Documente Academic
Documente Profesional
Documente Cultură
INVESTIGACIÓN
DE OPERACIONES
Introducción a la Formulación y Solución
de Modelos Matemáticos
Versión 01 – 2013
1
PRESENTACION
1
RECURSOS O ELEMENTOS DE LA EMPRESA. JM Rosario, Argentina. p.1. Documento publicado en:
https://sites.google.com/site/436laempresa/recursos-o-elementos-de-la-empresa . Consulta online 12/01/2013.
2
Por lo tanto, la gama de aplicaciones de la Investigación de Operaciones es
extraordinariamente amplia en la gestión empresarial y cumple un rol importante,
porque permite al responsable, tomar las mejores decisiones para alcanzar un
determinado objetivo propuesto, en función al uso de los recursos disponibles, con
sentido de responsabilidad social y cuidado del medio ambiente.
El texto presenta aspectos teóricos y prácticos con ejemplos resueltos que explican
paso a paso los procedimientos básicos en la formulación de modelos matemáticos,
su aplicación de los métodos de solución del modelo formulado, permitiendo el
aprendizaje de las técnicas y herramientas para su aplicación en la optimización
del uso de recursos limitados.
El Autor.
3
Unidad 1
Formulación de modelos
matemáticos
Contenidos a estudiar:
Antecedentes de la Investigación de
Operaciones.
Definición, característica y etapas de la
Investigación de Operaciones.
Los Modelos en la Investigación de
Operaciones.
Elementos básicos en la formulación de
un Modelo matemático
Formulación de Modelos Matemáticos de
Programación Lineal. Aplicación
Ejemplos de modelos matemáticos de
Programación Lineal.
4
1. Antecedentes de la Investigación de Operaciones
La historia de la civilización es en cierto modo, la historia de la
ingeniería, largo y arduo esfuerzo para hacer que las fuerzas de la naturaleza
trabajen en bien del hombre. Los primeros hombres utilizaron algunos principios
de la ingeniería para conseguir sus alimentos, pieles y construir armas de defensa
como hachas, puntas de lanzas, martillos etc.
2
HISTORIA DE LA INGENIERÍA. El Prisma, Portal para Investigadores. Documento publicado en:
http://www.elprisma.com/apuntes/ingenieria_civil/historiadelaingenieria/ . Consulta online 15/01/2013.
5
Janos Von Neumann publicó en 1928 su trabajo "Teoría de Juegos", que
proporcionó fundamentos matemáticos a la Programación Lineal. Posteriormente,
en 1947, visionó la similitud entre los problemas de programación lineal y la teoría
de matrices que desarrolló.
En 1939, el matemático ruso L. Kantorovich, en colaboración con el matemático
holandes T. Koopmans, desarrolló la teoría matemática llamada "Programación
Lineal", por la que les fue concedido el premio Nobel. A finales de los años 30 y
principios de los 40, George Joseph Stigler planteó un problema particular
conocido como régimen alimenticio optimal o más comúnmente conocido como
problema de la dieta, que surgió a raíz de la preocupación del ejército americano
por asegurar unos requerimientos nutricionales al menor coste para sus tropas.
Fue resuelto mediante un método heurístico cuya solución difería tan sólo unos
céntimos de la solución aportada años más tarde por el Método Simplex 3.
Durante los años 1941 y 1942, Kantorovich y Koopmans estudiaron de forma
independiente el problema del transporte por primera vez, conociéndose este tipo
de problemas como problema de Koopmans - Kantorovich. Para su solución,
emplearon métodos geométricos que están relacionados con la teoría de
convexidad de Minkowski.
Se considera el nacimiento de la
Investigación de Operaciones en
la Segunda Guerra Mundial, de
allí que los historiadores
atribuyen su aparición, durante la
batalla de Inglaterra, donde la
Fuerza Aérea Alemana, es decir la
Luftwaffe, estaba sometiendo a los
británicos a un duro ataque aéreo
ya que ellos tenían una capacidad
aérea pequeña, aunque eran
experimentados en el combate.
El gobierno británico, convocó a
varios científicos de diversas
disciplinas para tratar de resolver el problema de sacar el máximo beneficio de los
radares que disponían. Gracias a su trabajo determinando la localización óptima
de las antenas y la mejor distribución de las señales consiguieron duplicar la
efectividad del sistema de defensa aérea.
Al apreciar el alcance de ésta nueva disciplina, Inglaterra creó otros grupos de la
misma índole para obtener resultados óptimos en la contienda. Al igual que
Estados Unidos, al unirse a la II Guerra Mundial en 1942, creó el proyecto SCOOP
Scientific Computation Of Optimal Programs (Computación Científica de los
Programas Óptimos), donde se encontraba trabajando George Bernard Dantzig,
quien desarrolló en 1947 el algoritmo del Método Simplex.
El primer resultado de estas técnicas fue dado en el año 1952, cuando se usó un
ordenador SEAC de la National Bureau of Standars (Oficina Nacional de
3
HISTORIA DE LA INVESTIGACIÓN OPERATIVA. PHP Simplex, herramienta online. Documento
publicado en: http://www.phpsimplex.com/historia.htm . Consulta online 15/01/2013.
6
Estándares) para obtener la solución de problemas como, determinar la altura
óptima a la que deberían volar los aviones para localizar los submarinos enemigos,
gestión de fondos monetarios para logística y armamento, etc.
El éxito en el tiempo de resolución fue tan alentador que de inmediato se usó para
todo tipo de problemas militares, como determinar la altura óptima a la que
deberían volar los aviones para localizar los submarinos enemigos, e incluso
determinar la profundidad a la que se debían enviar las cargas para alcanzar los
submarinos enemigos de forma que causara el mayor número de bajas, que se
tradujo en un aumento de hasta cinco veces en la eficacia de la fuerza aérea.
Durante las décadas de los 50 y 60, crece el interés y el desarrollo de la
Investigación Operativa, debido a su aplicación en el ámbito del comercio y la
industria. Como ejemplo, el problema del cálculo del plan óptimo de transporte de
arena de construcción a las obras de edificación de la ciudad de Moscú en 1958,
había 10 puntos de origen y 230 de destino. Para resolverlo, se usó un ordenador
Strena, que empleó 10 días en el mes de junio de 1958, y tal solución aportó una
reducción del 11% de los gastos respecto a los costes originales.
Luego de terminar la II guerra mundial, el éxito de la Investigación de Operaciones
en las actividades bélicas generó un gran interés en sus aplicaciones fuera del
campo militar. Desde la década de 1950, se introdujo la Investigación de
Operaciones en la industria, los negocios y el gobierno, desde entonces, esta
disciplina se ha desarrollado con rapidez.
Muchos de los científicos que participaron en la guerra, se encontraron para
buscar resultados sustanciales en este campo; un ejemplo sobresaliente es el
método Simplex para resolución de problemas de Programación Lineal,
desarrollado en 1947 por George Dantzing. Muchas de las herramientas utilizadas
en la Investigación de Operaciones como la Programación Lineal, la Programación
Dinámica, Líneas de Espera y Teoría de Inventarios fueron desarrolladas al final
de los años 50.
En la década de los 80, con la invención de las
computadoras personales, y con el avance
tecnológico cada vez más rápidas y acompañadas
de buenos paquetes de Software desarrollados
para resolver problemas de Investigación de
Operaciones, puso la técnica al alcance de
muchas empresas, organizaciones y personas
quienes lo aplican cuando buscan optimizar sus
costos y utilidades. El desarrollo de la
computadora digital, fue una gran ayuda para la
solución del modelo en Investigación de
Operaciones 4 .
Para más ilustración del lector puede visualizar el Vídeo, haciendo clic o pegar el
siguiente link en su navegador: http://www.youtube.com/embed/yNjTT2rdTgA
4
INVESTIGACIÓN DE OPERACIONES, Introducción. Franco Bellini, Univ. Santa María. Venezuela.
Publicado en: http://www.investigacion-operaciones.com/Introduccion_IO.htm . Consulta online 18/01/2013.
7
1.2. Casos reales de uso de la Investigación Operativa5
La siguiente tabla muestra algunos casos reales de organizaciones que han usado la
Investigación Operativa y las ganancias y/o ahorros conseguidos en su aplicación.
Cuerpo de
Rediseño óptimo del tamaño y forma del cuerpo de
defensa de 1997 $1.100 millones
defensa y su sistema de armas
Sudáfrica
5
CASOS REALES USOS DE LA I. O. PHP Simplex, herramienta online, p.1. Documento publicado en:
http://www.phpsimplex.com/casos_reales.htm . Consulta online 06/02/2013
8
2. Definición, Características y Etapas
Ackoff, R. L. y Sasieni M. W. 1968, en su Libro “Fundamentals of Operations
Research”, definen “La Investigación de Operaciones es la aplicación, por grupos
interdisciplinarios, del método científico a problemas relacionados con el control
de las organizaciones o sistemas, a fin de que se produzcan soluciones que mejor
sirvan a los objetivos de toda organización".
La Investigación de Operaciones es una rama de las matemáticas que
consiste en el uso de modelos matemáticos, estadística y algoritmos con objeto de
realizar un proceso de toma de decisiones 6 . Aspira a determinar el mejor curso
de acción, o curso óptimo, de un problema de decisión con la restricción de los
recursos limitados.
Como técnica para la resolución de problemas, la Investigación de
Operaciones debe visualizarse como una ciencia y como un arte.
Figura 1.1
Figura 1.2
6
INVESTIGACIÓN DE OPERACIONES. Wikipedia, La enciclopedia libre., p. 1, documento publicado en:
http://es.wikipedia.org/wiki/Investigación_de_operaciones Consulta online 11/02/2013.
9
2.1. Características de la Investigación de Operaciones.
La Investigación de Operaciones usa el método científico para investigar el
problema en cuestión. El proceso comienza por la observación cuidadosa y la
formulación del problema incluyendo la recolección de datos pertinentes. De esta
manera intenta resolver los conflictos de interés entre los componentes de la
organización, de forma que el resultado sea el mejor para toda la organización.
La Investigación de Operaciones intenta encontrar a partir de varias soluciones
factibles, una mejor solución (llamada solución óptima), para el problema que está
siendo evaluada. Es necesario emplear el enfoque de equipo. Este equipo debe
incluir personal con conocimientos en matemáticas, estadísticas y probabilidades,
economía, administración de empresas, computación, ingeniería, etc. El equipo
también necesita tener experiencia y las habilidades para permitir la consideración
adecuada de todas las ramificaciones que se deriven del problema.
La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos
muy útiles a la Ingeniería de Sistemas. Entre ellos tenemos: la Programación No
Lineal, Teoría de Colas, Programación Entera, Programación Dinámica, etc.
Figura 1.3
10
los diferentes cursos de acción posibles, los límites de tiempo para tomar una
decisión, etc. Este proceso de definir el problema es crucial ya que afectará en
forma significativa la relevancia de las conclusiones del estudio 7 .
Determinar los objetivos es un aspecto importante en la formulación del problema.
Se necesitan muchos datos para lograr un entendimiento exacto del problema,
para proporcionar el insumo adecuado para el modelo matemático que se
formulará en la siguiente etapa. Muchas veces, el equipo de Investigación de
Operaciones pasará mucho tiempo intentando mejorar la precisión de los datos y
al final tendrá que trabajar con lo que pudo obtener.
7
INVESTIGACIÓN DE OPERACIONES, Metodología. Franco Bellini, Univ. Santa María. Venezuela.
Publicado en: http://www.investigacion-operaciones.com/Metodologia_IO.htm . Consulta online 11/02/2013.
11
Este proceso de prueba y mejoramiento de un modelo para incrementar su validez,
se conoce como validación del modelo. Un enfoque más sistemático para la prueba
del modelo es emplear una prueba retrospectiva. Cuando es apacible, esta prueba
utiliza datos históricos y reconstruye el pasado para determinar si el modelo y la
solución resultante hubieran tenido un buen desempeño, de haberse usado. Al
emplear alternativas de solución y estimar sus desempeños históricos hipotéticos,
se pueden reunir evidencias en cuanto a los efectos relativos de los diferentes
cursos de acción que el modelo predice.
Preguntas de Autoevaluación
Luego de haber realizado la lectura de los temas, responder las siguientes preguntas.
1. ¿Cómo nace la Investigación de Operaciones? Haga un breve comentario
2. ¿Cómo define la Investigación de Operaciones?
3. Defina la importancia de la Investigación de Operaciones en la toma de decisiones
4. ¿Cuál de las fases de la Investigación de Operaciones consideras más crítico? ¿Por qué?
12
3. Los Modelos en la Investigación de Operaciones
Un modelo es la representación propuesta de un sistema real y de la forma
cómo opera o funciona, ver figura 1.4. Es una abstracción selectiva de la realidad.
El modelo, se define como una función objetivo con restricciones que se expresan
en términos de las variables (alternativas) de decisión del problema.
El objetivo de un modelo es analizar el comportamiento del sistema, o bien
predecir su comportamiento futuro. Obviamente los modelos no son tan complejos
como el sistema mismo, de tal manera que se hacen las suposiciones y
restricciones necesarias para representar las porciones más relevantes del mismo.
Sistema real
Sistema MODELO
Propuesto
Figura 1.4
8
TIPOS DE MODELO Y SU SIGNIFICADO. Franco Bellini, U. Santa María. Venezuela, p-2. publicado
en: http://www.investigacion-operaciones.com/Formulacion Problemas.htm . Consulta online 13/02/2013.
13
3.1. Representación de un modelo 9
La representación del modelo puede ser de la siguiente manera:
Conceptual, Cuando se representa la situación real por una descripción
cualitativa bien organizada, que permite la medición de sus factores.
Matemático, Se refiere a una representación numérica por aspectos lógicos y
estructurados con aspectos de la ciencia matemática. Pueden ser números,
letras, imágenes, símbolos. Por ejemplo si se refiere a un modelo gráfico de
matemáticas, se observan imágenes y gráficas matemáticas, que representan a
un modelo numérico y de ecuaciones, los cuales son expresiones visuales
basadas en aspectos cuantificables y de la ciencia matemática.
Físico, Basado en aspectos de la ciencia física. Estos modelos generalmente
representan el fenómeno estudiado utilizando las mismas relaciones físicas del
prototipo, pero reduciendo su escala para hacerlo manejable. Por ejemplo,
pertenecen a este tipo de modelo las representaciones a escalas reducidas de
presas hidráulicas, puertos, o de elementos de estas obras, como un vertedero o
una escollera, etc.
Figura 1.5
9
MODELO CIENTÍFICO. Representación del Modelo. Wikipedia, La enciclopedia libre, p. 2, documento
publicado en: http://es.wikipedia.org/wiki/Modelo_científico . Consulta online 14/02/2013.
14
a) Modelo Determinísticos: Cuando se conoce los datos de manera puntual y
la forma del resultado, no hay de incertidumbre. Es decir, todos los datos son
conocidos. Se aplica a los diversos problemas de: Programación lineal,
programación no lineal, programación entera, modelo de transporte, de
asignación, sistemas de redes, etc.
De manera general, los modelos matemáticos son de índole iterativa, quiere decir,
se llega a la respuesta final en pasos o iteraciones hasta llegar a solución óptima;
pero no todos los modelos matemáticos poseen algoritmos de solución que lleguen
al nivel óptimo por dos razones:
10
TIPOS DE MODELOS MATEMÁTICOS. Juan Sánchez R. Univ. Católica Valparaíso. Publicado en:
http://www.material_simulacion.ucv.cl/tipos_de_modelos_matematicos.htm . Consulta online 14/02/2013.
15
4. Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real,
eliminando las complejidades y haciendo suposiciones pertinentes; se aplica una
técnica matemática y se obtiene una representación simbólica del mismo.
Las variables de decisión son incógnitas que deben ser determinadas a partir de
la solución del modelo. Los parámetros representan los valores conocidos del
sistema o que se pueden controlar. Las variables de decisión se representan
por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
b) Función Objetivo
c) Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos
disponibles. Las restricciones del modelo limitan el valor de las variables de
decisión. Se generan cuando los recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la Restricción
de No Negatividad de las Variables de decisión, o sea: Xi ≥ 0.
Por ejemplo, si una de las variables de decisión representa el número de
empleados de un taller, el valor de esa variable no puede ser negativo. O
también, si una de las variables es la cantidad de mesas a fabricar, su valor
solamente podrá ser igual a cero ó mayor que cero, o sea positivo; sería absurdo
obtener como resultado que se va a fabricar por ejemplo: – 4 mesas.
16
En los problemas complejos pueden aparecer variables exógenas o externas,
importantes para el problema de decisión, y que están condicionadas por
factores fuera del control de la persona que decide, tales como: condiciones
económicas, acciones de los competidores, precios de las materias primas y
otros factores.
Las restricciones, en algunos casos, pueden considerar también ciertas políticas
definidas por la empresa tales como: adquirir los materiales a determinados
proveedores, mantenerse ciertos niveles de calidad, etc.
(Maximizar) ó (Minimizar) Z = C1 X1 + c2 X2 + … + cj Xj + … + cn Xn ; (j = 1, 2, … , n)
Sujeta a restricciones:
17
b) Aditividad.- Porque se puede valorar la función objetivo Z, así como
también los recursos utilizados, sumando las contribuciones de cada uno de
los términos que intervienen en la función objetivo y restricciones.
c) Divisibilidad.- Significa que las variables de decisión son continuas y por
lo tanto son aceptados valores no enteros para ellas. La hipótesis de
divisibilidad más la restricción de no negatividad, significa que las variables
de decisión pueden tener cualquier valor que sea positivo o por lo menos
igual a cero.
d) Certidumbre.- Porque los parámetros o constantes son estimados con
certeza, o sea, no interviene una función de probabilidad para obtenerlos.
Preguntas de Autoevaluación.
2. Un analista financiero debe seleccionar una cartera de inversiones a partir de una diversidad
de alternativas en acciones y bonos. Se debe establecer la cartera que optimice el rendimiento
sobre la inversión asignada. (…………..…………….)
4. Una empresa tiene almacenes en varias ubicaciones en todo el país. Para un conjunto de
demandas de sus productos por parte de sus clientes, la empresa desearía determinar cuánto
debe asignar en embarques a cada uno de los almacenes y a cada cliente, de manera que los
costos totales de transporte resulten óptimos. (……………..………….)
18
5. Formulación de Modelos de Programación Lineal
Es una técnica utilizada para desarrollar modelos matemáticos, diseñada para
optimizar el uso de los recursos limitados en una empresa u organización.
La programación lineal es la interrelación de los componentes de un sistema,
en términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales
llamado Modelo de Programación Lineal.
Figura 1.6
19
Proceso
Disponibilidad de
tiempo: 500 horas
Definición de Variables
Se desea formular un modelo matemático para determinar la cantidad que debe
producirse por cada producto (M y N), por lo tanto tendremos dos variables,
representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N
Función Objetivo
Como se tiene información de Costos de producción de los productos M y N, el
objetivo será minimizarlos:
Costo total de producción de M = (Costo unitario del producto M) (Cantidad a producirse del producto M)
Costo total de producción de N = (Costo unitario del producto N) (Cantidad a producirse del producto N)
Luego la Función Objetivo será Minimizar “C” igual al Costo total de producción
del producto M más el Costo total de producción del producto N.
Definición de Restricciones
El tipo de recurso en el problema es el tiempo (puede ser horas hombre u horas
máquina). Formulamos la restricción, colocando en el lado izquierdo de la
inecuación el consumo unitario de los productos M y N, y en el lado derecho la
cantidad disponible del recurso (500 horas).
20
Matemáticamente la restricción es: 8 x1 + 4 x2 ≤ 500
Condición de No negatividad: x1 ≥ 0 y x2 ≥ ó Xi ≥ 0; i = 1, 2
PROCESO 1 PROCESO 2
x2
Bicicleta montaña 2 kg/unid 2 kg/unid P. Venta: S/. 150
Disponibilidad Disponibilidad de
de 80 kg. Acero 120 kg. Aluminio
Definición de Variables:
Se desea determinar la cantidad de bicicletas a producir por cada modelo (paseo
y montaña), por lo tanto tendremos dos variables.
Sean: x1 = Cantidad de bicicletas de paseo a fabricar
x2 = Cantidad de bicicletas de montaña a fabricar
21
Función Objetivo
El objetivo del problema es maximizar los beneficios económicos totales (Z) de los
modelos de bicicletas que fabricará el empresario.
Precio de venta de la bicicleta de paseo = S/. 200
Precio de venta de la bicicleta de montaña = S/. 150
Definición de Restricciones
Elaboramos una tabla de materia prima consumida (Acero y Aluminio) por cada
modelo de bicicleta (paseo y montaña) y su disponibilidad:
Observación:
El lado derecho de las restricciones, 80 y 120 representa la disponibilidad
en kg. de acero y aluminio respectivamente (materia prima).
El lado izquierdo en las restricciones indica el consumo unitario de materia
prima por cada modelo de bicicleta.
Condición de no negatividad: La producción de cada modelo de las
bicicletas pueden ser cero ó mayor que cero, o sea: x1, x2 ≥ 0
Luego el Modelo matemático de Programación Lineal (con dos variables y
dos restricciones) será:
Maximizar: Z = 200 x1 + 150 x2
Sujeto a: x1 + 2 x2 < 80
3 x1 + 2 x2 < 120
x1, x2 ≥ 0
22
3). Caso de toma de decisiones
Suponga con los datos del problema anterior de Línea de producción 2). Si
el empresario por restricción económica decide fabricar solo un modelo de
bicicleta. ¿Cuál modelo debe elegir? ¿Por qué?
Análisis de decisiones
Las alternativas de fabricación se desarrollan en las restricciones del Modelo
matemático; y la toma de decisiones se determina evaluando en la Función
objetivo las alternativas obtenidas.
23
Beneficio económico de fabricar solo bicicletas de montaña y no
fabricar bicicletas de paseo:
Alternativa 2: Para x2 = 40 y x1 = 0
Toma de decisiones:
Como la Función objetivo es maximizar el beneficio económico, generado por las
ventas, tomamos la decisión de “fabricar solo bicicletas de paseo”, por ser el
modelo que va generar mayor ganancia, equivalente a S/. 8,000.
Observación:
Hemos demostrado la importancia de formular un modelo matemático adecuado,
ya que un error en la formulación del Modelo, nos puede llevar a tomar una
decisión equivocada que puede generar graves consecuencias para la empresa u
organización.
Radio modelo 1 10 60 30 $
Radio modelo 2 8 75 20 $
24
Definición de variables de decisión
x1 = Cantidad de producción diaria de Radios del modelo 1
x2 = Cantidad de producción diaria de Radios del modelo 2
Maximizar: Z = 30 x1 + 20 x2
25
Formulación del Modelo matemático:
Resumimos el problema en el siguiente cuadro, que nos ayudará a formular el
modelo matemático de P.L.
TIPO DE INVERSION
CONCEPTO
Tipo A Tipo B
Beneficio por tipo de inversión 10 % 7%
Inversión por tipo de inversión 6 mil Euros como máximo 2 mil Euros por lo menos
Relación de por tipo de inversión Mayor o igual que el tipo B Menor o igual que el tipo A
26
5). Problema de Racionamiento o dieta alimenticia.- Un granjero tiene
200 cerdos que consumen 90 kg de comida balanceada todos los días. La comida
se prepara con una mezcla de maíz y harina de soya con la siguiente composición
de nutrientes: calcio, proteína y fibra.
Los requisitos de alimento para los cerdos son: cuando menos 0.1% de calcio; por
lo menos 30% de proteína; máximo 5% de fibra. Formule el modelo matemático de
programación lineal, que determine la mezcla óptima de los componentes para
mantener el mínimo de costo por día de la comida balanceada.
27
5 % de fibra disponible en la mezcla: 0.05 (90) = 4.5 kg. de fibra
* Restricción del consumo de fibra en la mezcla: 0.02 x1 + 0.06 x2 < 4.5
Camisas 20 70 12 2.50
Blusas 60 60 4 3.20
12
EJERCICIOS RESUELTO DE POGRAMACIÓN LINEAL. José Albornoz. Monografias.com.
Disponible en: http://www.monografias.com/trabajos94/69-ejercicios-resueltos-programacion-lineal/69-
ejercicios-resueltos-programacion-lineal.shtml . Consulta online 18/02/2013.
28
Definición de la Función objetivo
Se pide determinar el programa de producción semanal óptimo, el cual debe
maximizar la utilidad total de la fabricación de prendas (camisas + blusas) y
quedará expresado de la siguiente manera:
Maximizar: Z = 2.50 x1 + 3.20 x2
29
Problemas de Autoevaluación
1). Una empresa fabrica dos tipos de productos: A y B, cada producto debe pasar por un
proceso de Ensamblaje y por un proceso de Terminado, antes de salir a la venta. El
producto A se vende a $ 60 y el producto B a $ 50 cada unidad respectivamente. La
siguiente tabla muestra el tiempo unitario requerido por cada producto utilizado en cada
proceso; y el tiempo disponible por proceso.
2). Una Fábrica procesa 4 tipos de productos en dos máquinas diferentes: M1 y M2. La
siguiente tabla proporciona la información requerida de tiempo de fabricación por
producto, la utilidad por producto y su disponibilidad máxima de tiempo en horas por
cada máquina.
M1 2 3 4 2 600
M2 3 2 1 2 390
Utilidad ($) 65 70 55 45
3). Una empresa, cuenta con dos máquinas para elaborar dos tipos de productos: 1 y 2.
Cada producto tiene que pasar por la máquina A y después por la máquina B. El producto
1 requiere 3 horas de la máquina A y 2 de la máquina B, mientras que el producto 2
requiere 1 hora de la máquina A y 2 horas de la máquina B. La capacidad de las máquina A
y B son 50 y 65 horas semanales respectivamente. El producto A deja 350 $ y el segundo
producto B deja 600 $ por utilidades semanalmente. Además, por escasez de materia
prima, la empresa no puede elaborar más de 21 unidades en total. Formule el modelo
matemático de Programación lineal que optimice la utilidad.
4). La fábrica de muebles “La Moderna” produce dos tipos de modelos de muebles:
modelo Virginia y modelo Mónaco; utilizando dos procesos, de construcción y pintado. La
utilidad unitaria del modelo Virginia es de $ 200 y del modelo Mónaco es de $ 240.
La tabla siguiente, proporciona los datos básicos del problema.
30
PROCESOS Tiempo de fabricación por modelo Capacidad horaria
Modelo Mónaco Modelo Mónaco disponible
Construcción 6 12 120
Pintado 8 4 64
5). Una compañía manufacturera, produce cuatro diferentes tipos de productos metálicos
que deben maquinarse, pulirse y ensamblarse. Las necesidades específicas de tiempo
unitario (en horas) para cada producto son las siguientes:
Producto I 3 1 2
Producto II 2 1 1
Producto III 2 2 2
Producto IV 4 3 1
La compañía dispone semanalmente de 480 horas para maquinado, 400 horas para el
pulido y 400 horas para el ensamble. Las ganancias unitarias por producto I, II, III y IV
son $6, $4, $6 y $8 respectivamente. La compañía tiene un contrato con un distribuidor
en el que se compromete a entregar semanalmente; por lo menos 50 unidades del
producto I; 100 unidades como mínimo de cualquier combinación de los productos II y
III, según la producción; pero entregar sólo un máximo de 25 unidades del producto IV.
Formule el Modelo matemático de Programación Lineal que permita determinar las
unidades de cada producto que debería fabricar semanalmente la compañía a fin de
cumplir con todas las condiciones del contrato y optimizar su ganancia total.
6). Una refinería de petróleo tiene dos fuentes de petróleo crudo: crudo ligero con un
costo de 35 dólares por barril y crudo pesado a 30 dólares el barril. Con cada barril de
crudo ligero la refinería produce 0.3 barriles de gasolina (G), 0.2 barriles de combustible
para calefacción (C) y 0.3 barriles de combustible para turbinas (T). Mientras que con
cada barril de crudo pesado produce 0.3 barriles de G; 0.4 barriles de C y 0.2 barriles de T.
La refinería tiene programado vender por lo menos 900,000 barriles de G; 800,000
barriles de C y 500,000 barriles de T.
Formular el modelo matemático de programación lineal que permita hallar las cantidades
de crudo ligero y pesado que debe comprar la refinería, para poder cubrir sus necesidades
optimizando su costo.
31
7). Un ganadero utiliza diariamente, por lo menos 800 kg. de alimento especial, el cual es
una mezcla de maíz y soya, con las siguientes composiciones:
Los requerimientos dietética diario del componente especial, requieren por lo menos un
30% de proteínas; y a lo mucho un 5% de fibra.
Formule el modelo matemático de programación lineal, que permita al ganadero
determinar la cantidad en kg. de los componentes del alimento especial, a fin de optimizar
el costo diario de la mezcla.
8). La señora Morales tiene una dieta a seguir, compuesto por los siguientes productos:
pan, queso, huevos y carne; los cuales reúnen los siguientes requisitos alimenticios: al
menos 4 mg. de vitamina A; al menos 6 mg. de vitamina B y a lo más 3 mg. de vitamina D.
La tabla siguiente nos da los requerimientos por vitamina en mg. así como el costo; así
como el contenido en mg por gramo de cada producto:
9). El Departamento de Promoción de una Empresa Consultora tiene que planear para el
mes siguiente, una estrategia de publicidad para lanzar un nuevo producto. Los estudios
del mercado muestran los siguientes resultados:
La publicidad en periódicos llega al 3% de las familias de ingresos altos y al 6% de las
familias de ingresos medios, por anuncios en periódicos
La publicidad por televisión llega al 2% de las familias de ingresos altos y al 3% de las
familias de ingresos medios, por comercial puesto en TV.
La publicidad en periódico tiene un costo de 500$ por anuncio, y en televisión tiene un
costo de 2000% por comercial. La meta de la empresa es obtener al menos una
presentación al 36% de las familias de ingresos altos, al 60% de las familias de ingresos
medios, siendo su objetivo superarlos. Formular el modelo de programación lineal que
optimice los costos de publicidad.
32
Unidad 2
Solución de Modelos de
Programación Lineal
Aplicar metodologías en la
solución de modelos matemáticos
de programación lineal, con apoyo
de programas informáticos,
comparando sus resultados, con
actitud crítica y responsable.
Contenidos a estudiar:
Aplicación del Método gráfico, Método
algebraico en la Solución de modelos
matemáticos de PL.
Variaciones de los elementos del modelo.
Análisis de sensibilidad.
Método Simplex. Aplicación en la solución
de modelos de PL. Problemas.
Uso de programas informáticos libres en
la solución de modelos de PL.
33
1. Métodos de Solución de Modelos de PL
Habiéndose definido previamente el problema, se formula el modelo matemático,
su procedimiento se ha demostrado en la Unidad 1 anterior. El modelo obtenido
estará listo para aplicar los diversos métodos de solución, los cuales permitirán
determinar el valor de las variables de decisión y la función objetivo. Los métodos
de solución que trataremos en la Unidad 2 son los siguientes:
Método gráfico
Método algebraico
Método Simplex, y
Solución del modelo asistido por computadora
34
El método gráfico, es la base para el desarrollo y entendimiento del método
algebraico y del método simplex. Las iteraciones en el desarrollo del algoritmo
van mostrando las soluciones factibles, hasta llegar a la solución óptima.
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia (miles de $/unid) 3 5
35
PLANTA 1 PLANTA 2 PLANTA 3
36
Las restricciones de no negatividad x1 ≥ 0 y
x2 ≥ 0 exigen que el punto (x1, x2) se
encuentre en el lado positivo de los ejes, es
decir, en el primer cuadrante.
Observamos que la restricción x1 ≤ 4 significa
que (x1, x2) no puede estar a la derecha de la
recta x1 = 4. Estos resultados se muestran en
la figura 2.1, el área sombreada contiene los
únicos valores de (x1, x2) permitidos.
Figura 2.1
Figura 2.2
37
La restricción: 3 x1 + 2 x2 ≤ 18, se encuentra al graficar los puntos (x1, x2) de la
recta 3 x1 + 2 x2 = 18 ; haciendo en la recta x1 = 0 hallamos el punto (0, 9); y
haciendo x2 = 0 hallamos el punto (6, 0).
El gráfico de la recta 3 x1 + 2 x2 = 18 cruza a los dos rectas anteriores en los
puntos (4, 3) y (2, 6) tal como se muestra en la figura 2.2.
Para el punto (4, 0), reemplazamos en: Z = 3 x1 + 5 x2 , obtenemos:
Z = 3 (4) + 5 (0) = 12
Para el punto (4, 3), reemplazamos en: Z = 3 x1 + 5 x2 , obtenemos:
Z = 3 (4) + 5 (3) = 27
Para el punto (2, 6), reemplazamos en: Z = 3 (2) + 5 (6) = 36
Para el punto (0, 6), reemplazamos en: Z = 3 (0) + 5 (6) = 30
Para el punto (0, 0), obtenemos: Z =0
Tomamos un punto cualquiera dentro del polígono (región factible), por ejemplo el
punto (3, 4), reemplazamos en Z y obtenemos Z = 29
Solución del problema: La solución óptima será aquel valor que maximiza la
función objetivo del modelo. Por tanto, el valor máximo de la función objetivo “Z”
se encuentra en el punto (2, 6); entonces la solución del problema es: x1 = 2, y
x2 = 6; con el cual se obtiene un Z = 36 (máximo).
2). Problema: La empresa BGC fabrica camisas para caballeros y blusas para
damas y para el almacén de la empresa. El proceso de producción incluye: corte,
costura y empacado. La empresa emplea 25 trabajadores en el departamento de
corte, 35 en el departamento de costura y 5 en el departamento de empacado. La
fábrica trabaja un turno de 8 horas diarias, y sólo 5 días a la semana. La siguiente
tabla proporciona los requerimientos de tiempo y la utilidad por unidad para las
dos prendas.
38
Determine el programa de producción semanal óptimo para la empresa.
39
(0, 3000)
Figura 2.3
(0, 1400)
(0, 1000)
(1200, 0) (3000, 0)
(3000, 0)
40
También podemos indicar en la figura 2.3 que los puntos O, A, G, e I son
soluciones factibles y el punto C es la solución óptima del modelo.
Interpretando de acuerdo al enunciado del problema, se concluye que para
maximizar la utilidad de la empresa BGC, debe producir semanalmente 480
camisas para caballeros y 840 blusas para damas; lo cual le va generar una
utilidad semanal de $ 3,888.00.
Hallamos la solución simultánea de las ecuaciones (1) y (2); se multiplica por (-1)
la ecuación (1) para eliminar la variable x2 y hallar la variable x1.
- 20 x1 - 60 x2 = - 60,000
70 x1 + 60 x2 = 84,000
50 x1 + 0 = 24,000
x1 = 480;
Luego remplazando x1 en la ecuación (1) ó (2) se obtiene x2 = 840
Significa que las ecuaciones (1) y (2) se interceptan en el punto (480, 840).
De igual manera se procede para desarrollar las ecuaciones simultáneas (1) y (3); y
las ecuaciones (2) y (3) y obtenemos los puntos de intersección de las rectas, que
en conjunto forman el espacio de soluciones factibles. Luego se reemplazan los
valores obtenidos de las variables (x1, x2) en cada punto de intersección en la
función objetivo, y obtenemos valores similares como se muestra en la tabla 2.1.
41
3). Problema: La fábrica de muebles “La Moderna” produce dos modelos de
muebles: Virginia y Mónaco; utilizando dos procesos, de construcción y pintado.
La utilidad unitaria del modelo Virginia es de $ 200 y del modelo Mónaco es de $
240. La tabla siguiente, proporciona los datos básicos del problema.
Construcción 6 12 120
Pintado 8 4 64
Variables de decisión
x1 = Cantidad a producir de muebles modelo Virginia.
x2 = Cantidad a producir de muebles modelo Mónaco.
Modelo matemático de PL
Maximizar: Z = 200 x1 + 240 x2
Sujeto a: 6 x1 + 12 x2 < 120
8 x1 + 4 x2 < 64
x1 , x2 > 0
Hallamos la solución simultánea de las ecuaciones (1) y (2); se divide entre (-3) la
ecuación (1) para eliminar la variable x2 y hallar la variable x1 .
-2 x1 - 4 x2 = -40
8 x1 + 4 x2 = 64_ .
6 x1 + 0 = 24
x1 = 4 ;
Luego remplazando x1 en la ecuación (1) ó (2) se obtiene x2 = 8
Significa que las ecuaciones (1) y (2) se interceptan en el punto (4, 8). Además,
haciendo igual a cero cada uno de las variables en las restricciones obtenemos el
punto de intersección con las coordenadas x1 y x2.
42
Solución del modelo con el método gráfico
Se determinan los puntos de intersección en las coordenadas (x1, x2), y obtenemos
los siguientes valores que se muestran en el gráfico de la figura 2.4
Primera restricción: 6 x1 + 12 x2 = 120
Si x1 = 0, entonces x2 = 10; se obtiene el punto A (0, 10)
Si x2 = 0, entonces x1 = 20; se obtiene el punto B (20, 0)
Segunda restricción: 8 x1 + 4 x2 = 64
Se obtiene los puntos: E (0, 16) ; F (8, 0)
x2
Figura 2.4
(0, 10)
(4, 8) Solución óptima
(0, 0) (8, 0)
x1
O 0 0 0
A 0 10 2,400
C 4 8 2,720
E 8 0 1,600
43
Las soluciones factibles se encuentran al graficar las restricciones y la condición de
no negatividad del modelo, formándose un polígono irregular.
También podemos indicar en la figura 2.4 que los puntos O, A, E son soluciones
factibles y el punto C es la solución óptima del modelo.
Interpretando, se concluye que para optimizar la utilidad de la Fábrica de
Muebles “La Moderna” se debe producir 4 muebles modelo Virginia y 8 muebles
modelo Mónaco, lo cual va generar una utilidad de $ 2,720.
44
Análisis Gráfico de Sensibilidad
45
La función objetivos del modelo es maximizar la utilidad diaria total de la
producción de pinturas para exteriores e interiores (en miles de $).
46
Variaciones en los parámetros y coeficientes
A continuación se efectúa unos enunciados que permitirán efectuar variaciones en
los parámetros del modelo anterior, analice y resuelva los nuevos planteamientos
del problema:
47
Preguntas y Problemas de Autoevaluación
2). ¿Cómo están definidos las variables de decisión del modelo a formular?
48
(b) Beneficio económico del modelo de bicicleta de paseo = 80 x1
Beneficio económico del modelo de bicicleta de montaña = 120 x2
7). ¿Cómo se define las restricciones de los recursos del modelo a formular?
Elaboramos una tabla de materia prima empleado por cada modelo de bicicleta y la
disponibilidad máxima:
49
8). El modelo matemático de programación lineal del Problema (A)
formulado es:
Después de haber definido paso a paso los elementos, la formulación del modelo
matemático de programación lineal se define de la siguiente manera:
Maximizar: Z = 80 x1 + 120 x2
Sujeto a: x1 + 2 x2 ≤ 200
3 x1 + 2 x2 ≤ 150
x1, x2 ≥ 0
El modelo matemático es:
(a) Falso
(b) Verdadero
9). Un carpintero fabrica dos tipos (1 y 2) de mesas de madera; cada mesa del tipo 1,
necesita 4 horas de mecanizado primario (preparación de piezas) y 4 horas de mecanizado
secundario (ensamblado / barnizado). Análogamente, cada mesa del tipo 2, necesita 3
horas de mecanizado primario y 7 horas de mecanizado secundario. Las disponibilidades
diarias de mecanizados primario y secundario, son respectivamente de 40 y 56 horas
máquina. La venta de una mesa del tipo 1 reporta un beneficio de 70 dólares, mientras que
la venta de una mesa del tipo 2 de 90 dólares. Determinar el número de mesas de cada
tipo que debe producirse diariamente, para optimizar el beneficio obtenido por las ventas.
Las variables de decisión del problema del carpintero son, x1 y x2 los cuales son las
cantidades diarias de mesas a fabricar de los tipos 1 y 2. Luego, el modelo matemático de
programación lineal del problema será:
Maximizar: Z = 70 x1 + 90 x2
Sujeto a: 4 x1 + 3 x2 ≤ 40
4 x1 + 7 x2 ≤ 56
x1, x2 ≥ 0
(a) Las variables y el modelo matemático del problema no están bien definidos
(b) Las variables y el modelo matemático del problema están bien definidos
(c) Las variables de decisión si están bien definidos pero no el modelo matemático
(d) Las variables de decisión están bien definidos; pero no el modelo matemático
50
(d) Producir diariamente 4 y 7 sillas de los tipos 1 y 2 respectivamente, lo que da lugar
a un beneficio de 800 dólares.
11). Al formular el modelo Dual a partir del modelo Primal, podemos deducir
que:
La función objetivo del modelo dual será; Minimizar: C = 56 y1 + 40 y2 y su valor sera
igual a la función objetivo del modelo primal.
El enunciado de la Dualidad es:
(a) Falso.
(b) Verdadero
12). Al formular el modelo Dual a partir del modelo Primal, podemos deducir
que:
Las restricciones del modelo dual, está sujeto a:
4 y1 + 4 y2 ≤ 70
3 y1 + 7 y2 ≤ 90
(a) El valor de las variables dual es: y1 = 65/8, y2 = 75/8; y el valor óptimo de la
función objetivo es 800.
(b) El valor de las variables dual es: y1 = 75/8, y2 = 65/8; y el valor óptimo de la
función objetivo es 850.
(c) El valor de las variables dual es: y1 = 75/8, y2 = 65/8; y el valor óptimo de la
función objetivo es 800.
(d) El valor de las variables dual es: y1 = 65/8, y2 = 75/8; y el valor óptimo de la
función objetivo es 850.
En esta situación vender tiempo de mecanizado y hacer mesas, han de ser actividades
igualmente lucrativas. Las variables y1 y y2, representan los precios de venta de una hora
de mecanizados primario y secundario respectivamente.
Este enunciado es:
(a) Verdadero.
(b) Falso
51
15). El modelo de transporte es una aplicación del modelo de programación
lineal y puede representarse de varias manera, como (marque por lo menos
una opción):
16). El resultado del valor numérico de la función objetivo del modelo primal,
es igual al valor de la función objetivo de su correspondiente dual.
(a) Verdadero
(b) Falso
Respuestas
1 (a) 7 (b) 13 (d)
2 (e) 8 (a) 14 (a)
3 (a) 9 (b) 15 (c)
4 (d) 10 (a) 16 (a)
5 (a) 11 (a)
6 (a) 12 (a)
BIBLIOGRAFIA
52