INVESTIGACIN DE OPERACIONES I

PROGRAMA DE ESTUDIO
Objetivo
Familiarizar al alumno con las tcnicas de modelamiento y
metodologas de resolucin de problemas de la Investigacin de
operaciones, con especial nfasis en la aplicacin de algoritmos
de solucin para modelos de programacin matemtica, en
especial modelos lineales
Contenido
Introduccin Investigacin de operaciones
Modelos matemticos
Programacin Lineal
Programacin
Lineal
Formulacin de modelos
Mtodos Grfico
Mtodo Simplex
Problema Dual y Anlisis de Sensibilidad
Programacin Entera, Binaria y Mixta
INVESTIGACION DE OPERACIONES
PROGRAMA DEL CURSO
DESCRIPCION
El curso trata principalmente sobre la aplicacin de los modelos
usuales de Investigacin de Operaciones en la solucin de
problemas reales, tales como modelos de Programacin Lineal,
Entera, Binaria y Mixta
OBJETIVOS
Aplicar modelos cuantitativos en la resolucin de problemas
lineales.
Optimizar soluciones usando la Investigacin de Operaciones.

METODOLOGA
Clases expositivas para conceptos tericos con discusiones sobre
cada tema.
Practicas en laboratorio, donde se conocern diversos software de
apoyo a la Investigacin de Operaciones.
BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones. PEARSON. 9
Ed. 2010
HILLIER, FREDERICK Y LIEBERMAN, GERALD: Introduccin
a la Investigacin de Operaciones, McGraw Hill
Interamericana
WINSTON WAYNE L.: Investigacin de Operaciones:
Aplicaciones y Algoritmos. Grupo Editorial Iberoamericana.
DAVIS K ROSCOE y MC KEOWN Patrick. Modelos
Cuantitativos para Administracin. Grupo editorial
Iberoamerica. 2 Ed. 1986.
PRAWDA, Juan. Mtodos y modelos de Investigacin de
operaciones. Limusa.
JORGE ALVAREZ ALVAREZ, Investigacin de Operaciones,
Universidad Nacional de Ingeniera, Edicin 2001


INVESTIGACION DE OPERACIONES
Definicin:
Conjunto de tcnicas matemticas y estadsticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
accin; esto mediante el modelamiento matemtico de los problemas en
estudio.
Kamblesh Mathur: Es el uso de la Matemtica
y computadoras para ayudar a tomar
decisiones racionales frente a problemas de
administracin.


Jorge Alvarez: Es un procedimiento o un
enfoque para resolver problemas relacionados
con la toma de decisiones.


Resumiendo: La Investigacin de Operaciones
es el uso de la matemtica e informtica para
resolver problemas del mundo real, tomando
decisiones acertadas que garanticen el xito.
Qu es la investigacin de
operaciones?
Qu es la investigacin de
operaciones?
Lawrence y Pasternak, (1998) Es un enfoque
cientfico para la toma de decisiones ejecutivas,
que consiste en:

El arte de modelar situaciones complejas,
La ciencia de desarrollar tcnicas de
solucin para resolver dichos modelos.
La capacidad de comunicar efectivamente
los resultados.


Toda toma de decisin empieza con la
deteccin de un problema.
Definir el problema en forma clara
Identificar las restricciones
Identificar las alternativas de solucin
Formular el o los objetivos
Evaluar las alternativas y elegir la mejor
Para tomar la decisin correcta, se debe:
TOMA DE DECISIONES
Como se elige la mejor
alternativa?
Mtodos Cualitativos
Mtodos Cuantitativos
En base a la experiencia y al juicio profesional
de la persona que toma la decisin
En base a la utilizacin de herramientas
matemticas que permitan maximizar la
efectividad en la toma de decisiones.
TOMA DE DECISIONES
La dificultad de tomar decisiones ha hecho que el hombre se aboque
en la bsqueda de una herramienta o mtodo que le permita tomar las
mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue.

Este conjunto de herramientas o mtodos es lo que llamaremos
Investigacin de Operaciones.
Enfoque cientfico de la toma de decisiones que requiere la
operacin de sistemas organizacionales.
Definicin ms formal
La IO nos ofrece una serie de herramientas cuantitativas para la toma
de decisiones.
INVESTIGACIN DE OPERACIONES
Para la aplicacin de la IO se siguen los siguientes pasos:
La IO comienza con la observacin cuidadosa de la realidad.

Formular el problema.

Construir un modelo que intente abstraer la esencia del problema real.

Solucin del modelo.

Anlisis de sensibilidad, hay que ver como se comporta el modelo
ante cambios en las restricciones y/o parmetros del modelo

Implementar los resultados, se debe interpretar los resultados y dar
conclusiones y cursos de accin para la optimizacin del problema
real
INVESTIGACIN DE OPERACIONES
Modelos de IO
Programacin
Lineal
Mtodos
Clsicos
Determinsticos Hbridos Estocsticos
Transporte y
Asignacin
Prog Entera
y 0,1
Redes
Optimizacin
Lineal
Optimizacin
no Lineal
Mtodos
de bsqueda
Programacin
no lineal
Programacin
Dinmica
Teora de
Inventarios
Simulacin
Pert / CPM
Heursticas
Cadenas
de Markov
Teora de
Colas
Procesos
Estocsticos
Teora de
Decisiones
y Juegos
MODELOS DE LA INVESTIGACIN DE
OPERACIONES
Qu se busca en el curso de Investigacin
de Operaciones?

Se intenta encontrar una mejor solucin llamada solucin
ptima.

Areas de Aplicacin de la Investigacin de Operaciones

Manufactura.
Transporte.
Telecomunicaciones.
Salud.
Planeacin.
Servicios.
Finanzas.
Otros.
Proceso: Conjunto de actividades que crean una salida o
resultado a partir de una o ms entradas o insumos.

Sistema: Un conjunto de elementos interconectados utilizados
para realizar el proceso. Incluye subprocesos pero tambin incluye
los recursos y controles para llevar a cabo estos procesos.

En el diseo de procesos nos enfocamos en QU se ejecuta.

En el diseo del Sistemas el nfasis est en los detalles de
CMO, DNDE Y CUNDO.
SISTEMAS V/S PROCESOS
SISTEMAS V/S PROCESOS
Entidades
que Entran
Entidades
que Salen
Reglas de
Operacin
(Controles)
Sistema
Recursos
Actividades
Problema

Es identificar, comprender y describir en
trminos precisos, el problema que la
organizacin enfrenta. El enunciado es la
definicin del problema. Un problema no se
formula sino se define.
Cada vez es ms difcil asignar los
recursos o actividades de la forma ms eficaz
Los recursos
son escasos
Los sistemas
son cada vez
ms complejos
METODOLOGA DE LA
INVESTIGACION DE OPERACIONES
INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn la
Investigacin Operaciones
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a
travs de relaciones matemticas y supone que todas las variables
relevantes son cuantificables. Por ende tiene una solucin optima.

Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones
estadsticas. Este tipo de modelo entrega soluciones aproximadas.

Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una
solucin mejorada, dada una solucin actual del modelo,
generalmente son procedimientos de bsqueda. Este tipo de
modelo tambin entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
El Arte del Modelado
La Investigacin de Operaciones debe ser considerada como
una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin
de los problemas.
Un arte ya que la formulacin del modelo depende en gran parte
de la creatividad y la experiencia de las operaciones del equipo
investigador.

ELEMENTOS PARA FORMULACIN DE
PROBLEMAS
Habilidad para describir el diseo en trminos matemticos

Variables
Parmetros
Funciones

VARIABLES DE DISEO
Los valores del conjunto de estas variables caracterizan un
diseo particular

Cambian en un determinado rango a medida que buscamos
el diseo ptimo

Son las incgnitas del problema
Tamao de un objeto, nmero de objetos,

Deben ser linealmente independientes
VARIABLES DE DISEO
El conjunto de variables de diseo se identifica como vector
de diseo

Nomenclatura
[ X ]
X x
[x
1
, x
2
, , x
n
]
x
i
, i = 1,2,,n
PARMETROS DE DISEO
Constantes que no cambian para los diferentes diseos

Importantes en modelo pero no en la bsqueda del diseo
ptimo

Nomenclatura:
[ P ]
P
[p
1
, p
2
, , p
q
]
FUNCIN OBJETIVO
Problema: Minimizar o maximizar cierta cantidad que se
calcula con una funcin

Un problema de maximizacin se puede convertir en uno de
minimizacin sin ms que cambiar el signo de la funcin
objetivo

Nomenclatura:
f
f(x
1
, x
2
, , x
n
) o f(X)

RESTRICCIONES
Comparacin con un valor numrico que limita

Tipos:
De igualdad: =
De desigualdad: s, >

Ejemplo 1
Volumen de la lata: fun1(X) = 500 cm
3

Ejemplo 2
Deflexin: fun2(X) s 1 mm
RESTRICCIONES
Si las restricciones no se cumplen No hay solucin

Diseo factible Todas las restricciones se satisfacen

Un diseo ptimo debe ser factible

El espacio definido por las restricciones se llama dominio
factible
FORMATO ESTNDAR
Minimizar f(x
1
, x
2
, , x
n
)

Sujeto a
h
k
(x
1
, x
2
, , x
n
) = 0, k=1,2,,l
g
j
(x
1
, x
2
, , x
n
) s 0, j=1,2,,m
x
i
l
s x
i
s x
i
u
, i=1,2,,n

Lenguaje natural
Minimizar la funcin objetivo f, sujeto a 1 restricciones
de igualdad, m restricciones de desigualdad, con n
variables de diseo comprendidas entre unos lmites
inferior y superior
MODELADO EJEMPLO 1
Variables de diseo: d, h
Parmetro de diseo: C (coste del material por unidad rea)
Volumen = td
2
h/4
rea = tdh
Restriccin esttica: h>2d
h
d
MODELO EJEMPLO 1
Minimizar f(d,h): Ctdh
Sujeto a
h
1
(d,h): td
2
h/4 500 = 0
g
1
(d,h): 2d h s 0
6 s d s 9; 5 s h s 20

Minimizar f(x
1
,x
2
): Ctx
1
x
2

Sujeto a
h
1
(x
1
,x
2
): tx
1
2
x
2
/4 500 = 0
g
1
(x
1
,x
2
): 2x
1
x
2
s 0
6 s x
1
s 9; 5 s x
2
s 20
Desarrollo de un modelo matemtico Es la
traduccin del problema a trminos matemticos.

Es formular un modelo matemtico:
Identificando variables
Identificando la Funcin Objetivo
Identificando las restricciones

Objetivos: funcin objetivo
alternativas: variables de decisin
limitaciones del sistema: restricciones


METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
I) Identificacion de las variables
Xij = # de consultores que viajan del
origen i al destino j
II) Identificacion de la funcion
objetivo
Max
540X11+300X12+420X13+
500X21+330X22+330X23+
520X31+310X32+350X33
III) Identificacion de las
restricciones
X11+X12+X13 2
X21+X22+X23 1
X31+X32+X33 4
X11+X21+X31 = 3
X12+X22+X32 = 2
X13+X23+X33 = 1
Xij 0 ; entero
Desarrollo de un modelo matemtico

Paso 1. Identificar las variables de decisin
Sobre qu tengo control?
Qu es lo que hay que decidir?
Cul sera una respuesta vlida del caso?

Paso 2. Identificar la funcin objetivo
Qu pretendemos conseguir?
qu me interesara ms?

Paso 3. Identificar las restricciones o factores que limitan la
decisin, recursos disponibles (trabajadores, mquinas,
material), fechas lmite, naturaleza de las variables (no
negatividad, enteras, binarias).

Paso 4.Traduccin de los elementos bsicos a un modelo
matemtico.
METODOLOGA DE LA INVESTIGACION
DE OPERACIONES

Resolucin del modelo

Es resolver el modelo usando una tcnica
adecuada, es decir obtener valores numricos
para la variable de decisin.

Es determinar los valores de las variables de
decisin de modo que la solucin sea ptima (o
satisfactoria) sujeta a las restricciones.

Puede haber distintos algoritmos y formas de
aplicarlos. En esta parte se usa el Software WIN
QSB. Hay otros como el LINDO, MLP y TORA

METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
Un mtodo ptimo para lograr un objetivo.
Una forma de evaluar preguntas de sensibilidad de la
forma:
Qu sucedera s ...?
VENTAJA DE LOS MODELOS


EL MODELO DE
PROGRAMACIN LINEAL
PROVEE UNA SOLUCIN
INTELIGENTE PARA ESTE
PROBLEMA
Es un Arte que mejora con la
prctica





PRACTIQUEMOS!


Hoy en da, la toma de decisiones abarca una gran cantidad
de problemas reales cada ms complejos y especializados,
que necesariamente requieren del uso de metodologas para
la formulacin matemtica de estos problemas y,
conjuntamente, de mtodos y herramientas de resolucin,
como los que provee la Investigacin de Operaciones.
La Programacin Lineal es una herramienta para resolver problemas
de optimizacin que se caracterizan por tener como funcin objetivo y
restricciones combinaciones lineales de las variables de decisin.
Funcin Objetivo: Max o Min (Z) = C X

Sujeto a :
A X s B
X
i
> 0 ; i = 1, 2,...., n
Conceptos Bsicos:
Variables de Decisin
Funcin Objetivo
Restricciones
Restricciones de Signo
FORMULACION DE UN PROBLEMA
PROGRAMACIN LINEAL
Consideremos los siguientes ejemplos para describir los conceptos
bsicos presentes en todo problema de programacin lineal (PPL)
CONSTRUCCIN DE MODELOS DE PROGRAMACION
LINEAL
Ejemplo N 1
La Compaa PARGOLF es un pequeo fabricante de equipo y suministros
para golf. El distribuidor de PARGOLF cree que existe un mercado tanto
para una bolsa de golf de precio moderado, denominada modelo estndar,
como para una bolsa de precio elevado, denominada modelo de lujo. El
distribuidor est tan confiado en el que, si PARGOLF puede hacer las
bolsas a un precio competitivo, el distribuidor comprar todas las bolsas
que PARGOLF pueda fabricar durante los siguientes tres meses. Un
anlisis cuidadoso de los requerimientos de tiempo de produccin para
las cuatro operaciones de manufactura y la estimacin hecha por el
departamento de contabilidad de la contribucin a la ganancia por bolsa.
Producto
Estndar
De lujo
Corte y
teido
Costura Terminado
Inspeccin
y empaque
Ganancia
por bolsa
7/10
1
1/2
5/6
1
2/3
1/10
1/4
S/. 10
S/. 9
Tiempo de produccin (horas/bolsa)
El director de manufactura estima que dispondrn de 630 horas de
tiempo de corte y teido, 600 horas de tiempo de costura, 708 horas de
tiempo de terminado y 135 horas de tiempo de inspeccin y empaque
para la produccin de bolsas de golf durante los siguientes tres meses.
a) Si la compaa desea maximizar la contribucin a la ganancia
total, Cuntas bolsas de cada modelo debera fabricar?
b) Cuntas horas de tiempo de produccin se programaran para
cada operacin?
c) Cuntas horas de tiempo de ocio se tendrn en cada operacin?
Formulacin:
Variable de decisin:
X
i
= Nmero de bolsas de modelo i a fabricar por trimestre
i = 1, 2
Objetivo:
Maximizar: Ganancia/trimestre
Restricciones:
Tiempo disponible por trimestre
Corte y teido
Corte
Acabado
Condiciones tcnicas.
X
1
, X
2
> 0
Inspeccin y empaque
Modelo Matemtico de Programacin Lineal:
Mx: Ganancia
Max. (Z) = 1.42X
1
+ 1.43X
2
Sujeto a:
7/10X
1
+ X
2
< 630 Corte y teido
1/2X
1
+ 5/6X
2
< 600 Costura
X
1
+ 2/3X
2
< 708 Acabado
X
1
, X
2
> 0
S/.
Trimestre
=
S/.
Bolsa
Bolsa
Trimestre
Hora
Bolsa
Bolsas
Trimestre
=
Horas
Trimestre
1/10X
1
+ 1/4X
2
< 135 Inspeccin y empaque
Ejemplo N 2: El problema de la industria
de juguetes Galaxia.
Galaxia produce dos tipos de juguetes:
* Space Ray
* Zapper

Los recursos estn limitados a:
* 1200 libras de plstico especial.
* 40 horas de produccin semanalmente.
Requerimientos de Marketing.

* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.

Requerimientos Tecnolgicos.

* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.

Plan comn de produccin para:

* Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray (S/. 8 de utilidad
por docena).
* Usar la menor cantidad de recursos para producir Zappers,
porque estos dejan una menor utilidad (S/. 5 de utilidad por
docena).

Solucin
Variables de decisin

* X
1
= Cantidad producida de Space Rays (en docenas por
semana).
* X
2
= Cantidad producida de Zappers (en docenas por
semana).

Funcin objetivo

* Maximizar la ganancia semanal.
Modelo de Programacin Lineal

Max (Z) = 8X
1
+ 5X
2
(ganancia semanal)

Sujeto a:
2X
1
+ 1X
2
s 1200 (Cantidad de plstico)
3X
1
+ 4X
2
s 2400 (Tiempo de produccin)
X
1
+ X
2
s 800 (Limite produccin total)
X
1
- X
2
s 450 (Produccin en exceso)
X
j
> 0, j = 1, 2. (Resultados positivos)

El plan comn de produccin consiste en:
Space Rays = 550 docenas

Zappers = 100 docenas

Utilidad = S/. 4900 por semana


EJEMPLO N 3
Una firma industrial elabora dos productos, en los cuales entran
cuatro componentes en cada uno. Hay una determinada
disponibilidad de cada componente y un beneficio por cada
producto. Se desea hallar la cantidad de cada articulo que debe
fabricarse con el fin de maximizar los beneficios.
El siguiente cuadro resume los coeficientes de transformacin o
sea la cantidad de cada componente que entra en cada producto.

Producto
Componente
P1 P2 Disponibilidad
(kilogramos)
A
B
C
D
1
2
2
1
3
1
2
1
15,000
10,000
12,000
10,000
Beneficios
S/./unidad
4 3

X
1
= N de unidades de producto P1
X
2
= N de unidades de producto P2

Entonces el programa lineal correspondiente es:
Max (Z) = 4X
1
+ 3X
2
Sujeto a :
1X
1
+ 3X
2
15,000
2X
1
+ 1X
2
10,000
2X
1
+ 2X
2
12,000
1X
1
+ 1X
2
10,000
X
1
, X
2
0
EJEMPLO N 4
En una fbrica de cerveza se producen dos tipos: rubia y negra. Su
precio de venta es de S/. 0.5 / litro y S/. 0.3 / litro, respectivamente.
Sus necesidades de mano de obra son de 3 y 5 empleados, y de
5,000 y 2,000 soles de materias primas por cada 10,000 litro.

La empresa dispone semanalmente de 15 empleados y 10,000 soles
para materias primas, y desea maximizar su beneficio. Cuntos
litros debe producir?



FORMULACIN
1 2
Max (Z) =5,000X +3,000X
1 2
1 2
1 2
S. A.
3X + 5X 15
5,000X + 2,000X 10,000
X , X 0
s
s
>
Una mueblera produce mesas y sillas de madera. Cada mesa es
vendida en $27.000 y se requiere $10.000 en materiales para su
construccin, adems, el costo unitario por mano de obra es de
$14.000. En el caso de las sillas, el precio de venta es de $21.000 y
los costos de materiales y mano de obra son $9.000 y $10.000
respectivamente.

La fabricacin de cada producto requiere de dos labores: carpintera
y terminaciones. Una mesa requiere de 1 hora de carpintera y 2 de
terminaciones, mientras que la silla requiere de 1 hora en cada labor.
Ejemplo N 5
Cada semana, la mueblera puede obtener todos los materiales que
desee, sin embargo, se pueden dedicar hasta 100 horas a las
terminaciones y hasta 80 horas a la carpintera. La demanda por
mesas no est limitada, mientras que la demanda por sillas es de 40
unidades.

Formule un modelo matemtico que permita maximizar las utilidades
de la mueblera.
Variables de decisin:
Se debe comenzar definiendo las variables de decisin relevantes. En
un PPL las variables de decisin deben ser capaces de describir
completamente las decisiones que puedan ser tomadas y todas las
variantes que existan.
Formulacin
Antes de definir las variables de decisin es importante definir las
unidades involucradas en el problema.

En este caso, se habla de unidades de sillas y mesas, de horas de
trabajo por unidad y de demanda semanal. De acuerdo a ello, una
buena opcin para definir las variables de decisin consiste en
asociar las variables al nmero de unidades de sillas y mesas a
producir por semana. Por lo tanto, podemos definir:
X
1
= Nmero de mesas producidas por semana.
X
2
= Nmero de sillas producidas por semana.
Funcin Objetivo:
En un PPL, se debe tomar la decisin de maximizar (usualmente las
utilidades) o de minimizar (usualmente los costos) cierta funcin de
las variables de decisin.
En el ejemplo, los costos e ingresos no dependen del valor de X
1
o
X
2
por lo tanto basta concentrarse en maximizar la diferencia entre:
La funcin que se va a optimizar se llama Funcin Objetivo y en ella
no aparece ningn trmino independiente o constante. Los valores
de las variables de decisin son independientes de cualquier
constante.
Ingresos Semanales Costos de Materiales Costos por mano de obra
Luego se deben expresar los trminos anteriores en funcin de las
variables de decisin X
1
y X
2
.
Por lo que la funcin objetivo queda (expresada en miles de $):
(27X
1
+ 21X
2
) (10X
1
+ 9X
2
) (14X
1
+ 10X
2
) = 3X
1
+ 2X
2

As, el objetivo de la mueblera es escoger los valores X
1
y X
2
tal que
se maximice 3X
1
+ 2X
2

Denotando por Z el valor de la Funcin Objetivo para cualquier
Problema de Programacin Lineal, la funcin de la mueblera es:
Max Z = 3X
1
+ 2X
2

El coeficiente que acompaa a cada variable en la Funcin Objetivo se
denomina coeficiente en la funcin objetivo de la variable y refleja el
aporte unitario de dicha variable.
Restricciones:
En las medidas que las variables crecen, la Funcin Objetivo
aumenta su valor. Por lo tanto si se pudiera escoger arbitrariamente
el valor de la variables, la mueblera podra hacer crecer el valor de
sus utilidades en forma infinita. En la prctica esto no es posible y en
el ejemplo el valor que toman las variables est limitado por las
siguientes 3 restricciones:
Mximo 100 horas semanales para terminaciones.
Mximo 80 horas semanales para carpintera.
Produccin mxima de 40 sillas semanales.
Luego, el prximo paso consiste en formular matemticamente las
restricciones anteriores en funcin de las variables de decisin.
Para formular la primera restriccin en funcin de las variables X
1
y
X
2
observamos que:
Hrs. terminaciones x mesa + hrs. terminaciones x silla s hrs.
disponibles para terminacin
Por lo que la restriccin queda:
2X
1
+ X
2
s 100
Es importante notar que todos los valores en la expresin anterior
son por semana, ya que las variables de decisin se han escogido
con esa referencia.
Anlogamente la segunda restriccin queda:
X
1
+ X
2
s 80
Finalmente, la tercera restriccin slo limita el valor de la variable X
2

X
2
s 40
Restricciones de Signo:
Para completar la formulacin del modelo es importante definir si
existe alguna restriccin de signo para cada variable de decisin.

Si una variable de decisin X
i
debe cumplir condiciones de NO
NEGATIVIDAD, debemos agregar la siguiente restriccin:
X
i
> 0
Si la variable de decisin X
i
puede asumir valores positivos o
negativos se dice que X
i
no tiene restriccin de signo (SRS).
Combinando todas las expresiones anteriores, es posible
completar el modelo matemtico para este problema de
optimizacin, quedando de la siguiente forma:
En el ejemplo ambas variables de decisin se refieren a cantidades
a producir, por lo tanto son no negativas. Sin embargo, en otros
ejemplos las variables pueden ser SRS, por ejemplo en el caso de
que Xi se refiere al saldo de alguna cuenta.
Definicin de variables:
X
1
: nmero de mesas producidas por semana.
X
2
: nmero de sillas producidas por semana.
Funcin Objetivo:
Max Z = 3X
1
+ 2X
2

Sujeto a:
2X
1
+ X
2
s 100 Horas disponibles para terminaciones por semana


X
1
+ X
2
s 80 Horas disponibles para carpintera por semana

X
2
s 40 Produccin mxima de sillas por semana

X
j
> 0 j = 1 y 2 No negatividad

Sujeto a:
. . . . .
. . . . .
. . . . .
X
1,2,.....n
> 0

Variables de decisin
Coeficientes objetivo
Coeficientes tecnolgicos
Coeficientes recurso
Condiciones tcnicas
o No negatividad
MODELO GENERAL DE PROGRAMACIN LINEAL
n n
X C X C X C Max(Z)
Optimizar
+ + +
= ......
2 2 1 1
2
2 2 22 1 21
1
) , , ( ..... b X a X a X a
n
n
= + + +
1 2 12 1 11
) , , ( ..... b X a X a X a
n n
= + + +
m n mn m m
b X a X a X a ) , , ( .....
2 2 1 1
= + + +
Donde el vector c tambin conocido como el vector costos,
viene dado por:



El vector de lado derecho o b, viene dado por:






Este es un vector columna, que representa los recursos de las
m actividades. Es por lo tanto el elemento de la mano derecha
de cada una de las m ecuaciones.
( )
...
1 2 n-1 n
C= c c c c
1
2
m-1
m
b
b
.
b
.
b
b
| |
|
|
|
=
|
|
|
|
|
\ .
La matriz A, representa los coeficiente tecnolgicos; es la
matriz para el sistema de ecuaciones Ax = b:






El sistema de ecuaciones o el modelo de PL, queda
representado por:

A
| |
|
|
=
|
|
|
\ .
11 12 1n
21 22 2n
m,1 m,2 m,n
a a ... a
a a ... a
. . ... .
a a ... a
>
Max (Z) = CX
S. A.
AX = b
X 0
EL MODELO DE P.L.
Z: funcin objetivo
C (c
1
,...,c
n
): vector de coeficientes de la f. o.
X (x
1
,...,x
n
): vector de variables de decisin
A (...,a
ij
,...): matriz de coeficientes tcnicos
b (b
1
,...,b
m
): vector de demandas

Matricialmente,

Optimizacin Max o Min = CX
S.A.
AX b
x > 0
Forma cannica
Problema N 3
Variables de Decisin
X
1
= Cantidad de Manteles comprados (slo se puede comprar el
primer da).
X
2
= Cantidad de Manteles mandados a lavar en servicio rpido el
primer da.
X
3
= Cantidad de Manteles mandados a lavar en servicio normal el
primer da.
X
4
= Cantidad de Manteles mandados a lavar en servicio rpido el
segundo da.
Da 1
(40)
Da 2
(70)
Da 3
(60)
X
1
X
2
X
4
X
3
Restricciones.
a) Satisfaccin de la necesidad de manteles al primer da X1 40
b) Satisfaccin de la necesidad de manteles al segundo da.
(X
1
40) + X
2
60 X
1
+ X
2
100
c) Satisfaccin de la necesidad de manteles al tercer da.
(X
1
40) + X
2
60 + X
3
+ X
4
70 X
1
+ X
2
+ X
3
+ X
4
170
d) El nmero de manteles mandados a lavar el primer da, puede a l
o mas ser igual al nmero de manteles usados ese da.
X
2
+ X
3
40
e) El nmero de manteles mandados a lavar hasta el segundo da,
puede a lo mas ser igual al nmero de manteles usados hasta
ese da.
X
2
+ X
3
+ X
4
40 + 60 X
2
+ X
3
+ X
4
100
f ) No negatividad.
X
1
, X
2
, X
3
, X
4
0

Funcin Objetivo
Min (Z) = 20X
1
+ 15X
2
+ 8X
3
+ 15X
4
Problema N 4
Variables de Decisin
X1 = numero de libras de carne molida de res empleadas en cada libra
de albndigas.
X2 = numero de libras de carne molida de cerdo empleadas en cada
libra de albndigas.
Restricciones
Cada libra de albndigas tendr 0.20 X
1
, libras de grasa provenientes
de la carne de res y 0.32 X
2
libras de grasa de la carne de cerdo. El
contenido total de grasa de una libra de albndigas no debe ser
mayor de 0.25 libras. Entonces:
0.20X
1
+ 0.32X
2
0.25
El nmero de libras de carne de res y de cerdo empleadas en cada
libra de albndigas debe sumar 1; entonces:
X
1
+ X
2
= 1
Finalmente, la tienda no puede usar cantidades negativas de ninguna
de las carnes, as que hay dos restricciones de no negatividad: X
1
0
y X
2
0.
Funcin Objetivo
Min (Z) = 80X
1
+ 60X
2
Problema N 5
Variables de decisin
X
1
: Unidades de A producidas en total
X
2
: Unidades de B producidas en total
X
3
: Unidades de C producidas en total
X
4
: Unidades de A vendidas
X
5
: Unidades de B vendidas

Funcin Objetivo
Max (Z) = 700 X
4
+ 3,500 X
5
+ 7,000 X
3

Restricciones
Sujeto a:
X
1
+ 2X
2
+ 3X
3
40
X
1
= X
4
+ 2X
2
X
2
= X
5
+ X
3
X
1
, X
2
, X
3
, X
4
, X
5
0
Problema N 7
La D & M POWER, fabrica tres tipos de aisladores de uso industrial en compaas de
servicios electrnicos: aisladores de aplicacin general, de aplicacin especial y de alto
voltaje. Cada producto pasa a travs de tres operaciones de produccin en la planta de la
D & M: horneado, lavado y laminado y pulimiento. Slo existe disponible de una mquina
en cada una de las respectivas operaciones. La tasa de produccin (en unidades por hora)
para cada tipo de aislador, y en cada operacin se muestran en tabla N 02. Los costos de
las materias primas asociados con la fabricacin de los aisladores son de S/. 5 (aplicacin
general), S/. 6 (aplicacin especial) y S/. 10 (alto voltaje). Los costos por hora de las
respectivas operaciones de produccin son: S/. 250 (horneado), S/. 200 (lavado y
laminado), y S/. 100 (pulimiento). Los precios unitarios de venta son S/. 25,00, S/. 39.75 y
S/. 67.50 para los tres productos respectivamente. A la compaa le gustara asignar el
tiempo utilizado en las diferentes operaciones de manera que se maximicen las utilidades
por hora.
TABLA N 02
Tasas de Produccin: D & M POWER

Tipo de aislador Horneado Lavado y Laminado Pulimiento

De aplicacin general 50 40 25
De aplicacin especial 40 20 10
De alto voltaje 25 10 10

Solucin


X
1
: Nmero de unidades por hora de aisladores de aplicacin general
que se fabricaran
X
2
: Nmero de unidades por hora de aisladores de aplicacin especial
que se fabricaran
X
3
Nmero de unidades por hora de aisladores de alto voltaje que se
fabricaran

Maximizar utilidades por hora para la planta, donde la funcin Z son
unidades totales, expresadas en soles por hora: X
1
, X
2
y X
3
se
expresan en unidades por hora.


Max (Z) = 6 X
1
+ 7.5 X
2
+ 17.5 X
3

Sujeto a:
0.02 X
1
+ 0.025 X
2
+ 0.04 X
3
1
0.025 X
1
+ 0.05 X
2
+ 0.10 X
3
1
0.04 X
1
+ 0.01 X
2
+ 0.10 X
3
1
X
1 ,
X
2
X
3
0



A. Aplicacin General A. Aplicacin
Especial
A. Aplicacin Alto
Voltage
Precio de Venta
Costo de Operacin
Horneado
Lavado y Laminado
Pulimiento
Costo de Materiales
Costo Unitario Total
Utilidad Unitaria
25

5
5
4
5
19
6
39.75

6.25
10.00
10.00
6.00
32.25
7.50
67.50

10
20
10
10
50
17.50

Problema N 11
Una compaa fabrica dos clases de cinturones de piel. El cinturn A
es de alta calidad, y el cinturn B es de baja calidad. La ganancia
respectiva por cinturn es de S/. 0.40 y S/. 0.30. Cada cinturn de tipo
A requiere el doble de tiempo que el que usa el de tipo B, y si todos
los cinturones fueran de tipo B, la compaa podra fabricar 1000 da,
el abastecimiento de piel es suficiente nicamente para 800
cinturones diarios (A y B combinados) el cinturn A requiere una
hebilla elegante, de las que solamente se dispone 400 diarias. Se
tiene nicamente 700 hebillas al da para el cinturn B. Establezca las
ecuaciones de programacin lineal para el problema.

Tipo de cinturn Ganancia Disponibilidad
S/. / Cin hebillas/da
A 0.4 400
B 0.3 700

X
i
: Nmero de cinturones producidos por da del tipo i; donde i =
A, B
t
A
= 2t
B


FUNCIN OBJETIVO: Max (Z) = 0.4 X
A
+ 0.3 X
B
Sujeto a:
2 X
A
+ X
B
1,000
X
A
+ X
B
800
X
A
400
X
B
700
X
A
, X
B
0

Problema N 8
MUEBLES DESK Compaa, un fabricante de muebles de oficina, produce dos tipos
de muebles de escritorio: ejecutivos y secretariales. La compaa tiene dos plantas
en las que fabrica los escritorios. La planta 1, que es una planta antigua opera con
doble turno 80 horas por semana. La planta 2, que es una planta ms nueva y no
opera a su capacidad total. Sin embargo, y dado que los administradores planean
operar la segunda planta con base en un turno doble como el de la planta 1, se han
encontrado operadores para que trabajen en los dos turnos. En estos momentos,
cada turno de la planta 2 trabaja 25 horas por semana. No se paga ninguna prima
adicional a los trabajadores del segundo turno, la tabla N 03 muestra el tiempo de
produccin (en horas por unidad) y los costos estndar (en soles por unidad) en
cada planta.

La compaa ha competido con xito en el pasado asignado un precio de S/. 350 a
los escritorios ejecutivos. Sin embargo, parece que la compaa tendr que reducir
el precio de los escritorios secretariales a S/. 275 con el objetivo de estar en
posicin competitiva. La compaa ha estado experimentando exceso de costos en
las ltimas ocho a diez semanas; por tanto, los administradores han fijado una
restriccin presupuestaria semanal sobre los costos de produccin. El
presupuesto semanal para la produccin total de escritorios ejecutivos es de S/.
2000, en tanto que el presupuesto para los escritorios secretariales es de S/. 2200.
A los administradores les gustara determinar cual es el nmero de cada clase de
escritorios que deben fabricarse en cada planta con el objeto de maximizar las
utilidades.


TABLA N 03
Tiempo (horas) y costos (soles): Muebles Desk Compaa

Tiempo de produccin Costo estndar
(Horas/unidad) (Soles/unidad)

Planta 1 Planta 2 Planta 1 Planta 2

Escritorios ejecutivos 7.0 6.0 250 260
Escritorios secretariales 4.0 5.0 200 180

Solucin
1. No se dispone de ms de 80 horas para la produccin combinada
de escritorios en la planta 1.
2. No se dispone de ms de 50 horas para la produccin combinada
de escritorios en la planta 2.
3. Los costos asociados con la produccin combinada de
escritorios ejecutivos en las dos plantas no deben exceder S/.
2,000.
4. Los costos asociados con la produccin combinada de
escritorios secretariales en las dos plantas no deben exceder S/.
2,200.

X
1
: Nmero de escritorios ejecutivos que se fabrican en la planta 1
X
2
: Nmero de escritorios secretariales que se fabrican en la planta 1
X
3
: Nmero de escritorios ejecutivos que se fabrican en la planta 2
X
4
: Nmero de escritorios secretariales que se fabrican en la planta 2



C
1
= 350 250 = S/. 100 Escritorio ejecutivo que se fabrica en la P1
C
2
= 275 200 = S/. 75 Escritorio secretarial que se fabrica en la P1
C
1
= 350 260 = S/. 90 Escritorio ejecutivo que se fabrica en la P2
C
4
= 275 180 = S/. 95 Escritorio secretarial que se fabrica en la P2

Funcin Objetivo: Max (Z) = 100 X
1
+ 75 X
2
+ 90 X
3
+ 95 X
4

Sujeto a:
1. Limitacin del tiempo de produccin en la planta 1 (80 horas)
7 X
1
+ 4 X
2
80
2. Limitacin del tiempo de produccin en la planta 2 (50 horas)
6 X
3
+ 5 X
4
50
3. Restriccin de costos de los escritorios ejecutivos
250 X
1
+ 260 X
3
2000
4. Restriccin de costos de los escritorios secretariales
200 X
2
+ 180 X
4
2200

X
1
, X
2
,
,
X
3
, X
4
0









Problema N 10
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes mximo y mnimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N 1.

La provisin de los tres grados de aguardientes bsicos, junto con sus costos se presente
en la tabla N 2.
TABLA N 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE


AGUARDIENTE
MAXIMA CANTIDAD
DISPONIBLE
BOTELLAS POR DIA
COSTO POR BOTELLA
A 2000 S/. 7.00
B 2500 S/. 5.00
C 1200 S/. 4.00
TABLA N 1 ESPECIFICACIONES DE MEZCLAS

MEZCLA ESPECIFICACION PRECIO POR BOTELLA
Sper Fuerte
No menos de 60% de A
No mas de 20% de C
S/. 6.80
Fuerte
No ms de 60% de C
No menos de 15% de A
S/. 5.70
Menos Fuerte No ms de 50% de C S/. 4.50
Indique cmo se obtiene la primera matriz en un modelo de programacin lineal de una
poltica de produccin que haga mxima la ganancia.
Solucin
X11 : Cantidad de A usada para el super fuerte
X21 : Cantidad de B usada para el super fuerte
X31 : Cantidad de C usada para el super fuerte
X12 : Cantidad de A usada para el fuerte
X22 : Cantidad de B usada para el fuerte
X32 : Cantidad de C usada para el fuerte

Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 2,000
X21 + X22 2,500 Disponibilidad
X31 + X32 1,200

X11 0.60 (X11 + X21 + X31)
X31 0.20 (X11 + X21 + X31)




X32 0.60 (X12 + X22 + X32)
X12 0.15 (X12 + X22 + X32)
Xij 0 : i = 1, 2, 3 ; j = 1, 2
Problema N 9
Una industria de muebles requiere de 350 barras de 2x4x20
cm. y de 200 barras de 2x3x20 cm., si dicha empresa dispone
de barras cuyas dimensiones son 7x5x20 cm., cual debe ser el
programa que debe seguir para minimizar desperdicios
sabiendo que el mximo debe ser de 140 cm3.
Solucin
2
3 3
2
1
1
2
2
3 4
1
3 4
3
2
2 2 2 1
2 2 2 1
3 3
3
2
2 2 2
4
1
1
X
1
X
2
X
3
20
7
5
140 cm
3

= 7 cm
2

20 cm
350 2 x 4 x 20
200 2 x 3 x 20
X
i
= cantidad de barras a obtenerse en la modalidad de corte i
Min (Z) = 100 X
1
+ 60 X
2
+ 140 X
3

X
1
X
2
X
3

2 x 4 x 20 0 1 2
2 x 3 x 20 5 4 2
Sujeto a:
X
2
+ 2 X
3
350
5 X
1
+ 4 X
2
+ 2 X
3
200

X
1
, X
2
, X
3
0
Problema N 12
Mineral N 1
Mineral N 2
X
1
= toneladas de mineral 1 en el molde
X
2
= toneladas de mineral 2 en el molde
Mineral 1 Mineral 2
Hierro forjado 60% 13%
Plomo 10% 3%
Min (Z) = 260 X
1
+ 80 X
2

Sujeto a:
0.60 X
1
+ 0.13 X
2
0.20 (X
1
+ X
2
)
0.10 X
1
+ 0.03 X
2
0.05 (X
1
+ X
2
)

X
1
, X
2
, 0
Problema N 13
Un fabricante de lminas metlicas recibe un pedido para producir
2000 lminas de tamao 2 x 4 y 1000 lminas de tamao 4 x 7. Se
dispone de dos lminas estndar de tamao 10 x 3000 y 11 x 2000.
El personal del departamento de ingeniera decide que los tres
siguientes patrones de corte son adecuados para satisfacer el
pedido y minimizar el desperdicio. Formule el problema como un
modelo de programacin lineal.

2' 7
2' 2' 7'
4'
Patron N 1 Patron N 2
4'
Patron N 3
2' 2' 2' 2' 2'
4'




Solucin
4
2
7
1
2
2
7
4
1
Lminas 2 x 4 2,000 10 x 3,000
4 x 7 1,000 11 x 2,000

X
ij
= Cantidad de patrones i utilizado para cortar
en la lmina j

Sujeto a:
2 x 4 1 X
11
+ 5 X
31
+ 2 X
22
+ 5 X
32
2,000
4 x 7 1 X
11
+ 0 X
31
+ 1 X
22
+ 0 X
32
1,000
X
11
+ X
31
3,000/4
X
22
+ X
32
2,000/4
X
11
, X
31
,

X
22
,

X
32
0

Min (Z) = Min (Z) = 4 X
11
+ 0 X
31
+ 0 X
22
+ 4 X
32


2
3
3
750 para cotar
500 para cotar
Problema N 14
El Real Hotel opera los 7 das a la semana. Las mucamas son
contratadas para trabajar seis horas diarias. El contrato
colectivo especifica que cada mucama debe trabajar 5 das
consecutivos y descansar 2 das. Todas las mucamas reciben el
mismo sueldo semanal. El Real hotel requiere como mnimo las
horas de servicio.

Lunes 150, Martes 200, Mircoles 400, Jueves 300, Viernes 700,
Sbado 800 y Domingo 300. El administrador desea encontrar
un plan de programacin de empleos que satisfaga estos
requerimientos y a un costo mnimo.

Formule este problema como un modelo de programacin
lineal.


Solucin
L Ma Mi J V S D L Ma Mi J V S D L Ma Mi J

X
L


X
Ma


X
Mi


X
J


X
V


X
S


X
D


X
L


X
Ma


X
Mi


X
J


X
V


X
S


X
V


Continuacin..
X
i
= Nmero de mucamas que empiezan a trabajar el da i durante
cinco dias consecutivos

X
J
+ X
V
+ X
S
+ X
D
+ X
L
150 / 6
X
V
+ X
S
+ X
D
+ X
L
+ X
Ma
200 / 6
X
S
+ X
D
+ X
L
+ X
Ma
+ X
Mi
400 / 6
X
D
+ X
L
+ X
Ma
+ X
Mi
+ X
J
300 /
6
X
L
+ X
Ma
+ X
Mi
+ X
J
+ X
V
700 / 6
X
Ma
+ X
Mi
+ X
J
+ X
V
+X
S
800 / 6
X
Mi
+ X
J
+ X
V
+X
S
+ X
D
300 / 6
X
L
, X
Ma
, X
Mi
, X
J
, X
V
, X
S
, X
D
0

Min (Z) = X
L
+ X
Ma
+ X
Mi
+ X
J
+ X
V
+ X
S
+ X
D

Problema N 15
La Compaa XYZ produce tornillos y clavos. La materia Prima
para los tornillos cuesta S/. 2 por unidad, mientras que la
materia prima para el clavo cuesta S/. 2.50. Un clavo requiere
dos horas de mano de obra en el departamento N 1 y tres en el
departamento N 2, mientras que un tornillo requiere 4 horas en
el departamento N 1 y 2 horas en departamento N 2, el jornal
por hora en ambos departamentos es de S/. 2. Si ambos
productos se venden a S/. 18, y el nmero de horas de mano de
obra disponibles por semana en los departamentos son de 160
y 180 respectivamente. Expresar el problema propuesto como
un programa lineal, tal que maximice las utilidades.

DPTO 1 DPTO 2
MATERIA
PRIMA
JORNAL PRECIO
Clavos 2 hrs. 3 hrs. S/. 2 / unid S/. 2 / hora S/. 18 / unid.
Tornillo 4 hrs. 2 hrs. S/. 2.5/unid. S/. 2 / hora S/. 18 / unid
Disponibilidad 160 hrs./sem. 180 hrs./sem.

Solucin
X
1
: unidades de clavos a producirse por semana
X
2
: unidades de tornillos a producirse por semana

Max (Z) = 18(X
1
+ X
2
) [10 X
1
+ 2 X
1
+ 12 X
2
+ 2.5 X
2
]

Sujeto a:
2 X
1
+ 4 X
2
160
3 X
1
+ 2 X
2
180
X
1 ,
X
2
0
Problema N 16
A un estudiante de Ingeniera de Sistemas se le pidi que
entretuviese a un visitante de su empresa durante 90 minutos. El
pens que sera una excelente idea que el husped se emborrache.
Se le dio al estudiante S/. 50, adems saba que al visitante le
gustaba mezclar sus tragos, pero que siempre beba menos de 8
vasos de cerveza, 10 ginebras, 12 whiskys y 24 martinis. El tiempo
que empleaba para beber era 15 minutos por cada vaso de cerveza, 6
minutos por cada vaso de ginebra, 7 y 4 minutos por cada vaso de
whisky y martn.

Los precios de la bebida eran:
Cerveza S/. 1 el vaso, Ginebra S/. 2 el vaso
Whisky S/.2 el vaso, Martini S/. 4 el vaso

El estudiante pensaba que el objetivo era maximizar el consumo
alcohlico durante los 90 minutos que tena que entretener a su
husped. Logro que un amigo qumico le diese el contenido
alcohlico de las bebidas en forma cuantitativa, siendo las unidades
alcohlicas por un vaso de cerveza, ginebra, whisky y martn, 17, 15
16 y 7 por vaso respectivamente. El visitante siempre beba un
mnimo de 2 whiskys.

Cmo resolvi el estudiante el problema?
Solucin
X
i
: Nmero de vasos del tipo i
i = 1, 2, 3, 4
1 = Cerveza
2 = Ginebra
3 = Whisky
4 = Martini

Maz (Z) = 17 X
1
+ 15 X
2
+ 16 X
3
+ 7 X
4

Sujeto a :

1 X
1
+ 2 X
2
+ 2 X
3
+ 4 X
4
50
X
1
8
X
2
10
X
3
12
X
3
2
X
4
24
15 X
1
+ 6 X
2
+ 7 X
3
+ 4 X
4
90
X
1
, X
2
, X
3
, X
4
0


Problema N 16
X
i
: cantidad de unidades del tipo i a ser fabricados para ser
vendidos a la semana
i : 1, 2, y 3
1 = vlvula globo
2 = vlvula aguja
3 = mdulo

Max (Z) = 10 X
1
+ 20 X
2
+ 60 X
3
Sujeto a:
10X
1
+ 15X
2
+ (25 + 2 x 10)X
3
25,000
5X
1
+ 5X
2
+ (10 + 2 x 5) X
3
15,000
5X
1
+ 5X
2
+ 10 X
3
45,000
5X
2
+ 10 X
3
45,000
5X
2
+ 20 X
3
45,000
X
3
200
X
1
,

X
2
, X
3
0
Problema N 17
Un fabricante de muebles desea determinar cuantas mesas, sillas,
escritorios y libreros debe fabricar para optimizar el uso de los
recursos disponibles. En estos productos se utilizan dos tipos de
madera diferente y tienen en existencia 1500 pies del primer tipo y
1000 pies del segundo tipo, para hacer el trabajo total cuenta con
800 horas hombre.

Su pronstico de ventas ms sus rdenes pendientes de entrega
hacen necesario fabricar no ms de 40 mesas, 130 sillas, 30
escritorios y 10 libreros. Cada mesa, silla, escritorio y librero
requieren 5, 1, 9 y 12 pies respectivamente del primer tipo de
madera, 2, 3, 4 y 1 pies del segundo tipo de madera. Una mesa
requiere 3 horas/hombre para ser fabricada, una silla requiere de 2
horas/hombre, 5 horas/hombre un escritorio y 10 horas/hombre el
librero.

El fabricante obtiene una utilidad de S/. 12 por mesa, S/. 5 por silla,
S/. 15 por escritorio y S/. 10 por librero.

Formular como un problema de programacin lineal.
Solucin
X
1
: Cantidad de mesas a fabricarse
X
2
: Cantidad de sillas a fabricarse
X
3
: Cantidad de escritorios a fabricarse
X
4
: Cantidad de libreros a fabricarse

Max (Z) = 12 X
1
+ 5 X
2
+ 15 X
3
+ 10 X
4


Sujeto a:
5 X
1
+ 1 X
2
+ 9 X
3
+ 12 X
4
1,500

2 X
1
+ 3 X
2
+ 4 X
3
+ 1 X
4
1,000
3 X
1
+ 2 X
2
+ 5 X
3
+ 10 X
4
800

X
1
40
X
2
130


X
3
30

X
4
10
X
1
,
,,
X
2
,

X
3
, X
4
0


Mesas Sillas Escritorios Libreros Disponibilidad
M. Tipo I (pies) 5 1 9 12 1,500
M. Tipo II (pies) 2 3 4 1 1,000
Horas-Hombre 3 2 5 10 800
Utilidad S/. / unid. 12 5 15 10
Demanda 40 130 30 10

Problema N 18
PETROPERU comercializa gasolina de dos grados: la extra y la normal. Cada gasolina debe
satisfacer ciertas especificaciones, tales como la presin mxima de vapor aceptable y el octanaje
mnimo. Los requerimientos de manufactura para las gasolinas y el precio por barril se muestran en
siguiente cuadro:





Se atizan tres tipos de gasolinas para fabricar las gasolinas normal y extra. Las caractersticas de las
gasolinas base se muestran en el siguiente cuadro:







PETROPERU se ha comprometido con un comprador a proporcionarle 30,000 barriles de gasolina
normal por semana. No se tiene compromisos con respecto a la gasolina extra. A la compaa le
gustara determinar el plan de manufactura para las dos clases de gasolina que maximice las
utilidades.

Especificaciones de manufactura y precio por barril: PETROPERU

Octanaje Presin Precio
Gasolina mnimo mxima de venta
de vapor (por barril)

Normal 80 9 S/. 21
Extra 100 6 S/. 24

Caractersticas de la gasolina base: PETROPERU

Octanaje Presin Disponibilidad Costo por
Gasolina de vapor mxima barril
base (barriles)

Tipo 1 108 4 32,000 S/. 22
Tipo 2 90 10 20,000 S/. 20
Tipo 3 73 5 38,000 S/. 19

Solucin
X
1N
: Nmero de barriles de gasolina base tipo I que se utiliza para
fabricar gasolina normal.
X
2N
: Nmero de barriles de gasolina base tipo 2 que se utiliza para
fabricar gasolina normal.
X
3N
: Nmero de barriles de gasolina base tipo 3 que se utiliza para
fabricar gasolina normal.
X
1E
: Nmero de barriles de gasolina base tipo I que se utiliza para
fabricar gasolina extra.
X
2E
: Nmero de barriles de gasolina base tipo 2 que se utiliza para
fabricar gasolina extra.
X
3E
: Nmero de barriles de gasolina base tipo 3 que se utiliza para
fabricar gasolina extra.

Max (Z) = 21(X
1N
+ X
2N
+ X
3N
) + 24(X
1E
+ X
2E
+ X
3E
) - (22X
1N
+ 20X
2N
+
19X
3N
) - (22X
1E
+ 20X
2E
+ 19X
3E
)







Continuacin
Disponibilidad
X
1N
+ X
1E
32,000
X
2N
+ X
2E
20,000
X
3N
+ X
3E
38,000
Presin de Vapor
4 X
1N
+ 10 X
2N
+ 5 X
3N
9
X
1N
+ X
2N
+ X
3N
X
1N
+ X
2N
+ X
3N
X
1N
+ X
2N
+ X
3N


4 X
1E
+ 10 X
2E
+ 5 X
3E
6
X
1E
+ X
2E
+ X
3E
X
1E
+ X
2E
+ X
3E
X
1E
+ X
2E
+ X
3E

Octanaje de Gasolina
108 X
1N
+ 90 X
2N
+ 73 X
3N
80
X
1N
+ X
2N
+ X
3N
X
1N
+ X
2N
+ X
3N
X
1N
+ X
2N
+ X
3N


108 X
1E
+ 90 X
2E
+ 73 X
3E
100
X
1E
+ X
2E
+ X
3E
X
1E
+ X
2E
+ X
3E
X
1E
+ X
2E
+ X
3E



Continuacin
Pedidos Comprometidos
X
1N
+ X
2N
+ X
3N
30,000

No negatividad
X
1N
, X
2N
, X
3N
, X
1E
, X
2E
, X
3E
0
Problema N 19
TAKAGAKI S. A. fabrica dos tipos de alimentos balanceados,
recibe un pedido especial de 200 TN de una mezcla de protenas y
carbohidratos, la mezcla debe contener a lo ms 40% de
protenas y por lo menos 30% de carbohidratos, el costo de cada
TN de protenas es de S/. 3 y de cada TN de carbohidratos es de
8, determinar la mezcla ptima.
X
P
: TN. de protenas utilizadas en la mezcla
X
c
: TN. de carbohidratos utilizadas en la mezcla

Max (Z) = 3 X
P
+ 8 X
C

Sujeto a:
X
P
+ X
C
= 200
X
P
0.40 ( X
P
+ X
C
)

X
C
0.30 ( X
P
+ X
C
)

X
P
, X
C
0
Problema N 20
X
i
: Nmero de acres que se destinan a cada cosecha en cada comunidad
I = 1, 2, 3, 4, 5, 6, 7, 8, 9





Max (Z) = 1,000 (X
1
+ X
2
+ X
3
) + 750 (X
4
+ X
5
+ X
6
) + 250 (X
7
+ X
8
+ X
9
)

Sujeto a:
Terreno para uso en cada comunidad
X
1
+ X
4
+ X
7
400
X
2
+ X
5
+ X
8
600
X
3
+ X
6
+ X
9
300

Comunidad
Cosecha
1 2 3
1 Remolacha
2 Algodn
3 Sorgo
X
1

X
4

X
7

X
2

X
5

X
8

X
3

X
6

X
9


Comunidad
Cosecha
1 2 3
1 Remolacha
2 Algodn
3 Sorgo
X
11

X
21

X
31

X
12

X
22

X
32

X
13

X
23

X
33


Continuacin
Asignacin de agua para cada comunidad
3 X
1
+ 2 X
4
+ X
7
600
3 X
2
+ 2 X
5
+ X
8
800
3 X
3
+ 2 X
6
+ X
9
375

Total de acres para cada cosecha
X
1
+ X
2
+ X
3
600
X
4
+ X
5
+ X
6
500
X
7
+ X
8
+ X
9
325

Igual proporcin del rea planteada
X
1
+ X
4
+ X
7
= X
2
+ X
5
+ X
8

400 600
X
2
+ X
5
+ X
8
= X
3
+ X
6
+ X
9

600 300

X
i
0 , i = 1,,9



Problema N 19
Variable de decisin
X
i
= El uso de cada uno de los tres mtodos de abatimiento en cada
tipo de horno, expresado como una fraccin de la capacidad de
abatimiento de tal manera que X
i
no exceda a 1

Funcin Objetivo
Min (Z) = 8X
1
+ 10X
2
+ 7X
3
+ 6X
4
+ 11X
5
+ 9X
6

Sujeto a:
12X
1
+ 9X
2
+ 25X
3
+ 20X
4
+ 17X
5
+ 13X
6
60
35X
1
+ 42X
2
+ 18X
3
+ 31X
4
+ 56X
5
+ 49X
6
> 150
37X
1
+ 53X
2
+ 28X
3
+ 24X
4
+ 29X
5
+ 20X
6
> 125

X
1
+ X
2
+ X
3
+ X
4
+ X
5
+ X
6
1
X
1,
X
2
, X
3
, X
4
, X
5
, X
6
> 0




Mtodo de
abatimiento
Tecnologa
Conjunto de soluciones factibles
para el modelo lineal.
El conjunto de puntos que satisface todas las
restricciones del modelo es llamado:






REGION FACTIBLE
METODOS DE SOLUCION DE PROBLEMAS
LINEALES
Mtodos:
Grfico. Fcilmente comprensible y permite visualizar
algunas propiedades.
Analtica. El mtodo simplex ha demostrado ser
eficiente por el uso del computador.
Algeibraca

Mtodo Grfico: Este mtodo consiste en delinear sobre el primer
cuadrante (debido a la condicin de no negatividad) la regin de
soluciones factibles; luego sobre ella se grafica la funcin objetivo.

Ejemplo 1
X
i
= Nmero de unidades del producto i

Max (Z) = X
1
+ X
2

Sujeto a:
2 X
1
+ 2 X
2
8
6 X
1
+ 2 X
2
18
2 X
1
+ 4 X
2
16
X
1
, X
2
0
SOLUCION GRAFICA
Cualquier punto dentro de la regin cumple simultneamente con las tres
restricciones y con la no negatividad.
Ahora el problema consiste en maximizar la funcin objetivo Z = X
1
+X
2
sobre la regin sombreada que representa a las restricciones del
problema lineal en estudio:

X
1
+X
2
= 0 M = - X
2

X
1












La recta X
1
+X
2
= 4 representa el mximo valor de Z, Sujeta a las
restricciones del programa lineal propuesto. Cualquier valor de Z > 6, no
tendr ningn punto con la regin sombreada
Z = 0
Z = 2
Regin Factible. Es aquella que cumple con todas las
restricciones y las condiciones de no negatividad.

Solucin Factible. Es cualquier punto situado en la regin factible.
Solucin Bsica. Es aquella que se encuentra en la interseccin
de rectas o hiperplanos o en la interseccin con los ejes
coordenados.

Solucin Bsica Factible. Es una solucin bsica que pertenece a
la regin factible.

Solucin Optima. Es una solucin factible que maximiza o
minimiza la funcin objetivo segn sea el caso

Solucin Bsica Factible Degenerada. Es una solucin factible
bsica en la que una o ms variables bsicas toman el valor de
cero.

TEOREMA 1. El conjunto de todas las soluciones factibles al problema
de programacin lineal es un conjunto convexo.

TEOREMA 2. La funcin objetivo alcanza su mximo en un punto
extremo del conjunto convexo, generado por el conjunto de soluciones
factibles al problema de programacin lineal.

1. Existe un punto extremo del polgono (poliedro) convexo en el
cual la funcin objetivo tiene su mximo (mnimo).
2. Cada solucin factible bsica corresponde a un punto extremo
del polgono (poliedro) convexo.

Se tendr que buscar que investigar nicamente los puntos extremos
del polgono (poliedro) convexo y buscar aquel punto que proporcione
el mayor (menor) valor para que la funcin objetivo y as obtendremos
la solucin buscada.


Restriccin de mayor o igual que cero, lmite mnimo
Ejemplo 2
Min (Z) = 2 X
1
+ 6 X
2

Sujeto a:
12 X
1
+ 6 X
2
16
4 X
1
+ 12 X
2
12
X
1
, X
2
0
Ejemplo 3
Min (Z) = 2 X
1
+ 3 X
2

Sujeto a:
X
1
+ X
2
4
6 X
1
+ 2 X
2
= 8
X
1
+ 5 X
2
4
X
1
3
X
2
3
X
1
, X
2
0



La solucin se encuentra en el segmento A y B, donde X
1
= 8/7 y X
2

= 4/7. la funcin objetivo toma el valor de 4.

A
B
Ejemplo 4
Max (Z) = X
1
+ X
2

Sujeto a:
- 4 X
1
+ 2 X
2
2
2 X
1
4
2 X
1
+ 2 X
2
6
X
1
, X
2
0




Se aprecia que la recta de la funcin objetivo no es ahora tangente
a un vrtice del polgono factible, si no es coincidente con uno de
los lados del mismo.
Cul es entonces la solucin?
En este caso es posible definir cualquier punto sobre la recta BC y
hallar en consecuencia los valores X
1
y X
2
.
X
1
= 2 ; X
2
= 1; Z = 3, otro resultado X
1
= 2/3 , X
2
= 7/3 ; Z = 3

C
B
(2,1)
(2/3,7/3)
Ejemplo 5
Max (Z) = 2 X
1
+ 2 X
2

Sujeto a:
X
1
- X
2
1
1/ 2 X
1
+ X
2
2
X
1
, X
2
0






No tiene un valor mximo finito.
En problemas prcticos no puede presentarse este tipo de
solucin

(6,5)
Ejemplo 6
Max (Z) = 3 X
1
+ 2 X
2

Sujeto a:
X
1
+ X
2
1
2 X
1
+ 2 X
2
4
X
1
, X
2
0



Ejemplo 7
Max (Z) = X
1
+ X
2

Sujeto a:
3 X
1
- X
2
- 3
X
1
+ X
2
4
X
1
, X
2
0
No se puede garantizar que todo problema tenga solucin factible.


USANDO UN GRAFICO SE
PUEDEN REPRESENTAR TODAS
LAS RESTRICCIONES, LA
FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD.
Ejemplo: El problema de la industria de
juguetes Galaxia.
Galaxia produce dos tipos de juguetes:
* Space Ray
* Zapper

Los recursos estn limitados a:
* 1200 libras de plstico especial.
* 40 horas de produccin semanalmente.
Requerimientos de Marketing.

* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.

Requerimientos Tecnolgicos.

* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.

Plan comn de produccin para:

Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray (S/. 8 de utilidad
por docena).

Usar la menor cantidad de recursos para producir Zappers, porque
estos dejan una menor utilidad (S/. 5 de utilidad por docena).

Solucin
Variables de decisin

X
1
= Cantidad producida de Space Rays (en docenas por
semana).
X
2
= Cantidad producida de Zappers (en docenas por
semana).

Funcin objetivo

Maximizar la ganancia semanal.
Modelo de Programacin Lineal

Max (Z) = 8X
1
+ 5X
2
(ganancia semanal)

Sujeto a:
2X
1
+ 1X
2
s 1200 (Cantidad de plstico)
3X
1
+ 4X
2
s 2400 (Tiempo de produccin)
X
1
+ X
2
s 800 (Limite produccin total)
X
1
- X
2
s 450 (Produccin en exceso)
X
j
> 0, j = 1, 2. (Resultados positivos)

El plan comn de produccin consiste en:
Space Rays = 550 docenas

Zappers = 100 docenas

Utilidad = S/. 4900 por semana


Tipos de Puntos de factibilidad
1200
600
Factible
Restriccin del plstico:
2X
1
+ X
2
s 1200
X2
No Factible
Horas de
Produccin
3X
1
+ 4X
2
s 2400
Restriccin del total de produccin:
X
1
+ X
2
s 800
600
800
Restriccin del
exceso de produccin:
X
1
- X
2
s 450
Punto Inferior
Punto Medio
Punto Extremo
X1
Resolucin grfica para encontrar la solucin
optima
600
800
1200
400 600 800
X2
X1
comenzar con una ganancia dada de = S/. 2,000...
Util. = S/. 000 2,
Entonces aumente la ganancia...
3, 4,
...y contine hasta que salga de la regin factible
Ganancia = S/. 5,040
600
800
1200
400 600 800
X2
X1
Se toma un valor cercano al
punto ptimo
Feasible
region
Regin
Factible

Regin no
factible
Resumen de la solucin ptima

Space Rays = 480 docenas
Zappers = 240 docenas
Ganancia = S/. 5,040

*Esta solucin utiliza todas las materias primas (plstico) y
todas las horas de produccin.
* La produccin total son 720 docenas (no 800).
* La produccin de Space Rays excede a la de Zappers por
solo 240 docenas y no por 450.
Soluciones ptimas y puntos extremos.

* Si un problema de programacin lineal tiene una solucin
ptima, entonces esta corresponde a un punto extremo.

Mltiples soluciones ptimas.

* Cuando existen mltiples soluciones ptimas implica
que la funcin objetivo es una recta paralela a
uno de los lados de la regin factible.
* Cualquier promedio ponderado de la solucin ptima
es tambin una solucin ptima.



Cuntos artefactos de A y B deben de producir para obtener el
mximo beneficio?
ARTEFACTO A
(min/unid)
ARTEFACTO B
(min/unid)
DISPONIBILIDAD
Maquinado
Armado
Montaje
Beneficio
4
5
12
100
8
6
6
120
480
600
540
X
i
: Cantidad de artefactos del tipo i a producirse al da.

FUNCIN OBJETIVO
Max (Z) = 100 X
1
+ 120 X
2
Sujeto a:
4 X
1
+ 8 X
2
s 480
5 X
1
+ 6 X
2
s 600
12 X
1
+ 8 X
2
s 540
X
1
, X
2
> 0
METODO SIMPLEX
1. b
i
0
2. Restricciones
3. Restricciones
4. Restricciones =
5. X
j
0; x
i
= - X
i
, donde X
i
0
6. X
i
Sin Restriccin de Signo (SRS)
+ , - , 0
X
1
; SRS
X
1
= X
1
+

- X
1
-

X
1
= A
1
- D
1

A
1
> D
1
; X
1
> 0; X
1
= A
1
- 0
A
1
= D
1
; X
1
= 0; X
1
= 0 - 0
A
1
< D
1
; X
1
< 0; X
1
= 0 - D
1

donde :
A
1
, D
1
0
7. Empate en el criterio en la variable que ingresa
se escoge arbitrariamente cualquiera.
Seleccionamos la variable que sale {
i
menor}

8. Empate en el criterio en la variable que sale se
escoge arbitrariamente cualquiera.
Criterio de Optimalidad
Max Z
j
- C
j
0 ; C
j
- Z
j
0
Min C
j
- Z
j
0 ; C
j
- Z
j
0

9. Tipo de soluciones.




Ejemplo Mtodo Simplex
La compaa SONYT S. A. produce radios y televisores, cada radio se vende con una ganancia de S/.
30, mientras que cada televisor vendido se gana S/. 50.

Ambos productos deben pasar por los departamentos A y B (impresin de circuitos y ensamble)
respectivamente: mensualmente se dispone de 200 horas en el departamento A y 140 horas en el
departamento B. Cada radio requiere de una hora en departamento A como en el departamento B,
cada televisor requiere de 2 horas en departamento A y una hora en el departamento B. Cul es el
programa de produccin que maximiza la ganancia.

REQUERIMIENTOS
DEPARATMENTO
RADIO TELEVISOR
DISPONIBILIDAD
A
B
1 hr.
1 hr.
2 hrs.
1 hr.
200 hrs / mes
140 hrs. / mes

X
i
: Numero de unidades del producto tipo i que se deben producir
mensualmente.

Max (Z) = 30 X
1
+ 50 X
2


Sujeto a:
X
1
+ 2 X
2
200
X
1
+ X
2
140
X
1
, X
2
0


Solucin
(80,60)
(140,0)
(0,100)