Texto Digital de Invop PDF

Universidad Católica Los Ángeles de Chimbote
Escuela Profesional de Ingeniería de Sistemas
INVESTIGACIÓN
DE OPERACIONES
Introducción a la Formulación y Solución
de Modelos Matemáticos
Versión 01 – 2013
Humberto Ángel Chávez Milla

chamir32@yahoo.es
1
PRESENTACION
Como una contribución a la formación profesional de los estudiantes de las

carreras de Ingeniería, Administración y especialidades afines; se presenta el texto
INVESTIGACIÓN DE OPERACIONES, el cual contiene procedimientos y técnicas
básicas para ser usados en la toma de decisiones, con sentido crítico en el uso
eficaz y responsable de los recursos o elementos de una empresa u organización;
buscando como objetivo maximizar los beneficios y minimizar sus costos.
Los tipos de recursos considerados en el presente texto son: recursos humanos,

referidos a todos los grupos humanos de la organización; recursos materiales, se
refiere a las cosas que se utilizan para procesar, transformar, o que se procesan o
transforman en el proceso productivo de un bien o servicio; y recursos técnicos,
que comprende los procedimientos, métodos, organigramas, fórmulas, patentes,
etc. Finalmente los recursos financieros, representado por el dinero y otros bienes
que conforman el capital de una empresa, como son los títulos valores, acciones,
obligaciones, etc. 1.
Para el entendimiento del presente texto se requiere tener conocimientos generales

de la Administración de Operaciones, como parte de la Administración de
Empresas, siendo prerrequisitos en la formación profesional del estudiante, los
cuales enriquecen sus criterios conceptuales para explicar las formas de tomar
decisiones cuando se analizan aspectos técnicos y resultados de problemas de
investigación de operaciones.
Como su nombre lo dice, la Investigación de Operaciones significa "hacer

investigación sobre las operaciones". Entonces, podemos decir que tiene su
aplicación en la solución de problemas referidos a la conducción y coordinación de
operaciones o actividades dentro de una organización que requiere optimizar el
uso de sus recursos limitados.
La Investigación de Operaciones se aplica en áreas tan diversas como en los

procesos de manufactura, el transporte, las telecomunicaciones, la planeación
financiera, el cuidado de la salud, en el campo militar, los servicios públicos, y
otros campos de la producción de bienes y/o servicios.
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 objetivo general del texto es aplicar procedimientos básicos que permitan

resolver problemas de optimización de recursos en las organizaciones, con actitud
crítica, y responsable, valorando su importancia en la gestión empresarial.
Dicho objetivo será desarrollado en tres títulos o unidades de acuerdo a la

programación del silabo/plan de aprendizaje de la asignatura de Investigación de
Operaciones, el cual está conformado por lo siguiente: Formulación de modelos
matemáticos, solución de modelos de programación lineal, e introducción al
modelo de transporte, como una forma de aplicación de los modelos matemáticos.
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.
Cualquier comentario, aportes o sugerencias que pueda brindar el lector serán

bienvenidos, los cuales serán evaluados y considerados en las siguientes versiones,
como una aplicación de la mejora continua del texto.
El Autor.
3
Unidad 1
Formulación de modelos
matemáticos
Objetivo Especifico Unidad 1:
Comprender los antecedentes y

explicar los procedimientos para
formular modelos matemáticos,
identificando sus elementos con
actitud crítica, valorando su
importancia en la optimización de
recursos.
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.
1.1. Historia de la Investigación de Operaciones

El desarrollo de la ingeniería como tal, comenzó con la revolución
agrícola (año 8000 AC), cuando los hombres dejaron de ser nómadas, vivieron en
un lugar fijo para cultivar sus productos y criar animales comestibles 2 .
A lo largo de la historia es frecuente ver la colaboración entre científicos y militares
con el fin de dictaminar la decisión óptima en la batalla. Es por esto que muchos
expertos consideran el inicio de la Investigación de Operaciones en el siglo III A.C.,
durante la II Guerra Púnica, con el análisis y solución que Arquímedes propuso
para la defensa de la ciudad de Siracusa, sitiada por los romanos. Entre sus
inventos se encontraban la catapulta, y un sistema de espejos con el que
incendiaba las embarcaciones enemigas al enfocarlas con los rayos del sol.
En 1503, Leornado Da Vinci participó como
ingeniero en la guerra contra Pisa, conocía
técnicas para realizar bombardeos, construir
barcos, vehículos acorazados, cañones,
catapultas, y otras máquinas bélicas. Otro
antecedente de uso de la Investigación de
Operaciones se debe a F. W. Lanchester,
quien hizo un estudio matemático sobre la
potencia balística de las fuerzas opositoras y
desarrolló, a partir de un sistema de
ecuaciones diferenciales, la Ley Cuadrática
de Combate de Lanchester, con la que era
posible determinar el desenlace de una
batalla militar.
Thomas Edison también hizo uso de la
Investigación Operativa, contribuyendo en la guerra antisubmarina, con sus
grandes ideas, como la protección anti-torpedos para los barcos.
Desde el punto de vista matemático, en los siglos XVII y XVIII, Newton, Leibnitz,
Bernoulli y Lagrange, trabajaron en obtener máximos y mínimos condicionas de
ciertas funciones. El matemático francés Jean Baptiste-Joseph Fourier esbozó
métodos de la actual programación lineal.
En los últimos años del siglo XVIII, Gaspar Monge asentó los precedentes del
Método Gráfico gracias a su desarrollo de la Geometría Descriptiva.
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.
Organización Aplicación Año Ahorros anuales
Integración de una red nacional de inventario de $250 millones en

IBM 1990
refacciones para mejorar el apoyo al servicio menor inventario
Diseño de un sistema de estructura de precios, sobre

American $500 millones más
ventas y coordinación de vuelos para mejorar las 1992
Airlines de ingresos
utilidades
Yellow Freight Optimización del diseño de una red nacional de

1992 $17.3 millones
System, Inc. transporte y la programación de rutas de envío
Desarrollo de un sistema basado en PC para guiar a

AT&T los clientes del negocio en el diseño del centro de 1993 $750 millones
llamadas
Maximización de ganancias a partir de la asignación

Delta Airlines 1994 $100 millones
de los tipos de aviones en 2.500 vuelos nacionales
Reestructuración de toda la cadena de proveedores,

Digital
plantas, centros de distribución, sitios potenciales y 1995 $800 millones
Equipment Corp.
áreas de mercado
Selección y programación óptima de proyectos

China masivos para cumplir con las necesidades futuras de 1995 $425 millones
energía del país
Cuerpo de
Rediseño óptimo del tamaño y forma del cuerpo de
defensa de 1997 $1.100 millones
defensa y su sistema de armas
Sudáfrica
Rediseño del sistema de producción y distribución

Procter and
norteamericano para reducir costos y mejorar la 1997 $200 millones
Gamble
rapidez de llegada al mercado
Programación óptima de empleados para

Taco Bell proporcionar el servicio a clientes deseado con un 1998 $13 millones
costo mínimo
Rediseño de tamaño y localización de inventarios de

$280 millones de
Hewlett-Packard seguridad en la línea de producción de impresoras 1998
ingreso adicional
para cumplir metas de producción
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.
Ciencia, usa técnicas y Arte, usa la creatividad y

algoritmos matemáticos y la habilidad personal de los
estadística para resolver analistas encargados de
problemas de decisión. tomar las decisiones.
Figura 1.1
La Investigación de Operaciones emplea los aspectos de coordinación de

operaciones y actividades de la organización o sistema que se analice, mediante el
empleo de modelos que describan las interacciones entre los componentes del
sistema y de éste con su medio ambiente.
El significado de la Investigación de Operaciones, comprende dos partes: la
Investigación y Operaciones.
Investigación Referido a un enfoque similar de la manera en la que se lleva a

cabo la investigación en los campos científicos establecidos.
Operaciones Porque se resuelven problemas referidos a la conducción de

las operaciones dentro de una empresa u organización.
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.
2.2. Etapas de la Investigación de Operaciones.

Las fases o etapas de un estudio de Investigación de Operaciones son:
Definición del problema y Prueba del modelo

recolección de datos
Formulación de un modelo Preparación para la aplicación

matemático del modelo
Obtención de una solución a Implantación y desarrollo de

partir del modelo procedimientos
Figura 1.3
a) Definición del problema y recolección de datos

La primera actividad que se debe realizar, es el estudio del sistema relevante
y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto
incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede
hacer, las interrelaciones del área bajo estudio con otras áreas de la organización,
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.
b) Formulación de un modelo matemático

Definido el problema, la siguiente etapa consiste en formular un modelo
matemático que represente la esencia del problema. El modelo matemático puede
expresarse entonces como el problema de elegir los valores de las variables de
decisión de manera que se maximice o minimice la función objetivo, sujeta a las
restricciones dadas. Un modelo de este tipo, y algunas variaciones menores sobre
él, tipifican los modelos analizados en la investigación de operaciones.
Un paso crucial en la formulación de un modelo es la construcción de la función
objetivo. Si el estudio contempla más de un objetivo, es necesario combinar las
medidas respectivas en una medida compuesta de efectividad. A veces esta medida
compuesta puede ser algo tangible (como ganancias) y corresponder a una meta
más alta de la organización, o puede ser abstracta (como utilidad).
c) Obtención de una solución a partir del modelo

Según la figura 1.3 después de formular el modelo matemático, se debe
desarrollar un procedimiento para derivar una solución al problema a partir del
modelo formulado. Esta es una etapa relativamente sencilla, en la que se aplican
los algoritmos usando la computadora. Un tema común es la búsqueda de una
solución óptima. Pero es necesario reconocer que estas soluciones son óptimas
sólo respecto al modelo que se está utilizando. Si la solución se implanta, cualquier
cambio en el valor de un parámetro advierte de inmediato la necesidad de cambiar
la solución. El análisis post óptimo, también incluye la obtención de un conjunto
de soluciones que comprende una serie de aproximaciones. Así, las debilidades
aparentes de la solución inicial se usan para sugerir mejoras al modelo formulado,
a sus datos de entrada y quizá al procedimiento de solución. Se obtiene entonces
una nueva solución, y el ciclo se repite.
d) Prueba del modelo

Cuando se completa la primera versión del desarrollo de un modelo
matemático, es inevitable que contenga muchas fallas. El programa debe probarse
de manera exhaustiva para tratar de encontrar y corregir tantos problemas como
sea posible, para ello es necesario revisar nuevamente las etapas anteriores.
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.
e) Preparación para la aplicación del modelo

Consiste en instalar un sistema bien documentado para aplicar el modelo; este
sistema casi siempre está diseñado para computadora. De hecho, con frecuencia se
necesita un número considerable de programas integrados. La base de datos y los
sistemas de información, proporcionan entrada actualizada para el modelo cada
vez que se use, en cuyo caso se necesitan programas de interfaz (interacción con el
usuario). Después de aplicar un procedimiento de solución al modelo, puede ser
que los programas manejen la implantación de resultados de manera automática.
En otros casos se instala un sistema interactivo llamado sistema de soporte de
decisiones, para ayudar a la gerencia a usar datos y modelos para apoyar (no para
sustituir) su toma de decisiones cuando lo necesiten. Otro programa puede generar
informes gerenciales (en el lenguaje administrativo) que interpretan la salida del
modelo y sus implicaciones en la práctica.
f) Implantación y desarrollo de procedimientos

La última etapa del estudio, según la figura 1.3, es implementar el modelo
siguiendo lo requerido por la administración. La etapa de implantación incluye
varios pasos. Primero, dar explicación al área de operaciones sobre el nuevo
sistema que se va a adoptar y su relación con la realidad operativa. Luego, se
comparte la responsabilidad de desarrollar los procedimientos requeridos para
poner este sistema en operación.
El área operativa se encarga después de dar una capacitación detallada al personal
que participa, y se inicia entonces el nuevo plan de acción. El nuevo sistema se
podrá emplear durante algún tiempo, evaluando su aplicación. El equipo de
Investigación de Operaciones supervisa en forma permanente para identificar
cualquier modificación que tenga que hacerse en el futuro y aplicar la mejora
continua del proceso.
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.
No habría ventaja alguna de utilizar modelos si estos no simplificaran la

situación real. En muchos casos podemos utilizar modelos matemáticos que,
mediante letras, números y operaciones, representan variables, magnitudes y sus
relaciones 8 .
Sistema real
Sistema MODELO
Propuesto
Figura 1.4
Un modelo de decisión debe considerarse como un vehículo para resumir un

problema de decisión, en forma tal de que haga posible la identificación y
evaluación sistemática de todas las alternativas de decisión del problema. Después
se llega a una decisión seleccionando la alternativa óptima, el cual será la mejor
entre todas las opciones o soluciones factibles.
Deben establecerse los criterios de toma de decisiones, seleccionando las
alternativas, formulando un modelo y luego evaluarlo (Costos, Beneficios, etc.), e
integrar la información cuantitativa obtenida para luego tomar la mejor
decisión. Muchas veces, para tomar una decisión, hay que incorporar los factores
cualitativos tales como, el liderazgo en la organización, políticas de gobierno,
contaminación ambiental, responsabilidad social, etc.
Un Analista de Investigación de Operaciones debe elegir el plan de acción más

efectivo para lograr las metas de la organización, debiendo seleccionar un conjunto
de medidas o indicadores, utilizar una unidad monetaria, analizar y tomar
decisiones; debe seguir un proceso general de solución, en cualquier situación,
durante la toma de decisiones.
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.
3.2. Clasificación de Modelos

Los modelos matemáticos pueden clasificarse de la siguiente manera.
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.
b) Modelo Probabilístico o Estocástico: Cuando no se conoce el resultado

esperado, sino su probabilidad y existe por lo tanto incertidumbre. Se aplica a
los tipos de problemas, como: Programación estocástica, Teoría de juegos,
líneas de espera o colas, etc.
c) Métodos híbridos: Tienen que ver con los métodos determínisticos y

probabilísticos. Según la figura 1.3 por ejemplo, se aplica a: Programación
dinámica, Pert / Cpm, teoría de inventarios, simulación, etc.
Los modelos de cualquier clase, sin importar su refinamiento y exactitud,

pueden probar ser poco prácticos si no están respaldados con datos confiables. Si
se distorsionan las estimaciones, la solución obtenida, pese a ser óptima en un
sentido matemático, en realidad será de calidad inferior desde la perspectiva del
sistema real. En consecuencia, la disponibilidad de datos puede tener un efecto
directo en la precisión del modelo. La recopilación de datos puede ser la parte más
difícil para determinar un modelo y desgraciadamente no se pueden sugerir reglas
para este procedimiento 10 .
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:
 El algoritmo de solución converge al nivel óptimo solo en teoría. La

convergencia teórica señala que hay un límite superior finito, pero sin indicar
cuan alto puede ser ese límite. Por lo tanto, se puede gastar horas y horas de
computadora sin alcanzar la iteración final.
 La complejidad del modelo matemático puede hacer imposible idear un

algoritmo de solución. Por lo tanto, el modelo puede mantenerse no factible en
términos de cálculo.
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.
Un modelo matemático consta al menos de tres elementos o condiciones básicas:

Las Variables de decisión, la Función Objetivo y las Restricciones.
a) Variables de decisión y parámetros
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
La función objetivo es una relación matemática entre las variables de decisión,

parámetros y una magnitud que representa el objetivo o producto del sistema.
Es la medición de la efectividad del Modelo formulado en función de las
variables. Determina lo que se va optimizar (Maximizar o Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es

óptimo (valor máximo o mínimo), para un conjunto de valores factibles de las
variables. Es decir, hay que reemplazar las variables obtenidas X1, X2, X3,…,
Xn; en la Función Objetivo Z = f (C1X1, C2X2, C3X3,…, CnXn) sujeto a las
restricciones del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función

objetivo debe expresar la relación entre el costo y las variables de decisión,
siendo el resultado el menor costo de las soluciones factibles obtenidas.
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.
Las restricciones, en algunos casos, pueden considerar ciertas políticas

definidas por la empresa tales como: adquirir los materiales a determinados
proveedores, mantenerse ciertos niveles de calidad, etc.
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.
4.1. Modelo de programación lineal general

 Función Objetivo:
(Maximizar) ó (Minimizar) Z = C1 X1 + c2 X2 + … + cj Xj + … + cn Xn ; (j = 1, 2, … , n)
 Sujeta a restricciones:
Condición de no negatividad de las variables:

Toda Xj ≥ 0 ; con (j = 1, 2, … , n)
4.2. Propiedades del modelo de programación lineal 11

Para que un modelo de PL sea válido, debe cumplir las siguientes propiedades:
a) Proporcionalidad.-Significa que la contribución al valor de la función
objetivo y el consumo o requerimiento de los recursos utilizados, son
proporcionales al valor de cada variable de decisión. Así el término 4X1 es
proporcional, porque contribuye al valor de la función Z con 4, 8, 12, etc.
para los valores 1, 2, 3, etc., respectivamente, de X1. Se puede observar el
aumento constante y proporcional de 4 conforme crece el valor de X1. En
contraste, el término no lineal 4X12, contribuye con 4, 16, 36, etc., para los
mismos valores 1, 2, 3, etc., respectivamente, de la variable X1; Aquí se
observa que el aumento en la contribución no es constante y por lo tanto no
hay proporcionalidad.
11
PROGRAMACIÓN LINEAL. Unidad de Informática, UPIICSA, Polilibros. Página publicado en:
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/Investigacion_de_Operaciones_Ca
reaga/Common/IO-modulo1-modelopl.htm . Consulta online 15/02/2013
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.
El modelo de programación lineal es un caso especial de la programación

matemática, porque son sean ecuaciones lineales la función objetivo y todas las
funciones de restricción.
Preguntas de Autoevaluación.
CASOS PARA RESOLVER Y COMENTAR EN GRUPO
La programación lineal es una técnica de resolución de problemas, su desarrollo representa

una ayuda a los responsables de tomar decisiones en la asignación de recursos. A continuación
aparecen algunas aplicaciones típicas de PL, coloque dentro del paréntesis si se trata de un caso de
“Maximizar” o “Minimizar”, sustente la elección de su alternativa:
1. Un fabricante desea desarrollar un programa de asignación en la producción y una política de

inventario que satisfagan la demanda de ventas de periodos futuros. Así se podría cumplir la
demanda optimizando el costo total de producción y de inventario. (…………..…………….)
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. (…………..…………….)
3. Un administrador de mercadotecnia desea determinar la mejor manera de asignar un

presupuesto de publicidad como radio, televisión, periódicos y revistas. Determinar la
combinación de medios que optimice la efectividad de la publicidad. (……………..………….)
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. (……………..………….)
5. Después de analizar los casos anteriores. Defina la optimización de recursos.
6. Establezca la diferencia entre un Modelo Determinístico y un Modelo Probabilístico
Respuestas: En el caso 1, el fabricante desea minimizar costos; en el caso 2, el analista

financiero desea maximizar el rendimiento sobre la inversión; en el caso 3, el gerente de
mercadotecnia desea maximizar la efectividad de la publicidad, y en el caso 4, la empresa desea
minimizar los costos totales de transporte. En todos los problemas de programación lineal, el
objetivo es el máximo o bien el mínimo de alguna cantidad en la acción de asignar recursos.
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.
El Modelo de Programación Lineal, es una representación simbólica de la

realidad que se estudia, o del problema que se va a solucionar. Se forma con
expresiones de lógicas matemáticas, conteniendo términos que significan
contribuciones: a la utilidad (con máximo) o al costo (con mínimo) en la Función
Objetivo del modelo. Y al consumo de recursos disponibles (con desigualdades ≤ ó
≥ e igualdades =) en las restricciones.
En el presente texto desarrollaremos Modelos Matemáticos de Programación

Lineal de: Maximización y Minimización, los cuales estarán indicados en la
Función Objetivo del Modelo.
Modelo de Cuando se desea maximizar o incrementar las: Utilidades,

Maximización Producción, Ventas, Beneficios, Rentabilidad, Publicidad, etc.
Modelo de Cuando se desea minimizar o disminuir los: Costos, pérdidas,

Minimización paradas, desperdicios, distancias, tiempos inoperativos, etc.
Figura 1.6
5.1. Problemas de aplicación para formular modelos
1). Problema de Proceso de Producción.- Una fábrica produce dos tipos de

productos: M y N, los costos de producción de ambos productos son $3 para el
producto M y $5 para el producto N. El tiempo total de producción está restringido
a 500 horas; y los tiempos de producción son de 8 horas/unidad para el producto
M y de 4 horas/unidad para el producto N. Formule el Modelo matemático que
permita determinar la cantidad de productos M y N a producir, y que optimice el
Costo total de producción de los dos productos.
Formulación del Modelo
En la formulación del modelo, podemos ayudarnos con la representación del

Problema mediante un organizador gráfico o esquema:
19
Proceso
Producto M Costo producción M: $ 3

8 hr/unid
Producto N Costo producción N: $ 5

4 hr/unid
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 M = ( 3 $/unidad ) (x1 unidades ) = 3 x1 $
Costo total de producción de N = (Costo unitario del producto N) (Cantidad a producirse del producto N)
Costo total de producción de N = ( 5 $/unidad ) (x2 unidades ) = 5 x2 $
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.
Matemáticamente la Función Objetivo es: Minimizar: C = 3 x1 + 5 x2
 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).
8 hr/unid x1 4 hr/unid x2 Horas disponibles

(t. unitario prod. M) (Cant. prod. M) + (t. unitario prod. N) (Cant. prod. N) ≤ 500
LADO
LADO IZQUIERDO (Tiempo unitario por producto M y N) DERECHO
20
Matemáticamente la restricción es: 8 x1 + 4 x2 ≤ 500
Condición de No negatividad: x1 ≥ 0 y x2 ≥ ó Xi ≥ 0; i = 1, 2
Resumiendo tenemos el siguiente Modelo matemático de Programación Lineal del

Problema (un modelo con dos variables y una restricción, estando listo para
aplicar un método de solución:
Minimizar: C = 3 x1 + 5 x2 (Función Objetivo)

Sujeto a: 8 x1 + 4 x2 500 (Restricción)
x1 0 , x2 0 (No negatividad)
2). Problema de Líneas de Producción.- Un empresario tiene 80 kg de acero

y 120 kg de aluminio, y quiere fabricar dos modelos de bicicletas: bicicletas de
paseo y bicicletas de montaña, para venderlas en el mercado a S/. 200 y S/. 150
respectivamente cada modelo, a fin de obtener el máximo beneficio. Para la
bicicleta de paseo empleará 1 kg de acero y 3 kg de aluminio, y para la bicicleta de
montaña usará 2 kg de ambos metales. Formular el modelo matemático de
programación lineal, que permita determinar la cantidad óptima de bicicletas a
producir, para obtener el mayor beneficio económico.
Formulación del Modelo
Representamos el Problema mediante un organizador gráfico o esquema
PROCESO 1 PROCESO 2
x1 P. Venta: S/. 200

Bicicleta paseo 1 kg/unid 3 kg/unid
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
Beneficio económico = Precio de venta unitario x cantidad a fabricar
Beneficio económico total de bicicleta de paseo = 200 x1

Beneficio económico total de bicicleta de montaña = 150 x2
Luego la Función objetivo será: Maximizar: Z = 200 x1 + 150 x2
 Definición de Restricciones
Elaboramos una tabla de materia prima consumida (Acero y Aluminio) por cada
modelo de bicicleta (paseo y montaña) y su disponibilidad:
Modelo de bicicleta Acero Aluminio

Paseo 1 kg. 3 kg.
Montaña 2 kg. 2 kg.
Disponibilidad de materia prima 80 kg. 120 kg.
Restricción del consumo de Acero en la fabricación de bicicletas:

1 x1 + 2 x2 < 80
Restricción del consumo de Aluminio en la fabricación de bicicletas:
3 x1 + 2 x2 < 120
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.
La decisión a tomar, por restricción económica, es producir un solo modelo de

bicicleta que genere mayor beneficio al empresario. Luego desarrollamos las
alternativas evaluando en las restricciones del modelo:
 Alternativa 1: Producir solo bicicletas de paseo y no producir bicicletas

de montaña, significa hallar x1 haciendo x2 = 0
Reemplazamos en la primera restricción: x1 + 2 x2 < 80
x1 + 2 (0) < 80 luego: x1 < 80
Reemplazamos en la segunda restricción: 3 x1 + 2 x2 < 120
3 x1 + 2 (0) < 120 luego: x1 < 40
Tomamos el valor de x1 que cumpla en ambas restricciones, y debe ser el mínimo

de los valores obtenidos: Min (80, 40) = 40 ; o sea: x1 = 40
 Alternativa 2: Producir solo bicicletas de montaña y no producir

bicicletas de paseo, significa hallar x2 haciendo x1 = 0
Seguimos el mismo procedimiento realizado en el punto anterior, evaluando en las
restricciones del modelo y hallamos: x2 = 40
(El lector debe demostrar el valor de x2 obtenido).
La toma de decisiones se realiza evaluando en la Función objetivo las

alternativas de fabricación obtenidas por modelo de bicicleta. A continuación se
muestra el procedimiento a realizar.
 Beneficio económico de fabricar solo bicicletas de paseo y no
fabricar bicicletas de montaña:
Alternativa 1: Para x1 = 40 y x2 = 0
Reemplazamos en la Función Objetivo: Z = 200 x1 + 150 x2

; obtenemos: Z = S/. 8,000
23
 Beneficio económico de fabricar solo bicicletas de montaña y no
fabricar bicicletas de paseo:
Alternativa 2: Para x2 = 40 y x1 = 0
Reemplazamos en la Función Objetivo: Z = 200 x1 + 150 x2

; obtenemos: Z = S/. 6,000
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.
4) Problema de Línea ensamblaje.- Una compañía de productos electrónicos,

produce dos modelos de radio: 1 y 2, cada uno en una línea de producción de
volumen diferente. La capacidad diaria de la primera línea es de 60 radios del
modelo 1 y la segunda es de 75 radios del modelo 2. Cada unidad del primer
modelo utiliza 10 piezas del componente electrónico especial, en tanto que cada
unidad del segundo modelo requiere 8 piezas del mismo componente. La
disponibilidad diaria máxima del componente especial es de 800 piezas.
La ganancia por unidad de modelos de radios 1 y 2 es $ 30 y $ 20 respectivamente.
Formule el modelo matemático que determine la producción diaria óptima de cada
modelo de radio.
Formulación del Modelo matemático:

Resumimos el problema en el siguiente cuadro, que nos ayudará a formular el
modelo matemático de Programación Lineal.
Consumo de pieza Capacidad diaria de Ganancia por

Modelo de Radio
por modelo producción unidad ($/modelo)
Radio modelo 1 10 60 30 $
Radio modelo 2 8 75 20 $
Disponibilidad diaria 800 piezas

máxima de piezas
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
 Definición de la Función objetivo

Ganancia total de Radios del modelo 1 = 30 x1
Ganancia total de Radios del modelo 2 = 20 x2
El objetivo del problema es maximizar las ganancias totales de los modelos de
radios. Luego la Función objetivo será:
 Definición de las restricciones

Restricción de capacidad diaria de producción por cada modelo:
Del modelo 1: x1 < 60
Del modelo 2: x2 < 75
Restricción del consumo de piezas del componente especial:
10 x1 + 8 x2 < 800
El lado derecho de la restricción del consumo de piezas (800) representa la
disponibilidad máxima de piezas del componente especial para los dos modelos.
Luego el Modelo matemático de Programación Lineal será:

Sujeto a: x1 < 60
x2 < 75
10 x1 + 8 x2 < 800
x1, x2 ≥ 0
5). Problema de Decisión de Inversiones.- A una persona le toca 10 mil

Euros en una herencia y le aconsejan que los invierta en dos tipos de acciones: A y
B. Las de tipo A tienen más riesgo, pero producen un beneficio del 10%. Las de tipo
B son más seguras, pero producen sólo el 7% anual. Después de varias
deliberaciones y análisis, decide invertir como máximo 6 mil en la compra de
acciones tipo A y por lo menos 2 mil en la compra de acciones tipo B.
Además, decide que lo invertido en A sea por lo menos, igual a lo invertido en B.
Formule el modelo matemático, que le permita a la persona, invertir toda su
herencia para obtener el máximo beneficio anual.
25
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

x1 = Cantidad invertida en acciones de tipo A
x2 = Cantidad invertida en acciones de tipo B

Beneficio anual de Inversión del tipo A = 10 % x1 ó 0.1 x1
Beneficio anual de Inversión del tipo B = 7 % x2 ó 0.07 x2
El objetivo del problema es maximizar el beneficio total anual de los dos tipos
de inversión.
Luego la Función objetivo será: Maximizar: Z = 0.1 x1 + 0.07 x2

Restricción por tipo de inversión del tipo A: x1 < 6 (miles de Euros)
Restricción por tipo de inversión del tipo B: x2 > 2 (miles de Euros)
Relación según tipo de inversión: x1 > x2
Inversión total de la herencia por tipo: x1 + x2 < 10 (miles de Euros)
Resumiendo tenemos el Modelo matemático de Programación Lineal (con 2

variables y 4 restricciones):
Maximizar: Z = 0.1 x1 + 0.07 x2
Sujeto a: x1 < 6
x2 > 2
x1 - x2 > 0
x1 + x2 < 10
x1, x2 > 0
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.
Componente Calcio Proteína Fibra Costo ($/kg)

Maíz 0.001 0.09 0.02 0.20
Harina de Soya 0.002 0.60 0.06 0.60
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.

La mezcla de la comida balanceada está compuesta por maíz y harina de soya

x1 = Kg de maíz en la mezcla de la comida balanceada.
x2 = Kg de harina de soya en la mezcla de la comida balanceada.

Costo total del maíz en la mezcla = 0.20 x1
Costo total de la harina de soya en la mezcla = 0.60 x2
El objetivo del problema es minimizar los costos totales de los componentes de la

mezcla de la comida balanceada (maíz + harina de soya).
Luego la Función objetivo será: Minimizar: C = 0.20 x1 + 0.60 x2

 Restricción del consumo de componentes de mezcla (maíz + harina de soya):
x1 + x2 = 90 (kg de mezcla de comida diariamente).
 Restricción del consumo de nutrientes (calcio, proteína y fibra). Halamos el

consumo disponible de cada uno en la mezcla total de 90 kg en la comida
balanceada (lado derecho), luego tenemos:
0.1 % de calcio disponible en la mezcla: 0.001(90) = 0.09 kg. de calcio
* Restricción del consumo de calcio en la mezcla: 0.001 x1 + 0.002 x2 > 0.09
30 % de proteína disponible en la mezcla: 0.30 (90) = 27.0 kg. de proteína

* Restricción del consumo de proteína en la mezcla: 0.09 x1 + 0.60 x2 > 27.0
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

Minimizar: C = 0.20 x1 + 0.60 x2

Sujeto a: x1 + x2 = 90
0.001 x1 + 0.002 x2 > 0.09
0.09 x1 + 0.60 x2 > 27.0
0.02 x1 + 0.06 x2 < 4.5
x1, x2 > 0
6). Problema de Líneas de producción.- 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.
Minutos por unidad x trabajador Utilidad

Prendas
Corte Costura Empacado ($/unidad)
Camisas 20 70 12 2.50
Blusas 60 60 4 3.20
Determine el programa de producción semanal óptimo para la empresa 12 .

El problema enfoca directamente la producción de dos tipos de prendas: camisas
para caballeros y blusas para damas.

x1 = Cantidad de camisas para caballeros a fabricarse semanalmente.
x2 = Cantidad de blusas para damas a fabricarse semanalmente.
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
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

Se debe tener cuidad0 al escoger las “unidades de trabajo”, estas deben ser
uniformizados. En el problema se pide el programa de producción semanal y los
datos que nos suministra la tabla están en minutos; además, en el enunciado del
problema se señala turno de 8 horas diarias durante 5 días a la semana.
Debemos calcular cuantos minutos en la semana se trabaja en la empresa BGC:
= (60 minutos/hora) (8 horas/día) (5 días/semana) = 2,400 minutos/semana.
a) El Departamento de corte emplea a 25 trabajadores; entonces los minutos

disponibles son: 2,400 minutos x 25 trabajadores = 60,000 min. x trab.
La restricción será: 20 x1 + 60 x2 < 60,000
b) Departamento de costura = 2,400 min. x 35 trab = 84,000 min. x trab.
La restricción será: 70 x1 + 60 x2 < 84,000
c) De manera similar se obtiene la restricción para el departamento de
empacado (el lector debe realizar la demostración).

Maximizar: Z = 2.50 x1 + 3.20 x2

Sujeto a: 20 x1 + 60 x2 < 60,000
70 x1 + 60 x2 < 84,000
12 x1 + 4 x2 < 12,000
x1 , x2 > 0
En la siguiente Unidad 2, se realiza la demostración del procedimiento para hallar

la solución de los modelos matemáticos de programación lineal, utilizando
diversos métodos de solución y el análisis de sensibilidad cuando se realiza la
variación de los datos iniciales del problema. También se mostrará las aplicaciones
usando programas informáticos para la solución de modelos.
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.
Producto Proceso Ensamblaje Proceso Terminado

A 2 horas 3 horas
B 4 horas 2 horas
Tiempo disponible por proceso 48 horas 36 horas
Represente el problema usando un ordenador gráfico o esquema. Formule el Modelo

matemático que optimice la venta total de los productos, indicando paso a paso la
definición de los elementos o condiciones básicas del modelo.
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.
Máquina Tiempo de fabricación por producto (horas) Disponibilidad

Producto A Producto B Producto C Producto D de tiempo (hr.)
M1 2 3 4 2 600
M2 3 2 1 2 390
Utilidad ($) 65 70 55 45
Represente el problema ayudándose de un gráfico o esquema. Formule el Modelo

matemático que permita determinar la cantidad óptima a producir por cada producto y
maximizar la utilidad total de los productos.
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
Con la información indicada se pide:

a) Formular el modelo matemático de PL que optimice las utilidades de la fábrica.
b) Con el modelo formulado, simule las siguientes soluciones factibles:
 Suponga que la fábrica desea producir 5 muebles de cada modelo. ¿Cuál seria la
utilidad total de la fábrica?
 Si por restricciones de capital, la fábrica se restringe a producir un solo tipo de
modelo. ¿Qué modelo de mueble elegiría? ¿Por qué?
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:
Tipo de Producto Maquinado Pulido Ensamble
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:
Componente del Kg. de nutrientes por kg. de alimento Costo del

alimento especial Fibra Proteínas componente ($/kg)
MAIZ 0.09 0.02 0.30

SOYA 0.60 0.06 0.90
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:
PRODUCTO COSTO Vitamina A Vitamina B Vitamina D
PAN 40.0 0.20 0.18 0.10
QUESO 31.0 0.15 0.10 0.14
HUEVOS 19.0 0.15 0.40 0.15
CARNE 53.0 0.30 0.35 0.16
Formule el modelo matemático de programación lineal, que optimice el costo de la dieta

que consume la señora Morales.
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
Objetivo Especifico Unidad 2:
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.
 Teoría de la Dualidad. Relaciones Primal

vs. Dual. Interpretación económica.
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
1.1. El método gráfico. Procedimiento y aplicación

Se aplica cuando tenemos un modelo matemático de Programación Lineal con dos
variables solamente y cualquier número de restricciones (la función objetivo y
restricciones son funciones lineales). Los pasos a seguir para hallar la solución
gráfica son los siguientes:
a) Representar gráficamente las restricciones del modelo, ubicando los puntos
de intersección con los ejes x e y ó x1 y x2.
b) Unir los puntos de intersección en los ejes o coordenadas con una recta para
cada restricción del modelo.
c) Ubicar todos los puntos de intersección que se generan en el cruce de las
rectas de cada restricción graficadas en el plano.
d) Determinar el espacio de soluciones, que define las soluciones factibles que
satisfacen las restricciones.
e) Determinar la solución óptima probando todos los puntos de intersección en
el espacio de soluciones factibles.
Una solución óptima de Maximización (utilidades)

o Minimización (costos), se encuentra siempre en
uno de los vértices o puntos de esquina del conjunto
de soluciones factibles, formado por la intersección
de las líneas de restricción.
Solución factible, es la solución que satisface las

restricciones del modelo y cumple con las
restricciones de no negatividad. Un modelo
matemático de programación lineal tiene varias
soluciones factibles.
Solución óptima, es una solución factible que

optimiza la función objetivo, maximizándolo o
minimizándolo según el modelo matemático.
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.
Aplicación del método gráfico

Presentamos problemas para mostrar la aplicación, análisis e interpretación
del método gráfico:
1). Problema: La Compañía WG produce artículos de vidrio de alta calidad,

incluyendo ventanas y puertas de vidrio. La compañía tiene tres plantas. Los
marcos y molduras de aluminio se hacen en la planta 1, los marcos de madera se
realizan en la planta 2 y en la planta 3 se produce el vidrio y se ensamblan los
productos. La gerencia ha decidido reorganizar la línea de producción. Se va
emprender la fabricación de dos productos nuevos que han tenido demanda. El
producto A es una puerta de vidrio con marco de aluminio. El producto B es una
ventana grande para vidrio doble con marco de madera. El departamento de
mercadotecnia indica que la compañía tiene mercado para vender la producción de
cualquiera de los productos. Ambos productos compiten por la misma capacidad
de producción en la planta 3. Se determinó la capacidad de producción en cada
planta que estará disponible para los productos A y B, el porcentaje de esta
capacidad que requiere cada unidad producida y la ganancia unitaria semanal por
cada producto. La información se resume en la siguiente tabla:
Producto (tiempo unitario) Capacidad disponible

Planta
A B por Planta
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia (miles de $/unid) 3 5
Determinar la producción de puertas y ventanas de vidrio que permita optimizar

las ganancias por la venta semanal de los productos. Hallar la solución del
problema aplicando el método gráfico.
Esquematización y Formulación del modelo matemático de PL
Para hallar la solución del problema primero esquematizamos el problema
Características del producto:

Producto A = puerta de vidrio con marco de aluminio.
Producto B = ventana grande para vidrio doble con marco de madera.
35
PLANTA 1 PLANTA 2 PLANTA 3
MP “A” Producto “A”
MP “B” Producto “B”
Capacidad 4 Capacidad 12 Capacidad 18
 Definición de las variables de decisión:

x1 = número de lotes del producto A fabricados por semana
x2 = número de lotes del producto B fabricados por semana
 Definición de la Función objetivo:

Z = ganancia total semanal (en miles de $) por elaborar los dos productos.
Optimizar las ganancias significa maximizar la función objetivo
 Definición de las restricciones:

Solo tenemos restricciones de capacidad disponible por planta
Planta 1: x1 ≤ 4 ; Planta 2: 2 x1 ≤ 12 y
Planta 3: 3 x1 + 2 x2 ≤ 18
Luego el modelo matemático de programación lineal del problema será:

Sujeto a: x1 ≤ 4
2 x1 ≤ 12
3 x1 + 2 x2 ≤ 18
x1 , x2 > 0
Solución del modelo con el método gráfico:

Como el problema tiene sólo dos variables de decisión, o sea dos dimensiones, se
puede usar el método gráfico para hallar la solución. Este procedimiento incluye la
construcción de una gráfica de dos dimensiones con x1 y x2 en los ejes.
El primer paso es dibujar en el plano cartesiano x1 x2 cada una de las rectas que
limitan los valores permitidos por cada restricción.
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
De igual manera, la restricción 2 x2 ≤ 12 (equivalente a x2 ≤ 6) implica que la

recta 2 x2 = 12 cruza la recta x1 = 4 en el punto (4, 6) formando una nueva área
sombreada cuando se grafica las restricciones, como se muestra en la figura 2.2.
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).
Interpretando la respuesta de acuerdo al problema, se debe tomar la decisión

de producir semanalmente 2 puertas de vidrio con marco de aluminio y 6
ventanas grande para vidrio doble, los cuales generan una ganancia semanal de
36,000 $ por la venta de los dos productos.
Se demuestra también que la solución óptima del modelo matemático se encuentra

solamente en uno de los vértices del polígono. Además, podemos advertir que una
mala formulación de la función objetivo del modelo nos puede llevar a tomar una
decisión equivocada, lo cual aplicado a la gestión empresarial puede generar graves
consecuencias.
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.
Minutos por unidad x trabajador Utilidad

Prendas
($/unidad)
Corte Costura Empacado
Camisas 20 70 12 2.50
Blusas 60 60 4 3.20
 Definición de variables de decisión

x1 = Cantidad de camisas para caballeros a fabricarse semanalmente.
x2 = Cantidad de blusas para damas a fabricarse semanalmente.
El proceso de formulación del modelo matemático de programación lineal fue
desarrollado en la Unidad 1.
 Formulación del modelo de PL

Tiempo disponible por Proceso de Corte:
Maximizar: Z = 2.50 x1 + 3.20 x2
Sujeto a: 20 x1 + 60 x2 < 60,000
70 x1 + 60 x2 < 84,000
12 x1 + 4 x2 < 12,000
x1 , x2 > 0
 Solución del modelo con el método gráfico

Primero se procede a graficar las restricciones del modelo, determinamos los
puntos de intersección en las coordenadas (x1, x2), y obtenemos los siguientes
valores que se muestran en el gráfico de la figura 2.3:
Primera restricción: 20 x1 + 60 x2 < 60,000

Si x1 = 0, entonces x2 = 1000; se obtiene el punto A (0, 1000)
Si x2 = 0, entonces x1 = 3000; se obtiene el punto B (3000, 0)
Segunda restricción: 70 x1 + 60 x2 < 84,000

Se obtiene los puntos E (0, 1400) ; F (1200, 0)
Tercera restricción: 12 x1 + 4 x2 < 12,000

Se obtiene los puntos H (0, 3000) ; I (1000, 0)
39
(0, 3000)
Figura 2.3
(0, 1400)
(0, 1000)
(1200, 0) (3000, 0)
(3000, 0)
Al graficar las restricciones y la condición de no negatividad del modelo, se limita

un área sombreada formándose un polígono irregular, en donde se encuentran las
soluciones factibles.
Seguidamente desarrollamos el procedimiento reemplazando todos los puntos O,
A, C, G, I; que forman los vértices del polígono (región factible) en la función
objetivo: Z = 2.50 x1 + 3.20 x2; y obtenemos los siguientes resultados:
Punto Variable x1 Variable x2 Función Objetivo (Z)

O 0 0 0
A 0 1,000 3,200
C 480 840 3,888
G 872.7 381.8 3,403.6
I 1,000 0 2,500
Solución del problema

La solución óptima será aquel valor que maximiza la función objetivo del modelo.
Luego la solución del problema es el valor máximo de Z, el cual se encuentra en el
punto C (480, 840).
Entonces la solución del problema es: x1 = 480, y x2 = 840. Con el cual se obtiene
un valor de Z = 3,888 $ (utilidad total).
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.
1.2. Aplicación del método algebraico
El método algebraico complementa al método gráfico en la solución del modelo, se

determina resolviendo como ecuaciones simultáneas las restricciones del modelo,
de dos en dos, para hallar el punto de intersección de las rectas.
Aplicamos el método algebraico en la solución del problema 2). Tomamos las

restricciones del modelo y lo expresamos como ecuaciones, luego procedemos a
desarrollar:
20 x1 + 60 x2 = 60,000 ………. (1)
70 x1 + 60 x2 = 84,000 ………. (2)
12 x1 + 4 x2 = 12,000 ………. (3)
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.
El grafico de las restricciones permite visualizar el espacio de soluciones para

hallar las soluciones factibles del modelo y determinar la solución óptima.
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.
PROCESOS Tiempo de fabricación por modelo Capacidad horaria

Modelo Virginia Modelo Mónaco disponible
Construcción 6 12 120
Pintado 8 4 64
Con la información indicada se pide determinar la producción de muebles que

optimice las utilidades de la fábrica.
 Variables de decisión
x1 = Cantidad a producir de muebles modelo Virginia.
x2 = Cantidad a producir de muebles modelo Mónaco.
 Modelo matemático de PL
Sujeto a: 6 x1 + 12 x2 < 120
8 x1 + 4 x2 < 64
x1 , x2 > 0
Solución con el método algebraico

Tomamos las restricciones del modelo y lo expresamos como ecuaciones, luego
procedemos a desarrollar:
6 x1 + 12 x2 = 120 ………. (1)
8 x1 + 4 x2 = 64 ………. (2)
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
Seguidamente reemplazamos en la función objetivo: Z = 200 x1 + 240 x2; todos

los puntos O, A, C, E; que forman los vértices del polígono y obtenemos:
Punto Variable x1 Variable x2 Función Objetivo (Z)
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.
Solución e interpretación del problema

La solución óptima será aquel valor que maximiza la función objetivo del modelo.
Luego la solución del problema es el valor máximo de Z, el cual se encuentra en el
punto C (4, 8). Entonces la solución del problema es: x1 = 4, y x2 = 8. Con el cual
se obtiene un valor de Z = 2,720 $ (utilidad total).
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.
1.3. Aplicación del método Simplex
Es el momento de comenzar a estudiar el método simplex, un procedimiento

general para resolver diversos problemas de programación lineal, para hallar el
valor de 2 ó más variables de decisión.
Desarrollado por George Dantzig en 1947, el método simplex, es un procedimiento
que se ha comprobado su extraordinaria eficiencia, y se usa en forma rutinaria
para resolver problemas con muchas variables utilizando la computadora. Para ello
se han desarrollado una amplia variedad de paquetes
complejos de software para resolver modelos
matemáticos de programación lineal y otros más
complejos. También se usan extensiones y variaciones
del método simplex para realizar análisis post óptimo
(que incluye el análisis de sensibilidad) del modelo.
En la Unidad 2, se describen y ejemplifican las
características principales del método simplex. Se
presenta su naturaleza general junto con su
representación geométrica, desarrollaremos el
procedimiento para resolver modelos de programación
lineal que se establezca en nuestra forma estándar
(maximización, todas las restricciones funcionales de la forma ≤ y restricciones de
no negatividad sobre todas las variables) y que sólo tenga cantidades no negativas
en el lado derecho de las restricciones funcionales.
44
Análisis Gráfico de Sensibilidad
Un modelo matemático de programación lineal es una representación sistémica de

una situación real, en la cual los parámetros del modelo (coeficientes de la función
objetivos y restricciones) asumen valores estáticos. Se puede genera o simular
cambios en los parámetros del modelo en una solución óptima determinada de
programación lineal. Este tipo de simulación se llama análisis de sensibilidad.
El análisis de sensibilidad basado en la solución gráfica del modelo, se puede dar
en dos casos: efectuando cambios en los coeficientes de la función objetivo, y
efectuando cambio en el lado derecho de las restricciones del modelo.
Los cambios en los coeficientes de la función objetivo cambiaran el declive de z
(maximizar o minimizar) el cual puede conducir a cambiar la solución óptima un
punto de esquina diferente del espacio de solución.
Sin embargo, hay una gama de variaciones en los coeficientes de la función
objetivo que pueden conservar inalterada la solución óptima, esta información se
deduce también por medio del análisis de sensibilidad. Presentamos la definición
de un problema para que el estudiante efectúe un análisis gráfico de sensibilidad,
variando los parámetros del modelo inicial.
Problema: La empresa MIKY produce dos calidades de pinturas: para interiores

y para exteriores; a partir de dos tipos de materias primas: M1 y M2. El consumo
de materia prima por producto y su disponibilidad diaria en toneladas de MP, se
muestra en el cuadro siguiente:
Tipo materia prima Pintura exterior Pintura interior Disponibilidad MP
Materia prima M1 6 4 24
Materia prima M2 1 2 6
La utilidad diaria (en miles de $) de la pintura para exteriores es de 5 $, y de la

pintura para interiores es de 4 $ por tonelada de pintura respectivamente. El
estudio de mercado indica que la demanda máxima de pinturas para interiores es
de 2 ton. Además, la demanda de pinturas para interiores no puede exceder a las
pinturas para exteriores en 1 ton. La empresa MIKY desea hallar un modelo
matemático que optimice la mezcla de productos, con el objeto de maximizar la
utilidad diaria total.
Definición de las variables de decisión

x1 = Toneladas diarias de producción de pinturas para exteriores
x2 = Toneladas diarias de producción de pinturas para interiores
45
La función objetivos del modelo es maximizar la utilidad diaria total de la
producción de pinturas para exteriores e interiores (en miles de $).
Luego el Modelo matemático de Programación Lineal será:

Sujeto a: 6 x1 + 4 x2 < 24
x1 + 2 x2 < 6
- x1 + x2 < 1
x2 < 2
x1, x2 ≥ 0
Tenemos un modelo matemático PL de dos variables con cuatro restricciones.
La solución óptima del modelo matemático de PL es:

x1 = 3.0 toneladas diarias de producción de pinturas para exteriores
x2 = 1.5 toneladas diarias de producción de pinturas para interiores
Z = 21,000 $ (utilidad total máxima diaria, determinado en la función objetivo)
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:
1) Considerando los datos del problema inicial, efectúe la variación de la

restricción de la demanda máxima de la pintura para interiores, considerando
ahora que su demanda máxima diaria es por lo menos de 2 toneladas. Determine
el nuevo modelo matemático y halle su solución gráfica.
La solución factible está conformada en el conjunto de puntos en los cuales todas

las restricciones se cumplen, dichos puntos son los siguientes:
PUNTO I (1, 2) Z= 5(1) + 4(2)
PUNTO J (1.4, 2.3) Z= 13
PUNTO K (2, 2) Z= 5X1 + 4X2
Z= 5(2) + 4(2) = 18
LA SOLUCIÓN ÓPTIMA: ES EL PUNTO K (2, 2):
X1 = 2
X2 = 2
Z = 18
47
Preguntas y Problemas de Autoevaluación
PROBLEMA: Un empresario dispone de 80 kgs de acero y 120 kgs de aluminio, y quiere

fabricar dos modelos de bicicletas: de paseo y de montaña; para venderlas en el mercado a
$ 200 y $ 150 las bicicletas de paseo y de montaña respectivamente, a fin de obtener
beneficio económico para la empresa. Para fabricar la bicicleta de paseo empleará 1 kg de
acero y 3 kgs de aluminio, y para la bicicleta de montaña usará 2 kgs de ambos metales.
Formular el modelo matemático de programación lineal, que le permita al empresario
determinar la cantidad óptima de bicicletas a producir, para obtener el mayor beneficio
económico. Con la información del problema desarrolle las siguientes preguntas:
1). ¿Qué es lo que busca el empresario en el problema?
(a) Determinar la cantidad óptima de producción de bicicletas, para obtener el

máximo beneficio económico.
(b) Determinar la cantidad óptima de producción de bicicletas, para venderlas en el
mercado.
(c) Fabricar dos modelos de bicicletas para venderlas en el mercado.
(d) Formular el modelo matemático de programación lineal.
2). ¿Cómo están definidos las variables de decisión del modelo a formular?
(a) x1 = Cantidad de tipos de bicicletas a fabricar.

x2 = Cantidad de acero y aluminio a utilizar.
(b) x1 = Cantidad de bicicletas de acero a fabricar.

x2 = Cantidad de bicicletas de aluminio a fabricar.
(c ) x1 = Cantidad de acero a utilizar.

x2 = Cantidad de aluminio a utilizar.
(d) x1 = Cantidad de bicicletas de paseo a fabricar.

x2 = Cantidad de bicicletas de montaña a fabricar.
3). El empresario busca optimizar la producción de bicicletas, por tal motivo,

la función objetivo del problema será un modelo de:
(a) Maximización, porque busca maximizar el beneficios económico del empresario

(b) Minimización, porque busca maximizar el beneficios económico del empresario
(c) Maximización, porque busca minimizar el beneficios económico del empresario
(d) Minimización, porque busca minimizar el beneficios económico del empresario
4). ¿Cómo se determina el beneficio económico de cada modelo de bicicleta

de paseo y de montaña?
(a) Beneficio económico del modelo de bicicleta de paseo = x1

Beneficio económico del modelo de bicicleta de montaña = x2
48
(b) Beneficio económico del modelo de bicicleta de paseo = 80 x1
Beneficio económico del modelo de bicicleta de montaña = 120 x2
(c ) Beneficio económico del modelo de bicicleta de paseo = 200 x1

(d) Beneficio económico del modelo de bicicleta de paseo = 200 x1

5). ¿Cómo se define la función objetivo del modelo a formular?
(a) Maximizar: Z = 200 x1 + 150 x2

(b) Maximizar: Z = 150 x1 + 200 x2
(c) Maximizar: Z = x1 + x2
(d) Maximizar: Z = 80 x1 + 120 x2
6). La restricciones de recursos que nos presenta el problema están definidas

por:
(a) Restricción de consumo de acero y restricción de consumo de aluminio

(b) Restricción de consumo de acero, aluminio y producción de bicicletas
(c) Restricción de consumo de materia prima y restricción de productos
(d) Restricción de compra de acero y restricción de compra de aluminio.
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:
Modelo de bicicleta Cons. Acero Cons. Aluminio

Paseo 1 kg. 3 kg.
Montaña 2 kg. 2 kg.
Disponibilidad máxima de MP 80 kg. 120 kg.
Restricción de consumo de acero en la fabricación de bicicletas : 1 x1 + 2 x2 ≤ 80

Restricción de consumo de aluminio en la fabricación de bicicletas: 3 x1 + 2 x2 ≤ 120
Lo enunciado en la definición de las restricciones del modelo es:

(a) Falso
(b) Verdadero
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:
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:
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
10). Al aplicar el método gráfico o el método simplex, al modelo primal, la

solución óptima será:
(a) Producir diariamente 7 y 4 sillas de los tipos 1 y 2 respectivamente, lo que da lugar

a un beneficio de 850 dólares.
(b) Producir diariamente 4 y 7 sillas de los tipos 1 y 2 respectivamente, lo que da lugar
(c) Producir diariamente 7 y 4 sillas de los tipos 1 y 2 respectivamente, lo que da lugar
50
(d) Producir diariamente 4 y 7 sillas de los tipos 1 y 2 respectivamente, lo que da lugar
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
El enunciado de la Dualidad es:

(a) Falso
(b) Verdadero
13). La solución óptima del modelo dual, tomado a partir de la solución

óptima del tablero primal será:
(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
(c) El valor de las variables dual es: y1 = 75/8, y2 = 65/8; y el valor óptimo de la
(d) El valor de las variables dual es: y1 = 65/8, y2 = 75/8; y el valor óptimo de la
14). El problema dual puede interpretarse de varias maneras. Considérese que

el objetivo es vender tiempo de mecanizado primario y secundario y supóngase que de ésta
forma, se obtienen al menos el mismo nivel de beneficios que haciendo mesas.
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):
(a) En forma de una red

(b) El forma de un modelo de programación lineal
(c) En forma de tablero o matriz
(d) El forma de un gráfico
(e) Ninguno
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
 Taha Hamdy A. Investigación de Operaciones. Una Introducción. Séptima Edición.

México: Editorial Prentice Hall; 2006.
 Gerald Lieberman, F. Hillier, “Introducción a la Investigación de Operaciones”.

Quinta Edición. México: Editorial Mc Graw Hill; 2005.
 Prawda W. Juan. Métodos y Modelos de Investigación de Operaciones. Tomo I:

Modelos Determinísticos. Quinta Edición. México: Editorial Limusa; 2004.
52

Texto Digital de Invop PDF

Încărcat de

Informații document

Titlu original

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

Texto Digital de Invop PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Católica Los Ángeles de Chimbote

Escuela Profesional de Ingeniería de Sistemas

Humberto Ángel Chávez Milla

Como una contribución a la formación profesional de los estudiantes de las

Los tipos de recursos considerados en el presente texto son: recursos humanos,

Para el entendimiento del presente texto se requiere tener conocimientos generales

Como su nombre lo dice, la Investigación de Operaciones significa "hacer

La Investigación de Operaciones se aplica en áreas tan diversas como en los

El objetivo general del texto es aplicar procedimientos básicos que permitan

Dicho objetivo será desarrollado en tres títulos o unidades de acuerdo a la

Cualquier comentario, aportes o sugerencias que pueda brindar el lector serán

Objetivo Especifico Unidad 1:

Comprender los antecedentes y

1.1. Historia de la Investigación de Operaciones

Organización Aplicación Año Ahorros anuales

Integración de una red nacional de inventario de $250 millones en

Diseño de un sistema de estructura de precios, sobre

Yellow Freight Optimización del diseño de una red nacional de

Desarrollo de un sistema basado en PC para guiar a

Maximización de ganancias a partir de la asignación

Reestructuración de toda la cadena de proveedores,

Selección y programación óptima de proyectos

Rediseño del sistema de producción y distribución

Programación óptima de empleados para

Rediseño de tamaño y localización de inventarios de

Ciencia, usa técnicas y Arte, usa la creatividad y

La Investigación de Operaciones emplea los aspectos de coordinación de

Investigación Referido a un enfoque similar de la manera en la que se lleva a

Operaciones Porque se resuelven problemas referidos a la conducción de

2.2. Etapas de la Investigación de Operaciones.

Definición del problema y Prueba del modelo

Formulación de un modelo Preparación para la aplicación

Obtención de una solución a Implantación y desarrollo de

a) Definición del problema y recolección de datos

b) Formulación de un modelo matemático

c) Obtención de una solución a partir del modelo

d) Prueba del modelo

e) Preparación para la aplicación del modelo

f) Implantación y desarrollo de procedimientos

No habría ventaja alguna de utilizar modelos si estos no simplificaran la

Un modelo de decisión debe considerarse como un vehículo para resumir un

Un Analista de Investigación de Operaciones debe elegir el plan de acción más

3.2. Clasificación de Modelos

b) Modelo Probabilístico o Estocástico: Cuando no se conoce el resultado

c) Métodos híbridos: Tienen que ver con los métodos determínisticos y

Los modelos de cualquier clase, sin importar su refinamiento y exactitud,

 El algoritmo de solución converge al nivel óptimo solo en teoría. La

 La complejidad del modelo matemático puede hacer imposible idear un

Un modelo matemático consta al menos de tres elementos o condiciones básicas:

a) Variables de decisión y parámetros

La función objetivo es una relación matemática entre las variables de decisión,

La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es

Por ejemplo, si el objetivo es minimizar los costos de operación, la función

Las restricciones, en algunos casos, pueden considerar ciertas políticas

4.1. Modelo de programación lineal general

Condición de no negatividad de las variables:

4.2. Propiedades del modelo de programación lineal 11

El modelo de programación lineal es un caso especial de la programación

CASOS PARA RESOLVER Y COMENTAR EN GRUPO

La programación lineal es una técnica de resolución de problemas, su desarrollo representa

1. Un fabricante desea desarrollar un programa de asignación en la producción y una política de

3. Un administrador de mercadotecnia desea determinar la mejor manera de asignar un

5. Después de analizar los casos anteriores. Defina la optimización de recursos.