satisfacer sus necesidades mnimas con
el menor coste posible?
Solucin:
Contenedor A
Contenedor B
Necesidad
Langostino 8 cajas/contenedor 2cajas/contenedor
16 cajas
Ncoras
1 cajas/contenedor 1cajas/contenedor
5 cajas
Percebes 2 cajas/contenedor 7cajas/contenedor
20 cajas
Costo
S/210/contenedor S/300/contenedor
Xi = Cantidad de contenedores tipo i(i=A,B=1,2) a pedir.
Funcin objetivo:
Minimizar el costo
Min=210x1+300x2
Restricciones:
15
16
Langostinos
8x1+2x2>=16
Ncoras:
1x1+1x2>=5
Percebes:
2x1+7x2>=20
No negatividad:
Xi>=0
Problema 10.Una planta produce dos tipos de productos, en la misma lnea de ensamble.
La lnea de ensamble consta de tres departamentos. Los tiempos de
ensamblaje en los departamentos son:
(Unidades/minuto)
Departamento
Producto 1
Producto 2
1
8
9
2
5
6
3
5
3
Cada departamento tiene disponible las 8 horas de trabajo diario. Sin
embargo los departamentos requieren mantenimiento diario, que utilizan el
5%, 8% y 6% del tiempo disponible para cada departamento diariamente.
La planta desea saber las unidades semanales ( se trabaja 6 dias a la
semana) que se ensamblaran a fin de minimizar la suma de tiempos no
ocupados (ociosos) en los tres departamentos.
Solucin:
Indudablemente es una produccin en lnea por que el producto para
ensamblarse debe pasar por los tres departamentos, entonces
Variable de Decisin :
Xi= nmero de unidades del producto i(i=1,2) a elaborar semanalmente.
Sj= tiempo ocioso del departamento j(j=1,2,3).
Funcin Objetivo :
minimizar el tiempo ocioso
Min = s1 minutos + s2 minutos + s3 minutos
Restricciones:
16
17
Departamento 1:
(1 minuto/ 8 unidades)(X1 unidades/semana) + (1minuto/9 unidades)(X2
unidades/semana)+(s1 minutos/semana)=(48h/semana)(60 minutos/h)(0,95)
Departamento 2:
( 1 minuto/ 5 unidades)(X1 unidades/semana) + (1 minuto/6 unidades)(X2
Departamento 3:
( 1 minuto/ 5 unidades)(X1 unidades/semana) + (1 minuto/3 unidades)(X 2
No negatividad:
Xi >=0, Si>=0
Problema 11.Una empresa manufacturera ha descontinuado la produccin de cierta lnea
de productos no provechosa. Esto cre un exceso considerable en la
capacidad de produccin. El gerente est
considerando dedicar esta
capacidad en exceso a uno o ms de tres productos, llammoslos
losproductos1,2,y3.La capacidad disponible de la mquinas que podra
limitar la produccin se resume en la tabla siguiente:
TIPO DE MAQUINA
TIEMPO DISPONIBLE
FRESADORA
500H/SEMANA
TORNO
350
RECTIFICADORA
150
El nmero de horas de mquina requerida por cada unidad de los productos
respectivos
es:
Coeficiente de Productividad(en horas
mquina por unidad)
TIPO DE MAQUINA PRODUCTO PRODUCTO 2 PRODUCTO
1
3
FRESADORA
9
3
5
TORNO
5
4
0
RECTIFICADORA
3
0
2
17
18
El departamento de ventas indica que el potencial de ventas para los

productos 1 y 2 es mayor que la tasa de produccin mxima y que el
potencial de ventas para el producto 3 es de 20 unidades por semana.
La utilidad unitaria ser de $30, $12 y $15, para los productos 1,2 y
3,respectivamente.
Formlese el modelo PL para determinar cunto debe producir la empresa
de cada producto para maximizar la utilidad.
Solucin :
Xi= Cantidad a producir del producto i(i=1,2,3)
Funcin Objetivo:
Maximizar=30x1+12x2+15x3
Restricciones:
Tiempo:
Fresadora: 9x1+3x2+5x3<=500
Torno:
5x1+4x2<=350
Rectificadora:3x1+2x3<=150
Potencial de ventas del producto3:
X3<=20
No negatividad:
xi>=0
Problema 12.Carmac Company fabrica carros compactos y subcompactos. La
produccin de cada carro requiere una cierta cantidad de materia prima y
mano de obra, como se especifica en la siguiente tabla:
Materia Prima Mano
de
obra
Compacto
200
18
Subcompacto
150
20
Costo unitario
$10
$70
Total disponible 80 000
9 000
La divisin de comercializacin ha estimado que a los ms 1500 compactos
pueden venderse a $10 000 cada uno y que a lo mas 200 subcompactos
pueden venderse a $8000 cada uno.Como vicepresidente de programacin,
formule un modelo para determinar la cantidad a fabricar de cada tipo de
18
19
carro para maximizar la ganancia total(ingresos menos gastos).Defina todas

las variables de decisin.
Solucin:
Xi= Numero de unidades del producto i (i=1,2) a elaborar.
Funcin Objetivo:
Max=($10000/unidad)(x1 unidades)+($8000/unidad)(x2 unidades)
-($10/unidad de materia prima)(200unidades de materia prima/unidad)(x1
unidades)-($70/unidad de materia prima)(18 unidades de materia
prima/unidad)(x1 unidades)-($10/unidad de materia prima)(150 unidades
de materia prima/unidad)(x2 unidades)-($70/unidad de materia prima)(20
unidades de materia prima/unidad)(x2 unidades)
Restricciones:
200x1 + 150x2 < =80000 (Restriccin de materia prima)
18x1 + 20x2 < =9000 (Restriccin de mano de obra)
x1
< =1500 (Nmero mximo de compactos)
x2 < =200 (Nmero mximo de subcompactos)
x1 , x2 >= 0
Problema 13.La empresa Elit elabora yogurt y jugos a base de mango y durazno, esta
empresa compra su materia prima al precio de $0,50 por kilogramo de
mango y $0,30 por kilogramo de durazno, las cantidades mximas que
puede comprar es de 1600 kilogramos de mango y 2100 kilogramos de
durazno.
El mercado de venta de yogurt es de 9000 botellas como mximo y para
jugo no hay limite,el precio de venta del yogurt y de jugo es de $5 y $3
por cada botella respectivamente;estos datos y otros se dan en la siguiente
tabla:
Yogurt
Jugos
Dispon. Costo
Mango
2 kg/botella
3 kg/botella
1600 kg $0.50/kg
Durazno 3 kg/botella
1 kg/botella
2100 kg $0.30/kg
Venta
<=9000 botellas
P.Venta
$5/botella
$3/botella
19
20
Elabore un modelo lineal para la empresa Elit.

Solucin:
Xi= Numero de botellas de producto i(i=Yogurt,Jugos=1,2) a producir.
Funcin Objetivo:
Max=5x1+3x2 0.50( 2x1+3x2)-0,30(3x1+1x2)
Restricciones:
Mango:
(2 kg/botella)(x1 botella) +( 3 kg/botella)(x2 botella)<=1600 kg
Durazno:
(3 kg/botella)(x1 botella)+(1 kg/botella)( x2 botella)<=2100 kg
Yogurt:
x1 botella <=9000 botella
No negatividad:
Xi>=0
20
21
CAPITULO III
Modelos para formular:
NIVEL B
Usted a decidido entrar en el negocio de los dulces. Est considerando
producir dos tipos de dulces: Easy Out Candy y Slugger Candy , que se
componen solamente de azcar, nueces y chocolate. Actualmente, tiene en
bodega 100 onzas de azcar, 20 oz de nueces y 30 oz de chocolate. La
mezcla para producir Easy Out Candy tiene que contener por lo menos 20%
de nueces.
La mezcla para producir Slugger Candy tiene que contener por lo menos
10% de nueces y por lo menos 10% de chocolate. Cada onza de Easy Out
Candy se vende a 25 centavos(de dlar), y una onza de Slugger Candy a 20
centavos. Formule un PL que le permita maximizar sus ingresos por la
venta de dulces.
Solucin:
Easy Out Candy
Slugger Candy
Azcar
Nueces
Por lo menos 20% Por lo menos 10%
Chocolate
Por lo menos 10%
Precio de Venta
$0,25
$0.20
Disponible
100 onzas
20 onzas
30 onzas
Xij = Usar onzas del ingrediente i (i= azcar, nueces, chocolate = 1, 2 ,3)
para elaborar el tipo de dulce j ( j = Easy Out Candy , Slugger Candy=1,2).
Funcin Objetivo:
Maximizar el ingreso por el precio de venta:
Max = 0.25X11 + 0.25X21 + 0.25X31+ 0.20X12 + 0.20X22 + 0.20X32
Restricciones:
Azcar:
X11 + X12 <= 100
Nueces:
X21 + X22 <= 20
Chocolate:
X31 + X32 <= 30
21
22
Porcentaje de nueces en Easy Out Candy:

X21>= 0.20(X11+X21+X31)
Porcentaje de nueces en Slugger Candy:
X22>= 0.10(X12+X22+X32)
Porcentaje de chocolate en Slugger Candy:
X32>= 0.10(X12+X22+x32)
No negatividad:
Xij>=0
Problema 2.-(Produccin)
Sunco produce dos tipos de acero en tres diferentes aceras. Durante un mes
dado, cada acera dispone de 200 horas de alto horno . El tiempo y costo de
produccin de una tonelada (ton) de acero , difiere de una fbrica a otra ,
debido a las diferencias en los hornos de cada fbrica En la tabla , se
muestran el tiempo y costo de produccin para cada fbrica . Cada mes .
Sunco tiene que producir por lo menos 500 ton de acero 1 y 600 ton de
acero 2. Formule un PL para minimizar los costos para producir el acero
deseado.
Tabla: Producir una tonelada de acero
Acero 1
Acero 2
Costo
tiempo
Costo
Tiempo
Acera 1
$10
20 min
$11
22 min
Acera 2
$12
24 min
$9
18 min
Acera 3
$14
28 min
$10
30 min
Solucin:
Xij = Toneladas que la acera i(i=1,2,3) produce del acero j(j=1,2).
Funcin Objetivo:
Minimizar costos
Min = 10x11+11x12+12x21+9x22+14x31+10x32
Restricciones:
Tiempo de produccin:
22
23
Acera 1:
(20 min/ton)(x11)ton +( 22 min/ton)(x12)ton<= (200h) (60min/h)
Acera 2:
(24 min/ton)(x21)ton + (18 min/ton)(x22)ton<=(200h) (60 min/h)
Acera 3:
(28 min/ton)(x31)ton + (30 min/ton)(x32)ton<=(200h) (60 min/h)
Produccin:
Acero 1:
( x11+x21+x31) ton>=500 ton
Acero 2:
(x12+x12+x32) ton>=600 ton
No negatividad:
Xij>=0
Problema 3.-(produccin )
Funco fabrica mesas y sillas. Hay que fabricar cada mesa y cada silla
completamente de roble o de pino. Se dispone de un total de 150 pies de
tabla de roble y de 210 pies de tabla de pino. Una mesa requiere 17 p.t. de
roble, o bien 30 p.t. de pino y una silla necesita 5 p.t. de roble, o bien, 13
p.t. de pino. Se puede vender cada mesa a 40 dlares y cada silla a 15
dlares. Formule un PL que se puede usar para maximizar los ingresos.
Solucin:
Mesa
Silla Disponible
Roble
17
5
150
Pino
30
13
210
Precio de Venta $40
$15
Xij= Numero de unidades de tipo i (i= mesas, silla = 1,2) usado elaborado
a base de j ( j =roble, pino =1,2)
Funcin objetivo Maximizar ingresos:
Max = 40(x11+x12)+15(x21+x22)
Restricciones:
Roble:
17x11+5x21<=150
Pino:
30x12+13x22<=210
No negatividad:
23
24
Xij>=0
Problema 4.-( produccin )

Se va a elaborar un producto a base de tres componentes que se producen
en tres diferentes departamentos, disponiendo con los siguientes datos. El
objetivo es determinar el nmero de horas de cada departamento a ser
asignadas a cada parte, para maximizar el nmero de unidades completas
del producto final. Formule como un modelo de Programacin lineal.
Departamento
Capacidad Tasa de Produccin (unid/h)
(horas)
C1
C2
C3
1
250
12
10
18
2
300
9
12
11
3
360
10
5
12
Solucin:
Xij= Numero de horas a laborar para la produccin del componente
i(i=1,2,3)en el departamento j(j=1,2,3).
Funcin Objetivo:
Maximizar produccin
Maximizar =P
Restricciones:
Numero de unidades del componente 1:
12X11 + 9X12+10X13= P
10X21 + 12X22 +5X23= P
18X31 + 11X32 + 12X33=P
Capacidad de horas del departamento 1:
X11 + X21+ X31<= 250
X12 + X22 + X32 <= 300
24
25
X13 + X23 + X33 <= 360

No negatividad: Xij>=0
Problema 5.- (personal)
Un cierto restaurante opera 7 das a la semana . A las camareras se les
contrata para trabajar 6 horas diarias . El contrato del sindicato especifica
que cada camarera tiene que trabajar 5 das consecutivos y despus tener 2
das consecutivos de descanso . Cada camarera recibe el mismo sueldo
semanal. En la tabla se presentan las necesidades de contratacin.
Supngase que este ciclo de necesidades se repite en forma indefinida y no
toma en cuenta el hecho de que el nmero de camareras contratadas tiene
que ser un nmero entero. El gerente desea encontrar un programa de
empleo que satisfaga estas necesidades a un costo mnimo. Formule este
problema como un programa lineal.
Necesidades de contratacin de camareras
NUMERO MINIMO DE HORAS DE
DIA
CAMARERAS NECESARIO
Lunes
150
Martes
200
Mircoles
400
Jueves
300
Viernes
700
Sbado
800
Domingo
300
Solucin:
Xi= Camareras que ingresan el da i ( i = lunes,
sbado, domingo = l, m, mi, j, v, s, d).
Funcin Objetivo:
Minimizar = XL+XM+XMI+XJ+XV+XS+XD
Restricciones:
Lunes :
6( XL
+ XJ + XV +
Martes :
6( XL + XM
+ XV +
Mircoles:
6( XL + XM + XMI
+
Jueves:
25
martes, mircoles, jueves,
XS + XD)
>=150
XS + XD )
>= 200
XS
>= 400
+ XD )
26
6( XL + XM + XMI + XJ
+ XD )
Viernes:
6( XL + XM + XMI + XJ + XV
Sbado :
6(
Domingo:
6(
XM + XMI + XJ + XV + XS
XMI + XJ + XV + XS
>=300
>= 700
>= 800
+XD
>= 300
No negatividad:
Xi>=0
Un viedo desea mezclar cuatro cosechas diferentes para producir tres tipos
de vino mezclado. Se establecen restricciones al porcentaje de la
composicin de las mezclas .
Se puede vender cualquier cantidad de la mezcla B y de la mezcla C pero a
la mezcla A se le considera una mezcla de alta calidad y por consiguiente
no se venden ms de 50 galones. Elabore un modelo de PL que har el
mejor uso de las cosechas con que se cuenta .
Composicin de las mezclas
MEZCLA
VENDIMIA
1
PRECIO DE
VENTA
POR GALON
POR LO MENOS 75% DE 1 Y 2
* CUANDO MAS 50%
POR LO MENOS 35% DE 1 Y 2
C
Oferta
*
180
*
250
* CUANDO MAS 40%

200
(galones)
. Seala que no existe restriccin.
26
400
$70
40
30
27
Solucin:
Mezcla A
Mezcla B
Mezcla C
Vendimia 1
X1a
X1b
X1c
Vendimia 2
X2a
X2b
X2c
Vendimia 3
X3a
X3b
X3c
Vendimia 4
X4a
X4b
X4c
Xij = nmero de galones a utilizar de la vendimia i(i=1,2,3,4) para la
elaboracin de la mezcla j(j=A,B,C) .
Funcin Objetivo:
Maximizar = ($70/gal)(X1a + X2a + X3a + X4a)gal +($ 40/gal)(X1b +X2b
+X3b +X4b) gal + ($30/gal)( (X1c + X2c + X3c + X4c) gal
Restricciones:
Mezcla A :
en la expresin por lo menos 75% de 1 y 2 , se tiene que ver quienes son la
que componen la mezcla A para ubicarlas como denominador, en el
numerador se tiene a las vendimias 1 y 2 , obtenindose la siguiente
expresin:
(X1a + x2a) gal / (x1a+x2a+x3a+x4a) gal >= 0.75
en la expresin cuando ms 50%, el denominador es igual a la restriccin
anterior por que se refiere a la misma mezcla pero el numerador es solo con
respecto a la vendimia 4, la expresin queda:
( X4a ) gal / (x1a+x2a+x3a+x4a) gal <= 0.50
Mezcla B:
En la expresin por lo menos 35% , el denominador esta formado por todas
la vendimias pero el numerador se refiere slo a las vendimias 1 y 2, la
expresin es:
(X1b + X2b) gal / (x1b + x2b +x3b + x4b) gal >= 0.35
Mezcla C:
En la expresin cuando ms 40%, el denominador esta formado por todas la
vendimias pero el numerador se refiere slo a la vendimia 4, la expresin
es:
(X4c ) gal / (x1c + x2c + x3c +x4c) gal < = 0.40
27
28
Oferta:
Vendimia 1 tiene en oferta 180 galones, como esto es lo mximo que se
dispone entonces la restriccin queda:
(x1a + X1b + X1c) gal <= 180 gal.
dispone entonces la restriccin queda:
(X2a + X2b + X2c ) gal <= 250 gal.

dispone entonces la restriccin queda :
(X3a + X3b + X3c ) gal <= 200 gal.

dispone entonces la restriccin queda :
(X4a + X4b + X4c ) gal <= 400 gal.
No negatividad: Xij >=0.
Qumica S.A. diluye cada litro de cido sulfrico concentrado con 20 litros
de agua destilada para producir H2SO4. De manera similar, cada litro de
cido clorhdrico concentrado se diluye con 30 litros de agua destilada para
producir HCL. Estos dos productos son vendidos a escuelas de segunda
enseanza a $0.10 por botella de 100 mililitros ( esto es, 0.1 litros). La
compaa actualmente tiene 50000 botellas vacas en inventario. Suponga
que existe una cantidad virtualmente ilimitada de agua
destilada que cuesta $0.15 por litro y que se dispone de los siguientes datos:
Acido Sulfrico
Costo ($/litro)
Suministro(litros)
12
200
28
Acido
Clorhdrico
18
150
29
Formule un modelo para determinar la cantidad de cada cido concentrado

por diluir para maximizar las ganancias totales.
Solucin:
x1= nmero de litros de H2SO4 concentrado
x2= nmero de litros de HCL concentrado
y1= nmero de litros de agua para concentrado de H2SO4
y2= nmero de litros de agua para concentrado de HCl
p1= nmero de litros de H2SO4 para venta
p2= nmero de litros de HCl para venta
Funcin Objetivo:
Max = ($0,10/0,10 litros)p1 litros +($0,10/0,10 litros)(p2)litros
-($0,15/litros(y1+y2)litros
-($12/litro)(x1)-($18/litro)(x2)litros
Restricciones:
Cantidad de H2SO4:
X1 <= 200
Cantidad de HCL:
X2 <= 150
Cantidad de botellas:
(1 botella/0.1 lit)( X1+y1) lit)+ (1 botella/0.1 lit)(X2+y2) lit <= 50000
botellas
Proporcin:
1
X1
------ = -----20
Y1
Produccin:
1
X2
-------- = -----30
Y2
p1= x1 + y1
p2= x2 + y2
De no negatividad:
Xi>=0
Otra manera de solucin:
29
30
Xi= Cantidad de litros de i( cido sulfrico, cido clorhdrico=1,2) a

producir.
Funcin Objetivo:
Max = ($0,10/0,10 litros)x1 litros +($0,10/0,10 litros)(x2)litros
- ($0,15/litros)(20/21)(x1)litros ($0,15/litros)(30/31)(x2)litros
- ($12/litro)(1/21)(x1)-($18/litro)(1/31)(x2)litros
Restricciones:
Botellas:
x1/0.10+ x2/0.10 <=50000
Acido sulfrico:
(1/21)x1<=200
Acido Clorhdrico:
(1/31)x2<=150;
no negatividad:
Xi>=0
Problema 8.-(juegos)
Un matemtico desea distribuir fichas de valor entre 1 y 6 en un tablero de
3 filas y 3 columnas, con tal que la suma de este de 6, Cul debe ser el
valor de cada ficha a colocar con tal que se cumpla el objetivo propuesto?
Solucin:
Xij= Valor de la ficha de la fila i(i=1,2,3) y la columna j(j=1,2,3)
Funcin Objetivo:
Min= x11+x12+x13+x21+x22+x23+x31+x32+x33
Restricciones:
Filas
X11+x12+x13=6
X21+x22+x23=6
X31+x32+x33=6
Columnas
X11+x21+x31=6
X12+x22+x32=6
X13+x23+x33=6
Valores
X11>= 1
X11<=6
30
31
X12>=1
X12<=6
X13>=1
X13<=6
X21>= 1
X21<=6
X22>=1
X22<=6
X23>=1
X23<=6
X31>= 1
X31<=6
X32>=1
X32<=6
X33>=1
X33<=6
Problema 9 .- (Agricultura)
Una cooperativa agricola grande del suroeste de los Estados Unidos de
Norteamrica opera cuatro granjas.La produccin de cada granja est
limitada por la cantidad de agua disponible para irrigacin y por el nmero
de acres disponibles para cultivo. Los datos de la tabla A describen las
granjas. Normalmente, la cooperativa cultiva 3 tipos de productos, aunque
cada una de las granjas no necesariamente cultiva todos ellos. Debido a la
limitacin en la disponibilidad de equipo para cosechar, existen
restricciones sobre el nmero de acres de cada producto que se cultivan en
cada granja. Los datos de la tabla B reflejan el mximo de acres de cada
cultivo que pueden producirse en cada granja. El agua que se requiere
(expresada en millares de pies cbicos por acre) para los respectivos
cultivos son: 6, 5 y 4. Las utilidades que se proyectan por acre para cada
uno de los tres cultivos son $500, $350 y $200, respectivamente.
Para mantener una carga de trabajo equilibrada entre las 4 granjas, la
cooperativa ha adoptado la poltica de hacer que en cada granja se cultive
un porcentaje igual de terreno disponible. Plantee un modelo de PL para el
problema que permita la cooperativa a determinar la cantidad (acres) de
cada cultivo que deben plantarse en cada granja para que se maximice la
utilidad total esperada para la cooperativa.
31
32
Tabla A
Disponibilidad de Agua Disponibilidad de Tierra
Granja (pies cbicos)
(acres)
1
480 000
450
2
1320 000
650
3
370 000
350
4
890 000
500
Tabla B
Granja
Cultivo
1
A
200
B
150
C
200
Granja Granja Granja

2
3
4
300
100
250
200
150
100
350
200
300
Solucin:
Variables de decisin:
Xij= Nmero de acres a sembrar en la granja i(i=1,2,3,4) con el cultivo
j(j=1,2,3)
Funcin Objetivo:
Maximizar=
($500/acres)(x11+x21+x31+x41)acres
+ ($350/acres)(x12+x22+x32+x42)acres
+ ($200/acres)(x13 +x23+x33+x43)acres
Restricciones:
Cantidad mxima de acre en cada granja para cada cultivo:
x11 acres <= 200 acres
32
33

Agua Disponible para la granja 1:
(6000 pies cbicos/acre)(x11 acres) +
+ (4000 pies cbicos/acre)(x13 acres)
<= 480 000 pies cbicos
<= 1 320 000 pies cbicos
Cantidad de Acres por Granja 1:
(x11 + x12 +x13) acres <= 450 acres
(5000 pies cbicos/acre)(x12 acres)

(x21 + x22 +x23) acres <= 650 acres
(x31 + x32 +x33) acres <= 500 acres
Proporcin de acres a cultivar:
Granja 1 igual a Granja 2
(x11 + x12 +x13) acres/450 acres = (x21 + x22 +x23) acres/650 acres
Granja 2 igual a Granja 3
(x21 + x22 +x23) acres/650 acres = (x31 + x32 +x33) acres/350 acres
Granja 3 igual a granja 4
(x31+x32+x33)acres/350 acres =(x41+x42+x43)/500 acres
33
34
Problema 10.- (Mezcla)

La Georgia Outdoors Company fabrica tres tipos de combinaciones
energticas de semillas que se venden a mayoristas los cuales asu vez los
venden a expendios al menudeo. Los tres tipos son normal, especial y extra
y se venden en $1.50 , $2.20 y $3.50 por libra, respectivamente. Cada
mezcla requiere los mismos ingredientes: man, pasas y algarrobo. Los
costos de estos ingredientes son:
Man: $0.90 por libra
Pasas: $1.60 por libra
Algarrobo: $1.50 por libra
Los requerimientos de las mezclas son:
Normal: cuando menos 5% de cada ingrediente.
Especial: cuando menos 20% de cada ingrediente y no mas de 50% de
cualquiera de ellos.
Extra: cuando menos 25% de pasas y no mas de 25% de man.
Las instalaciones de produccin hacen que haya disponibles por semana
como mximo 1000 libras de man, 2000 de pasas y 3000 de algarrobo.
Existe un costo fijo de $2000 para la fabricacin de las mezclas. Existe
tambin la condicin de que la mezcla normal debe limitarse al 20% de la
produccin total. plantee un problema de PL para maximizar las utilidades.
Solucin:
Variables de Decisin:
Xij= Cantidad de libras a utilizar del ingrediente i (i = Man, Pasas,
Algarrobo =1,2,3) para elaborar la mezcla tipo j(j = Normal , Especial,
Extra = 1,2,3)
Funcin Objetivo:
Maximizar = ($1.50/lib)(x11 + x21 + x31)lib + ($2.20/lib)(x12 + x22 +
x32) + ($3.50/lib)(x13 + x23 + x33)lib - ($0.90/lib)(x11 + x12 + x13)lib ($1.60/lib)(x21 + x22 + x23)lib-($1.50/lib)(x31 + x32 + x33)lib
Restricciones:
Disponibilidad de Man:
(x11 + x12 + x13)lib <= 1000 lib
Disponibilidad de pasas:
(x21 + x22 + x23)lib <= 2000 lib
Disponibilidad de algarrobo:
(x31 + x32 + x33)lib <= 3000 lib
Cantidad de cada ingrediente en la mezcla normal:
(x11 lib) >= 0.05(x11 + x21 + x31)lib
34
35
(x21 lib) >= 0.05(x11 + x21 + x31)lib

(x31 lib) >= 0.05(x11 + x21 + x31)lib
Cantidad de cada ingrediente en la mezcla normal:
(x12 lib) >= 0.20 (x12 + x22 + x23)lib
(x22 lib) >= 0.20 (x12 + x22 + x23)lib
(x23 lib) >= 0.20 (x12 + x22 + x23)lib
(x12 lib) <= 0.50 (x12 + x22 + x23)lib
(x22 lib) <= 0.50 (x12 + x22 + x23)lib
(x23 lib) <= 0.50 (x12 + x22 + x23)lib
Cantidad de pasas en la mezcla normal:
x23 lib >= 0.25(x13 + x23 + x33)lib
Cantidad de man en la mezcla normal:
x13 lib <= 0.25(x13 + x23 + x33)lib
Mezcla normal con respecto a la produccin total:
(x11 + x21 + x31) <= 0.20(x11 + x12 + x13 + x21 + x22 + x23 + x31 +
x32 +x33)
Problema 11.-(Abastecimiento)
La Fargo Water Co. tiene tres depsitos con una entrada diaria estimada de
15,20 y 25 millones de litros de agua fresca, respectivamente. Diariamente
tiene que abastecer cuatro reas A,B,C y D, las cuales tienen una demanda
esperada de 8, 10, 12 y 15 millones de litros , respectivamente . El costo de
bombeo por milln de litros es como sigue.
AREA
Deposito
A
B
C
D
1
2
3
4
5
2
3
2
5
3
3
4
1
2
3
Formule el problema de la Fargo Water Co. como un modelo de
programacin lineal . Asuma que el exceso de agua no representa un costo
para la compaa.
Solucin:
35
36
Xij= Millones de litros de agua que se trasladan desde el depsito i

(i=1,2,3) hacia el rea j (j= A,B,C,D).
Funcin Objetivo:
Minimizar= ($2/litro)(x1a litro)+($3/litros)(x1b litros)
+ ($4/litro)(x1c litro)+($5/litro)(x1d litro)
+ ($3/litro)(x2a litro)+($2/litro)(x2b litro)
+ ($5/litro(x2c litro)+($2/litro)(x2d litro)
+ ($4/litro)(x3a litro)+($1/litro)(x4b litro)
+ ($2/litro)(x3c litro)+($3/litro)(x3dLitro)
Restricciones:
Depsitos:
(X1a+x1b+x1c+x1c+x1d) litros de agua<= 15 litros de agua
(X2a+x2b+x2c+x2d)litros de agua<= 20 litros de agua
(X3a+x3b+x3c+x3d)litros de agua<= 25 litros de agua
Areas:
(X1a+x2a+x3a) litros de agua=8 litros de agua
(X1b+x2b+x3b)litros de agua=10 litros de agua
(X1c+x2c+x3c) litros de agua=12 litros de agua
(X1d+x2d+x3d)litros de agua=15 litros de agua
No negatividad:
Xij>=0
Problema 12.-(Energia)
El departamento de energa de Lilliput actualmente est en el proceso de
desarrollar un plan nacional de energa para el ao siguiente . Lilliput puede
generar energa de cualquiera de cinco fuentes. carbn , gas natural, materiales
nucleares , proyectos hidroelctricos y petrleo. Los datos sobre los recursos de
energa, las capacidades de generacin medidas en megawatt-horas (MW-hr), y los
costos unitarios de generacin se dan en la tabla 1.
Lilliput necesita 50 000 MW-hr de energa de uso domstico , y el pas tiene un
compromiso para producir 10 000MW-hr para exportacin. Ms an, a fin de
conservar los recursos de energa y proteger el ambiente , el gobierno ha aprobado
las siguientes regulaciones.
1. La generacin proveniente de materiales nucleares no
debe exceder 20% de la energa total generada por
Lilliput .
2. Debe utilizarse al menos 80% de la capacidad de las
36
37
plantas de carbn .
3. Los enfluentes que salen a la atmsfera no deben exceder
los lmites especificados en la tabla 2
4. La cantidad de energa generada a partir de gas natural
debe ser al menos 30% de la generada a partir del
petrleo.
Formule un programa lineal para determinar un plan de energa
de costo mnimo .
Tabla 1 Capacidades de generacin y costos

Fuente de Energa
Carbn
Gas Natural
Nuclear
Hidroelctrica
Petrleo
Capacidad Total
(MW-hr)
45000
15000
45000
24000
48000
Costo de Generacin
($/MW-hr)
6
5,5
4,5
5
7
Tabla 2 Datos de polucin en la generacin de energa
Fuente de
Energa
Carbn
Gas Natural
Nuclear
Dixido de
azufre
1,5
0,2
Contaminante (gm/MW-hr)
Monoxido de Partculas de
Carbono
Polvo
1,2
0,7
0,5
0,1
0,2
Desechos
Slidos
0,4
0,7
Hidroelctrica
Petrleo
Kg mximos
permitidos
0,4
75
0,8
60
0,5
30
Solucin:
CUD= Mw-h producido por Carbn de uso domestico.
CUE= Mw-h producido por Carbn de uso externo.
GNUD= Mw-h producido por Gas natural de uso domestico.
GNE= Mw-h producido Gas natural de uso externo.
NUD= Mw-h producido Nuclear de uso domestico.
37
0,1
25
38
NUE= Mw-h producido Nuclear de uso externo.

HUD= Mw-h producido Hidrelectrica de uso domestico.
HUE= Mw-h producido Hidrelectrica de uso externo.
PUD= Mw-h producido Petrleo de uso domestico.
PUE= Mw-h producido Petrleo de uso externo.
Funcin Objetivo:
Minimizar =6.0/Mw-h(CUD+DUE)Mw-h+5.5/Mw-h(GUD+GUE)Mw-h
+4.5/Mw-h(NUD+NUE)Mw-h+5.0/Mw-h(HUD+HUE)Mw-h
+7.0/Mw-h(PUD+PE)Mw-h
Restriccin:
Demanda de energa de uso domestico
(CUD+GNUD+NUD+HUD+PUD)Mw-h=50000Mw-h
Demanda de energa de uso externo
(CUE+GNUE+NUE+HUE+PUE)Mw-h=10000Mw-h
1.Energa generada por material nuclear
(NUD+NUE)Mwh<=0.20(CUD+CUE+GNUD+GNUE+NUD+NUE+HUD+HUE
+PUD+PUE)Mw-h
2.Capacidad de produccin de la planta de carbn
(CUD+CUE)Mw-h=>0.80(45000)
Dixido de Azufre:
*( 1.5GR DE DIOXIDO DE AZUFRE/Mw-h)(CUD+CUE)Mw-h
+( 0.2GR DE DIOXIDO DE AZUFRE/Mw-h)(GNUD+GNUE)Mw-h
+( 0.4GR DE DIOXIDO DE AZUFRE / Mw-h )( PUD + PUE ) Mw-h
<=75Kg(1000GR/1Kg)
Monoxido de carbono:
*(1.2GR DE MONOXIDO DE CARBONO/Mw-h)(CUD+CUE)Mw-h
+(0.5GRDE MONOXIDO DE CARBONO/Mw-h)(GNUD+GNUE)Mw-h
+(0.1GR DE MONOXIDO DECARBONO/Mw-h)(NUD+NUE)Mw-h
+( 0.8 GR DE MONOXIDO DE CARBONO / Mw-h )(PUD+PUE)Mw-h
<=60Kg(1000GR/1Kg)
Partculas de Polvo:
38
39
*(0.7GR DE PARTICULAS DE POLVO/Mw-h)(CUD+CUE)Mw-h

+(0.2GR DE PARTICULAS DE POLVO/Mw-h)(NUD+NUE)Mw-h
+( 0.5 GR DE PARTICULAS DE POLVO/ Mw-h )( PUD+PUE )Mw-h
<=30Kg(1000GR/1Kg)
Desechos slidos:
*(0.4GR DE DESECHOS SOLIDOS/MW-H)(CUD+CUE)Mw-h
+(0.7GR DE DESECHOS DE POLVO/Mw-h)(NUD+NUE)Mw-h
+(0.1GR
DE
DESECHOS
DE
POLVO/Mw-h)(PUD+PUE)Mw-h
<=25Kg(1000GR/1Kg)
4.Cantidad de energa generada a partir de gas natural
(GNUD+GNUE)Mw-h=>0.30(PUD+PUE)Mw-h
No negatividad
CUD>=0
CUE>=0
GNUD>=0
GNE>=0
NUD>=0
NUE>=0
HUD>=0
HUE>=0
PUD>=0
PUE>=0
Cada semana Florida Citrus, Inc., usa una sola mquina durante 150 horas para
destilar jugo de naranja y de toronja en concentrados, estos jugos estan
almacenados en dos tanques separados de 1000 galones cada uno antes de
congelarlos.La mquina puede procesar 25 galones de jugo de naranja por hora,
pero slo 20 galones de jugo de toronja. Cada galn de jugo de naranja cuesta
$1.50 y pierde 30% de contenido de agua al destilarse en concentrado.
El concentrado de jugo de naranja se vende despus en $6 por galn, cada galn de
jugo de toronja cuesta $2 y pierde 25% de contenido de agua al destilarse en
concentrado. El concentrado de jugo de toronja se vende despus en $8 por galn.
Formule un modelo de PL para determinar un plan de produccin que maximice la
ganancia para la siguiente semana.
39
40
Solucin:
Xi= nmero de galones de jugo tipo i(i= naranja, toronja=1, 2)
a usar en la produccin.
Funcin objetivo: Maximizar utilidades = Precio de Venta- Costos

Max= ($6/galn)(0.70 X1 galn) + ($8/galn)(0.75 X2 galn)
-($1.50/galn)(X1 galn)-($2/galn)(X2 galn)
Restricciones:
Tiempo de produccin:
(1h/25 galn)(X1 galn) + (1h/20 galn)(X2 galn) <= 150 h
Galones de jugo de naranja a usar:
(X1 galn) <= 1000 galones
Galones de jugo de toronja a usar:
(X2 galn) <= 1000 galones
No negatividad:
X1 >=0, X2 >=0.
40
41
Capitulo IV
Modelos para formular
NIVEL C
Problema 1.
Se esta diseando un vehculo espacial para llevar astronautas a Marte y
traerlos de regreso. Este vehculo tendr tres compartimentos , cada uno
con su propio sistema de mantenimiento de la vida independiente. El
elemento clave en cada uno de estos sistemas es una pequea unidad
oxidante que provoca un proceso qumico para producir oxigeno. Sin
embargo, no pueden probarse con anticipacin y solo se logra algo en
provocar este proceso qumico. Por lo tanto, es importante tener unidades
de apoyo para cada sistema. En virtud de la diferencia en los
requerimientos para los tres compartimentos, las unidades que se necesitan
para cada uno tienen caractersticas un tanto diferentes. Ahora debe tomarse
una decisin sobre cuantas unidades proporcionar a cada compartimento,
tomando en cuenta las limitaciones de diseo sobre la cantidad total de
espacio, peso y costo que pueden ser asignadas a estas unidades en relacin
con la nave completa. La tabla siguiente resume estas limitaciones as como
las caractersticas de las unidades individuales por cada compartimento:
Compartimento Espacio Peso Costo Probabilidad
(pulg3) (lb)
($)
de falla
1
40
15
30000
0.30
2
50
20
35000
0.40
3
30
10
25000
0.20
Si todas las unidades fallan en solo uno o dos de los compartimentos, los
astronautas pueden ocupar el compartimento, o los compartimentos
restantes y continuar su viaje espacial pero con cierta perdida en la cantidad
de informacin cientfica que puede ser obtenida. Sin embargo, si todas las
unidades fallan en los tres compartimentos, entonces los astronautas
todava pueden regresar la nave con seguridad, pero el viaje en conjunto
debe ser completamente abortado a gran costo. Por lo tanto, el objetivo es
minimizar la probabilidad de que esto ocurra, sujeto a las limitaciones antes
mencionadas y a la restriccin adicional de que cada compartimento tenga
41
42
una probabilidad de no mas del 0.05 de que todas sus unidades fallen.
Plantese el modelo de programacin lineal para este problema.
(sugerencia: sense logaritmos)
Solucin:
Sea Xi = el numero de unidades de apoyo en el compartimento i (i=1,2,3)
Restricciones :
Espacio
40X1 + 50X2 + 30X3 <= 500
Peso
15X1 + 20X2 + 10X3 <=200
Costo
30000X1 + 35000X2 + 25000X3 <= 400000
Probabilidad de falla
Compartimento 1
(0.30)X1
<=0.05
Compartimento 2
(0.40)X2
<=0.05
Compartimento 3
(0.20)X3 <=0.05
Esto ultimo se explica, porque si el compartimento 1 existiera una unidad,
la probabilidad de falla seria 0.3, si hubieran dos unidades, la probabilidad
seria (0.3) (0.3) = (0.09), y de modo general, si hubieran X1 unidades, la
probabilidad seria (0.3)x
Funcin Objetivo:
Prob (compart. 1) Prob (compart. 2) Prob (compart. 3)
min Z = (0.3)X1 (0.4)X2 (0.2)X3
Con la finalidad de linealizar, se recurre a los logaritmos, obtenindose
min = x1 1n (0.3) + x2 1n (0.4) + x3 1n (0.2)
42
43
Restricciones:
Espacio
40x1 + 50x2 + 30x3 <= 500
Peso
15x1 + 20x2 + 10x3 <= 200
costo
30x1 + 35x2 + 25x3 <= 400
Unidades de apoyo en el compartimento 1
x1
>= 1n (0.05) / 1n (0.3)
x2
>= 1n (0.05) / 1n (0.4)
x3 >= 1n (0.05) / 1n (0.2)
No negatividad:
x1, x2, x3 >= 0
Problema 2.Una familia de granjeros posee 100 acres de tierra y tiene $30000 en fondos
disponibles para inversin.Sus miembros pueden producir un total de 3500
horas - hombre de mano de obra durante los meses de invierno(de
mediados de septiembre a mediados de mayo) ,4000 horas - hombre
durante el verano. Si no se necesitan cualesquiera de estas horas - hombre
,los miembros mas jvenes de la familia usarn para trabajar en una granja
vecina por$4.00/hora, durante los meses de invierno, y $4.50/hora, durante
el verano.
El ingreso de efectivo puede obtenerse a partir de tres cultivos y dos tipos
de animales: vacas lecheras y gallinas ponedoras. No se necesita invertir en
los cultivos .Sin embargo ,cada vaca requerir un desembolso de $900 y
cada gallina requerir de $7. Cada vaca requerir 1.5 acres de tierra,100
horas - hombre de trabajo durante los meses de invierno ,y otras 50 horas hombre durante el verano .Cada vaca producir un ingreso anual neto en
efectivo de $800 para la familia .Los valores correspondientes para las
gallinas son : nada de tierra, 0,6 horas hombre durante el verano y un
ingreso anual neto en efectivo de $ 5. El gallinero puede acomodar un
mximo de 300 gallinas y el tamao del granero limita el rebao a un
mximo de 32 vacas .Las horas hombres y los ingresos estimados por acre
plantado en cada uno de los tres cultivos son :
43
Horas hombre en
invierno
Horas hombre en
verano
Horas anual neto
en efectivo($)
44
Frijol de soya
20
Maz
35
Avena
10
50
75
40
375
550
250
La familia desea saber cuntos acres deben plantarse en cada uno de

cultivos y cuntas vacas y gallinas deben tener para maximizar su ingreso
neto de efectivo.
Plantese el modelo de programacin lineal para este problema.
Solucin:
X1= nmero de acres de tierra asignados a frijol de soya
X2= nmero de acres de tierra asignados a maz
X3= nmero de acres de tierra asignados avena
X4= nmero de vacas
X5= nmero de gallinas
X6=horas-hombre ociosas en invierno
X7=horas-hombre ociosas en verano
Funcin Objetivo:
Max = 375X1 +550X2 +250X3 +800X4 +5X5 +4X6 +4.5X7
Restricciones:
Acres:
(X1 +X2 +X3 +1.5X4) acres <= 100 acres
Tamao del gallinero:
X5 gallinas <=
300 gallinas
Tamao del rebao:
X4 vacas <= 32 vacas
Horas-hombre en verano:
(20X1 +35X2 +10X3 +100X4 +0.6X3 +X6)h-h = 3500 h-h
Horas-hombre en invierno:
(50X1 +75X2 +40X3 +50X4 +0.3X5 +X7) h-h =4000 h-h
Fondos:
($900/vaca)(X4 vacas) +($7/gallina)(X5)gallinas < = $30 000
No negatividad:
X1 ,X2 ,X3 ,X4 ,X5 ,X6 ,X7 >= 0
44
45
Problema 3.La corporacin Brady produce armarios. Necesitan semanalmente 90 000

pie cbico de madera procesada. Puede conseguir madera procesada de dos
maneras.
Primero, puede comprar madera de un proveedor eterno , y despus secarla
en su propio horno . Segundo, puede cortar troncos en sus propios terrenos ,
convertidos en madera en su propio aserradero y , finalmente, secar la
madera en su propio horno . Brady puede comprar madera clase 1 o clase 2
. La madera clase 1 cuesta 3 dlares/pie cbico y produce 0.7 pie cbico de
manera til luego de secarla . La madera clase 2 cuesta 7 dlares/pie cbico
y produce 0.9 pie cbico de madera til ya seca. Le cuesta 3 dlares a la
compaa cortar un tronco . Despus de cortarlo y secarlo , un tronco
produce 0.8 pie cbico de madera . Brady incurre en un costo de 4
dlares/pie cbico de madera seca. Cuesta 2.50 dlares/pie cbico procesar
troncos en el aserradero . El aserradero puede procesar semanalmente hasta
35 000 pie cbico de madera . Se puede comprar cada semana hasta 40 000
pie cbico de madera de clase 1 , y hasta 60 000 pie cbico de madera de
clase 2. Semanalmente, se disponen de 40 horas para secar madera de clase
1, madera clase 2, o troncos, es el siguiente. clase 1,2 segundos, clase 2,o.8
segundos, troncos, 1.3 segundos . Formule un PL para ayudar a Brady a
minimizar los costos semanales para satisfacer las demandas de madera
procesada.
Solucin:
T= Nmero de troncos a cortar semanalmente
PCL1=Nmero de pies cbicos de madera comprada de clase
1 semanalmente
PCL2=Nmero de pies cbicos de madera comprada de clase
2 semanalmente
Funcin Objetivo:
Min.: (3/pie3)PCL1pie3/semana+(7/pie3)(PCL2)(pie3/tronco)
(T)tronco/semana+(4/pie3)(PCL1)pie3/semana+(4/pie3)
(PCL2)pie3/semana+(4/pie3)(0.8pie3/semana)(T)tronco/semana +
(2.5/pie3util)(0.7pie3util/pie3)(PCL1pie3/semana) +
(2.5/pie3util)(0.19pie3util/pie3)(PCL2pie3/semana) +
(2.5/pie3)(0.8pie3/tronco)(T)tronco/semana
Restricciones:
45
46
Compra:
Clase1: (PCL1)pie3/semana <= 40000 pie3/semana
Clase2: (PCL2)pie3/semana <= 60000 pie3/semana
Tiempo de secado:
(2seg/pie3)PCL1 pie/semana + (0.8seg/pie3)PCL2pie3/semana
+ (T)troncos(1.3seg/tronco) <=(40h/semana)(3600seg/h)
Capacidad de aserradero:
(0.7pie3util)/pie3 (PCL1)pie3 + (0.9pie3util/pie3)(PCL2)pie3
+ (0.8pie3util/tronco)(Ttronco) <=35000 pie3/semana
Pedido:
(0.7pie3util)/(pie3)(PCL1(pie3/semana))+(0.9pie3util/pie3)
(PCL2(pie3/semana))+(0.8pie3util)tronco(T)tronco=90000 pie3util/semana
Problema 4.Un consumidor requiere, durante los prximos cuatro meses, 50, 65, 100 y
70 unidades, respectivamente, de cierto artculo (no se permiten demandas
pendientes). Los costos de produccin son 5 dlares, 8 dlares, 4 dlares y
7 dlares por unidad, durante estos meses.
El costo de almacenaje de un mes al siguiente, es de 2 dlares por
unidad(aplicado al terminar el inventario). Se estima que cada unidad
sobrante al final del cuarto mes, tendr que venderse a 6 dlares. Formule
un PL que minimice los costos netos para cumplir con las demandas
durante los prximos cuatro meses.
Solucin:
Mes
1
2
3
4
Demanda
50
65
100
70
Costo de
$5/unid
$8/unid
$4/unid
$7/unid
produccin
Ii= Nmero de unidades en el mes i(i=1,2,3,4)
Pi= Nmero de unidades producidas en el mes i(i=1,2,
Di= Nmero de unidades demandadas en el mes i(i=1,2,3,4)
Funcin Objetivo:
46
47
Minimizacin = ($5/unid)(P1 unid) + ($8/unid)(P2 unid)

+($4/unid)(P3 unid) + ($7/unid)(P4 unid)
+($2/unid)(I1 + I2 + I3)unid
-($6/unid)(I4)unid
Restricciones:
INVENTARIO EN EL MES 1: DEMANDA EN EL MES 1:
I1=I0-P1-D1
D1=50
I2=I1-P2-D2
D2=65

I3=I2-P3-D3
D3=100
I4=I3-P4-D4
D4=70
NO HAY NADA GUARDADO:
I0=0No negatividad.
I1, I2, I3, I4 , D1, D2, D3, D4,P1,P2,P3,P4>=0
PROBLEMA 5.Una compaa de seguros cree que necesitarn las siguientes cantidades de
computadoras personales durante los prximos seis meses: enero, 9;
febrero, 5; marzo, 7; abril, 9; mayo,10; junio,5. Se pueden rentar
computadoras por un perodo de uno, dos o tres meses, a las rentas unitarias
siguientes: renta por un mes; 200 dlares; renta por dos meses, 350 dlares;
renta por tres meses, 450 dlares.
Formule un PL que se pueda utilizar para minimizar los costos de renta de
computadoras requeridas. Puede suponer que si se renta una mquina por
un perodo que se prolongue ms all de junio, habr que promediar el
costo de la renta. Por ejemplo, si se renta una computadora por tres meses,
a principios de mayo, entonces se tendr que aplicar una cuota por la renta
2/3(450)=300 dlares, y no 450 dlares, a la funcin objetivo.
47
Enero
Febrero
Marzo
Abril
Mayo
Junio
Costo
48
Periodos
2
E1
F1
M1
A1
MY1
J1
$200
E2
E2+F2
F2+M2
M2+A2
A2+MY2
MY2+J2
$350
E3
E3+F3
E3+F3+M3
F3+M3+A3
M3+A3+MY3
A3+MY3+J3
$450
Por lo
menos
9
5
7
9
10
5
Ei= Nmero de computadoras a alquilar en el mes de Enero durante
meses (i=1,2,3).
Fi= Nmero de computadoras a alquilar en el mes de Febrero durante
meses (i=1,2,3).
Mi= Nmero de computadoras a alquilar en el mes de Marzo durante
meses (i=1,2,3).
Ai= Nmero de computadoras a alquilar en el mes de Abril durante
meses (i=1,2,3).
MYi= Nmero de computadoras a alquilar en el mes de Mayo durante
meses (i=1,2,3).
Ji= Nmero de computadoras a alquilar en el mes de Junio durante
meses (i=1,2,3).
Funcin Objetivo:
Minimizar=($200/unid)(E1 + F1 + M1 + A1 + MY1 + J1)unid
+($350/unid)(E2 + F2 + M2 + A2 + MY2 + J2)unid
+($450/unid)(E3 + F3 + M3 + A3 + MY3 + J3)unid
- ($150/unid)(MY3 unid) - ($175/unid)(J2 unid)
- ($300/unid)(J3 unid)
48
i
i
i
i
i
i
49
Restricciones:
Enero:
E1 + E2 + E3 >= 9
Febrero:
F1 + F2 + F3 + E2 + E3 >=5
Marzo:
M1 + M2 + M3 + F2 + F3 + E3 >= 7
Abril:
A1 + A2 + A3 + M2 + M3 + F3 >= 9
Mayo:
MY1 + MY2 + MY3 + A2 + A3 + M3 >= 10
Junio:
J1 + J2 + J3 + MY2 + MY3 + A3 >= 5
No Negatividad
E1, E2, E3 , F1, F2, F3 , M1, M2, M3, A1, A2, A3,
MY1, MY2, MY3 , J1, J2 ,J3 >=0
Problema 6.Un proveedor debe preparar con 5 bebidas de fruta en existencias, al menos
500 galones de un ponche que contenga por lo menos 20% de jugo de
naranja, 10% de jugo de toronja y 5% de jugo de arndano. Si los datos del
inventario son los que se muestran en la tabla siguientes Qu cantidad de
cada bebida deber emplear el proveedor a fin de obtener la composicin
requerida a un costo total mnimo?
Jugo de Jugo de
Naranja Toronja
Jugo de
Arndan
o
Bebida A
40
40
0
Bebida B
5
10
20
Bebida C
100
0
0
Bebida D
0
100
0
Bebida E
0
0
0
Nota: Las tres primeras columnas indican el
jugo dentro de una determinada bebida.
49
Existencia
[gal]
Costo
[$/gal]
200
1,50
400
0,75
100
2,00
50
1,75
800
0,25
porcentaje de un tipo de
50
Solucin:
Objetivo: Minimizar costos cumpliendo todos los requisitos.
Variables: Xi : cantidad de bebida "i" en galones incorporada al
ponche (i=A..E)
Constantes Ci : costo por galn de bebida tipo "i".
Ni : porcentaje de jugo de naranja en bebida tipo "i".
Ti : porcentaje de jugo de toronja en bebida tipo "i".
Ai : porcentaje de jugo de arndano en bebida tipo "i".
Ei : existencia de bebida tipo "i"
E
Funcin Objetivo: Min
Ci
i A
Restricciones:
E
1)
X
i A
E
2)
4)
i A
X
i A
E
(Cantidad de ponche requerida)
X i N i 0.2
i A
E
3)
500
Ti 0.1
(Proporcin de jugo de naranja requerida)
i A
E
(Proporcin de jugo de toronja requerida)
i A
X i Ai 0.05
(Proporcin de jugo de arndano
i A
requerida)
5) X i Ei i A..E
bebida)
6) X i 0 i A..E
(No ms de la existencia por

(Naturaleza de las variables)
Problema 7.Un pequeo taller arma dispositivos mecnicos, ya sea como un producto
terminado que entrega al mercado, o como un proceso intermedio para
entregar a una gran fbrica. Trabajan 3 personas en jornadas de 40 horas
semanales. Dos de estos obreros no calificados reciben $0.4 por hora, y el
tercero, un obrero calificado, recibe $0.6 por hora. Los tres estn dispuestos
a trabajar hasta 10 horas adicionales a la semana con un salario 50%
50
51
superior durante este perodo.

Los costos fijos semanales son de $800. Los gastos de operacin
variables son de $1.0 por hora de trabajo de obrero no calificado y $2.4
por hora de obrero calificado. Los dispositivos mecnicos sin acabar
son vendidos a la planta a $6.5 cada uno. El taller tiene un contrato bajo
el cual debe entregar 100 de estos dispositivos semanalmente a la
empresa. El dueo del taller tiene como poltica el producir no ms de
50 dispositivos a la semana por sobre el contrato.
Los dispositivos terminados se venden a $15 cada uno sin restricciones
de mercado.
Se requieren 0.5 horas de obrero no calificado y 0.25 horas de obrero
calificado para producir un dispositivo sin acabar listo para entregar a
la empresa. Uno de estos dispositivos puede ensamblarse y dejarlo
terminado agregndole 0.5 horas de trabajador calificado.
Un dispositivo acabado listo para entregar al mercado se puede
producir con 0.6 horas de obrero no calificado y 0.5 horas de obrero
calificado.
Plantear el modelo de programacin lineal que permita responder la
consulta: cmo y cunto producir para cumplir el contrato de modo de
maximizar las utilidades?
Solucin:
Objetivo: Maximizar utilidades.
Supuestos: Los obreros trabajan las 40 horas semanales, no menos.
Variables: Xi : cantidad de productos tipo "i" fabricados (i=1..3).
Zj : horas extra trabajadas por obreros tipo "j"
(j=1..2).
1 int ermedio
i 2 int ermedio que se temrina

3 terminado
1 obrero no calificado
j
2 obrero calificado
Funcin Objetivo: Max U I C
51
52
I 6.5 X1 15X 2 X 3
(Ingresos por venta)
C 2 40 0.4 0.6 Z1 1 40 0.6 0.9 Z 2 1 2 40 Z1 2.4 1 40 2.4 Z 2

(Costos por salarios y gastos de operacin)
Restricciones:
1)
2)
X 1 100
X 1 150
(Demanda de productos intermedios)
0.5X 1 X 2 0.6 X 3 80 Z 1
Z 1 20
no calificado)
3)
0.25 X 1 0.75 X 2 0.5 X 3 40 Z 2
Z 2 10
obrero calificado)
4)
(Horas de trabajo de obrero
X i 0 y enteros i 1..3
Z j 0 j 1,2
(Horas de trabajo de
Problema 8.Un inversionista tiene oportunidad de realizar las actividades A y B al

principio de cada uno de los prximos 5 aos (llmense aos 1 al 5). Cada
dlar invertido en A al principio de cualquier ao retribuye $1.40 (una
ganancia de $0.40) 2 aos despus (a tiempo para la reinversin inmediata).
Cada dlar invertido en B al principio de cualquier ao retribuye $1.70, 3
aos despus.
Adems, la actividad C estar disponible para inversin una sola vez en
el futuro. Cada dlar invertido en C al principio del ao 2 da $1.90 al
final del ao 5. La actividad D estar disponible slo 2 veces, al inicio
del ao 1 y del ao 5. Cada dlar invertido en D al principio de ao
retribuye $1.30 al final de ese ao. El inversionista tiene $60000 para
iniciar y desea saber cul plan de inversin maximiza la cantidad de
dinero acumulada ao principio del ao 6.
52
53
Formule el modelo de programacin lineal para este problema.
Solucin:
La situacin se puede ilustrar grficamente como:
1
Xa1
Xa2
Xa3
Xa4
Xd1
Xb1
Xb2
Xb3
Xc2
Xd5
Las lneas segmentadas indican el trmino del ao en curso y el inicio del

ao siguiente. Las flechas representa la duracin de cada una de las
inversiones, antes de obtener los retornos.
Se debe considerar que al inicio de cada ao slo se puede destinar
a inversin el dinero proveniente de inversiones que terminan en ese
momento, o bien que sean excedentes del perodo inmediatamente anterior.
Objetivo: Maximizar utilidades al final del quinto ao.
Variables: Xij : cantidad invertida de tipo "i" (i=A..D) al inicio del ao
"j" (j=1..5)
53
54
Zj : excedente no invertido al inicio del ao "j" (j=1..4).

Funcin Objetivo:
Max 1.4 X A 4 1.7 X B 3 1.9 X C 2 1.3 X D 5
Restricciones:
1) X A1 X D1 X B1 Z1 60000
inicio del ao 1)
2) X A2 X B 2 X C 2 Z 2 1.3 X D1 Z1
inicio del ao 2)
3) X A3 X B 3 Z 3 1.4 X A1 Z 2
inicio del ao 3)
4) X A 4 Z 4 1.4 X A2 1.7 X B1 Z 3
inicio del ao 4)
5) X D 5 1.4 X A3 1.7 X B 2 Z 4
inicio del ao 5)
6) X ij , Z j 0
(Inversiones
al
(Inversiones
al
(Inversiones
al
(Inversiones
al
(Inversiones
al
Problema 9.Una empresa de arriendo de vehculos desea establecer la flota de

automviles, camionetas y jeeps para el presente ao. Para tales efectos,
estudia la adquisicin de vehculos de los tres tipos. Todos los vehculos
comprados son depreciados y pagados en un perodo de 2 aos, despus del
cual son vendidos. La tabla siguiente muestra el precio de compra y los
ingresos del perodo para los tres tipos de vehculos (los ingresos para el
segundo ao incluyen el valor de salvataje).
Ingresos primer Ingresos segundo
Vehculo
Costo [US$]
ao [US$]
ao [US$]
Automvil
7000
3000
5400
Camioneta
6500
2300
5300
Jeep
5800
2100
5000
An cuando la empresa puede pagar el costo de los vehculos
inmediatamente, puede tambin decidir diferir parte del costo de los
vehculos al final del primer o segundo ao. El costo del crdito es de
14% anual. La empresa debe pagar por lo menos el 20% de la inversin
inicial al recibir un vehculo y por lo menos el 50% de la inversin
54
55
inicial ms los intereses del crdito deben haber sido pagado al final del
primer ao. La empresa dispone de US$2000000 para la compra de
vehculos este ao. La compaa usa una tasa de descuento del 15%
para efectos de financiamiento (es decir, US$100 hoy valen US$85
dentro de un ao). Todo excedente en cualquier ao es invertido en
otros rubros y, por lo tanto, no puede considerarse en pagos futuros.
Formule un modelo de programacin lineal para el problema. Defina
claramente variables, funcin objetivo y restricciones.
Solucin:
Objetivo: Maximizar utilidades.
Variables: Xi : cantidad de vehculos tipo "i" comprados inicialmente
(i=1..3).
Yij : dinero pagado en vehculos tipo "i" al inicio
del ao "j" (j=1..3).
Zij : saldo al inicio del ao "j" en vehculos tipo "i".
1 autos
i 2 camionetas
3 jeeps
Constantes: Ci : costo del vehculos tipo "i".

Iij : ingresos por vehculo tipo "i" durante el ao "j".
Funcin Objetivo:
Max
z
0.85 I
3
i1
0.852 I i 3 X i
i 1
X i 0.14 Z i1 0.14 Z i 2
i 1
Restricciones:
3
1)
i1
2 10 6
(Capital Inicial)
i 1
2) Yi1 0.2 Ci X i i 1..3 (20% inicial mnimo)

3) Z i1 Ci X i Yi1 i 1..3 (Saldo inicial)
55
4)
56
i 1
i 1
Yi 2 0.14 Z i1 I i1 X i
(Gastos no pueden ser mayores
al ingreso del primer ao)

2
5)
ij
0.5 C i X i
i 1..3 (50% del prstamo pagado al
j 1
inicio ao 2)
6) Z i 2 C i X i
ij
i 1..3 (Saldo al inicio del ao 2)
j 1
7) 1.14
i 1
Zi2
i2
Xi
(Gastos no pueden ser mayores al
i 1
ingreso del segundo ao)

8)
X i 0 y enteros i 1..3
Yij , Z j 0 i 1..3 j 1..3
(Naturaleza de las
variables)
Problema 10.Considere el problema de programacin de la produccin de un conjunto de

m tipos diferentes de artculos para los prximos n meses en una fbrica.
- En cuanto al uso de materias primas, el costo de produccin de
cada artculo de tipo i se estima en ci.
- La produccin de un artculo tipo i requiere moi horas de mano de
obra, disponiendo la fbrica de hj horas de mano de obra durante el
mes j. En ciertos meses, la fbrica puede emplear horas extras para
aumentar sus recursos de mano de obra. En general, se puede
denotar por stj la cantidad mxima de horas extras disponibles en el
mes j, cada una de las cuales tiene un costo unitario de cst.
- La demanda de artculos tipo i en el mes j se estima en dij, las
cuales necesariamente deben ser satisfechas.
- El exceso de produccin puede ser almacenado a un costo mensual
unitario de s. Existe capacidad para almacenar un volumen mximo
de v, pudindose representar por vi el volumen de un artculo de
tipo i. Polticas de produccin exigen que al final del perodo bajo
consideracin exista un inventario mnimo de si unidades de
56
57
artculos tipo i.
Formule un modelo de programacin lineal que permita planificar la
operacin de la fbrica durante los prximos n meses de forma tal de
minimizar el costo total.
Solucin:
Supuesto: Se trabaja por lo menos el total de horas "hj" de cada mes,
nunca menos.
Objetivo: Minimizar costos.
Variables:
Xij : Cantidad de artculos tipo "i" (i=1..m) producidos en mes
"j"(j=1..n).
Zj : Cantidad de mano extra empleada en mes "j".
Vij : Cantidad de artculos tipo "i" almacenados en mes "j".
m
Funcin Objetivo:
c i X ij
i 1 j 1
cst Z j
j 1
s V
ij
i 1 j 1
Restricciones:
m
1)
mo
X ij h j Z j
i 1
Z j st j
j 1..n
(Capacidad de mano de
obra mensual normal y extra)

2)
X i1 di1 Vi1 i 1..m

X ij Vij 1 dij Vij i 1..m j 2..n
(Se debe satisfacer la demanda mensual con artculos producidos

y/o almacenados)
m
3)
Vij v j 1..n (No se puede almacenar ms que la
i 1
capacidad de la bodega en cada mes)

4) Vin si i 1..m (Inventario final mnimo por tipo de artculo)
5)
X ij ,Vij 0 y enteros i 1..m j 1..n

Z j 0 j 1..n
variables)
57
(Naturaleza de las
58
CAPITULO V
CASOS DE APLICACIN DE MODELOS LINEALES
CASO 1:
Gracias a una adecuada estrategia de marketing y a la calidad del producto,
cierta pequea fbrica de canastos de mimbre ha recibido pedidos que
superan su actual capacidad de produccin. Durante las prximas cuatro
semanas debe entregar 52, 65, 70 y 85 canastos, respectivamente.
Actualmente cuenta con seis artesanos.
La gerencia general de la fbrica ha decidido contratar personal nuevo para
poder cumplir sus compromisos comerciales. Dada la escasez de artesanos,
se deber contratar personal sin experiencia. Un novato puede ser entrenado
para llegar a ser aprendiz durante una semana. La segunda semana trabaja
como aprendiz para ganar experiencia. Comenzando la tercera semana
(despus de dos semanas de trabajo) se transforma en artesano.
La produccin estimada y sueldos de los empleados es la siguiente:
Artesano dedicado
slo a la produccin
Artesano dedicado a
prod. y entrenamiento
Aprendiz
Novato
PRODUCCIN
Canastos/semana
10
SALARIOS
$/semana
30.000
40.000
5
1
15.000
5.000
Cada artesano puede entrenar hasta dos novatos por semana (el
entrenamiento de un novato slo dura una semana). Todo excedente de
produccin semanal puede ser guardado para cumplir los siguientes
compromisos comerciales.
Los analistas de la empresa estiman que la demanda semanal de
canastos difcilmente superar los noventa canastos, por lo que han
decidido terminar el perodo sin novatos y aprendices, pero con al menos
nueve artesanos. Los reglamentos sindicales de la empresa prohiben los
58
59
despidos por reduccin de personal.

Formule un modelo de programacin lineal que permita definir las
contrataciones a realizar, de modo de cumplir los compromisos comerciales
a costo mnimo.
Solucin.
Para resolver el problema se utilizarn las siguientes variables de
decisin:
xij : personal de tipo i trabajando en semana j.
zj : sobreproduccin de semana j.
Donde:
1
2
i
3
4
artesano productor
artesano instructor
aprendiz
j 1..4
novato
Objetivo: cumplir con los compromisos a costo mnimo.

Min
x ij
j1 i 1
donde
i : salario de empleado tipo " i"

Restricciones:
(Semana 1)
x11 x 21 6
10 x11 5 x 21 x 41 52
x 41 2 x 21
z 1 10 x11 5 x 21 x 41 52
(Semana 2)
59
60
x 32 x 41
x 12 x 22 x 11 x 21
10 x 12 5 x 22 x 42 5 x 32 z 1 65
x 42 2 x 22
z 2 10 x 12 5 x 22 x 42 5 x 32 z 1 65
(Semana 3)
x 33 x 42
x 13 x 23 x 12 x 22 x 32
10 x 13 5 x 23 x 43 5 x 33 z 2 70
x 43 2 x 23
z 3 10 x 13 5 x 23 x 43 5 x 33 z 2 70
(Semana 4)
x 34 x 43
x 14 x 13 x 23 x 33
10 x 14 5 x 34 z 3 85
x 14 9
x ij , z j 0 y enteros
60
61
Caso 2
La ciudad 1 produce 500 toneladas de basura por da y la ciudad 2 produce
400 toneladas por da. La basura debe ser incinerada en los incineradores 1
2, y cada incinerador puede procesar hasta 500 toneladas de basura por
da. El costo de incinerar la basura es US$ 40/ton en el incinerador 1 y US$
30/ton en el incinerador 2. La incineracin reduce cada tonelada de basura a
0.2 toneladas de cenizas, las cuales deben ser llevadas a uno de dos
depsitos. Cada depsito puede recibir a lo ms 200 toneladas de cenizas
por da. El costo es de US$ 3/milla para transportar una tonelada de
material (ya sea ceniza o basura). Las distancias en millas se muestran en la
tabla.
Formule el problema de programacin lineal que se puede usar para
minimizar los costos.
Ciudad 1
Ciudad 2
Incinerador 1
Incinerador 2
Incinerador Incinerador
1
2
30
5
36
42
Botadero 1 Botadero 2
5
8
9
6
Solucin.
Objetivo : el objetivo del problema es minimizar los costos

involucrados en el traslado e incineracin de la basura. Este costo est
asociado al costo de transporte (funcin de la distancia) y al costo de
incinerar (funcin del incinerador y la cantidad). Para conseguir este
objetivo se debe considerar las posibles decisiones que admite el
problema:
La cantidad de basura a trasladar desde cada ciudad (1 y 2) a cada uno
de los incineradores (1 y 2).
La cantidad de ceniza a trasladar desde cada incinerador (1 y 2) a cada
uno de los botaderos (1 y 2).
61
62
Supuestos :
Toda la basura producida en un da debe ser incinerada

durante ese mismo da.
Los botaderos no cobran por recibir las cenizas.
Existe indiferencia en escoger el incinerador 1 2 con

relacin a cualquier variable que no sea el costo por tonelada
incinerada.
El cobre de transporte es una funcin exclusiva de la

distancia recorrida, dejando de lado cualquier otro factor.
La decisin se tomar exclusivamente desde el punto de

vista de los costos.
El anlisis se realizar en el perodo de un da, dado los

datos entregados.
Formulacin:
De acuerdo al objetivo y: supuestos planteados, se escoger las
siguientes variables de decisin:
Xij : cantidad de basura en toneladas transportada desde

la ciudad i hasta el incinerador j, as, i=1..2 y j=1..2.
Yij : cantidad de ceniza en toneladas transportada desde

el incinerador i hasta el botadero j as, i=1..2 y j=1..2.
Con la tabla de distancias dadas y los costos de incineracin, se plantea
la funcin objetivo:
Z 3 30X11 5X12 36X 21 42X 22 3 5 Y11 8 Y12 9Y21 6Y22 40 X11 X 21 30 X12 X 22

costo de transporte
costo de incineracin
130X11 45X12 148X 21 156X 22 15Y11 24Y12 27Y21 18Y22
Con la informacin de la produccin de basura, capacidad de

incineracin y la capacidad mxima de recepcin de ceniza de los
botaderos, se construyen las restricciones del problema:
62
63
X11 X 21 500
Capacidad mx ima del incinerador 1
X12 X 22 500
Capacidad mxima del incinerador 2
X11 X12 500
Produccin de basura de la ciudad 1
X 21 X 22 400
Produccin de basura de la ciudad 2
Y11 Y21 200
Recepcin mxima del botadero 1
Y12 Y22 200
Recepcin mxima del botadero 2
- X ij 0 & Yij 0
Relativo a la naturaleza de las variables
Cabe destacar que todas las variables deben

necesariamente enteras dado a que representan peso
Es importante agregar tambin dos condiciones
tonelada de basura que entra al incinerador es
toneladas de ceniza, luego:
0.2 X11 X 21 Y11 Y12 0.2X11 0.2X 21 Y11 Y12 0
ser positivas y no
de basura o de ceniza.
relativas a que cada
transformada en 0.2
0.2 X12 X 22 Y21 Y22 0.2X12 0.2X 22 Y21 Y22 0
Relativo al incinerador 1
Relativo al incinerador 2
Las condiciones anteriores pueden ser agregadas al problema como dos

restricciones ms, o bien despejar dos de ellas en funcin de otras tres,
de modo de reducir el problema a un total de seis variables.
La formulacin anterior permite resolver el problema ya sea utilizando
el mtodo Simplex o bien algn software especializado como LINDO.
63
64
Caso 3.-
Silicon Valley Corporation (Silvco) fabrica transistores. Un

aspecto importante en la fabricacin de los transistores es fundir
un elemento denominado G (germanium) en un horno.
Lamentablemente el proceso de fundido vara mucho en cuanto a la
calidad que se obtiene del elemento G. Hay dos mtodos que se
pueden usar para fundir el elemento G: el mtodo 1 cuesta US$50
por transistor, y el mtodo 2 US$70 por transistor. Las calidades
del elemento se muestran en la tabla. Silvco puede realizar un
proceso adicional para aumentar la calidad del elemento fundido.
Este cuesta US$25 por transistor. Los resultados del proceso
adicional se muestran en la tabla. Silvco tiene suficiente capacidad
de horneado ya sea para fundir o hacer el retratamiento de a lo ms
20000 transistores al mes. Las demandas mensuales son 1000 de
transistores de nivel 4, 2000 del nivel 3, 3000 del nivel 2, y 3000
del nivel 1. Use programacin lineal para minimizar el costo de
producir los transistores que se requieren.
Nivel del G
fundido1
Porcentaje producido por

fundicin
Mtodo 1
Mtodo 2
30
20
Defectuoso
30
20
Nivel 1
20
25
Nivel 2
15
20
Nivel 3
5
15
Nivel 4
1. Nivel 1es pobre; nivel 4 es excelente. La calidad del transistor fabricado
est en directa relacin con.
Nivel del
Porcentaje
elemento G producido por
reprocesado
el proceso
adicional
Defectuoso
Nivel 1
Nivel 2
Nivel 3
30
0
0
0
Defectuoso
25
30
0
0
Nivel 1
15
30
40
0
Nivel 2
20
20
30
50
Nivel 3
10
20
30
50
Nivel 4
64
65
Respuesta.
Objetivo : el objetivo del problema es minimizar los costos

involucrados en la produccin de los transistores, satisfaciendo la
demanda para cada nivel de ellos. Se considerarn dos mtodos de
produccin adems de un mtodo de retratamiento para mejorar la
calidad de dichos transistores. Para conseguir este objetivo se debe
considerar las posibles decisiones que admite el problema:
La cantidad transistores a producir por el mtodo 1 y por el mtodo 2.
La cantidad transistores de cada nivel: 3, 2, 1 y los defectuosos que se
envan a retratamiento con la esperanza de mejorar su nivel y con ello
su precio. Evidentemente no tiene sentido enviar los transistores de
nivel 4 al proceso adicional. Es importante considerar por separado los
transistores provenientes de cada proceso.
Supuestos :
Los porcentajes entregados en las tablas son exactos o

100% confiables, es decir que si se fabrican 100 por el mtodo 1 es
seguro que 30 de ellos van a ser defectuosos, ni uno ms ni uno
menos. Se entiende tambin que se utilizar la misma
consideracin para los datos del proceso adicional.
Existe indiferencia entre los transistores de cada mtodo,

es decir que un transistor de un nivel dado producido por el mtodo
1 es exactamente igual a uno del mismo nivel producido por el
mtodo 2.
Similarmente para el proceso adicional, no existe ninguna

diferencia entre los transistores de un nivel dado proveniente de
uno de los dos mtodos de fabricacin que los provenientes del
retratamiento.
El objetivo es producir exactamente la cantidad

demandada, ni uno de ms ni uno de menos. Se considera adems
que los valores de esta demanda son 100% confiables.
Slo se considerar que el proceso adicional se puede

realizar una vez, es decir la decisin de cuantas variables mandar al
retratamiento se realiza una vez.
65
66
No es necesario producir a plena capacidad (20000

transistores al mes), puede producirse esta cantidad o menos, la
produccin se ajustar al resultado de este estudio.
Como los datos entregados estn referidos a un mes, el
anlisis se har para este intervalo de tiempo, pero en trminos de
cantidades producidas al mes no de variables temporales
propiamente tales.
Formulacin:
De acuerdo al objetivo y: supuestos planteados, se escoger las
siguientes variables de decisin:
X1 : cantidad de transistores producidos por el mtodo 1.
X2 : cantidad de transistores producidos por el mtodo 2.
Xij : cantidad de transistores provenientes del mtodo

i y de clase j que se envan a reprocesar, as, i=1..2 y j=0...3.
Se entiende por clase j: de nivel j, considerando como
defectuoso de clase 0. Es claro que no tiene sentido reprocesar
los transistores de nivel 4, por eso el subndice j slo llega
hasta3.
Con las tablas de produccin en porcentaje dadas y los costos de
fabricacin por unidad, se plantea la funcin objetivo:
50X1 70X 2
Costos del proceso orignal
25
ij
i 1 j0
cos tos del proceso adicional
Observacin: Todas las funciones y restricciones sern trabajadas en

dlares.
Con la informacin de la produccin de los distintos niveles por
mtodo, ms la informacin de la produccin por niveles del
retratamiento, se construyen las restricciones del problema:
66
67
- Nivelde produccin mximo : X1 X 2

Demanda por transistores de nivel 4 :
0.05X1 0.15X 2 0.1X10 X 20 0.2X11 X 21 0.3X12 X 22 0.5X13 X 23 1000

No reprocesados
Re procesados
Demanda de transistores de nivel 3 :
0.15X1 X13
0.2X2X23 0.2X10X20 0.2X11X21 0.3X12X22 0.5X13X23 2000
No reprocesados
Re procesados
Demanda de transistores de nivel 2 :
0.2X1X120.25X2X22 0.15
X10X20 0.3
X11 X
0.4X12 X 22 3000
21
No reprocesados
Re procesados
Demanda de transistores de nivel1 :
0.3X1X12
0.2X 2 X 21 0.25X10 X 20 0.3X11 X 21 3000
No reprocesados
Re procesados
Cotas de las variables X ij :

X10 0.3X1
X 20 0.2X 2
X11 0.3X1
X 21 0.2X 2
X12 0.2X1
X 22 0.25X 2
X13 0.15X1
X 23 0.2X 2
Restricciones dada la naturaleza de las vaiables :

X1 , X 2 , X ij 0 I 0
Cabe destacar que todas las variables deben ser positivas y enteras dado
que representan nmero de unidades de transistores.
La formulacin anterior permite resolver el problema ya sea utilizando
el mtodo Simplex o bien algn software especializado como LINDO.
67
68
Caso 4
PLANEACION DE PRODUCCION DE CASSINELLI E HIJOS S.A.C
La empresa de bebidas gaseosas Enrique Cassinelli e Hijos S.A. es de
origen trujillano,se dedica a la produccin y comercializacin de bebidas
gaseosas cassinelli, en diferentes presentaciones y sabores.
Su comercializacin se realiza tanto en la ciudad de Trujillo como en la
zona norte (Chiclayo,Piura,Talara) y nor Oriente (Bagua,Jaen,Tarapoto).
Actualmente Cassinelli tiene una participacin en el mercado de Trujillo de
10%,Concordia 14%,Kola Real 11%,Triple Kola 13.4%,Inka Kola
13.8%,Coca Cola 14.2%, y el 23.6% corresponde a otras marcas.
Gaseosas Cassinelli posee un potencial para tener una importante
participacin en el mercado , ya que posee caracteristicas que se ajustan a
una bebida agradable y es percibida como una bebida regional ,sin embargo
presenta una baja recordacin por alojamiento de la marca del mercado, por
lo que le hace perder preferencia ante otras marcas de gaseosas.
Por lo tanto la Gerencia General ha encomendado al Departamento de
Produccin realizar un plan de Produccin para maximizar sus ganancias
mensuales.
PLANEACION DE PRODUCCION DE CASSINELLI E HIJOS S.A.C.
Como se menciono ,la empresa Enrique Cassinelli e hijos se dedica a la
fabricacin de bebidas gaseosas ,siendo las presentaciones comercializadas
las que se demuestran a continuacin:
TIPO DE BEBIDA
PRESENTACION
Gaseosa NR de 2.65 Lt. Caja x 12 unidades
Gaseosa NR de 0.296Lt. Caja x 24 unidades
Tabla 1 Presentacin de las bebidas gaseosas
La empresa en estudio cuenta con una planta de produccin que opera las
48 horas a la semana. Esta planta tiene una capacidad de produccin de
160,000 caja/mes.
El proceso de fabricacin de estos productos se lleva a cabo en dos etapas
(Areas de trabajo)
1. En el Dpto. de Elaboracin se realiza la preparacin de jarabes el mismo
que cuenta con 4 trabajadores permanentes.
68
69
2. En el Dpto. de Envasado se realiza trabajos inherentes al proceso de

envasado y presentacin final del producto.Este Dpto. cuenta con 15
trabajadores
Las horas requeridas en ambos departamentos para producir 1000 cajas de
cada uno de los productos mencionados en la tabla 1,se muestran en la tabla
2.
PRESENTACION
2.65 lt. 1.75lt 0.60 lt 0.296 lt
Dpto. Elaboracin 2.65
1.75 1.75 1.07
Dpto. Envasado
4.41
2.91
1.29 1.78
Tabla 2: requerimientos horas/1000 cajas
La demanda proyectada maxima para el mes de octubre 2002 se muestra
en la siguiente tabla:
TIPO DE BEBIDA
DEMANDA
Gaseosa NR de 2.65 Lt.
10,552 cajas/mes
40,556 cajas/mes
56,712 cajas/mes
Gaseosa VR de 0.296Lt.
56,880cajas/mes
TOTAL OCTUBRE 2002
164,700 CAJAS/MES
Tabla 3: Demanda proyectada mxima para el mes de octubre 2002
El Dpto. de Contabilidad de la empresa estima un margen de ganancia para
cada producto,de:
TIPO DE BEBIDA
MARGEN DE GANANCIA
s/1.38/Caja
S/1.22/Caja
S/1.02/Caja
Gaseosa NR de 0.296Lt.
S/1.05/Caja
Tabla 4:Margen de ganancia por producto
La Gerencia ha solicitado determinar el Plan de Produccin semanal
ptimo para el mes de octubre 2002.
69
70
Desarrollo del Caso

Objetivo General
Elaborar un modelo lineal que permita hallar el plan de produccin ptimo
Objetivos especificos:
1.-Hallar la cantidad de cada tipo de gaseosa que se debe elaborar
semanalmente.
2.-Obtener la mxima utilidad en la produccin de gaseosas Cassinelli.
Modelo Lineal
Xij= Nmero de cajas a producir de gaseosa tipo j(j=NR de 2.65 lt,NR de
1.75 lt,NR de 0.60 lt,VR de 0.296 lt=1,2,3,4) en la semana j(j=1,2,3,4)
Funcin Objetivo:
Maximizar ganancia
Max= Precio de venta*produccin
max=(S/1.38/caja)*(x11+x12+x13+x14)cajas+(S/1.22/caja)*(x21+x22+x2
3+x24)cajas
+(S/1.02/caja)*(x31+x32+x33+x34)cajas+(S/1.05/caja)*(x41+x42+x43+x4
4)cajas;
Restricciones:
Demanda de gaseosas NR de 2.65 Lt.
(x11+x12+x13+x14)cajas<=10552 cajas;
Demanda de gaseosas NR de 1.75 Lt
(x21+x22+x23+x24)cajas<=40556cajas;
Demanda de gaseosas NR de 0.60 Lt
Demanda de gaseosas VR de 0.296 Lt
Produccin de gaseosas NR de 2.65 Lt.
(x11+x12+x13+x14)cajas=t1 cajas;
Produccin de gaseosas VR de 0.296 Lt.
Capacidad de produccin:
(t1+t2+t3+t4)cajas<=160000 cajas;
70
71
Tiempo de produccin en el departamento de elaboracin en la semana 1:

(2.65h/caja)*(x11 caja)+(1.75 h/caja)*(x21 caja)+(1.17 h/caja)*(x31 caja)
+(1.07 h/caja)*(x41 caja)<=48*1000;
(2.65 h/caja)*(x12 caja)+(1.75 h/caja)*(x22 caja)+(1.17 h/caja)*(x32
caja)+(1.07 h/caja)*(x42 caja)<=48*1000;
caja)+(1.07 h/caja)*(x43 caja)<=48*1000;
(2.65 h/caja)*(x14 caja)+(1.75 h/caja)*(x24 caja)+(1.17 h/caja)*(x34 caja)
+(1.07 h/caja)*(x44 caja)<=48*1000;
Tiempo de produccin en el departamento de envasado en la semana 1:
+(1.78 h/caja)*(x41 caja)<=48*1000;
+(1.78 h/caja)*(x42 caja)<=48*1000;
+(1.78 h/caja)*(x43 caja)<=48*1000;
caja)+(1.78 h/caja)*(x44 caja)<=48*1000;
No negatividad:
Xij>=0
71
72
CASO FINAL
TCorporacin para el desarrollo del lago SADDLEBACK.
LSDC est desarrollando una comunidad de casas y condominios en los
alrededores del lago Saddleback, Texas. La idea es utilizar 300 acres de
tierra de tal forma de maximizar sus ganancias ofreciendo una apropiada
variedad de diferentes alternativas de casas constituyendo diferentes
productos. Adems, la corporacin desea analizar la factibilidad de
desarrollar 10 acres para un complejo deportivo y de recreacin.
LSDC est ofreciendo 4 productos: (1) La serie Gran Estado (2) La
coleccin Glen Wood (3) Casas con vista al lago y (4) casas en
Condominio. Cada uno de estos productos tiene 4 planos con diferentes
estilos, tal como se describe en la siguiente lista:
Plano
Gran
Estado
Trump
Vanderbilt
Hughes
Jackson
Glen Wood
Gran
Ciprs
Lazy Oak
Wind Row
Orangewoo
d
Vista
al
lago
Bayview
Shoreline
Docks Edge
Golden
Pier
Precio venta
(US$)
Tamao
(ft2)
Dormitorios
Baos
Pisos
Tamao
Garage
(autos)
700.000
680.000
650.000
590.000
4000
3600
3000
2600
5+manzarda
4+manzarda
4
3
4
3
3
3
2
2
1
1
3
3
3
3
420.000
2800
4+manzarda
380.000
320.000
280.000
2400
2200
1800
4
3
3
3
3
2
2
2
1
2
2
2
300.000
270.000
240.000
200.000
2000
1800
1500
1200
4
3+manzarda
3
2
2
2
2
2
2
2
1
1
2
2
2
2
72
Condomio
Stream
Weeping
Wilow
Picket
Fence
73
220.000
160.000
1600
1200
3
2
2
2
2
1
140.000
1000
Tamao de los lotes.

Todos los lotes incluyen el terreno donde se instalar la casa, el garage (el
cual no est considerado dentro de los metros cuadrados de la casa) y
espacio para jardn. Este no incluye el parking ni el espacio para parques,
carreteras, etc.
Todos los modelos de la serie Gran Estado se construyen sobre lotes de 1
media-acre, y 50 medias-acre se usan exclusivamente por las casas Gran
Estado. El precio de venta de estas casas tendr un 30% adicional ms
US$50.000 que los modelos que no estn en el lago. (Por ejemplo, el
modelo Trump a US$700.000 se vendera en US$960.000 si se situara en el
lago). Cada una de la serie Gran Estado debe tener al menos ocho unidades
en el lago.
Algunos modelos Gran Ciprs (de la serie Glen Wood) podran construirse
sobre lotes premiados de un-cuarto-acre. Estas casas se venden en
US$40.000 ms que los modelos similares sobre lotes standards. Adems,
algunos de los modelos Bayview (en la serie vista al lago) pueden
construirse sobre lotes premiados de un-sexto-acre, los cuales se venden
en US$30.000 ms del precio de los modelos construidos en terrenos
standards. No ms del 25% del total de los modelos Ciprs y 25% del total
de los modelos Bayview se pueden construir en lotes premiados.
Los tamaos de los lotes en el condominio son fijos y son de 1500 piecuadrados.
El lote mnimo standard para casas de la serie Glen Wood y con vista al
lago (excepto los modelos premiados) es de un-dcimo-acre. Los
tamaos de los lotes para ciertos modelos pueden ser mayores si el
siguiente clculo excede a 1/10 acre.
Tamao Lote= (rea de la Casa)+(Tamao del Jardn)+(Tamao del
Garage).
73
74
Area de la Casa.
El rea de la casa de cualquier casa de un piso es el metraje cuadrado del
aviso de la casa. El rea de la casa para casas de dos-pisos es de 75% del
metraje cuadrado del aviso de la casa.
Area para Jardn.
Para casas de la serie Glen Wood, el jardn es de 1200 pies cuadrados para
casas de un-piso y lo mismo que el rea de la casa para casas con dos-pisos.
Para casas con vista al lago el tamao del jardn es 900 pies cuadrados para
casas de un-piso. Para casas de dos-pisos de esta misma serie de casas el
tamao de jardn ser de 600 pies cuadrados ms 50% del rea de la casa.
Tamao del Garage.
Garage para dos autos ocupan 500 pies cuadrados de rea y para tres autos
ocupa 750 pies cuadrados. Note que los modelos en el condominio no tiene
terreno para garage.
Parking.
La ley exige tener un espacio de parking por dormitorio para cada unidad
construida. Por ejemplo,un espacio exterior de parking para dos autos es
necesario para una casa de 4 dormitorios que posee un garage para dos
autos. Cada parking exterior ocupar 200 pies cuadrados de espacio. Hasta
un mximo de 15 acres del proyecto podrn utilizarse para parking exterior.
Todos los parking del condominio son exteriores.
Carreteras, Parques...etc
Un total de 1000 pies cuadrados por casa se est pensando para la
construccin de carreteras y pequeos parques para hacer el proyecto ms
agradable estticamente hablando.
Variedad.
Como parte del proyecto se han definido ciertos requerimientos mximos y
mnimos arrojados por el departamento de estudios de mercado
(Condominio est includo).
74
75
Casas con
2-dormitorios
3-dormitorios
4-dormitorios
5-dormitorios
Mximo
25%
40%
40%
15%
Mnimo
15%
25%
25%
5%
Adems, ninguno de los cuatro productos (Gran Estado, Glen Wood, Vista
al lago, y Condominio) pueden ser ms que el 35% ni menos que el 15% de
las unidades construidas en el desarrollo. Ms an, dentro de cada
producto, cada plano debe ocupar entre 20% y 35% del total de unidades de
ese producto. Por razones de esttica hasta un mximo del 70% de las casas
de un-piso (salvo las de condominio) pueden ser casas de dos-pisos.
Abordables.
En el rea del lago cualquier casa avaluada en US$200.000 o menos es
considerada abordable. El gobierno exige al menos 15% del proyecto
pueda ser considerado como abordable.
Ganancias.
LSDC ha determinado los siguientes porcentajes de los precios de ventas
como ganancias netas:
Gran Estado
Glen Wood
Vista al lago
Condominio
22%
18%
20%
25%
Objetivos.
1. LSDC necesita determinar el nmero de unidades de cada plano de
cada producto a construir, de tal manera de maximizar sus ganancias.
2. Si LSDC construye un complejo de recreacin y deportivo en 10-acres,
esto podra reducir el rea utilizable en 10-acres y a un costo de
alrededor US$8 millones. Sin embargo, LSDC cree que esto puede
cargarse al costo de las casas como sigue:
75
76
Gran Estado
Glen Wood
Vista al lago
Condominio
5%
3%
2%
5%
*Excepto para el modelo Golden Pier, es decir todava puede ser catalogada
como abordable.
Informe:
Prepare un informe detallado analizando este proyecto y haga
sugerencias para la construccin. De recmendaciones si conviene o no
construir el complejo deportivo. Haga un anlisis apropiado de qu
sucede si.. (anlisis de sensibilidad) y haga un resumen de sus
recomendaciones finales.
Informe.
Consideraciones y supuestos.
Antes de resolver el problema es importante especificar la
interpretacin dada a algunas frases del enunciado del problema:
Se entiende que cuando se habla de 1 media-acre se est hablando

de la mitad de un acre, es decir acre. Es decir 50 medias-acre, en
trminos de superficie son 25 acres.
Cuando se dice que 50 medias-acres se usan exclusivamente por las
casas Gran Estado, se dice que slo se destinarn 25 acres al total de
casas de la serie Gran Estado, ni una acre ms ni uno de menos. Esto
se reflejar como una igualdad en una de las restricciones.
La frase el lote mnimo standard para casa de la serie Glen Wood y
con vista al mar..., suponemos que con vista al mar es en realidad
con vista al lago y que se refiere al producto Vista al Lago, y no a
que algunas casas de la serie Glen Wood tienen como propiedad tener
vista al lago. Luego se entiende que la frase se refiere al tamao del
lote mnimo para casas de las series Glen Wood y Vista al Lago.
Se supondr tambin que cuando se habla del aviso de la casa se
refiere a la informacin del primer cuadro del enunciado.
Las manzardas no se considerarn como dormitorios (para el clculo
76
77
del parking).
Los porcentajes que aparecen asociados a la variedad se trabajarn
sobre el total de todas las casas.
Para la condicin asociada a la proporcin de las casas de dos pisos
frente a las de un piso, no se considerarn las casas del condominio de
un piso, es decir slo se considerarn las casas del condominio de dos
pisos para esta restriccin.
Para la segunda parte, se considerar que los porcentajes que
aparecen en la ltima tabla se refieren al valor (precio de venta) de las
casas y no a un aumento porcentual exclusivamente de las utilidades
de cada casa.
Para llevar todo a un mismo sistema de unidades se utilizar la
conversin:
1 acre = 43.560 ft2
Planteamiento.
Para poder resolver el problema es importante visualizar en forma
clara las distintas posibilidades para la construccin, esto se refiere no
slo a los 4 series y 15 planos distintos dados sino que tambin a las
distintas posibilidades permitidas para cada plano. El anlisis de las
distintas posibilidades ayudar a determinar el nmero de variables de
decisin con el objeto de resolver el problema va programacin lineal.
Similarmente es importante distinguir cada restriccin observando
el efecto que est produciendo, esto se refiere si tiene un efecto en la
superficie utilizadas por las casas, cantidad de ellas, relaciones en
cantidad de los distintos tipos, etc.
De esta forma se puede distinguir:
Producto Gran Estado.

Cada plano tiene dos posibilidades: estar o no en el lago.
Esto define 8 variables de decisin distintas.
Producto Gleen Wood.

Existe una nica posibilidad para cada plano a excepcin de la Gran
Ciprs, que puede ser o no premiada.
Esto define 5 variables de decisin.
77
78
Producto Vista al Lago.

Similarmente al producto anterior, existe un nica posibilidad para
cada plano a excepcin de la Bayview, que puede ser o no premiada.
Esto define 5 variables de decisin.
Producto Condominio.
En este caso slo se puede distinguir una posibilidad para cada plano.
Esto define 3 variables.
En resumen se tiene 8+5+5+3=21 variables de decisin.
Para denominar cada posibilidad para cada casa con una variable se
utilizar la siguiente convencin:
Xijk
caractersticas
producto
plano
i=1..4
(Gran
Estado,
Gleen
Wood,...
respectivamente)
j=1..4 (El significado depender del valor de i)
k=1..2 (El significado depender del valor de i y j)
El detalle de cada variable con los respectivos subndices se
encuentra en la tabla1 de la siguiente pgina.
Antes de plantear las restricciones es conveniente plantear en
forma ordenada las caractersticas de cada casa en cuanto a superficie que
se le asigna en el proyecto, precio de venta, parking requeridos por esa
casa, ganancia asociada a ella, caractersticas generales, etc. La forma
ms conveniente de presentar esta informacin es con la ayuda de un
cuadro (Tabla 1).
78
79
Tabla 1: Significado de cada variable y sus caractersticas.

Vars Descripci
rea
n
.
real [ft2]
X111
X112
X121
X122
X131
X132
X141
X142
X211
X212
X221
X231
X241
Gran
Estado
Trump
standard
Trump en
el lago
Vanderbi
lt
standard
Vanderbi
lt en el
lago
Hughes
standard
Hughes
en el lago
Jackson
standard
Jackson
en el lago
Glen
Wood
Gran
Ciprs
standard
Gran
Ciprs
premiada
Lazy Oak
standard
Wind
Row
standard
Orange
Wood
standard
Precio
venta
US$
Dorm Gara Parking Abor Gananci

Area
.
ge
asignad
dable
a
a [ft2]
US$
700.000
21.780
5+m
No
154000
960.000
21.780
5+m
No
211.200
680.000
21.780
4+m
No
149.600
934.000
21.780
4+m
No
205.480
650.000
21.780
No
143.000
895.000
21.780
No
196.900
590.000
21.780
No
129.800
817.000
21.780
No
179.740
4950
420.000
4950
4+m
No
75.600
460.000
10890
4+m
No
82.800
4100
380.000
4356
No
68.400
3800
320.000
4356
No
57.600
3500
280.000
4356
No
50.400
79
X311
X312
X321
X331
X341
X411
X421
X431
Vista al
lago
Bayview
standard
Bayview
premiada
Shoreline
standard
Docks
Edge
standard
Golden
Pier
standard
Condomi
nio
Stream
standard
Weeping
Wilow
std.
Picket
Fence
stdandar
d
80
3350
300.000
4.356
No
60.000
330.000
7.260
No
66.000
3125
270.000
4.356
3+m
No
54.000
2900
240.000
4.356
No
48.000
2600
200.000
4.356
40.000
220.000
1.500
No
55.000
160.000
1.500
40.000
140.000
1.500
35.000
Siguiendo la nomenclatura descrita en la tabla procedemos a plantear el

problema de programacin lineal. En este caso como se dispone de las
ganancias, se trata de un problema de maximizacin.
Funcin Objetivo.
Maximizar ganancia.
f= 154000*X111 + 211200*X112 + 149000*X121 + 205480*X122 +
143000*X131 + 1969000*X132 + 1298000*X141 +179740*X142 +
75600*X211 + 82800*X212 + 68400*X221 + 57600*X231 + 50400*X241
+ 60000*X312 + 54000*X321 + 48000*X331 + 40000*X341 +
55000*X411 + 40000*X421 + 35000*X431
Corresponde a la multiplicacin de las ganancias por las unidades de cada
tipo de casa.
80
81
Restricciones.
1. Cantidad de casas de serie Gran Estado.
X111+X112 +X121+ X122+X131 + X132+X141+ X142=50
2. Cantidad de casas Gran Estado en el lago.
X112 8 ; X122 8 ; X132 8
; X142 8
3. Cantidad de casas Gran Ciprs premiadas.
X212 0,25X211 X212 3X 212 X 211 0
4. Cantidad de casas Bayview premiadas.
X312 0,25X311 X312 3X 312 X 311 0
5. Superficie mxima para parking.
2002X111 - X112 X221 X311 X312 X421 X431 3X 411 X121 X122 X131 X132
X 211 X 212 X231 X 241 X 321 X 331 15 43560
3X 441 2X111 2X112 2X 221 2X 311 2X 312 2X 421 2X 431 X121 X121 X122 X131
X132 X 211 X 212 X 231 X 241 X 321 X 331 3267
6. Superficie para carreteras y parques.

TOTPYC 1000
Xijk
i
7. Condicin de variedad.
2
0,15
dormitorios:
Xijk X341 X421 X431 0,25
Xijk
i
3 dormitorios:
0,25
Xijk X141 X142 X231 X241 X321 X331 X411 0,4 Xijk
i
4 dormitorios:
0,25
Xijk X121 X122 X131 X132 X211 X212 X221 X311 X312 0,4 Xijk
i
81
5 dormitorios: 0,05
82
Xijk X111 X112 0,15 Xijk

i
8. Condicin de nmero total de casas por serie.

Gran Estado:
0,15
Xijk X111 X112 X121 X122 X131 X132 X141 X142 0,35 Xijk
i
Glen Wood:
0,15
Xijk X211 X212 X221 X231 X241 0,35 Xijk

i
Vista al Lago:
0,15
Xijk X311 X312 X321 X331 X341 0,35 Xijk

i
Condominio:
0,15
Xijk X411 X 421 X431 X341 0,35 Xijk

i
9. Condicin de cantidad dentro de cada serie.

GranEstado:
TGE X111 X112 X121 X122 X131 X132 X141 X142
Trump: 0,2TGE X111 X112 0,35TGE

Vanderbilt: 0,2TGE X121 X122 0,35TGE
Hughes: 0,2TGE X131 X132 0,35TGE
Jackson: 0,2TGE X141 X142 0,35TGE
Glen Wood: TGG X211 X212 X221 X231 X241
Gran Ciprs: 0,2TGG X211 X212 0,35TGG
Lazy Oak: 0,2TGG X221 0,35TGG
Wind Row: 0,2TGG X231 0,35TGG
Orange Wood: 0,2TGG X241 0,35TGG
Vista al Lago: TVL X311 X312 X321 X331 X341
Bayview: 0,2TVL X311 X312 0,35TVL
Shoreline: 0,2TVL X321 0,35TVL
Docks Edge: 0,2TVL X331 0,35TVL
82
83
Golden Pier: 0,2TVL X341 0,35TVL

Condominio: TC X411 X421 X431
Stream: 0,2TC X411 0,35TC
Weeping Wilow: 0,2TC X421 0,35TC
Picket Fence: 0,2TC X431 0,35TC
10. Condicin de proporcin entre casas de uno y dos pisos.
X
111 X112 X121 X122 X 211 X 212 X 221 X 231 X 311 X 312 X 321 0,7X131 X132 X141 X142 X 241 X 31 X 341
CANTIDAD DE CASAS DE 2 PISOS
CANTIDAD DE CASAS DE 1 PISO
11. Condicin de abordables.

X341 X421 X431 0,15
Xijk
i
12. Condicin de superficie total de 300 acres.

Considerando que la serie Gran Estado utilizan exactamente 25 acres,
la restriccin puede ser escrita como:
21780 X111 X121 X131 X141
SUPERFICIE CASAS GRAN ESTADO
4950X211
X221
X331
7260
411
X
421
X 431
10890X212
4356
X231
X241
X311
X321

X341

X312
1500
X

TOTAL SUPERFIE CASAS
1000
2X111 X112 X 221 X 311 X 312 X 421 X 431 3X 411

Xijk 200
ij k
SUPERFICIE PARKING
CARRETERAS Y PARQUES
200
X122
X212
X231
X121
X131
X132
X211
X241
X321
X331
275 43560
SUPERFICIE PARKING
13. Condicin por la naturaleza de las variables.

Xijk 0 y enteros
83
84
ANEXOS
George Dantzig: Fundador de la Programacin Lineal
SIAM News, Noviembre de 1994
A pesar de los grandes adelantos en la optimizacin computacional

ocurridos durante los ltimos 20 aos (por ejemplo, los avances en los
mtodos de punto interior), el mtodo Simplex inventado por George B.
Dantzig en 1947 es an la herramienta principal en casi todas las
aplicaciones de la programacin lineal.
Dantzig es considerado como uno de los tres fundadores de la
programacin lineal, compartiendo dicho honor con Von Neumann y
Kantorovich. A travs de su investigacin en teora matemtica,
computacin, anlisis econmico y aplicaciones de problemas industriales
ha logrado contribuir ms que cualquier otro investigador al desarrollo de la
programacin lineal.
El trabajo de Dantzig ha sido reconocido con numerosos honores, de entre
los cuales sobresalen: La Medalla Nacional de la Ciencia (1975), el Premio
John Von Neumann de la Sociedad Americana de Investigacin de
Operaciones y el Instituto de Ciencias Administrativas (1974), la
membresa en la Academia Nacional de Ciencias, la Academia Nacional de
Ingeniera y la Academia Americana de Ciencia y Arte.
La programacin lineal y sus derivados (tales como la optimizacin no
lineal con restricciones y la programacin entera) han sido capaces de pasar
la prueba del tiempo sin debilitarse, y en nuestros das afectan las prcticas
econmicas de las organizaciones y sus administraciones. El cientfico
computacional Laszolo Lovasz dijo en 1980, "Si se tomaran estadsticas
acerca de cul problema matemtico usa la mayora del tiempo
computacional en el mundo (sin incluir problemas de manejo de bases de
datos, como la bsqueda y ordenamiento), seguramente la respuesta sera la
programacin lineal." En ese mismo ao Eugene Lawler de Berkeley dijo
lo siguiente: "La programacin lineal se usa para asignar recursos, planear
la produccin, planear el horario de trabajadores, planear la cartera de
inversin y formular estrategias de mercado (y militares). La versatilidad e
impacto econmico de la programacin lineal en el mundo industrial actual
es realmente impresionantes."
En palabras del propio Dantzig: "El tremendo poder del mtodo Simplex
me sorprende constantemente". Citando el simple ejemplo del problema de
84
85
asignacin (70 personas para 70 tareas) y el enorme poder computacional

que se requerira para analizar todas las permutaciones y seleccionar la
solucin ptima, observ lo siguiente: "slo toma un momento encontrar la
solucin ptima usando una computadora personal y un paquete que
maneje el mtodo simplex estndar".
Dantzig escribi en 1991: "es interesante notar que el problema original
que ocasion mi investigacin est todava pendiente, es decir, el problema
de la planeacin dinmica a travs del tiempo, particularmente bajo
condiciones de incertidumbre. Si este tipo de problemas pudieran
resolverse satisfactoriamente, se podra contribuir (tras una buena
planeacin) al mejoramiento de este mundo y del ser humano."
La contribucin de Dantzig, segn sus explicaciones, naci de su
experiencia en el Pentgono durante la Segunda Guerra Mundial, en donde
se convirti en experto en programacin (mtodos de planeacin hechos
con calculadoras). En 1946, como consejero matemtico de la Fuerza Area
Norteamericana, tuvo el reto de mecanizar los procesos de planeacin. En
aquellos tiempos de computadoras pre-electrnicas, mecanizar quera decir
usar aparatos analgicos o mquinas de tarjetas perforadas. ("Programar"
era un trmino militar que no se refera a las instrucciones usadas por la
computadora para resolver problemas, sino a los planes o calendarizaciones
propuestas para el entrenamiento, logstica, o despliegue de unidades de
combate. El nombre de "programacin lineal", que ha confundido a mucha
gente, est basado en la definicin militar de "programa").
Las contribuciones de Dantzig van desde la programacin lineal y el
mtodo Simplex hasta la teora de la descomposicin, el anlisis de
sensibilidad, los mtodos de pivote complementarios, la optimizacin a
gran escala, la programacin no lineal, y la programacin bajo
incertidumbre. Sus estudios en la programacin lineal han tenido un
impacto fundamental en el desarrollo de la investigacin de operaciones
como una disciplina.
"Los que mandan generalmente mueven las manos y
dicen 'He considerado todas las alternativas'. Pero eso es
casi siempre basura. Lo ms probable es que no pudiesen
estudiar todas las combinaciones."
George Bernard Dantzig naci el 8 de Noviembre de
1914 en Prtland, Oregon, USA. Actualmente es
profesor emrito en el departamento de Investigacin de
Operaciones de la Universidad de Stanford.
85
86
Se recomienda consultar la siguiente direccin en internet

www.stanford.edu/dept/eesor/people/faculty/dantzig/
George B. Dantzig , el creador de la programacin lineal, en una entrevista
publicada en The College Mathematical Journal, Marzo de 1986. Se
presenta a continuacin, parte de esta entrevista:
"Considere el problema de asignar 70 hombres a 70 empleos. Una
'actividad' consiste en asignar el isimo hombre al j-simo empleo. Las
restricciones son dos: en primer lugar hay 70 hombres, cada uno de los
cuales debe asignarse a un puesto, y en segundo lugar, cada uno de los 70
puestos existentes debe estar ocupado. El nivel de una actividad puede ser
1, lo cual indica que est siendo usada, o 0, lo cual significa que no. En
consecuencia hay 2 x 70 =140 restricciones y 70 x 70 = 4900 actividades
con 4900 variables correspondientes de decisin uno-cero. Por desgracia
tambin hay factorial de 70 permutaciones o formas de hacer las
asignaciones. El problema consiste en comparar estas factorial de 70
formas y elegir la que sea la ptima o 'mejor' segn algn criterio
previamente establecido."
"En el ejemplo anterior, factorial de 70 es un nmero muy grande. A fin de
tener una idea de qu tan grande es, supngase que se hubiese tenido una
computadora IBM del tipo main-frame en el instante en el que ocurri el
Big Bang hace quince millones de aos. Habra podido, entre ese entonces
y ahora, examinar todas las soluciones posibles? No! No obstante,
supngase que se hubiese tenido una computadora aun ms poderosa, una
que pudiese examinar mil millones de asignaciones por segundo. La
respuesta seguira siendo negativa. Aun si la Tierra se llenase con
computadoras cuyas rapideces fueran de nanosegundos, todas ellas
trabajando en paralelo, la respuesta aun sera no. Sin embargo, si existiesen
diez Tierras, todas llenas con computadoras del tipo mencionado, todas
programadas en paralelo desde el instante del Big Bang hasta que el Sol
fuese una esfera fra, entonces quizs la respuesta podra ser s. Lo notable
es que el mtodo Simplex, con la ayuda de una computadora moderna,
puede resolver este problema en una fraccin de segundo".
"Cuando el problema de la planeacin fue formulado inicialmente para la
Fuerza Area, no exista la nocin exacta de una funcin objetivo, la idea
de una meta claramente definida. Por supuesto, tenamos slo un falso
respeto hacia el concepto de objetivo. En el discurso de los militares
86
87
escuch a menudo decir, 'nuestro objetivo es ganar la guerra'. En el mundo

de los negocios se escuchara quizs 'nuestro objetivo es obtener ganancias'.
Sin embargo, era imposible hallar alguna relacin directa entre la meta
establecida y las acciones emprendidas para tal fin."
"Si se estudiaba con cuidado el paso siguiente, se poda ver que algn lder
haba promulgado un montn de reglas bsicas que, en su concepto,
llevaran a la meta. Esto distaba mucho de lo que sera honestamente
estudiar todas las combinaciones alternativas de las acciones a seguir para
elegir la mejor combinacin. Los que mandan generalmente mueven las
manos y dicen 'He considerado todas las alternativas'. Pero eso es casi
siempre basura. Lo ms probable es que no pudiesen estudiar todas las
combinaciones. Antes de 1947 era inconcebible pensar en la existencia de
una herramienta como la programacin lineal que permitiese examinar
millones de combinaciones. No haba algoritmo o herramienta
computacional que pudiera hacer eso."
"No descubr el modelo de la programacin lineal en un instante, sino que
tuvo un proceso de evolucin. Se dedic casi un ao completo a la tarea de
decidir si mi modelo podra ser utilizado en la formulacin de problemas
prcticos de distribucin de tiempos. Como usted sabe, la planeacin y la
distribucin de tiempos se llevaron a una escala inmensa durante la guerra.
El funcionamiento de la Fuerza Area fue equivalente al funcionamiento de
la economa de toda una nacin. En el proceso intervinieron cientos de
miles de personas. La logstica tuvo una magnitud difcil de entender para
alguien que no haya estado all. Mi colega Marshall Wood y yo revisamos
miles de situaciones tomadas de nuestra experiencia durante la guerra."
"Las reglas bsicas empleadas en la planeacin se expresaban en un
formato completamente distinto del que se emplea en la actualidad para
formular un programa lineal. Lo que hicimos fue revisar estas reglas una
por una y demostrar que casi todas ellas podan reformularse
aceptablemente en un formato de programacin lineal. Pero no todas. En
algunos casos era necesario tomar en cuenta el carcter discreto de las
variables y las no convexidades."
"Cuando formul por primera vez mi modelo de programacin lineal, lo
hice sin una funcin objetivo. Estuve luchando por algn tiempo con la
adicin de reglas bsicas para elegir de entre las soluciones factibles la que
en algn sentido fuese 'ptima'. Pero pronto abandon esta idea y la sustitu
por la de una funcin objetivo a ser maximizada. El modelo que formul no
estaba hecho especficamente para fines militares. Poda aplicarse a toda
clase de problemas de planeacin; todo lo que tena que hacerse era
87
88
cambiar los nombres de las columnas y los renglones, y entonces era

aplicable a un problema de planeacin econmica lo mismo que a un
problema de planeacin industrial."
88
89
George Dantzig: Fundador de la Programacin Lineal

SIAM News, Noviembre de 1994
ANEXO 2
Historia de los mtodos cuantitativos
Introduccin
El inicio formal de la Investigacin Operativa tuvo lugar en Inglaterra a
finales de 1939, cuando la estacin de investigacin de Bawdsey, bajo la
direccin de A. Rowe, fue encargada del desarrollo de polticas ptimas
para el nuevo sistema de deteccin militar llamado radar. Poco despus, se
present un estudio de las fases de las operaciones nocturnas en lo que sera
un modelo para los estudios posteriores del mismo tipo.
Poco despus, debido a las extremas necesidades de personal que se
plantearon durante la guerra y a la complejidad de los nuevos sistemas de
defensa y ataque que se introdujeron, pareci indicado el empleo de
cientficos en el estudio global de los problemas planteados. La finalidad
era conseguir la mxima eficiencia posible. As, en Agosto de 1940, el
fsico P.M.S. Blackett de la Universidad de Manchester fue
responsabilizado de formar un grupo de trabajo para estudiar el sistema de
defensa antiarea gobernado por radar. Este grupo, estaba constituido por
tres psiclogos, dos fsicos matemticos, un astrofsico, un oficial del
ejrcito, un topgrafo, un fsico y dos matemticos. Fue jocosamente
denominado el circo de Blackett, siendo generalmente admitido que en l
se daban todas las caractersticas de los grupos que trabajan en
Investigacin Operativa:
Grupo de trabajo interdisciplinar
Empleo de modelos matemticos
Punto de vista de anlisis de sistemas
Uno de los primeros esfuerzos de este grupo fue dirigido al estudio del
ataque areo a los submarinos. Las bombas estaban programadas para
estallar a una profundidad de unos treinta metros, pues se argumentaba que
89
90
al divisar el submarino al bombardero se sumergira; y dado que desde el

instante en que fuera localizado el bombardero hasta el del lanzamiento de
la bomba, transcurriran aproximadamente dos minutos, unos treinta metros
era, aproximadamente, la profundidad alcanzada por el submarino en su
precipitada inmersin. Pero aunque el razonamiento era vlido, los
resultados obtenidos con esta poltica eran muy limitados. Cuando el grupo
de Blackett fue encargado del estudio, su primera decisin consisti en la
observacin directa de la situacin, encaramndose en los bombarderos en
sus misiones de ataque a submarinos. Tras un elevado nmero de
observaciones llegaron a la conclusin, con el anlisis de los datos de los
ataques, de que se producan las siguientes circunstancias:
a) Debido a la falta de precisin del bombardeo, muy pocas de las bombas
explotaban cerca de su objetivo, a treinta metros de profundidad.
b) La precisin aumentaba cuando el submarino no haba tenido tiempo de
sumergirse, pero en ese caso las bombas estallaban a demasiada
profundidad y no producan grandes daos.
En definitiva, la profundidad de treinta metros era adecuada cuando el
submarino divisaba con antelacin al bombardero, pero la falta de precisin
impeda obtener resultados. Y cuando la precisin era buena, la
profundidad a que estaba programada la explosin era inadecuada, pues
esto slo ocurra cuando el submarino se mantena cercano a la superficie.
A la vista de los datos estadsticos sobre la precisin del bombardeo y la
inmersin de los submarinos, se lleg a la conclusin de que la alternativa
ms adecuada era optar por causar daos cuando el submarino estuviera en
la superficie. As se hizo y los resultados mejoraron espectacularmente. En
este trabajo ya estaban incluidos los aspectos que caracterizan a los estudios
de Investigacin Operativa:
1. Toma directa de datos.
2. Empleo de modelos matemticos para el anlisis de la situacin, que en
este caso era simplemente estadstico.
3. Obtencin de las polticas ptimas que corresponden al modelo.
4. Modificacin de dichas polticas de acuerdo con factores reales no
considerados en el modelo: en este caso se emplearon espoletas que
explotaban a diez metros de profundidad, pues no se dispona de otras que
90
91
lo hiciesen ms cerca de la superficie. Un resultado del estudio fue iniciar

su fabricacin.
Como consecuencia de los resultados obtenidos, por ste y otros estudios
sobre problemas de ndole militar, el Almirantazgo Britnico cre el grupo
funcional Naval Operational Research. El punto de vista empleado para
el anlisis de los problemas por este grupo, y los que inmediatamente le
siguieron, fue denominado Operational Research. Dicha acepcin fue
modificada en Estados Unidos por Operations Research. Segn narran
autores ingleses, como Sir Robert Watson-Watt, fue a sugerencia suya el
que los norteamericanos introdujeran tambin grupos de cientficos para el
estudio de operaciones militares tras el inicio de su participacin en la
guerra. Para el mes de abril de 1942, las Fuerzas Areas, el Ejrcito y la
Marina posean grupos funcionales conocidos como Operations Analysis,
Operations Research y Operations Evaluations, respectivamente. El ltimo
de estos grupos era dirigido por Philp M. Morse [MOS55], del
Massachusetts Institute of Technology, que aos ms tarde sera el primer
presidente de la sociedad norteamericana de Investigacin Operativa
(O.R.S.A.) y uno de sus principales difusores.
Durante la guerra, otros pases aliados como Canad y Francia, tambin
introdujeron grupos de Investigacin Operativa en sus respectivos ejrcitos.
Al finalizar la guerra, las circunstancias en Gran Bretaa y Estados Unidos
fueron distintas para estos grupos. En Estados Unidos, los fondos para la
investigacin en el campo militar se incrementaron, por lo que la mayora
de los grupos se consolidaron, aumentando su nmero y tamao. Debido a
ello, la industria y la administracin norteamericanas permanecieron
indiferentes a la Investigacin Operativa durante el resto de la dcada. Uno
de los primeros establecimientos de investigacin, dependiente del ejrcito
del aire y que tuvo gran influencia en el posterior desarrollo de esta
disciplina, fue la RAND Corporation fundada por Donald Douglas en 1946.
En la primera conferencia sobre la Investigacin Operativa en la Industria,
que tuvo lugar en el Case Institute of Technology de Cleveland en 1951,
fue casi imposible encontrar aplicaciones industriales de carcter no militar.
Quizs las causas de este lento desarrollo en Estados Unidos, sea necesario
buscarlas en la situacin de la Organizacin Industrial tradicional, que
estaba plenamente establecida, difundida y reputada. La Investigacin
Operativa se perciba como un dudoso competidor de aqulla, a lo que hay
91
92
que aadir el celoso secreto con el que se mantenan las limitadas

experiencias que se llevaban a cabo.
En cambio, en Gran Bretaa, los componentes de los grupos que se haban
desarrollado en el medio militar pasaron a la sociedad civil. Los nuevos
problemas que se le plantearon a la nueva administracin laborista inglesa,
con la nacionalizacin de importantes sectores de su economa y la
reconstruccin de gran parte de sus instalaciones industriales, estimularon
la implantacin de la Investigacin Operativa. Sir Charles Ellis,
responsable durante la guerra del grupo de Investigacin Operativa del
Ejrcito, fue nombrado asesor cientfico en el Comit del Carbn, creando
un grupo de Investigacin Operativa. Anlogas circunstancias se dieron en
los sectores nacionalizados de la electricidad y el transporte. En el sector
privado, la industria inglesa mantiene instituciones cooperativas de
investigacin, por lo que la difusin de nuevos mtodos est menos
mediatizada por el secreto industrial. Quizs debido a ello, casi
inmediatamente la industria del acero y la textil introdujeron grupos de
Investigacin Operativa. Otro aspecto importante en este contexto es que el
desarrollo de la Organizacin Industrial tradicional en Gran Bretaa haba
sido ms limitado, y con la excepcin del Estudio del Trabajo, era todava
una novedad en los crculos industriales. Por ello, todava ciertos campos
como la gestin de inventarios se identifican con la Organizacin de la
Produccin en Estados Unidos y con la Investigacin Operativa en
Inglaterra. As, toda una serie de metodologas de carcter cuantitativo se
difundieron en la industria de este ltimo pas bajo la denominacin y con
el prestigio de la Investigacin Operativa.
Simultneamente, el desarrollo de los ordenadores y su implantacin en la
industria, posibilitaron el tratamiento y estudio de problemas de gran
complejidad, por lo cual a mediados de la dcada de los cincuenta, la
Investigacin Operativa se encontraba ya afianzada en el mundo industrial.
Los primeros cursos sobre Investigacin Operativa se impartieron en el
M.I.T. de Boston en 1948, y un ao despus hubo un ciclo de conferencias
en el University College de Londres. Poco despus, ofrecan programas
especficos completos las Universidades Case Western Reserve, Johns
Hopkins y North-Werstern en U.S.A.; y en el Imperial College y la London
School of Economics en Inglaterra.
92
93
El grupo de cientficos ingleses que procedan de los establecimientos

militares formaron en 1948 el Operational Research Club, que dara lugar,
en 1954, a la Operational Research Society. Unos aos antes, en 1950, se
haba fundado la Operations Research Society of America. Ambas iniciaron
inmediatamente la publicacin de revistas cientficas monogrficas para la
presentacin pblica de los resultados de las investigaciones en curso y la
difusin de la disciplina. Los primeros alumnos del programa de graduados
que obtuvieron el ttulo de Doctores en Investigacin Operativa se
graduaron en el Case Institute of Technology en 1957, siendo responsables
del programa los profesores Russell Ackoff y West Churchman.
Con la Investigacin Operativa ya firmemente establecida, su rpida

evolucin arrastr consigo la de la Organizacin de la Produccin, de
forma tal que existe una correlacin profunda y completa entre ambas
materias. Para destacar el solape se introduce ahora la reciente evolucin de
los Mtodos Cuantitativos hasta la situacin en que se encuentran en la
actualidad.
Toda disciplina cientfica emerge de la convergencia de un creciente inters
en alguna clase de problemas y del desarrollo de mtodos, tcnicas e
instrumentos cientficos adecuados para resolver esos problemas. La I.O.
utiliza resultados de muchas reas cientficas, aunque su base fundamental
se encuentra en la matemtica, la economa y el clculo de probabilidades y
estadstica. Desde un punto de vista matemtico se podran establecer los
orgenes en diferentes trabajos sobre modelos lineales debidos a Jordan,
Minkowsky y Farkas a finales del siglo XIX. En relacin con la estadstica,
sus orgenes se encuentran en los trabajos de Erlang sobre fenmenos de
espera en los aos veinte del presente siglo. En economa se deben a
Quesnay (XVIII) y Walras (XIX), que plantearon los primeros modelos de
programacin matemtica, que fueron posteriormente perfeccionados por
autores como Von Neumann , Kantorovich y Dantzig
Como puede observarse en los primeros estudios que se etiquetaron como
de Investigacin Operativa, el aspecto tcnico ms caracterstico consisti
en la estructuracin estadstica de los datos y en el empleo de modelos
descriptivos de tipo probabilstico. Sin embargo, el prestigio y difusin de
la Investigacin Operativa est cimentado en la Programacin Lineal,
aunque ello corresponda a una simplificacin de la realidad.
93
94
Los fundamentos matemticos de los modelos lineales discretos se

encuentran en la teora de las desigualdades lineales desarrollada en el siglo
pasado. Otros conceptos que son paralelos a los de la Programacin Lineal
fueron formulados por von Neumann en 1928, con la aplicacin del
teorema del minimax a los juegos de estrategia. Como un antecedente
inmediato, se encuentra el planteamiento del problema de transporte, por F.
L. Hitchcock [HIT41], en 1941 en los Estados Unidos. En el contexto de la
planificacin ptima de la asignacin de obligaciones productivas, el
mismo modelo haba sido estudiado y resuelto por Kantorovich en la Unin
Sovitica en 1939, empleando lo que puede interpretarse como variables
duales. Tambin, en un contexto concreto, Stiegler plante el problema
lineal de obtener una dieta adecuada con coste mnimo a partir de setenta y
siete alimentos y considerando nueve nutrientes, reconocindose en l la
estructura de optimizar una funcin lineal sujeta a restricciones lineales.
Pero el proyecto de formulacin y ataque al problema lineal de forma
general, fue propuesto por el departamento del Ejrcito del Aire bajo el
nombre de proyecto SCOOP en 1947. El resultado inmediato fue el
algoritmo de resolucin simplex, debido a George B. Dantzig, y su
implementacin en un ordenador UNIVAC para la resolucin de modelos
lineales de gran tamao.
En el resto de los aos cincuenta, la Programacin Lineal qued
completamente establecida, con los trabajos de Charnes [CHA52A54]sobre la degeneracin, de Lemke sobre la dualidad, de Dantzig, Orden y
Wolfe sobre la forma compacta y la descomposicin de grandes programas.
En estos mismos aos, Ford y Fulkerson, tambin contratados por la
RAND Corporation, establecen los resultados sobre flujos en grafos y el
mtodo primal-dual para los problemas de distribucin. Sin embargo, la
Programacin Lineal Entera no recibe atencin hasta finales de esta dcada,
en que Gomory [GOM58-60C]obtiene la expresin general para aproximar
la envoltura convexa del conjunto admisible empleando sola y
exclusivamente planos secantes. A pesar de las esperanzas que el
procedimiento gener, sigue siendo un campo con mtodos limitados e
insatisfactorios, donde la enumeracin parcial e inteligente de posibles
soluciones es el socorrido ltimo recurso que se hace necesario en multitud
de situaciones.
94
95
En los modelos no lineales, los resultados fundamentales proceden del

desarrollo del clculo matemtico en el siglo XVIII, siendo el concepto
bsico el del Lagrangiano. La caracterizacin de las condiciones necesarias
de optimalidad en problemas restringidos, se generaliza a partir de los
resultados de Lagrange en el conocido teorema de Kuhn-Tucker [KUH51],
que recopila y estructura un conjunto de investigaciones llevadas a cabo por
numerosos autores en los aos cuarenta, entre los que tambin ha de citarse
a Dantzig, y Fritz John . La Programacin no Lineal progres durante los
aos sesenta y setenta, pudiendo atacarse la resolucin de problemas de
tamao medio con varias decenas de restricciones y algunos cientos de
variables. Sin embargo, la investigacin en la bsqueda de algoritmos
eficientes segua siendo muy activa, pues los existentes no eran plenamente
satisfactorios.
En cuanto a la Programacin Dinmica, su inicio y desarrollo bsico se

debe a Richard Bellman al principio de los cincuenta. La trascendencia de
esta metodologa no se limita a la Investigacin Operativa, sino que es
tambin de gran importancia en la Teora del Control ptimo, en estrecha
relacin con el principio del mximo de Pontryagin . En lo que aqu nos
concierne, el desarrollo de la Programacin Dinmica se ha visto limitado
en su aplicabilidad concreta debido a la complejidad computacional que le
acompaa, tanto debido a la cardinalidad del espacio de estado como al
nmero de perodos que intervienen. En este sentido, el trabajo de Larson
ha colaborado a su tratamiento, pero muchos autores an consideran a la
Programacin Dinmica como un punto de vista conceptual y un bagaje
terico para el anlisis de problemas; y no como un mtodo o conjunto de
ellos, implantable en algoritmos de tipo general. En esta direccin, los
trabajos de Denardo, identificando la estructura de los procesos de
decisiones secuenciales, suponen un avance para establecerlos.
La Teora de Colas se inicia con el trabajo del ingeniero dans A. K. Erlang
en la industria telefnica de principios de siglo. El estudio en detalle de los
modelos ms usuales, en que tanto la distribucin de llegadas al sistema
como la del tiempo de servicio son conocidas, y pertenecen a categoras
bien establecidas, est completamente caracterizado. Pero los recursos
tcnicos de carcter matemtico que se requieren para llevar a cabo estos
anlisis hacen que sea la simulacin el mtodo habitual de estudio cuando
los procesos de colas son de cierta complejidad. Debe resaltarse la
95
96
existencia de multitud de lenguajes de simulacin a disposicin de los

usuarios de computadores de las empresas de mayor importancia en el
sector.
La Teora de Juegos se inicia con los primeros resultados de von Neumann
sobre el teorema del minimax en 1926. Sobre todo a partir de la publicacin
de su obra bsica en unin de Morgenstern, asentando la teora de juegos
matriciales. Posteriormente, y como consecuencia de las aportaciones de la
Teora del Control ptimo, se bifurca en los Juegos Diferenciales, que
ahora no nos conciernen, y en el estudio de los juegos cooperativos. Dentro
de estos ltimos, el desarrollo se sustenta en el estudio de la teora del
ncleo, incluyendo el concepto de valor de Shapley y los resultados de
Nash. En cualquier caso, la influencia de esta teora sobre la Organizacin
de la Produccin ha sido muy limitada. En cuanto a la Teora de la Decisin
en condiciones de incertidumbre, toda ella se basa en la estadstica
bayesiana y la estimacin subjetiva de las probabilidades de los sucesos. La
estructuracin de la teora axiomtica de la utilidad es ms reciente,
encontrndose en fase de pleno desarrollo, como muestran las
publicaciones de Schlaifer y Raiffa . En la actualidad se la considera un
instrumento vlido para la estructuracin de la toma de decisiones con
incertidumbre cuando la informacin no es completa. La aplicabilidad a la
Organizacin de la Produccin es reducida debido a que en ella la situacin
es bastante estructurada, pudiendo accederse a una satisfactoria
informacin sobre el contexto. Si acaso, en los planteamientos estratgicos
que pueden darse en la fase de diseo en que la informacin es menor o
incluso no existe, pueden emplearse estos mtodos.
Desde su origen, la Investigacin Operativa se encuentra encarada con
problemas para los que no existe mtodo analtico alguno que permita
obtener, con seguridad y en un tiempo conveniente, el ptimo terico. ste
es, por ejemplo, el caso de los problemas combinatorios en que el sentido
comn da por imposible la enumeracin. Es ms que normal que el tamao
y la naturaleza de ciertos problemas combinatorios nos prohiban
abordarlos por la va del sentido comn. Nuestro buen sentido, educado por
la ciencia, sabe distinguir particularmente los problemas NP completos,
para los cuales no existe un algoritmo que en tiempo polinomial sea capaz
de encontrar la solucin (Garey and Johnson ). De siempre, la investigacin
de operaciones ha establecido, por tales razones, mtodos denominados
heursticos, incapaces de proporcionar el ptimo formal, pero susceptibles
96
97
de llegar a soluciones buenas, tanto ms fiables en cuanto que permiten

determinar al mismo tiempo una cota (superior o inferior) del ptimo
terico con el que se comparan. Con el auge de los microordenadores, hacia
principios de los ochenta, estos mtodos han ido ganando terreno, puesto
que se iba haciendo, cada vez ms, factible y fcil intentar diferentes
heursticas y juzgar su eficacia relativa.
Es de destacar tambin la gran difusin que ha sufrido el software de
optimizacin debido al incremento en la potencia de clculo de los
ordenadores y al abaratamiento del coste de las aplicaciones y del
hardware. Entre algunas de ellas se pueden citar nombres de aplicaciones
de programacin matemtica (para la resolucin de modelos lineales,
mixtos y no lineales) como GINO, MINOS, IMSL, XA, GPSS y CPLEX.
Tambin se pueden mencionar otras aplicaciones pre y postprocesadoras de
las anteriores: ANALYZE, GAMS, AMPL, etc. que permiten de una forma
amigable generar los modelos y analizar sus resultados.
Durante los ltimos aos han aparecido una serie de mtodos, denominados
metaheursticas, cuya finalidad es la de encontrar buenas soluciones a
problemas de optimizacin (lineal o no lineal y con o sin restricciones).
Entre ellos se pueden enumerar los algoritmos genticos, el recocido
simulado, la bsqueda tab y las redes neuronales. Su aplicacin a los
problemas de secuenciacin de todo tipo es una finalidad tpica y clsica.
Es ms, prcticamente todos ellos estn basados en intentar resolver, de la
mejor forma posible, problemas tpicos de Organizacin de la Produccin.
As, los problemas tpicos de secuenciacin de trabajos en mquinas, de
equilibrado de lneas de montaje, de asignacin de rutas, de planificacin
de la produccin, etc. han sido, son y, casi con toda seguridad, sern el
banco de pruebas de las ms modernas tcnicas de bsqueda de soluciones
a problemas en los que, de entrada, se declina la posibilidad de encontrar la
solucin ptima.
Los algoritmos genticos (genetic algorithms) fueron introducidos por
Holland para imitar algunos de los mecanismos que se observan en la
evolucin de las especies. Los mecanismos no son conocidos en
profundidad pero s algunas de sus caractersticas: la evolucin ocurre en
los cromosomas; un ser vivo da vida a otro mediante la decodificacin de
los cromosomas de sus progenitores, el cruce de los mismos, y la
codificacin de los nuevos cromosomas formando los descendientes; las
97
98
mejores caractersticas de los progenitores se trasladan a los descendientes,

mejorando progresivamente las generaciones.
Basndose en estas caractersticas, Holland cre un algoritmo que genera
nuevas soluciones a partir de la unin de soluciones progenitoras utilizando
operadores similares a los de la reproduccin, sin necesidad de conocer el
tipo de problema a resolver.
Los algoritmos de recocido simulado (simulated annealing) fueron
introducidos por Cerny y Kirkpatrick et al. para la optimizacin de
problemas combinatorios con mnimos locales. Utilizan tcnicas de
optimizacin no determinista: no buscan la mejor solucin en el entorno de
la solucin actual sino que generan aleatoriamente una solucin cercana y
la aceptan como la mejor si tiene menor coste, o en caso contrario con una
cierta probabilidad p; esta probabilidad de aceptacin ir disminuyendo con
el nmero de iteraciones y est relacionada con el empeoramiento del coste.
Estos algoritmos derivan de la analoga termodinmica con el proceso
metalrgico del recocido: cuando se enfra un metal fundido
suficientemente despacio, tiende a solidificar en una estructura de mnima
energa (equilibrio trmico); a medida que disminuye la temperatura, las
molculas tienen menos probabilidad de moverse de su nivel energtico; la
probabilidad de movimiento se ajusta a la funcin de Boltzmann.
Entre los distintos mtodos y tcnicas heursticas de resolucin de
problemas combinatorios surge, en un intento de dotar de "inteligencia" a
los algoritmos de bsqueda local, el algoritmo de bsqueda tab (tabu
search),Glover .
La bsqueda tab, a diferencia de otros algoritmos basados en tcnicas
aleatorias de bsqueda de soluciones cercanas, se caracteriza porque utiliza
una estrategia basada en el uso de estructuras de memoria para escapar de
los ptimos locales, en los que se puede caer al "moverse" de una solucin
a otra por el espacio de soluciones. Al igual que en la bsqueda local, la
bsqueda tab selecciona de modo agresivo el mejor de los movimientos
posibles en cada paso. Al contrario que sucede en la bsqueda local, se
permiten movimientos a soluciones del entorno aunque se produzca un
empeoramiento de la funcin objetivo, de manera que sea posible escapar
de los ptimos locales y continuar estratgicamente la bsqueda de mejores
soluciones.
Las redes neuronales (<neural networks>) son modelos analgicos que
tienen como objetivo reproducir en la medida de lo posible las
caractersticas y la capacidad de procesamiento de informacin del
conjunto de neuronas presentes en el cerebro de los seres vivos. Las
98
99
caractersticas principales de estos modelos son su robustez, tolerancia a

fallos, capacidad de adaptacin y aprendizaje y la capacidad de procesar
informacin defectuosa.
Los modelos de redes neuronales intentan conseguir unos buenos
resultados basndose en una densa interconexin de unos sencillos nodos
computacionales llamados neuronas. Aleksander y Morton definen una red
neuronal como un "Procesador distribuido paralelo que posee una
propensin natural para el almacenamiento de conocimiento experimental
hacindolo disponible para su uso. Recuerda al cerebro humano en dos
aspectos: el conocimiento se adquiere mediante un proceso de aprendizaje,

y la conexin interneuronal se utiliza para el almacenamiento del
conocimiento.
Una ventaja importante que presentan las heursticas frente a las tcnicas
que buscan soluciones exactas es que, por lo general, permiten una mayor
flexibilidad para el manejo de las caractersticas del problema. No suele ser
complejo utilizar algoritmos heursticos que en lugar de funciones lineales
utilicen no linealidades. Habitualmente las heursticas proponen un
conjunto de soluciones, ampliando de esta forma las posibilidades de
eleccin del decisor, especialmente cuando existen factores no
cuantificables que no han podido ser reflejados en el modelo pero deben ser
tenidos en cuenta.
En resumen, podra decirse que el uso de estas tcnicas supone la
posibilidad de resolver, de forma prctica, problemas de gran complejidad
que resultaban intratables mediante tcnicas exactas.
99
100
100

Programación Lineal

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Programación Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

Ing.

Santiago Javez Valladares

Formulacin de Modelos Lineales

esta aventura de estudiar esta

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

hace algunos aos hice publicaciones de Investigacin de Operaciones e

Ing. Santiago Javez Valladares

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Fundamentos de la Investigacin de Operaciones (I.O.)

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

1947 GEORGE DANTZING: EL MTODO SIMPLEX.

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Modelos de Programacin Lineal

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Finalmente las restricciones deben tener las mismas unidades en tanto en su

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

el triple de la produccin de vinagre sumado con cuatro veces la

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

El departamento de ventas indica que el potencial de ventas para los

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

carro para maximizar la ganancia total(ingresos menos gastos).Defina todas

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Elabore un modelo lineal para la empresa Elit.

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Porcentaje de nueces en Easy Out Candy:

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Ing.Santiago Javez Valladares

Formulacin de Modelos Lineales

Problema 4.-( produccin )

Ing.Santiago Javez Valladares