Eercicios Resueltos Anderson 2.PDF'

Gerencia de Operaciones I
Ing. Oscar Mendoza Macas
Aplicaciones de la programacin Lineal

Hasta estos momentos el estudio se ha orientado a la comprensin de
la programacin lineal en trminos del mtodo grfico de solucin,
del anlisis de sensibilidad y de la interpretacin de las soluciones
computadorizadas para problemas de programacin lineal. Estos
antecedentes son esenciales para saber cundo la programacin
lineal es una herramienta apropiada para resolver problemas y,
tambin,
para
interpretar
los
resultados
que
la
solucin
de
programacin lineal da para un problema.
En la prctica, la programacin lineal ha probado ser uno de los

enfoques cuantitativos ms exitosos para la toma de decisiones en la
administracin. Se han reportado numerosas aplicaciones en las
industrias qumica, del aerotransporte, del acero, del papel, del
petrleo y en otras. Los problemas especficos que han sido
estudiados son diversos e incluyen programacin de la produccin,
seleccin de medios publicitarios, planeacin financiera, presupuestos
de capital, transporte, ubicacin de plantas, mezcla de productos,
asignacin de personal, mezclados y muchas otras.
Tal como sugiere la variedad de las aplicaciones que se menciona, la

programacin lineal es una herramienta flexible para resolver
problemas, con aplicaciones en muchas disciplinas. En este capitulo,
se exponen aplicaciones en las reas de mercadotecnia, finanzas y
administracin de la produccin. En la seccin final se presenta una
aplicacin en el campo relativamente nuevo del anlisis global de
datos. En muchos de los ejemplos se presentan soluciones por
computadora que se obtienen utilizando el paquete de programas
denominado The Management Scientist.
4.1
ALGUNOS
LINEAMIENTOS
PARA
LA
FORMULACION DE LOS MODELOS

En las aplicaciones que siguen se vera la forma en la que se pueden
plantear diversos problemas como programas lineales. Aunque el
proceso de formulacin o planteamiento de modelos de programacin
lineal es un arte que se aprende con la prctica y la experiencia, los
siguientes lineamientos o casos generales pueden ser tiles al
comenzar a formular los propios modelos de programacin lineal.
1. Entender por completo el problema
2. Plantear el problema en forma tan concisa como sea posible,
formulando enunciados verbales de lo siguiente:
Objetivo. El propsito del problema, tal como maximizar

utilidades, minimizar tiempo, etc.
Variables de decisin. Los aspectos del problema que se

pueden controlar o determinar y que ayudan a alcanzar el
objetivo que se plantea.
Restricciones. Las limitaciones o condiciones que se deben

satisfacer para que la solucin sea factible.
3. Utilizando las variables de decisin como incgnitas (por

ejemplo x1, x2, etc.), formular expresiones matemticas que
describan el objetivo y cada una de las restricciones.
Se debe recordar que como el mtodo es de programacin lineal,
las expresiones que se utilizan para el objetivo y para las
restricciones deben ser relaciones lineales.
4. Aadir los requisitos de no negatividad (Xi 0) para cada una
de las variables de decisin.
En este punto debe tenerse un modelo de programacin lineal que

represente el problema o aplicacin que se estudia. La solucin del
modelo proporcionar los valores ptimos de las variables de
decisin, as como tambin informacin acerca del anlisis de
sensibilidad. La interpretacin adecuada puede ofrecer informacin
valiosa sobre la toma de decisiones para los administradores.
4.2
APLICACIONES EN MERCADOTECNIA
Seleccin de medios de publicidad
Las aplicaciones de programacin lineal para la seleccin de medios

publicitarios estn diseadas para ayudar a los gerentes de fijos de
publicidad a diversos medios. Los medios potenciales incluyen
peridicos, revistas, radio, televisin y correo directo. En la mayor
parte el objetivo es maximizar Ia exposicin a la audiencia. Las
restricciones sobre las asignaciones permisibles usualmente se
producen
por
consideraciones
como
politicas
de
la
compaa,
requisitos contractuales y disponibilidad de los medios. En Ia

aplicacin que se presenta enseguida, se ilustra la forma en que
podra plantearse un problema de seleccin de medios, y su solucin
utilizando un modelo de programacin lineal.
Considrese
el
caso
de
la
empresa
Relax-and-Enjoy
Lake
Development Corporation. La Relax-and-Enjoy est realizando el

proceso de desarrollo de un centro habitacional que se ubicar en las
riberas de un lago de propiedad privada, y el negocio consiste en la
venta de inmuebles para vacaciones o de albergues para retiro.
El
principal mercado para esto lotes en las orillas del lago incluye a
todas las familias de ingresos medios y altos dentro de un radio de
aproximadamente 100 millas desde tal centro. La Relax and - Enjoy
ha utilizado los servicios de la firma de publicidad Boone Phillips and
Jackson para el proyecto de la campaa promocional.
Despus de considerar los posibles medios publicitarios y el mercado
que se debe cubrir, la Boone ha hecho la recomendacin preliminar
de restringir la publicidad del primer mes a cinco fuentes. Al final del
mes, la empresa reevaluara su estrategia, con base en los resultados.
La Boone ha recopilado datos acerca del nmero de familias
potencialmente compradoras a las que se llega, el costo por
publicidad, el nmero mximo de veces que esta disponible cada
medio, y la disposicin esperada para cada uno de los cinco medios
publicitarios. La exposicin esperada se mide en trminos de una
unidad de exposicin, que es una del valor relativo de un anuncio en
cada uno de los medios. Tales medidas, con base en la experiencia
que la compaa tiene en el negocio de la publicidad, toman en
consideracin factores tales como perfil de la audiencia (edad,
ingresos y grado de educacin), imagen que se presenta y calidad del
anuncio. En la tabla 4.1 se presenta la informacin recopilada.
La
firma
Relax-and-Enjoy
ha
proporcionado
la
Boone
un
presupuesto de publicidad de $30.000 (dlares) para la campaa del

primer mes. Adems, ha impuesto las siguientes restricciones sobre
la forma en que la Boone puede asignar esos fondos: se deben
utilizar cuando menos 10 anuncios (o comerciales) de televisin, y se
debe llegar cuando menos a 50000 compradores potenciales durante
el mes. Adems, no pueden invertirse mas de $ 18000 en anuncios
por televisin. Que plan de seleccin de medios debe recomendar la
empresa publicitaria?
TABLA 4.1 Alternativas de medios de publicidad para la Relax and

Enjoy Lake Development Corporation
Medios de
publicidad
TV diurna (1 min)
estacion WKLA
# familias
Costo
compradoras por
anuncio
1000
$ 1.500
TV nocturna (30
2000
seg), estacion
WKLA
Periodico diario The 1500
Morning Journal
# ocasiones
disponibles
Unidades
esperadas
15
65
$ 3.000
10
90
$ 400
25
40
Suplemento de
periodico dominical
2500
$ 1.000
60
Radio: noticias
8:00 A.M. o 5:00
P.M.
300
$ 100
30
20
El numero mximo de las ocasiones que esta disponible el

medio es el numero mximo de ocasiones en que se presenta el
medio de publicidad (por ejemplo, 4 domingos para el medio
numero 4) o el numero mximo de ocasiones en que Boone
permitir que se utilice el medio.
Se comienza definiendo las variables de decisin de la siguiente

manera:
X1 = numero de ocasiones en que se utiliza la TV diurna
X2 = numero de ocasiones en que se utiliza la TV nocturna
X3 = numero de ocasiones en que se emplea el peridico diario
X4 =
numero de ocasiones en que se emplea el peridico
dominical
X5 = numero de ocasiones en que se utiliza la radio.
Con el objetivo de maximizar la exposicin esperada, la funcin

objetivo se convierte en:
max 65 X1 + 90 X2+ 40 X3 + 60
X4+ 20 X5.
Ahora pueden plantearse las restricciones para el modelo a partir
de la informacin dada:
X1
15
X2
10
X3
25
X4
4
X5
30
1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 30000

Prepuesto
X1 +
X2
10
1500 X1 + 3000 X2
1000 X1
18000
2000 X2
1500X3
2500 X4
300 X5
50000 Audiencia
X1, X2, X3, X4, X5 0
En la Tabla 4.2 se presenta la solucin para este modelo de
programacin lineal con nueve restricciones y cinco variables.
TABLA 4.2 Plan de publicidad para la Relax-and-Enjoy Lake
Development Corporation
Medios publicitario
TV diurna
Periodico diario
Periodico dominical
Presupuesto
$
Frecuencia
10
15000
25
10000
2
2000
6
Radio

30
3000
30000
Total de audiencia alcanzada = 61500

Exposicion esperada
= 2370
Un posible defecto de este modelo es que, aun cuando la medida de

la exposicion esperada no estuviera sujeta a error, no existe garanta
de que maximizar la exposicion esperada total conducir a la
maximizacin de las Utilidades o las ventas (un sustituto comn para
las utilidades). Sin embargo este no es un defecto de la programacin
lineal; ms bien es una desventaja de utilizar la exposicion como
criterio. Ciertamente, si fuera posible medir en forma directa el efecto
que la publicidad tiene sobre las utilidades, se utilizaran las utilidades
totales como el objetivo a minimizar.
Adems, se debe estar consciente de que el modelo de seleccin de
medios, tal como se planteo en esta seccin, no incluye
consideraciones
como
las
siguientes:
1. El valor de la exposicin se reduce con la repeticin en el uso de
los medios.
2 Descuentos en costos por utilizacin repetida de los medios.
3. Traslape de la audiencia en los distintos medios.
4. Recomendaciones de tiempo para los anuncios.
Con frecuencia es posible utilizar un planteamiento ms complejo
(ms variables y restricciones) para vencer estas limitaciones, pero
no siempre ser posible superarlas todas con un modelo de
programacin lineal. Sin embargo, aun en estos casos, con frecuencia
7
puede utilizarse un modelo de programacin lineal para llegar a una

aproximacin de la mejor decisin. La evaluacin de los
administradores, combinada con la solucin de la programacin
lineal, debe hacer posible entonces la eleccin de una estrategia
global efectiva para la publicidad.
Notas y Comentarios
1. En general, se utilizan x1, x2, etc., para denotar las variables de
decisin en un modelo de programacin lineal. Al comenzar el
planteamiento del modelo, se expone en forma cuidadosa la notacin
utilizada y la definicin de cada variable de decisin.
Al mismo tiempo que se puede utilizar la notacin x1, x2, etc., en
cualquier modelo de programacin lineal, algunos cientficos de la
administracin prefieren hacer uso de un esquema de notacin ms
descriptivo para cada variable de decisin. Por ejemplo, el modelo de
seleccin de medios podra haber sido formulado como DTV para
denotar televisin durante el da; por NTV, para televisin durante
la noche; por P, para peridicos; por PD, para publicaciones
domsticas; por R, para revistas.
En este caso, la funcin objetivo quedarla expresada de la siguiente
manera:
Max
65DTV
9OIVTV
40P
6OPD
20R
Las restricciones se plantearan en trminos de la notacin ideada:

DTV, NTV, P, PD, R. En cualquier caso, es importante observar que el
modelo se puede formular con cualquier notacin o combinacin de
notaciones para las variables de decisin. Sin importar cul sea la
decisin, siempre es conveniente definir con cuidado las variables de
decisin y la notacin que se utiliza desde el principio del
planteamiento del modelo.
2. Debe observarse que el modelo de seleccin de medios, quiz ms
8
que la mayora de los dems modelos de programacin lineal,

requiere de evaluaciones subjetivas crticas para las calificaciones
sobre la exposiciOn de los diversos medios alternos. Aun cuando los
gerentes de mercadotecnia pueden contar con considerables datos
acerca de la exposicin a la publicidad, los coeficientes finales que se
utilizan en la funcin objetivo incluyen consideraciones que se basan
primordialmente en el criterio de los administradores. Sin embargo,
la introduccin de juicios es una forma aceptable de obtener datos
para un modelo de programacin lineal.
Investigacin de Mercadotecnia
Diversas
organizaciones
Llevan
a
cabo
investigaciones
mercadotcnicas para determinar caractersticas de los consumidores,
actitudes y preferencias con respecto a productos o servicios que las
organizaciones ofrecen. Con frecuencia, las investigaciones reales las
lleva a cabo una empresa de investigacin de mercadotecnia que se
especializa en ofrecer a sus clientes la informacin que desean sobre
el mercado. Los servicios que las empresas de
investigacin
mercadotcnica ofrecen por lo comn incluyen el diseo del estudio,
la realizacin de las encuestas de mercado, el anlisis de los datos
recopilados y reportes resumidos y recomendaciones para el cliente.
En la fase de diseo de la investigacin, es posible que se establezcan
objetivos o cuotas para el nmero y tipos de entrevistados que la
investigacin debe alcanzar. Cuando se establecen lineamientos sobre
cuotas, el objetivo de la empresa investigadora es Llevar a cabo la
encuesta de manera que se satisfagan las necesidades de los clientes
a un costo mnimo.
La firma Market Survey, Inc. (MSI), es una empresa de investigacin
de mercadotecnia que se especializa en evaluar la reaccin de los
consumidores ante productos, servicios y campaas de publicidad
nuevos. Una empresa cliente ha solicitado que le ayude a determinar
la reaccin de consumidores ante un producto recientemente
comercializado para uso domestico. En el curso de algunas reuniones
con el diente, se acord que se utilizaran entrevistas personales de
puerta en puerta para obtener informacin tanto de hogares con
nios los como de hogares sin ellos. Adems, se acord que seria
necesario realizar entrevistas tanto diurnas como nocturnas, con
objeto de incluir diversos horarios de trabajo en los hogares
Especficamente, el contrato de este cliente exiga a la SMI realizar
1000 entrevistas con los siguientes lineamientos sobre cuotas:
1. Se entrevistaran cuando menos 400 hogares con nios.

2. Se entrevistaran cuando menos 400 hogares sin nios.
9
3. El numer total de hogares entrevistados durante la noche seria

cuando menos igual al nmero de hogares entrevistados durante el
da.
4. Cundo menos el 40% de las entrevistas para hogares con nios
se realizaran durante la noche.
5. Cuando menos el 60% de las entrevistas para hogares sin nios se
realizaran durante la noche.
Como las entrevistas en hogares con nios requieren de tiempo

adicional del entrevistador, y como a los entrevistadores nocturnos se
les paga ms que a los que trabajan de da, el costo de las
entrevistas vara segn su tipo. Con base en estudios previos, las
estimaciones sobre los costos de las entrevistas son:
Hogar
Nios
No nios
Costo de la entrevista
Diurna
Nocturna
$ 20
$ 25
$ 18
$ 20
Cual es el plan de entrevistas, por hogar y por parte del da, que
satisface los requerimientos contractuales a un costo mnimo total
para las entrevistas?
El planteamiento de un modelo de programacin lineal para el
problema de la Market Survey es buena oportunidad para introducir
el uso de variables de decisin con doble subndice. Utilizando x para
representar las variables decisorias, se utilizan dos subndices para x,
en donde el primer subndice seala si la entrevista implica a nios o
no, y el segundo indica si la entrevista se realiza durante el da o
durante la noche. Utilizando 1 para nios y 2 para no nios, y 1 para
da y 2 para noche, se pueden utilizar subndices dobles para
identificar las siguientes variables de decisin:
X11 = nmero de entrevistas en hogares con nios a realizar durante
el da
X12 = nmero de entrevistas en hogares con nios a realizar durante
la noche
10
X21 = nmero de entrevistas en hogares sin nios a llevar a cabo

durante el da
X22 = nmero de entrevistas en hogares sin nios a llevar a cabo
durante la noche
Se comienza el planteamiento del modelo de programacin lineal
utilizando los datos de costos por entrevista para elaborar la siguiente
funcin objetivo:
min. 20 X11 + 25 X12 + 18 X21 + 20 X22
La restriccin que exige un total de 1000 entrevistas se expresa como
X11 + X12 + X21 + X22 = 1000
Las cinco especificaciones que se refieren a los tipos de entrevistas
son las siguientes:
1. Hogares con nios
X11 + X12 400
2. Hogares sin nios:
X21 + X22 400
3. Cuando menos tantas entrevistas nocturnas como diurnas:
X12 + X22 X11 + X21
El formato normal para el planteamiento del modelo de programacin
lineal y para la introduccin de datos en la computadora hace que se
coloquen todas las variables de decisin en el lado izquierdo de la
desigualdad, y una constante (posiblemente cero) en el lado derecho.
Por ello, se reescribirla esta restriccin como
X11 + X12 X2I + X22 0
11
4. Cuando menos 40% de las entrevistas en hogares con nios

durante la noche:
X12 .4(X11 + X12)
O
- .4 X11 + .6X12 0
Aadiendo los requisitos de no negatividad, el modelo de
programacin lineal de cuatro variables y seis restricciones se
convierte en
Min
20X11 + 25X12 + 18X21 + 20X22
Sujeto a
X11 + X12 + X21 + X22 = 1000 Total de entrevistas
X11 + X12
400 Hogares con nios

X21 + X22 400 Hogares sin nios
X11 + X12 X21 + X22 0 mas entrevistas nocturnas

.4X11 + .6X12
0 Hogares con nios,
noche
.6X21 + .4X22 0 Hogares sin nios, noche
X11, X12, X21, X22 0
En la Fig. 4.1 se muestra la solucin por computadora del programa

lineal anterior. Utilizando los resultados de la solucin por
computadora, se observa que el costo mnimo de $20,320 se
presenta con el siguiente programa de entrevistas:
Hogar
Nios
Numero de entrevistas
diurnas
nocturnas
240
160
totales
400
12
No nios
Totales

240
480
360
520
600
1000
Como se puede observar, se programan 480 entrevistas durante el

dia y 520 durante la noche. Los hogares con nios se cubren
mediante 400 entrevistas, y los hogares sin nios, mediante 600
entrevistas.
Una informacin seleccionada sobre el anlisis de sensibilidad de la
Fig. 4.1 muestra un precio dual de 19.2 para la restriccin 1. Esto
indica que la funcin objetivo empeorara
Variable
X11
X12
X21
X22
Restriccion
1
2
3
4
5
6
Costos
Valor
reducidos
240,000015
0,000001
159,999985
0,000001
240
0,000002
360
0
Holgura /
Excedente
0
0
200
40
0
0
Precios
duales
-19,200001
-2,799999
0
0
-4,999998
-1,999998
FIGURA 4.1 Solucin por computadora del problema de

investigacin de mercados utilizando The Management Scientist.
(el costo aumentara) en $19.20 si se aumenta el numero de
entrevistas de 1000 a 1001. Por ello, $19.20 es el incremento en los
costos al obtener entrevistas adicionales. Tambin representa los
ahorros que se podran lograr al reducir el nmero de entrevistas de
1000 a 999. El precio dual para el requisito de 400 hogares con nios
(restriccin 2) indica que solicitar entrevistas adicionales en hogares
con nios no mejora la funcin objetivo. De hecho, las entrevistas
adicionales en hogares con nios aumentaran el costo total a razn
de aproximadamente $2.80 por entrevista.
13
La variable de excedente que tiene un valor de 200 para la restriccin

3, muestra que se van a entrevistar 200 ms hogares con nios que
los que se requieren. De manera similar, la variable de excedente que
tiene un valor de 40 para la restriccin 4 muestra que el nmero de
entrevistas nocturnas excede al nmero de entrevistas diurnas en 40.
Los valores nulos para las variables de excedente de las restricciones
5 y 6 indican que se mantienen en un mnimo las entrevistas
nocturnas, que son las ms costosas.
4.3 APLICACIONES FINANCIERAS
Seleccin de cartera
Los problemas de seleccin de cartera implican situaciones en las que
los gerentes financieros deben elegir inversiones especificas (por
ejemplo, acciones, bonos) a partir de diversas alternativas de
inversin. Los administradores de fondos mutualistas, de uniones de
crdito, de compaas de seguros y de bancos, encuentran
frecuentemente este tipo de problemas. La funcin objetivo para los
problemas de seleccin de cartera es por lo comn la maximizacin
del rendimiento esperado o la minimizacin de los riesgos. Las
restricciones asumen, por lo general, la forma de restricciones sobre
el tiempo de inversiones permisibles, leyes estatales, politicas de la
compaa, mximo riesgo permisible, etctera.
Se han planteado y resuelto problemas de este tipo utilizando
diversas tcnicas de programacin matemtica. Sin embargo, si es
posible plantear una funcin objetivo lineal y restricciones lineales en
un problema especfico de seleccin de cartera, entonces puede
utilizarse la programacin lineal para resolverlo. En esta seccin se
muestra la forma en la que puede plantearse un problema de
seleccin de cartera y el modo en que se puede resolver como
programa lineal.
Considrese el caso de la firma Welte Mutual Funds, Inc., ubicada en
la ciudad de Nueva York. La empresa acaba de obtener $100,000 al
convertir bonos industriales en efectivo, y ahora est en busca de
otras oportunidades de inversin para esos fondos. Considerando las
inversiones de la Welte en esos momentos, el principal analista
financiero de la empresa recomienda que se hagan todas las nuevas
inversiones en la industria petrolera, en la industria del acero o en
bonos gubernamentales. Especficamente, el analista ha identificado
cinco oportunidades de inversin y proyectado sus tasas anuales de
14
rendimiento. Las inversiones y las tasas de rendimiento son las que

se muestran en la Tabla 4.3.
La direccin de la Welte ha impuesto los siguientes lineamientos
sobre la inversin:
1. Ninguna de las industrias (petrleo o acero) debe recibir ms de
50% de la inversin nueva total.
2. Los bonos de gobierno deben ser de cuando menos 25% de las

inversiones en la industria siderrgica.
3. Las inversiones en la Pacific
Oil, la inversin con altos
rendimientos pero tambin altos riesgos, no puede ser ms de 60%
del total de las inversiones en la industria petrolera.
Qu recomendaciones de cartera (inversiones y montos) se deben
hacer para los $100,000 disponibles? Dado el objetivo de maximizar
los
rendimientos
proyectados,
sujeto
a
las
restricciones
presupuestales y administrativas que se han impuesto, puede
contestarse esta pregunta planteando un modelo de programacin
lineal para el problema. La solucin para este modelo de
programacin lineal ofrecer, entonces, recomendaciones sobre
inversin para los administradores de la Welte Mutual Funds.
Sean,
X1 = dlares invertidos en Atlantic Oil
X2 = dlares invertidos en Pacific Oil
X3 = dlares invertidos en Midwest Steel
X4 = dlares invertidos en Huber Steel
X5 = dlares invertidos en bonos gubernamentales
Utilizando las tasas de rendimiento proyectadas que se muestran en
15
la Tabla 4.3, la funcin objetivo para maximizar el rendimiento total

sobre la cartera puede escribirse como
Max O.073X1 + 0.103X2 + 0.064X3 + 0.075X4 +
0.045X5
TABLA 4.3 Oportunidades de inversin para Welte Mutual Funds
Tasa de rendimienlo proyectada
Inversion
(%)
Atlantic Oil
7.3
Pacific Oil
10.3
Midwest Steel
6.4
Huber Steel
7.5
Bonos gubernamentales
4.5
La restriccin que especifica la inversin de los $100000 se expresa

como
X1 + X2 + X3 + X4 + X5 = 100000
Los requisitos de que ni la industria del petrleo ni la industria del
acero reciban ms de 50% de la inversin de $100,000, se escribe de
la siguiente manera:
X1 + X2 50,000 Industria petrolera
x3 + x4 50,000 Industria siderurgia
16
El requisito de que los bonos de gobierno sean de cuando menos 25%

de la inversin en la industria siderurgia se expresa de la siguiente
manera:
X5 0.25 (X3 + X4)
o bien
0.25X3 0.25X4 + X5 0
Finalmente, la restriccin de que la inversin en Pacific Oil no puede

ser ms de 60% de la inversin total en la industria petrolera se
convierte en:
X2 0.60 (X1 + X2)
o bien
0.60X1 + 0.40X2 0
Sumando las restricciones de no negatividad, el modelo completo de
programacin lineal para el problema de inversin de la Welte Mutual
Funds es el siguiente:
Max 0.073X1 + 0. 103X2 + 0.064X3 + 0.075X4 +
0.045X5
Sujeta a
X1 + X2 + X3 + X4 + X5 = 100,000 Fondos disponibles
17
X1 + X2
petrolera
50,000 Mximo de la industria

X3 + X4
50,000 Mximo de la industria
del acero
-0.25X3 0.25X4 + X5 0 Mnimo de bonos gubernamentales
0.6X1 + 0.4 X2
0 Restriccin de la Pacific Oil

x1,x2,x3,x4,x5 0
Valor de la funcin objetivo=

8000.000000
Variable
X1
X2
X3
X4
X5
Restriccion
1
2
3
4
5
Valor
Costos reducidos
19999.998000
0.000000
3000.002000
0.000000
0.000000
0.011000
40000.000000
0.000000
10000.000000
0.000000
Holgura /
Excedente
0
0
10000
0
0
Precios
duales
0.069000
0.022000
0.000000
-0.024000
0.030000
18
FIGURA 4.2 Solucin por computadora del problema de Welte

Mutual Funds
utilizando The Management Scientist.
Se resuelve este problema utilizando The Management Scientist y el
listado se muestra en la Fig. 4.2. En la Tabla 4.4 se muestra la forma
en la que se dividen los fondos entre los valores. Obsrvese que la
solucin optima seala que la cartera se debe diversificar entre todas
las oportunidades de inversin, exceptuando a Midwest Steel. El
rendimiento anual proyectado para esta cartera es $8,000, lo cual
significa una tasa global de rendimiento del 8%.
Utilizando el listado de la computadora para el problema de inversin
de la Welte que se muestra en la Fig. 4.2, se observa que es cero el
precio dual para la restriccin 3. Esto es as porque el mximo de la
industria del acero no es una restriccin limitante; aumentos en el
lmite de la industria siderrgica de $50,000 no mejoraran el valor de
la funcin objetivo. De hecho, la variable de holgura para esta
restriccin muestra que la inversin actual en la industria del acero
est $10,000 por debajo de su lmite de $50,000. Los precios duales
de las dems restricciones son diferentes de cero, lo cual seala que
son
restricciones
limitantes
en
la
solucin
ptima.
TABLA 4.4 Seleccin Optima de cartera para Welte Mutual Funds
Inversin
Atlantic Oil
Pacific Oil
Huber Steel
Bonos
gubernamentales
Rendimiento
anual
Monto
esperado
20,000
$ 1.460
30,000
3090
40,000
3000
10,000
100,000
Rendimiento anual esperado de $8000
= 8%
450
8000
El precio dual de 0069 para la restriccin 1 muestra que es posible

aumentar la funcin objetivo en 0.069 si se puede tener a disposicin
un dlar ms para inversin en la cartera.
Si es posible obtener fondos a un costo inferior a 6.9%,los
administradores deberan considerar obtenerlos. Por otro lado, si
puede adquirirse un rendimiento superior a 6.9% invirtiendo los
19
fondos en alguna, otra parte (que no sean estos cinco ttulos-valor)

los administradores deben considerar cun conveniente ser invertir
la totalidad de los $100,000 en esta cartera. Se pueden dar
interpretaciones similares para los otros precios duales. Sin embargo,
ntese que es negativo el precio dual para la restriccin 4; su valor
es O 024. Esto indica que aumentar en una unidad el valor en el
lado derecho de una restriccin puede ocasionar, posiblemente, un
cambio en la funcin objetivo de 0.024. En trminos de la cartera
Optima, esto significa que si la Welte invierte un dlar ms en bonos
del gobierno, su rendimiento total disminuir en 2.4 centavos. Para
ver por qu sucede esto, obsrvese de nueva cuenta en el precio dual
de la restriccin 1 que el rendimiento marginal de los fondos
invertidos en la cartera es 6.9% (el rendimiento promedio es 85). La
tasa de rendimiento de los bonos gubernamentales es 4.5%. Par ella,
el costo de invertir un dlar ms en bonos de gobierno es la
diferencia entre el rendimiento marginal de la cartera y el
rendimiento marginal de los bonos gubernamentales: 6.9% 4.5%
=
2.4%.
Obsrvese que la solucin Optima con x = 0 muestra que la Midwest
Steel no debe incluirse en la cartera. El costo reducido
correspondiente a x3, 0.011, indica que el coeficiente de la funcin
objetivo-para la Midwest Steel tendra que aumentar en 0.011 antes
de que fuera deseable considerar a esta empresa coma alternativa de
inversin. Con este aumento, el rendimiento de la Midwest Steel sera
0.064 + 0.011 = 0.75, hacienda que esta inversin fuera justamente
tan deseable como la alternativa de inversin que actualmente se
utiliza,
la
de
Huber
Steel.
Finalmente, una modificacin sencilla sobre el modelo de
programacin lineal de la Welte permite determinar la fraccin de los
fondos disponibles que se invierten en cada alternativa. Es decir, se
dividen entre 100,000 los valores del lado derecho. Entonces, los
valores ptimos para las variables proporcionan la fraccin de los
fondos que deben invertirse en cada ttulo, para una cartera de
cualquier tamao.
NOTAS Y COMENTARIOS
La solucin ptima para el problema de la Welte Mutual Funds
indicaba que se deban invertir $20,000 en acciones de la Atlantic Oil.
Si la Atlantic Oil se vende en $75 por accin, se tendran que comprar
exactamente 266 2/3 acciones para invertir exactamente $20,000.
Por lo general, la dificultad para adquirir acciones fraccionarias se
maneja adquiriendo el mayor nmero entero posible de acciones con
los fondos asignados (por ejemplo, 266 acciones para la Atlantic Oil).
Este mtodo garantiza que no se infringe la restriccin presupuestal.
20
Por supuesto, lo anterior introduce la posibilidad de que la solucin ya

no sea la ptima, pero el peligro es reducido si se trata de un nmero
grande de acciones. En los casos en que el analista considere que es
crucial que las variables de decisin tengan valores enteros, el
problema debe plantearse coma modelo de programacin lineal segn
enteros. Esta programacin lineal es la materia del Cp. 8.
Estrategia de Combinacin Financiera

Las estrategias de mezcla o combinacin financiera implican la
seleccin de medios para financiar proyectos de la compaa,
inventarios operaciones de produccin y otras actividades. En esta
seccin se ilustra la forma en que puede utilizarse la programacin
lineal para resolver problemas de este tipo, planteando y resolviendo
un problema que implique el financiamiento de operaciones de
produccin. En esta aplicacin especfica, se debe tomar una decisin
financiera respecto a cuanta produccin se debe financiar mediante
fondos generados internamente, y qu tanta produccin se debe
financiar mediante fondos externos.
La Jefferson Adding Machine Company va a comenzar la fabricacin
de dos nuevos modelos de calculadoras electrnicas en los tres meses
prximos. Como la fabricacin de estos modelos exige ampliar la
operacin de produccin que se tiene en esos momentos, la compaa
necesitar fondos de operacin para cubrir los costos de materiales,
mano de obra y otros gastos, durante el periodo inicial de produccin.
Los ingresos provenientes de este periodo inicial de produccin no
estarn disponibles sino hasta despus del final del periodo. As, la
compaa debe obtener financiamiento para estos gastos de
operacin, antes de que pueda empezar a fabricar.
La Jefferson ha apartido $3,000 de fondos internos para cubrir los
gastos de la operacin. Si se requieren fondos adicionales, tendrn
que ser generados en el exterior. Un banco local ha ofrecido una lnea
de crdito a corto piazo para una cantidad que no exceda de $10,000.
La tasa de inters para la vigencia del prstamo ser de 12% anual
sobre la cantidad que se tenga a crdito. Una estipulacin fijada por
el banco exige que la parte restante del efectivo que la compaa
aparto para esa operacin, ms las cuentas por cobrar provenientes
de esta lnea de productos, sean de cuando menos el doble del
crdito pendiente de pagar, ms los intereses al final del periodo
inicial de produccin.
Adems de las restricciones financieras sobre la operacin, la
capacidad de la mano de obra es tambin un factor que la Jefferson
21
debe tomar en consideracin. Solo se tienen disponibles 2500 horas

de tiempo de ensamble y 150 horas de tiempo de empaque y envo
para la nueva lnea de productos, durante el periodo inicial de
produccin de tres meses. En la Tabla 4.5 se muestran los datos
relevantes sobre costos, precios y requisitos de tiempos de
produccin para los dos niveles, a los que se denomina Y y Z.
Los administradores de la compaa han impuesto restricciones
adicionales con objeto de garantizar que es posible probar la reaccin
del mercado ante ambos productos; es decir, deben fabricarse
cuando menos 50 unidades del modelo Y y cuando menos 25
unidades del modelo Z en ese primer periodo de produccin.
TABLA 4.5 Datos de costos, precios y mano de obra para Jefferson

Adding Machine Company
Modelo
Y
Z
Costo unitario
(materiales y
otros
gastos variables)
$ 50
$ 100
Precio
de venta
$ 58
$ 120
Margen
de utilidad
$8
$ 20
Horas de mano de
obra que se
requieren
Ensamblado
12
25
Empaque
y envo
1
2
Como el costo de las unidades que se fabrican utilizando fondos

crediticios sufrir, en efecto, un cargo por inters, se reducen las
contribuciones a las utilidades para los modelos Y y Z que se fabrican
con fondos obtenidos a crdito. Por ello, se adopta la siguiente
notacin para las variables de decisin del problema:
X1 = unidades del modelo Y fabricadas con fondos de la
compaa
X2 = unidades del modelo Y fabricadas con fondos obtenidos a
crdito
X3 = unidades del modelo Z fabricadas con fondos de la
compaa
22
X4 = unidades del modelo Z fabricadas con fondos obtenidos a

crdito
Qu tanto se reduce la contribucin a las utilidades de las unidades
que se fabrican con fondos obtenidos a crdito? Para resolver esta
pregunta, debe saberse durante cunto tiempo estar vigente el
prstamo. Se supone que todas las unidades de cada modelo se
venden, conforme se fabrican, a distribuidores independientes, y que
la tasa promedio de rotacin de las cuentas por cobrar es de tres
meses. Como los administradores de la compaa han especificado
que el crdito debe pagarse con los fondos generados por las
unidades que se fabrican mediante fondos crediticios, los fondos que
se obtienen a crdito para fabricar una unidad del modelo Y o una
unidad del modelo Z se pagarn aproximadamente tres meses de
despus
Por ello, la contribucin a las utilidades para cada unidad del modelo
Y que se fabrica con fondos crediticios se reduce de $8 a $8 ($50 x
0.12 x yr) = $6.50, y la contribucin a las utilidades para cada
unidad del modelo Z que se fabrica con fondos crediticios se reduce
de $20-a $20($l00 x 0.12 x yr) = $17. Con esta informacin se
puede ahora plantear la funcin objetivo para la mezcla financiera de
la Jefferson:
Max 8x1 + 6.5x2 + 20x3 + 17x4
Pueden tambin especificarse las siguientes restricciones para el
modelo:
12x1 + 12x2 + 25x3 + 25x4 <= 2,500 Capacidad de
ensamble
x1 + x2 + 2x3 + 2x4 <= 150
Capacidad de empaque
y envo
50x1
50x2
disponibles
x1 +
Y
>= 25
x2
+ 100x3
<= 3,000 Fondos internos disponibles
+100x4<= 10,000 Fondos externos
>= 50
x3+
Requerimiento del modelo
x4
Requerimiento del modelo Z
Adems, se debe incluir la siguiente restriccin para satisfacer el

requisito bancario sobre el crdito:
23
Efectivo + cuentas por cobrar <= 2(crdito + intereses)
Esta restriccin debe satisfacerse al final del periodo. Recordando que

las cuentas por cobrar se mantienen vigentes para un promedio de
tres meses, puede utilizarse la siguiente relacin para deducir una
expresin matemtica para la desigualdad anterior, al final del
periodo:
Efectivo = 3000 50X1 100x3
Cuantas por cobrar = 58x1 + 58x2 +120x3 + 120x4
Crdito = 50x2 + 100x4
Intereses= (0.12 X yr)(50x2l 100x4) = 1.5x2 +
3x4
Por lo tanto, la restriccin que resulta por la limitacin del banco se
puede expresar como:
3000 50x1
2(51.5x2+103x4)
100x3
+58x2
120x3
120x4>=
O bien
3000>= -8x1 + 45x2 20x3
Lo cual es equivalente a
-8x1 + 45x2 20x3 + 86x4 <= 3000
Aadiendo las restricciones de no negatividad, el modelo completo de
programacin lineal para la Jefferson Adding Machine Company puede
plantearse de la siguiente manera:
En la Fig. 4.3 se muestra la solucin por computadora para este
problema de combinacin financiera con cuatro variables y siete
restricciones. Se obtiene la utilidad de $1,191.86 con la solucin
Optima de x1 = 50, x2 = 0, x3 = 5, y x4 = 40.7. Obsrvese que el
costo reducido de cero para x2 indica que no es necesario que
aumente el coeficiente de la funcin objetivo para que se pueda
evaluar la inclusin de x2 con la solucin ptima. Esto es una
indicacin de que existe una solucin ptima alternativa para el
problema. En la Fig. 4.4 se muestra una polucin por computadora
que ofrece una solucin ptima alternativa. La utilidad de $1,191.86
24
corresponde ahora a la solucin x1 = 0, x2 = 50, x3 = 30, yx4 =

15.7.
Evidentemente, los administradores podran poner en prctica
cualquiera de las soluciones que se muestran en esas figuras, y
maximizar las utilidades. La solucin de la Fig. 4.4 se resume en la
Tabla 4.6, junto con la utilidad esperada y los fondos obtenidos a
crdito para cada modelo de calculadora. Esta solucin exige que la
compaa emplee todos
Variable
X1
X2
X3
X4
Valor
Costos reducidos
50,000000
0,000001
0,000000
0,000000
5,000000
0,000001
40,697674
0,000000
Holgura /
Restriccion Excedente
Precios duales
1
757,558230
0,000000
2
8,604660
0,000000
3
0,000000
0,239535
4
5930,232400
0,000000
5
0,000000
-2,395349
6
20,697670
0,000000
7
0,000000
0,197674
Figura 4.3 Solucin por computadora del problema de Jefferson
Adding Machines, utilizando The Management Scientist
Valor de la funcin objetivo =
Variable
X1
X2
X3
X4
Valor
0,000000
50,000000
30,000000
15,697672
1191.860350
Costos reducidos
0,000001
0,000000
0,000001
0,000000
Holgura /
Restriccion Excedente
Precios duales
1
757,558230
0,000000
2
8,604660
0,000000
3
0,000000
0,239535
4
5930,232400
0,000000
5
0,000000
-2,395349
6
20,697670
0,000000
7
0,000000
0,197674
25
FIGURA 4.4 Solucin Optima alternativa para el problema de

Jefferson Adding
Machines, utilizando The Management Scientist.
TABLA 4.6 Combinacin financiera Optima Jefferson Adding Machine

para la produccin en la Jefferson Adding Machine
Modelo
Modelo Y
Fondos obtenidos a
credito (X2)
Modelo Z
Fondos de la
compaa(X3)
Fondos obtenidos a
credito (X4)
Totales
Unidades
utilidad
esperada
monto de
fondos
50
$ 325
$ 2.500
30
600
15,7
267
1570
1192
4070
Sus fondos internos ($3000), pero slo un poco mas de $4,000 de los
$10,000 disponibles en la lnea de crdito.
Algunas interpretaciones adicionales sobre el listado de computadora
de la Fig. 4.4 muestran que la capacidad de ensamblado (restriccin
1, holgura = 757.6 horas) y la capacidad de empaque y envi
(restriccin 2, holgura = 8.6 horas) son adecuadas para satisfacerlos
requisitos de produccin. Asignar horas adicionales a estos recursos
no mejora el valor de la solucin optima.
El precio dual correspondiente a la restriccin de los fondos internos
(restriccin 3) muestra que se puede obtener un mejoramiento de las
utilidades de aproximadamente $0.24 si se invierte un dlar adicional
de fondos internos. Con este elevado rendimiento sobre la inversin
de fondos internos, es posible que la Jefferson desee seriamente
considerar la asignacin de fondos internos adicionales para este
producto.
26
El precio dual negativo para la restriccin 5 indica que los aumentos

en el requisito de produccin del modelo Y reduciran el margen de
utilidad. De hecho, el precio dual negativo indica que reducir el
requerimiento actual de 50 unidades para el modelo Y, producira en
realidad aumentos en las utilidades a razn de aproximadamente
$2.40 por unidad que se reduzca en el requisito.
Notas y Comentarios
Las contribuciones a las utilidades para los dos productos de la
Jefferson Adding Machine se basaron en la diferencia entre el precio
unitario por unidad y el costo por unidad. Una consideracin
interesante al determinar el costo por unidad es la diferencia entre
los costos irrelevantes (sunk) y los costos relevantes. Costos
irrelevantes son aqullos que ya se han realizado, tales como
compras previas de materiales, gastos generales, mano de obra
indirecta, etctera. Como son costos en los que ya se ha incurrido, o
costos que se realizarn sin importar las decisiones que se tomen,
tales conceptos carecen de relevancia; es decir, no son afectados por
los valores de las variables de decisin. -Los costos irrelevantes no
deben considerarse cuando se desarrolla la funcin objetivo para un
modelo de programacin lineal. Obsrvese que la Tabla 4.5 muestra
que los costos unitarios se basan en los costos relevantes variables
para los materiales, as como tambin en otros gastos variables. En el
caso referente a la proteccin ambiental que aparece al final del
capitulo se da oportunidad de identificar los costos relevantes al
desarrollar un modelo de programacin lineal.
4.4 APLICACIONES EN ADMINISTRACION DE LA PRODUCCION
Programacin de la produccin
Una de las reas ms importantes de la programacin lineal trata de
las aplicaciones en periodos mltiples de planeacin, tales como la
programacin de la produccin. La resolucin de un problema de esta
clase permite a los administradores establecer un programa de
produccin eficiente y a costos reducidos, para uno o ms productos,
a lo largo de diversos periodos, como semanas, meses, etctera. En
esencia, se puede contemplar un problema de programacin de la
produccin como uno de combinacin o mezcla de productos para
cada uno de diversos lapsos hacia el futuro El administrador debe
determinar los niveles de produccin que permitirn a una compaa
a satisfacer los requisitos de demanda del producto, considerando
27
limitaciones sobre la capacidad de produccin, La capacidad de mano

de obra y el espacio de almacenamiento Al mismo tiempo, se desea
minimizar el costo total para llevar a cabo esa labor
Un motivo importante de la generalizada aplicacin de la
programacin lineal en problemas de programacin de la produccin,
es que estos son de naturaleza recurrente. Se debe establecer un
programa de produccin para el mes en curso, despus para el mes
siguiente, luego para el que sigue, y as sucesivamente. Cuando el
gerente de produccin considera el problema cada vez, se encuentra
con que, aunque la demanda de los productos varia, las limitaciones
sobre el tiempo y las capacidades de produccin, y sobre el espacio
de almacenamiento, son bsicamente Las mismas. Por ello, el
gerente de produccin resuelve en esencia el mismo problema que se
ha manejado en meses anteriores. Por tanto es posible aplicar con
frecuencia un modelo general de programacin lineal para el
procedimiento de programado de la produccin. Una vez que se
plante el modelo, el administrador puede simplemente proporcionar
los datos (demanda, capacidades, etc.) para el periodo de produccin
dado, y puede entonces utilizarse el modelo de programacin lineal
para desarrollar el programa de produccin. De modo que un
planteamiento de programacin lineal puede tener muchas
aplicaciones
sucesivas.
Considere el caso de la empresa Bollinger Electronics Co., que fabrica
dos componentes electrnicos distintos para un importante fabricante
de motores de avin. Tal fabricante notifica a la oficina de ventas de
la Bollinger, cada trimestre, cules sern los requerimientos de
componentes para los tres meses siguientes. Las demandas
mensuales de los componentes pueden variar considerablemente
dependiendo del tipo de motor que produce el fabricante
El pedido que se muestra en la Tabla 4.7 acaba de ser recibido, y
corresponde al siguiente lapso de tres meses. Despus de que se
procesa el pedido, se enva una constancia de demanda al
departamento de control de la producan. A su vez, este
departamento debe elaborar un plan de produccin a tres meses para
los componentes. Conociendo La preferencia de el gerente del
departamento de produccin, por niveles constantes de demanda que
den como resultado cargas de trabajo equilibradas y utilizacin
constante de las mquinas y la mano de obra, la persona encargada
del programa de produccin debe tomar en consideracin la
alternativa de fabricar a una tasa constante durante los tres meses.
Esto fijarla cuotas de producan de 3000 unidades por mes para el
componente 322A y 1500 unidades al mes para el componente 802B.
Por
qu
no
adoptar
este
programa
Aunque tal programa resultara atractivo para el departamento de
produccin,
puede
resultar indebido, desde el punto de vista de los costos totales. En
28
particular, omite los costos de inventarios. Considrense los niveles

proyectados
de
inventario
que
se
produciran
TABLA 4.7 Programa de la demanda a tres meses para Boilinger
Electronic Company
Abril
Mayo
Junio
Componente
1000
322A
3000
5000
Componente
1000
8022
500
3000
30 de Abril
31 de Mayo
Componente
322A
Componente
802B
2000
Unidades
2000
Unidades
500
1500
unidades
unidades
FIGURA 4.5 Nive1es proyectados de inventario con un programa de

produccin a tasa constante.
Con este programa que exige produccin constante (Fig. 4.5). Se
observa que el programa de produccin conducira a niveles elevados
de inventarios. Cuando se considera el costo del capital y del espacio
de almacenamiento comprometidos, un programa que produzca
menores niveles de inventarios puede resultar ms deseable en
trminos econmicos.
En el otro extremo del programa de produccin a tasas constantes se
29
encuentra el mtodo de fabricar para satisfacer La demanda.

Aunque este tipo de programas elimina el problema de los costos de
mantener inventario, las amplias fluctuaciones mensuales en los
niveles de produccin pueden ocasionar algunas dificultades y costos
de produccin considerables. Por ejemplo, tendra que haber
capacidad de produccin disponible para satisfacer la demanda pico
de 8000 unidades en junio. Tambin, y a menos que se pudieran
programar otros componentes para el mismo equipo de produccin
en abril y mayo, habra una cantidad considerable de capacidad no
utilizada y, por ello, una subutilizacin importante en esos meses.
Tales importantes variaciones en la produccin podran tambin exigir
ajustes considerables en la mano de obra que, a su vez, conducirn
mayores problemas de rotacin y de capacitacin del personal. Por
do, parece que el mejor programa de produccin seria aquel que
equilibrara las dos alternativas.
Al gerente de produccin le agradarla identificar y considerar los
siguientes costos
1. Costos de produccin
2. Costos de almacenamiento
3. Costos por cambios en el nivel de produccin
En la parte restante de esta seccin se muestra la forma en la que
puede plantearse un modelo de programacin lineal para el
proceso de produccin e inventarios de la firma Boilinger
Electronics, que toma en consideracin esos costos de manera que
se minimicen los costos totales.
Para desarrollar el modelo se utiliza una notacin con doble
subndice para las variables de decisin. El primer subndice indica
el nmero del producto, y el segundo, el mes. As, en general, se
utiliza xm para denotar el volumen de produccin en unidades
para el producto i en el mes m. Aqu, i = 1,2, y m = 1,2,3; se
tiene que i = 1 se refiere al componente 322A, i = 2 se refiere al
componente 802B, m = 1 corresponde a abril, m = 2 se refiere a
mayo y m = 3 corresponde a junio. El propsito del doble
subndice es ofrecer una notacin ms descriptiva. Se poda
simplemente utilizar x6 para representar el nmero de unidades
del producto 2 que se fabrica en el mes 3, pero X23 es ms
descriptiva en cuanto a que seala directamente el mes y el
producto que la variable representa.
30
Si cuesta $20 (dlares) cada unidad que se fabrica del componente

322 y $10 cada componente 802B, la parte de los costos de
produccin de la funcin objetivo se convierte en
Costo de produccin = 20X11 + 20X12 + 20X13 + 10X21 + 10X22 +
10X23
Se debe observar que en este problema el costo por unidad de
produccin es el mismo en todos los meses. Por ello, no es necesario
incluir los costos de produccin en la funcin objetivo, es decir;
independientemente de cul sea el programa de produccin que se
elija, los costos totales de produccin seguirn siendo los mismos. En
otras palabras, los costos de produccin son costos no relevantes
para la decisin sobr el programa de produccin que se considera.
En casos en que se espera que el costo unitario vari cada mes, los
costos unitarios variables de produccin deben incluirse en la funcin
objetivo. Como la solucin para el problema de la Bollinger
Electronics ser la misma independientemente de si se incluyen estos
costos o no, se ha decidido elegirlos para que el valor de la funcin
objetivo de programacin lineal incluya todos los costos
correspondientes al problema.
Para incluir los costos relevantes de inventarios en el modelo, se
introduce una variable de decisin con doble subndice que indica el
nmero de unidades de inventario pana cada producto y para cada
mes. Se utiliza Sim para representar el nivel de inventario para el
producto i al final del mes m.
La Bollinger ha determinado que, sobre una base mensual, los costos
de mantener el inventario son de 1.5% del costo del producto; es
decir, (0.015)($20) = $0.30 por unidad del componente 322A y (0.01
5)($ 10) = $0.15 por unidad para el componente 802B. Enseguida se
comenta un supuesto que comnmente se hace al utilizar el mtodo
de la programacin lineal para programar produccin. Se supone que
los inventarios de fin de mes son una aproximacin aceptable de los
niveles promedio de inventarios durante el propio mes. Dado este
supuesto, la porcin del costo del mantenimiento de inventarios de la
funcin objetivo se puede expresar de la siguiente manera:
Costo de mantenimiento de inventarios = 0.30s11 + 0.30s12 +
0.30s13 + 0.l5s21 + 0.l5s22 + 0.15s23
Con objeto de incluir los costos que se producen por las fluctuaciones
en
los
niveles
de produccin de un mes a otro, es necesario definir las dos variables
de decisin adicionales que siguen:
31
Im = aumento en el nivel total de produccin durante el mes m en

comparacin con el mes m 1
Dm = disminucin en el nivel total de produccin durante el mes m
en comparacin con el mes m I
Despus de estimar los efectos de los despidos temporales de los
empleados, de la rotacin de personal, de los costos de asignaciones
a capacitacin, y de otros costos asociados a los niveles fluctuantes
de produccin, la Bollinger estima que el costo correspondiente a un
aumento en el nivel de la produccin para cualquier mes es $0.50 (de
dlar) por aumento unitario. A una disminucin en el nivel de
produccin le corresponde un costo similar, para cualquier mes, y es
de $0.20 por unidad. As, la tercera porcin de la funcin objetivo
puede escribirse de la siguiente manera:
Costos por fluctuaciones en la produccin = 0.50I1 + 0.50I2 +
0.50I3 + 0.20D1 + 0.20D2 + 0.20D3
Se debe observar aqu que la Bollinger ha decidido medir los costos
correspondientes a las fluctuaciones en la produccin como funcin
del cambio en el nmero total de unidades que se fabrican en el mes
m, en comparacin con el nmero total de unidades fabricadas en el
mes m-1. En otras aplicaciones a programas de produccin, pueden
medirse las fluctuaciones en la produccin en trminos de horasmaquina o de horas-trabajo que se requieren, en vez de hacerlo en
terminas del numero total de unidades que se fabrican.
Combinando todos esos tres costos, la funcin objetivo completa se
convierte en:
Min 20X11 + 20X12 + 20X13 + 10X21 + 10X22 + 10X23 +
0.30S11 + 0.30S12 + 0.30S13 + 0.15S21 + 0.15S22 + 0.15S23 +
0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3
Considrese ahora las restricciones. En primer lugar, debe
garantizarse que el programa satisface la demanda del cliente. Como
las unidades que se envan pueden provenir de la produccin del mes
en curso, o de los inventarios de periodos previos, se tienen los
siguientes requerimientos bsicos:
Inventario
Final del mes
Produccin
+
en
Demanda del
mes
32
Anterior

Curso
La diferencia entre lado izquierdo y el lado derecho ser la cantidad

del inventario final, al final de ese mes. Por ello, el requerimiento de
la demanda asume la forma
Inventario
Final del mes
Produccin
+
en curso
Inventario
-
final de este
Anterior
Demanda
=
de este
mes
mes
Supngase que los inventarios al principio del periodo del programa

de tres meses fueran de 500 unidades para el componente 322A y
200 unidades para el componente 802B. Recordando que la demanda
para ambos productos en el primer mes (abril) es de 1000 unidades,
las restricciones para satisfacer la demanda en el primer mes se
convierten en
500 + x1 S11 = 1000
200 + x21 S21= 1000
Pasando las constantes al lado derecho, se tiene:
X11 S11 = 500
X21 S21 = 800
De manera similar, se requieren restricciones de demanda para
ambos productos en los meses segundo y tercero. Esas pueden
escribirse de la siguiente manera:
Mes 2:s11 + x12 S12 = 3000
S21+XS= 500
33
Mes 3: S12 + X13 S13 = 5000

S22 + X23 S23 = 3000
Si la compaa especifica un nivel minino de inventario al final del

periodo de tres meses de cuando menos 400 unidades del
componente 802B, pueden entonces incluirse las restricciones.
S13400
S23200
Supngase que se tiene informacin adicional disponible sobre la
capacidad de produccin, de mano de obra y almacenamiento, y es la
que se presenta en la Tabla 4.8. En la Tabla 4.9 se presentan los
requerimientos de maquinaria, mano de obra y almacenamiento. Las
siguientes restricciones son necesarias para reflejar esas limitaciones:
Capacidad de las maquinas:

0.10X11 + 0.08X21 400 Mes 1
0.10X12 + 0.08X22 500 Mes 2
0.10X13 + 0.08X23 600 Mes 3
Capacidad de mano de obra:
0.05X11 + 0.07X21 300 Mes 1
0.05X12 + O.07X22 300 Mes 2
O.05X13 + 0.07X23 300 Mes 3
Capacidad de almacenamiento:
2S11 + 3S21 10,000 Mes 1
2S12 + 3S22 10,000 Mes 2
2S13 + 3S23 10,000 Mes 3
TABLA 4.8 Capacidades de maquinaria, mano de obra y
almacenamiento para la Bollinger Electronics
Capacidad de
maquinas
(horas)
Capacidad de
Capacidad de
Mano de
almacenamiento
(pies
Obra
34
Abril
Mayo
Junio
(horas)
cuadrados)
300
300
300
10000
10000
10000
400
500
600
Tabla 4.9
Requerimientos de maquinaria, mano de obra y
almacenamiento para los componentes 322A y 802B
Componente 322A
Componente 802B
Maquinas
(horas/unidad)
Mano de Obra
(horas/unidad)
almacenamiento
(pies
cuadrados/unidad)
0.10
0.08
0.05
0.07
2
3
Se debe incluir un conjunto final de restricciones. Estas se requieren

para garantizar que Im y Dm reflejarn el aumento o la disminucin
en el nivel total de produccin en el mes m. Supngase que los
niveles de produccin para marzo (el mes anterior al inicio del
problema de programacin de la produccin que se este trabajando)
hubiera sido de 1500 unidades del componente 322A y 1000
unidades del componente 802B, para un nivel total de produccin de
1500 + 1000 = 2500 unidades.
Puede determinarse la magnitud del cambio en la produccin para
abril, a partir de la relacin:
Produccin en abril produccin en marzo = cambio
Utilizando las variables de decisin para la produccin de abril X11 y
35
X21, y la produccin de marzo de 1500 unidades, se puede reescribir

la relacin anterior coma sigue:
x11 + x 2500 = cambio
Obsrvese que el cambio puede ser positivo o negativo. Un cambio
positivo refleja un aumento en el nivel total de produccin, y uno
negativo refleja una disminucin. Utilizando la relacin anterior,
pueden utilizarse el aumento en la variable de produccin para abril
I1 y la disminucin en la variable de produccin para abril D1, para
especificar la siguiente restriccin que corresponde al cambio en la
produccin total para el mes de abril:
X11 + X21 2500 = cambio
Por supuesto, no puede tenerse un aumento en la produccin y una
disminucin en el mismo periodo de un mes; por ello, I1 o bien D,
ser cero. Si en abril se requieren 300000 unidades de produccin, se
tendra I1 = 500 y D1 = 0. Si en abril se requieren 2200 unidades de
produccin, se tendr I1 = 0 y Dt = 300. Esta forma de denotar el
cambio en el nivel de produccin como la diferencia entre dos
variables no negativas I1 y D1, permite considerar cambios tanto
positivos como negativos en el nivel total de produccin. Si se
hubiera utilizado una sola variable, per ejemplo Cm para representar
el cambio en el nivel de produccin, entonces solo serian posibles los
cambios positivos debido al requerimiento de no negatividad.
Aplicando el mismo mtodo para mayo y junio (siempre restando la
produccin
total
del mes anterior, de la produccin total de mes en curso), se tendran
las siguientes restricciones para los meses segundo y tercero del
periodo de programacin de la produccin:
(X12 + X22) (X11 + X21) = I2 D2
(X13 + X23) (X12+X22) = I3D3
Colocando las variables en el lado izquierdo y las restricciones en el
lado derecho, el conjunto completo de lo que comnmente se
denominan restricciones de suavizacin de la produccin, puede
expresarse de la siguiente manera:
X11 + X21
I1
D1
2500
36
-X11 - X21 + X12 + X22
I2
-X12 X22 + X13 + X23 I3 + D3 = 0
D1
El problema de programacin inicial, relativamente reducido con dos

productos y tres meses, se ha convertido ahora en un problema de
programacin lineal con 18 variables.
Tabla 4.10 Informacin sobre el programa de produccin de costos

mnimos para Bollinger Electronics
Actividad
Produccion
Componente 322A
Componente 802B
Totales
Inventario final
Componente 322A
Componente 802B
Utilizacion de la
maquinaria
Horas programadas
Horas de holgura en
capacidad
Utilizacion de mano
de obra
Horas programadas
Horas de holgura en
capacidad
Utilizacion del
almacenamiento
almacenamiento
programado
capacidad holgura
Abril
Mayo
Junio
500
2500
3000
3200
2000
5200
5200
0
5200
0
1700
200
3200
400
200
250
480
520
150
20
80
200
300
260
100
40
5100
4900
10000
0
1400
8600
Costo total del programa(incluyendo produccion, inventarios y alisado de la

produccion) = $225295
37
y 20 restricciones. Obsrvese que lo que importaba en el problema

era solamente un tipo de proceso en mquinas, un solo tipo de mano
de obra y un solo tipo de rea de almacenamiento. En los problemas
reales de programacin de la produccin pueden encontrarse varios
tipos de mquinas, varios tipos de mano de obra y/o varios espacios
de almacenamiento. Por ello, es posible que el lector est
comenzando a darse cuenta de la forma en la que se presentan los
sistemas de programas lineales de produccin en gran escala. Una
aplicacin tpica podra implicar el desarrollo de un programa de
produccin para 100 artculos y un horizonte de tiempo de 12 meses.
Un problema como ste podra tener ms de 1000 variables y
restricciones.
En la Fig. 4.6 se presenta la solucin computadorizada del problema
de programacin de la produccin de la Bollinger Electronics. En la
Tabla 4.10 se muestra una parte del reporte para los administradores
que se basa en esta solucin por computadora.
Se proceder ahora a considerar la variacin mensual en el programa
de produccin de inventarios que se muestra en la Tabla 4.10.
Recurdese que el costo de los inventarios para el componente 802B
es la mitad del costo de inventario para el componente 322A. Por lo
tanto, tal como podra esperarse, el componente 802B se fabrica en
gran cantidad en el primer mes (abril) y despus se mantiene en
inventario para la demanda que se presente en los meses siguientes.
Se tiende a fabricar el componente 322A cuando se le necesita y solo
se mantiene en cantidades pequeas en los inventarios.
Los costos por los aumentos o disminuciones en el volumen total de
produccin tienden a suavizar las variaciones mensuales. De hecho,
un programa de costo mnimo exige un aumento de 500 unidades en
la produccin total de abril y un aumento de 2200 unidades en la
produccin
de
mayo.
El
nivel
de
durante junio.
La seccin del reporte sobre utilizacin de las maquinas muestra que
existe considerable capacidad disponible en los tres meses. Sin
embargo, Se observa tambin que las capacidades de mano de obra
y almacenamiento se utilizan en su totalidad (holgura = 0 para la
restriccin 13 y para la restriccin 16 de la Fig. 4.6) en el mes de
mayo. El precio dual muestra que una hora adicional de capacidad de
mano de obra en mayo mejorara la funcin objetivo (menores
38
costos) en aproximadamente $2.14. Esta informacin podra ayudar

al gerente de produccin a decidir si debe aadir tiempo extra de la
mano de obra durante el mes de mayo. Una interpretacin similar
para el precio dual de la restriccin 16 muestra que cada pie
cuadrado adicional de espacio de almacenamiento que Se tenga
disponible durante mayo mejorar la funcin objetivo en poco menos
de 5 centavos por pie cuadrado.
Valor de la funcin objetivo = 225294 .953000
Variables
X11
X12
X13
X21
X22
X23
S11
S12
S13
S21
S22
S23
I1
I2
I3
D1
D2
D3
Restriccion
1
2
3
4
5
6
7
8
Valor
500
3199,999
5199,9995
249,9995
2000,00098
0
c
200,000977
400
1699,99951
3200
200
500,00146
2199,9988
0
0
0
0
Holgura/excedente
0
0
0
0
0
0
0
0
Costos
reducidos
0,000002
0,000003
0,000004
0,000002
0,000001
0,060719
0,19286
0
0
0
0,000003
0
0
0
0
0,7
0,7
0,7
Precios
duales
-20,000002
-10,000002
-20,107142
-10,150002
-20,499996
-10,439282
-20,799995
-10,589281
39
9
10
11
12
13
14
15
16
17
18
19
20

149,999939
20,000015
80
100,000061
0
39,999985
4899,9971
0
8600
0
0
0
0
0
0
0
2,142897
0
0
0,046428
0
0,5
0,5
0,5
FIGURA 4.6
Solucin por computadora del problema de
programacin de la produccin para Bollinger Electronics utilizando
The Management Scientist.
Ya se ha visto en esta ilustracin que un modelo de programacin

lineal para un sistema de produccin de dos artculos y tres meses
ofrece alguna valiosa en trminos de identificar un programa de costo
mnimo. En sistemas de produccin ms grandes, en los que el
numero de variables y restricciones es demasiado grande para
seguirlo en forma manual, los modelos de programacin lineal
pueden ofrecer una ventaja importante en la elaboracin de
programas de produccin para ahorrar costos.
NOTAS Y COMENTARIOS
Al revisar la adecuacin de un modelo de programacin lineal,
siempre resulta conveniente revisar las unidades de medicin para la
funcin objetivo y para las restricciones. Por ejemplo, las capacidades
de las maquinas para el problema de la Bollinger Electronics se
plantearon en unidades de horas. Como el componente 322A
requera 0.10 horas (6 minutos) por unidad y el componente 802B
requera 0.08 (4.8 minutos) por unidad, la restriccin para las 400
horas disponibles en el mes se planteo, correctamente, de la
siguiente manera:
40
0.10x11 + 0.08x12 400

La unidad de medicin es consistente, ya que se utilizan horas tanto
para el lado izquierdo como para el lado derecho. La restriccin
6x11 + 4.8X12 400
No seria un planteamiento correcto porque el uso de minutos en el
lado izquierdo seria inconsistente con el uso de horas en el lado
derecho. Esta incongruencia podra corregirse convirtiendo la
capacidad del lado derecho a (400 horas) x (60 minutos por hora) =
24,000 minutos. Por ello, aunque exista flexibilidad al elegir la unidad
de medicin que se utiliza, es necesario verificar la consistencia.
Planeacin de la mano de obra
Con frecuencia se presentan problemas de planeacin o de
programacin de la mano de obra cuando los administradores deben
tornar decisiones que implican requerimientos departamentales de
mano de obra para un periodo dado de tiempo. Esto es
particularmente cierto cuando las asignaciones de mano de obra
tienen cierta flexibilidad y en los casos en los que cuando menos
cierta parte de la mano de obra puede asignarse a ms de un
departamento a centro de trabajo. Este es con frecuencia el caso
cuando se ha capacitado a los empleados para realizar dos o ms
tareas. En el siguiente ejemplo se muestra la forma en la que puede
utilizarse la programacin lineal para determinar no solo una mezcla
optima de productos sino tambin una asignacin ptima de mano de
obra para los diversos departamentos.
La firma McCarthys Everyday Glass, Co., esta planeando fabricar dos
estilos de vasos para el siguiente mes. Los vasos se procesan en
cuatro departamentos distintos. Existe capacidad de equipo en
exceso, y no resultar ser un factor limitante. Sin embargo, los
recursos de mano de obra de la compaa son limitados y es posible
que restrinjan el volumen de produccin para los dos artculos. Los
requerimientos de mano de obra por cada caja que se fabrica (una
docena de vasos) son los que se muestran en la Tabla 4.11.
Departamento
Producto 1
Producto 2
41
0.070
0.100
0.050
0.084
0.100
0.067
0.010
0.025
La compaa obtiene utilidades de $1.00 (dlar) por cada caja del

producto I y $0.90 (de dlar) por cada caja del producto 2. Si el
nmero de horas disponibles en cada departamento es fijo, se puede
plantear el problema de la McCarthy como un programa lineal
estndar de mezcla de productos. Se utiliza la notacin comn:
X1 = cajas del producto 1 que se fabrican
X2 = cajas del producto 2 que se fabrican
X3 = horas de mano de obra disponibles en el departamento i, i = 1,
2, 3, 4
El programa lineal puede escribirse de la siguiente manera:
Max 1.00X1 + 0.90X2
Sujeta a
0.070x1 + 0.100x2 b1
0.050x1 + 0.084x2 b2
0.100x1 + 0.067x2 b3
0.010x1 + 0.025x2 b4
X1, X2 0
Para resolver este problema de combinacin de productos, se pedira
al gerente de produccin que especificara las horas disponibles en
cada departamento (b1, b2, b3, y b4); despus, podra resolverse
para obtener la mezcla de productos que maximiza las utilidades.
42
Sin embargo, en este caso se supone que el administrador tiene

cierta flexibilidad para asignar los recursos de mano de obra y serla
conveniente hacer una recomendacin para esa asignacin, al igual
que para determinar la combinacin optima de productos.
Supngase que, despus de considerar las calificaciones de
capacitacin y experiencia de los trabajadores, se tiene la siguiente
informacin adicional:
Posibles asignaciones
de mano de obra
Horas de mano de obra

disponibles
Solo en el departamento
1
430
2
400
3
500
4
135
Departamentos 1 o 2
570
Departamentos 3 o 4
300
Total disponible
2335
Se observa que, de las 2335 horas disponibles para la produccin del

mes, pueden asignarse 870 de ellos a discrecin del administrador.
Las restricciones para las horas disponibles en cada departamento
son las siguientes:
B1 430 + 570 = 1000
B2 400 + 570 = 970
B3 500 + 300 = 800
B4 135 + 300 = 435
43
Como no es posible asignar en forma simultanea a ambos

departamentos las 570 horas que pueden asignarse con flexibilidad
entre los departamentos 1 y 2, es necesaria la siguiente restriccin
adicional:
-b1 -+ b2 430 + 400 + 570 = 1400
De manera similar para las 3O0 horas que es posible asignar entre
Los departamentos 3 y 4, se requiere la restriccin
b3 + b4 500 + 135 + 300 = 935
En este planteamiento se estn manejando como variables las horas
de mano de obra que se asignan a los departamentos. Los
coeficientes de la funcin objetivo para estas variables sern cero,
porque las variables b no afectan las utilidades en forma directa.
Despus de colocar todas las variables del lado izquierdo de las
restricciones, se obtiene el siguiente programa lineal
Max 1.00x1 + 0.90x2 + 0b1 + 0b2 + 0b3 + 0b4
Sujeta a
0.07x1 + 0.100x2 b1
0.050x1 + 0.084x2
0.100x1 + 0.067x2
0.010x1 + 0.025x,
b1
b2
b3
b4
b2
b3
b1+ b2
b4
b3+ b4
0
0
0
0
1000
970
800
435
1400
935
x1, x2, b1, b2, b3, b4 0
Este modelo de programacin lineal resolver en realidad dos

problemas: (1) permitir encontrar la mezcla optima de productos
para el periodo de planeacin y (2) permitir asignar las horas
disponibles de mano de obra a los departamentos, de manera que se
maximicen las utilidades. En la Tabla 4.12 se muestra la solucin
para este modelo de 10 restricciones y 6 variables.
44
Obsrvese que el plan ptimo de mano de obra utiliza todas las 2,335
horas disponibles. En esta solucin, no existe tiempo ocioso en
ninguno de los departamentos. No es este siempre el caso en los
problemas de este tipo. Sin embargo, si el administrador tiene de
hecho la libertad de asignar a ciertos empleados a distintos
departamentos, el efecto ser probablemente una reduccin en el
tiempo ocioso global. El modelo de programacin asigna
automticamente a los empleados a los departamentos de la manera
mas redituable. Si el administrador hubiera efectuado una asignacin,
segn su juicio, de las horas a los departamentos, y si hubiera
despus resuelto el problema de mezcla de productos utilizando unas
b1 fijas, es probable que hubiera tenido holgura en algunos
departamentos, al mismo tiempo que otros departamentos hubieran
representado congestionamientos debido a recursos insuficientes.
Pueden utilizarse variantes en el planteamiento bsico de esta

seccin en casos como la asignacin de materias primas a productos,
en la asignacin de tiempo de mquina a productos ven la asignacin
de tiempo de fuerza de ventas a lneas de productos o a territorios de
ventas.
Plan de produccin
Producto 1 = 4700 cajas
Producto 2 = 4543 cajas
Asignacin de mano de obra

Departamento 1
783 horas
Departamento 2
617 horas
Departamento3
774 horas
Departamento4
161 horas
Total
2335 horas
Utilidad = $ 8789
45
4.5 PROBLEMA DE MEZCLAS

Los problemas de mezclas se presentan cuando los administradores
deciden la forma en que deben combinarse dos o ms recursos para
fabricar uno o ms productos. En estos casos, los recursos contienen
uno o ms ingredientes esenciales que deben mezclarse de manera
que los productos finales contengan porcentajes especficos de los
ingredientes esenciales. Por ello, en la mayor parte de estas
aplicaciones, los administradores deben decidir qu tanto de cada
recurso deben adquirir para satisfacer las especificaciones de los
productos y las demandas de los productos a un costo mnimo.
Con frecuencia se presentan problemas de mezclas en la industria del
petrleo (problemas como la combinacin de petrleos crudos para
fabricar gasolinas con octanajes diferentes), en la industria qumica
(tales como la mezcla de productos qumicos para fabricar
fertilizantes o para controlar hierbas, etc.) y en la industria de los
alimentos (como mezcla de ingredientes para fabricar bebidas, sopas,
etc.). Debido ala extensa aplicacin de los problemas de mezclas, el
objetivo de esta seccin es ilustrar la forma en que se puede aplicar
la programacin lineal para resolver este tipo de problemas.
La empresa Grand Strand Oil, Co., fabrica gasolinas de grado normal
y de grado extra, que se venden en gasolineras independientes en el
sureste de Estados Unidos. La refinera de la Grand Strand fabrica las
gasolinas mezclando tres componentes de petrleo. Las gasolinas se
venden a precios distintos, y los componentes de petrleo tienen
costo diferente. La empresa pretende determinar cOmo mezclar o
combinar los tres componentes para obtener las dos gasolinas, de
manera que se maximicen las utilidades.
Los datos disponibles muestran que la gasolina de grado normal se
puede vender en $0.50 (de dlar) por galn y la gasolina de grado
extra en $0.54 por galn. Para el periodo en curso de la planeacin
de la produccin, la Grand Strand puede obtener los tres
componentes de petrleo a los costos por galn y en las cantidades
que se muestran en la Tabla 4.13.
Las especificaciones de los productos para las gasolinas restringen las
cantidades de cada componente que se pueden utilizar en cada
gasolina. Las especificaciones de los productos se listan en la Tabla
4.14. Los compromisos actuales con los distribuidores requieren que
la Grand Strand fabrique cuando menos 10,000 galones de la
gasolina de grado normal. El problema de mezcla de la Grand Strand
46
consiste en determinar cuntos galones de cada componente se

deben utilizar en la mezcla de la gasolina de grado normal, y cuntos
galones de cada componente en la mezcla de la gasolina de grado
extra. La solucin de la mezcla Optima debe maximizar las utilidades
de la empresa, sujeta a las restricciones que se tienen sobre la
disponibilidad de componentes de petrleo que se muestra en la
Tabla 4.13, y sujeta a las especificaciones de los productos que se
muestran en la T9a 4.14 y a los 10,000 galones que se requieren de
gasolina de grado normal.
Tabla 4.13 Costos y ofertas de petrleo para el problema de
mezclado en la Grand Strand
Componentes de
Costo por galon
petroleo
Componente 1
$0.25
Componente 2
$0.30
Componente 3
$0.42
Tabla 4.14 Especificaciones de los productos
mezclado de la Grand strand
producto
Gasolina Normal
Gasolina Extra
Mximo disponible
5000 galones
10000 galones
10000 galones
para el programa de
Especificaciones
Cuando mucho 30% del
componente 1
Al menos 40% del componente 2
componente 3
componente 2
Se puede utilizar la notacin para definir a las variables de decisin:

Sean:
Xij = galones del componente i que se utiliza en la gasolina j, en
donde i = 1, 2 o 3 para los componentes 1, 2 o 3; se tiene que j = p
si es extra.
Las seis variables de decisin se convierten en
x1r = galones del componente 1 en la gasolina normal
x1p = galones del componente I en la gasolina extra
47
x2p = galones del componente 2 en la gasolina extra

x3p = galones del componente 3 en la gasolina extra
Obsrvese que antes se haba utilizado siempre nmeros como
subndices para las variables de decisin. Continuando con el uso de
subndices numricos, se hubiera podido fijar j = I para la gasolina
normal y j = 2 para la gasolina extra. Sin embargo, el uso de los
subndices r y p resulta descriptivo y permite identificar con facilidad
la gasolina a la que se refiere la variable de decisin
.
Utilizando las seis variables decisorias, puede expresarse el nmero
total de galones de cada tipo de gasolina que se fabrica sumando el
numero de galones que se fabrican utilizando cada uno de los tres
componentes de petrleo. Es decir,
Total de galones que se producen
Gasolina normal = x1r + x2r + X3r
Gasolina extra = x1p + x2p + x3p
De manera similar, es posible expresar el total de galones de cada
componente de petrleo que se utilizan mediante las siguientes
sumas:
Utilizacin total de los componentes de petrleo

Componente 1 = x1r + x1p
Componente 2 = x 2r + x2p
Componente 3 = x3r + x3p
Puede desarrollarse la funcin objetivo para maximizar la contribucin
a las utilidades identificando la diferencia entre los ingresos totales
provenientes de los dos tipos de gasolina y el costo total de los tres
48
componentes de petrleo. La funcin objetivo puede escribirse de la

siguiente manera; multiplicando el precio por galn de $0.50 por el
total de galones de gasolina normal; el precio por galn de $0.54, por
el total de galones de gasolina extra; y las cifras de costo por galn
de cada componente de la Tabla 4.13, por el total de galones de cada
componente que se utilizan:
Max 0.50 (x1r + x2r + x3r) + 0.54 (x1p + x2p + x3p)
-0.25 (x1r + x1p) 0.30
(x2r + x2p) O.42 (x3r + x3p)
Combinando trminos semejantes, puede escribirse: la funcin objetivo como sigue:
max 0.25x1r + 0.20x2r + 0.08x3r + 0.29x1p + 0.24x2p +
0.12x3p
Las limitaciones sobre la disponibilidad de los tres componentes de

petrleo se pueden expresar mediante las siguientes tres
restricciones:
x1r + x1p
x2r + x2p
x3r + x3p
5,000
10,000
10,000
Componente 1
Componente 2
Componente 3
Ahora se requieren seis restricciones para satisfacer las especificaciones de los

productos. La primera especificacin plantea que el componente 1 puede constituir
cuando mucho 30% del total de galones que se fabrican de gasolina normal. Es decir,
x1r
0.30
x1r + x2 r + x3r
o bien
x1r 0.30 (x1r + x2r + x3r)
Replanteando esta restriccin con las variables en el lado izquierdo y
una constante en el lado derecho, la restriccin sobre la
especificacin del primer producto se convierte en
0.70x1r - 0.30x2r - 0.30x3r 0
La especificacin para el segundo producto puede escribirse como:
49
x2 r
0.40
x1r + x2 r + x3r
o bien
X2r O.40 (X1r + X2r + X3r)
y as
-0.40x1r + 0.60x2r - 0.40x3r 0
De manera similar, pueden escribirse de la siguiente manera las
cuatro especificaciones adicionales sobre las mezclas.
-0.20x1r - 0.20x2r +0.80x3r 0

0.75x1P - 0.25x2p -0.25x3p 0
0.401p +0.60x2p -0.40x3p 0
-0.30x1p -0.30x2p +0.70x3p
La restriccin para el mnimo de 10,000 galones de la gasolina de

grado normal se escribe:
x1r + x2r + x3r 10,000
Por ello, el modelo completo de programacin lineal con seis
variables de decisin y dos restricciones se puede escribir de la
siguiente manera:
max 0.25x1r+0.20x2r+0.08x3r+0.29x1p+0.24x2p+0.12x3p
sujeta a
x1r
+
+
x2r
+
x3r
0.70x1r- 0.30x2r- 0.30x3r
- 0.40x1r+0.60x2r- 0.40x3r
-0.20x1r- 0.20x2r+ 0.80x3r
x1p
x2p
x3p
0.75x1p -0.25x2p -0.25x3p

-0.40x1p +0.60x2p -0.40x3p
-0.30x1p -0.30x2p +0.70x3p
5,000
10,000
10,000
50
x1r +
x2r +
x3r
x1r, x2r, x3r, x1p, x2p, x3p
10,000
0
Se muestra la solucin por computadora para el problema de las

mezclas de la Grand Strand. La solucin de mezclado que ofrece una
utilidad de $4,650 se resume. La estrategia ptima de mezclado
seala que se deben fabricar 10,000 Galones de gasolina normal. La
gasolina normal consistir en una mezcla del componente 1 (1,250
galones) y el Componente 2 (8,75 galones). Los 15,000 galones de la
gasolina extra se deben elaborar con una combinacin de los tres
componentes de petrleo: 3,750 galones del componente 1, 1,250
galones del componente 2 y 10,000 galones del componente 3.
Valor de la funcin objetivo = 4650.000500
Variable
X1R
X2R
X3R
X1P
X2P
X3P
Restriccin
1
2
3
4
5
6
7
8
9
10
Solucin
por
Valor
1249.999020
8749.997100
0.000000
3750.001000
1250.005860
10000.000000
Holgura/Excedente
0.000000
0.000000
0.000000
1750.000490
4749.999000
1999.999390
0.000000
computadora
4749.998000
5499.997100
0.000000
del
problema
Costos Reducidos
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
Precios Duales
0.290000
0.240000
0.120000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
-0.040000
de
mezclado
de
la
51
Grand Strand utilizando The Management Scientist.

Estrategia de mezclado de gasolina de la firma Grand Strand
Componentes de los galones (porcentaje)
Gasolina
Normal
Componente 1
1250(12.5%)
3750(25.0%)
Componente 2
8750(87.5%)
1250(8.3%)
Componente 3
_
10,000(66.7%)
Total
10,000
15,000
Extra
Es necesario aclarar un poco la interpretacin de las variables de

holgura y de excedente correspondientes a las restricciones de
especificacin de los productos (restricciones 4 a 9). Si la restriccin
es del tipo , el valor de la holgura se puede interpreta como los
galones del componente utilizado por debajo de la cantidad mxima
especificada por la restriccin, Por ejemplo, la holgura de 1,750 para
la restriccin 4. muestra que el uso del componente 1 se encuentra
1,750 galones por debajo de la cantidad mxima del componente 1
que se hubiera podido utilizar en la produccin de los 10.000 galones
de la gasolina normal. Si la restriccin de especificacin del producto
es del tipo una variable de excedente muestra los galones del
componente que se utilizan por encima de la cantidad mnima
especificada por la restriccin de mezclado. Por ejemplo. el excedente
de 4.750 para la restriccin 5 muestra que el componente 2 se utiliza
en 4.750 galones por encima de la cantidad mnima de ese
componente 2 que se hubiera podido utilizar en la produccin de los
10.000 galones de gasolina normal.
NOTAS Y COMENTARIOS
Una forma conveniente de definir las variables de decisin en un
problema de mezclas es utilizar una matriz en la que los renglones
correspondan a las materias y las columnas correspondan a los
productos finales. Por ejemplo. en el problema de mezclado de la
Grand Strand se podran definir las variables de decisin de la
siguiente manera;
Materias
Primas
Componente
Componente
Componente
1
2
3
Gasolina normal
x1r
x2r
x3r
Gasolina extra
x1p
x2p
x3p
52
Existen dos ventajas con este mtodo: (1) ofrece una forma
sistemtica de definir las variables de decisin para cualquier
problema de mezcla. (2) es una imagen visual de las variables de
decisin en trminos de la forma en la que se relacionan con las
materias primas. los productos. y entre s.
ANLISIS GLOBAL DE DATOS

El anlisis global de datos (AGD) (DEA. en ingls. de data
envelopment analysis) es una nueva aplicacin de la programacin
lineal que se ha estado utilizando para medir la eficiencia relativa de
unidades de operacin con las mismas metas y objetivos. Por ejemplo.
El AGD se ha utilizado para medir la eficiencia relativa de expendios
de ''comida instantnea" (fast food) pertenecientes a la misma
cadena. En este caso, la meta del AGD consista en identificar los
expendios ineficientes que deban programarse para realizar mayores
estudios y, si fuera necesario, emprender acciones correctivas.
Mediante otras aplicaciones del AGD se han medido las eficiencias
relativas en hospitales, bancos, tribunales, escuelas, etctera. En
estas aplicaciones se midi el desempeo de cada hospital, banco,
tribunal o escuela, en relacin con el desempeo de todas las
unidades operativas pertenecientes al mismo sistema.
Las unidades de operacin de la mayor parte de las organizaciones tienen insumos mlti ples, tales
frecuencia resulta difcil a los administradores determinar qu unidades operativas son
ineficientes para convertir sus insumos mltiples en productos mltiples. Es aqu donde
el anlisis global de datos ha probado ser una til herramienta administrativa.
El mtodo del AGD utiliza un modelo de programacin lineal para
constituir una unidad operativa compuesta e hipottica, con base en
todas las unidades del grupo de referencia. Se determinan los
resultados de tal unidad calculando un promedio ponderado de los
resultados de todas las unidades de grupo de referencia. Las
restricciones del modelo de programacin lineal requieren que todos
los resultados de la unidad compuesta sean mayores que o iguales a
los resultados de la unidad que se evala. Si se puede probar que los
insumos para la unidad compuesta son inferiores a los insumos para
la unidad que se evala, se tiene que la unidad citada obtiene el
mismo resultado (o mayor) con menos insumos. En este caso, el
modelo seala que la unidad compuesta es ms eficiente que la
unidad evaluada. En otras palabras, la unidad que se evala es
menos eficiente que la unidad compuesta. Como la unidad en
cuestin se basa en todas las unidades del grupo de referencia,
puede calificarse a la unidad en evaluacin como relativamente
indeficiente cuando se la compara con las otras unidades del grupo.
53
Evaluacin del desempeo en hospitales

Se procede a evaluar la ilustracin del anlisis global de datos para
valorar el desempeo de un grupo de cuatro hospitales. En el ejemplo
se consideran tres medidas de insumos y cuatro medidas de
resultados. Tales medidas son las siguientes:
Medidas de insumos:
1. El nmero de elementos del personal, equivalentes, de tiempo
completo y que no son mdicos.
2. La cantidad que se invierte en suministros 3. El nmero de dascama disponibles.
Medidas de los resultados:
1. Das-paciente de servicio segn Medicare*
General
Universitario Distrital
Estatal
Medida del insumo

Personal no medico equivalente
de tiempo completo
285.20
162.30
275.70
210.40
Gastos en suministros (miles)

Das-cama disponibles (miles)
123.80
106.72
128.70
64.21
348.50
104.10
154.10
104.04
2. Das-paciente de servicios que no estn bajo Medicare.

3. Nmero de enfermeras en capacitacin.
4. Nmero de mdicos internos en capacitacin.
*N. del T. Medicare es un seguro de gastos mdicos patrocinado en parte por el gobierno de Estados
Unidos.
Recursos anuales que se consumen (insumos) en los cuatro hospitales

Hospital
Servicios anuales que ofrecen (resultados) los cuatro hospitales

Hospital
Medida del insumo

Das-paciente
con
Medicare
(miles)
Das-paciente
sin
Medicare
(miles)
Enfermeras en capacitacin
Mdicos
internos
en
capacitacin
Universitario
Distrital
Estatal
48.14
34.62
36.72
33.16
43.10
27.11
45.98
56.46
253
41
148
27
175
23
160
84
General
Se presentan resmenes de las medidas de los insumos y de los

resultados para un periodo de cuatro aos en cada hospital.
Enseguida se muestra la forma en la que puede utilizarse el AGD con
54
estos datos para identificar cualquier hospital relativamente

ineficiente.
Al aplicar el AGD, ser necesario desarrollar un modelo de
programacin lineal para cada hospital cuya eficiencia se desee
evaluar. En el anlisis que-sigue, se desarrolla un modelo que puede
emplearse para valorar la eficiencia relativa del Hospital Distrital (en
el Problema 26 del final del captulo se pide desarrollar un modelo
para evaluar la eficiencia relativa del Hospital General). Al elaborar el
modelo de programacin lineal para el Hospital Distrital, las
ponderaciones que se utilizan para construir al hospital compuesto
son las variables. Estas se definen de la siguiente manera:
wg = ponderacin aplicada a insumos y resultados del Hospital
General
wu = ponderacin aplicada a insumos y resultados del Hospital
Universitario we = ponderacin aplicada a insumos y resultados del
Hospital de Distrito
ws = ponderacin aplicada a insumos y resultados del Hospital
Estatal
Como se mencionaba, se utilizarn los pesos para determinar los insumos y los
resultados para el hospital compuesto hipottico. Las relaciones de insumos/resultados
que se incluyen en el modelo tendrn la siguiente forma general:
insumos /

resultados
en
=
el hospital compuesto el
+
el
insumos /
insumos /
+
resultados en
wg
resultados
en
wu
hospital general
el hospital universitario
insumos /
+
wc
resultados
en
ws
Distrital
el hospital estatal
insumos /
resultados en
hospital
Al plantear el modelo de programacin lineal de AGD. se utiliza la

expresin anterior para desarrollar una restriccin para cada medida
de los insumos y para cada medida de los resultados. El calcular los
pesos para los cuatro hospitales que conforman el hospital compuesto,
el modelo de programacin lineal de AGD requerir que la suma de
laS ponderaciones sea igual a la unidad. Por ello, para el ejemplo de
los cuatro hospitales, la primera
restriccin ser:
wg + wu + wc + ws = 1
Utilizando la relacin general de insumos/resultados para cada una

de las cuatro medidas de los resultados, las cuatro restricciones de
resultados para el modelo de AGD se escriben de la siguiente manera:
55
48.14wg + 34.62wu + 36.72wc + 33.16ws 36.72

Medicare
- 43.1Owg + 27.11wu + 45.98wc + 56.46ws 45.98 Sin
Medicare
253wg +
148wu +
175wc +
160ws
Enfermeras
41wg +
internos
27wu +
23wc +
84ws
23
Con
175
Mdicos
Resultados
para el
Resultados para el Hospital Compuesto
Hospital
Distrital
Las restricciones anteriores requieren que la solucin de programacin lineal

proporcione ponderaciones, de manera que cada resultado para el hospital compuesto
sea mayor que o igual a cada uno de los cuatro resultados del Hospital Distrital. Si se
puede obtener una solucin que satisfaga las restricciones de los resultados, entonces el
hospital compuesto produce cuando menos la misma cantidad de cada resultado que el
Hospital Distrital.
Despus es necesario considerar las tres medidas de insumos. El
modelo de programacin lineal de AGD contiene la variable E, que
determina la fraccin de los insumos del Hospital de Distrito que el
hospital compuesto requiere. El uso de E, a la cual se denomina
ndice de eficiencia, se muestra en la siguiente tabla.
Recursos de entrada (insumos)
Medida de los insumos
Utilizados por el
Disponibles para el
Hospital Distrital Hospital Compuesto
Personal no mdico, tiempo completo

equiv.
Suministros (miles)
Das cama (miles)
275.70
275.70E
348.50
104.10
348.50E
104.10E
Como se muestra antes, los recursos disponibles para el hospital

compuesto son simplemente un mltiplo de los recursos que se
utilizan en el Hospital Distrital. Si E = 1, los recursos disponibles para
el hospital compuesto son los mismos que se emplean en el Hospital
Distrital. Si E es mayor que 1, el hospital compuesto tendra a su
disposicin proporcionalmente ms recursos, mientras que si E es
56
menor que 1, el hospital compuesto tendra a su disposicin una

cantidad proporcionalmente menor de recursos. Las restricciones de
programacin lineal para las tres medidas de insumos-se expresan de
la siguiente manera:
285.20wg + 162.30wu +275.70wc + 210.40ws

275.70E
Personal
no
medico
de
tiempo completo equivalente
123.80wg + 128.70wu +348.50wc + 154.10ws

348.50E
Suministros
106.72wg +
104.10E
Dias-cama
64.21wu + 104.10wc + 104.04ws
Insumos para el hospital compuesto

Capacidades
de
insumos
para
el
hospital compuesto
Si se puede encontrar una solucin con E < 1e hospital compuesto

no requiere tantos recursos como los que necesita el Hospital de
Distrito.
La funcin objetivo para el modelo de AGD consiste en minimizar el
valor de E, que equivale a minimizar los recursos disponibles-comoinsumos- para el hospital compuesto. Por ello, la funcin objetivo es
min
E
La conclusin sobre eficiencia en el AGD se basa en el valor ptimo
de la funcin objetivo para E. La regla de decisin es la siguiente:
Si E = 1,
Si E < 1,
el hospital compuesto requiere tantos insumos

como el Hospital Distrital. No hay evidencia de
que este Hospital es ineficiente.
el hospital compuesto requiere ,de menos
insumos para obtener los resultados que se
logran en el Hospital Distrital. El hospital
compuesto es ms eficiente. Por ello, se puede
decir que el Hospital de Distrito es relativamente
ineficiente.
El modelo de programacin lineal de AGD para evaluar la eficiencia

en el Hospital de Distrito tiene cinco variables de decisin y ocho
57
restricciones. En seguida se expresa de nuevo el modelo completo:

Min E
sujeta a
wg
wu
wc
48.14wg
+ 34.62wu
+ 36.72wc
43.10wg
+ 27.11wu
+ 45.98wc
253wg
148wu
41wg
27wu
23wc
- 275.50E +285.20wg
+162.30wu
+275.70wc
- 348.50E +123.80wg
+128.70wu
+348.50wc
- 104.10E +106.72wg
+ 63.21wu
+104.10wc
175wc
ws
1
+ 33.16ws
36.72
+ 56.46ws
45.98
+
160ws
175
+
84ws
23
+ 210.40ws
0
+ 154.10ws
0
+ 104.04ws
0
wg, wu, wc, ws 0
SOLUCIN PTIMA
Valor de la funcin objetivo = 0.905238
Variable
Costos reducidos
Valor
---------------------- ------------------------
E
WG
WU
WC
WS
0.905238
0.212266
0.260447
0.000000
0.527286
Restriccin
Holgura/Excedente
---------------------- ------------------------
1
2
3
4
5
6
7
8
0.000000
0.000000
0.000000
1.615387
37.027027
35.642986
174422.297000
0.000000
----------------------
0.000000
0.000000
0.000000
0.094762
0.000000
Precios duales
----------------------
0.238886
-0.000014
-0.000014
0.000000
0.000000
0.000000
0.000000
0.000010
58
Solucin por computadora del anlisis global de datos. para el

problema del modelo del Hospital de Distrito, utilizando The
Management Scientist.
Obsrvese que en el planteamiento anterior del modelo, se han
pasado al lado izquierdo de las tres restricciones de insumos los
trminos que incluyen a E, porque sta es una variable de decisin.
Se resolvi el programa lineal anterior utilizando el paquete de
computacin The Management Scientist. Se muestra un listado de
computadora con la solucin.
En primer lugar, se observa que la funcin objetivo muestra
que la calificacin de la eficiencia para el Hospital Distrital es 0.905.
Esto indica que el hospital compuesto puede obtener cuando menos
el mismo nivel de cada resultado que lo que obtiene el Hospital de
Distrito, teniendo a su disposicin no ms del 90.5% de los recursos
de insumos que requiere el Hospital Distrital. El hospital compuesto
es ms eficiente, el anlisis de AGD ha identificado que el Hospital de
Distrito es relativamente ineficiente.
A partir de la solucin de la Fig. 4.8, se observa que el hospital
compuesto est formado a partir del promedio ponderado del Hospital
General (wg = 0.212), Hospital Universitario (wu = 0.260) Y Hospital
Estatal (ws = 0.527).
Se determina cada insumo y cada resultado para el hospital
compuesto mediante el mismo promedio ponderado de los insumos y
los
resultados
de
estos
tres
hospitales.
La
columna
"Holgura/Excedente" ofrece informacin adicional sobre la eficiencia
del Hospital de Distrito, en comparacin con el hospital compuesto.
Especficamente, el hospital compuesto tiene cuando menos la misma
cantidad de resultados que el Hospital de Distrito (restricciones 2-5) y
ofrece 1.6 ms enfermeras en capacitacin (el excedente de la
restriccin 4) y 37 mdicos internos ms en capacitacin (excedente
de la restriccin S). La holgura de O para la restriccin 8 muestra que
el hospital compuesto emplea aproximadamente 90.5% de los dascama que utiliza el Hospital de Distrito. Los valores de holgura para
las restricciones 6 y 7 muestran que el hospital compuesto utiliza
menos de 90.5% de los recursos de suministros y del personal de
tiempo completo que no sean mdicos en el Hospital de Distrito.
Resulta evidente que el hospital compuesto es ms eficiente que el
Hospital Distrital, y que se justifica concluir que este Hospital es
relativamente ineficiente en comparacin con los hospitales
del
grupo .Con los resultados del anlisis de AGD, los administradores
del hospital deben examinar sus operaciones para determinar la
forma en la que se pueden utilizar de manera ms efectiva los
59
recursos del Hospital de Distrito.
NOTAS y COMENTARIOS
1. Se debe recordar que el propsito del anlisis global de datos
consiste en identificar unidades operativas que son
relativamente ineficientes. El mtodo no necesariamente
identifica las unidades operativas que son relativamente
eficientes. El simple hecho de que el ndice de, eficiencia sea
E = 1, no permite concluir que la unidad que se analiza es
relativamente eficiente.
De hecho, no puede decidirse que cualquier unidad que
tenga los mayores resultados en cualquiera de las medidas
correspondientes es relativamente ineficiente. Por ello, sigue
siendo posible mejorar la eficiencia absoluta de las unidades
que no son relativamente ineficientes.
2. Si existe alguna unidad que
mostrar que todas las dems
ineficientes. Este sera el caso
mayor parte de los resultados
cantidad de insumos. En la
extremadamente raros.
sea supereficiente, el AGD

unidades son relativamente
si la unidad que produce la
consume tambin la menor
prctica, estos casos son
3. Al aplicar el anlisis global de datos a problemas que

implican grupos grandes de unidades operativas, los
practicantes han encontrado que aproximadamente 50% de
las unidades operativas pueden clasificarse como ineficientes.
Comparar cada unidad relativamente ineficiente con las
unidades que contribuyen a la unidad compuesta puede
resultar til para comprender la forma en la que se puede
mejorar hi operacin de cada unidad relativamente
ineficiente.
RESUMEN
En este captulo se expuso una amplia gama de aplicaciones para
ilustrar la forma en que la programacin lineal puede ayudar en el
proceso de toma de decisiones. Utilizando situaciones, se plantearon
y resolvieron Problemas en las reas de mercadotcnica, finanzas y
administracin de la produccin. Adems, se mostr la forma en que
60
puede aplicarse la programacin lineal a problemas de mezclas, y al

rea relativamente nueva del anlisis global de datos.
Muchas de las ilustraciones que se presentaron en este captulo son
versiones en pequea escala de situaciones reales en las que se ha
aplicado la programacin lineal. En dichas aplicaciones, el problema
puede no estar planteado en forma tan concisa, los datos para el
problema pueden no estar tan fcilmente disponibles, y es muy
probable que el problema implique ms variables de decisin y/o
restricciones. Sin embargo, un estudio exhaustivo de las aplicaciones
de este captulo es un buen comienzo para una persona que espera
en algn momento dado estar en posibilidades de aplicar la
programacin lineal a problemas reales.
Se incluy un listado del paquete de computacin The Management
Scientist (o TMS) para muchas de las aplicaciones que se presentaron
en el captulo. Los resultados por computadora ofrecen una
oportunidad para analizar la informacin correspondiente y para
hacer interpretaciones con base en el anlisis de sensibilidad.
61

Eercicios Resueltos Anderson 2.PDF&#39;

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Eercicios Resueltos Anderson 2.PDF&#39;

Uploaded by

Copyright:

Available Formats

Gerencia de Operaciones I

Ing. Oscar Mendoza Macas

Aplicaciones de la programacin Lineal

programacin lineal da para un problema.

En la prctica, la programacin lineal ha probado ser uno de los

Tal como sugiere la variedad de las aplicaciones que se menciona, la

Ing. Oscar Mendoza Macas

FORMULACION DE LOS MODELOS

Objetivo. El propsito del problema, tal como maximizar

Variables de decisin. Los aspectos del problema que se

Restricciones. Las limitaciones o condiciones que se deben

3. Utilizando las variables de decisin como incgnitas (por

Ing. Oscar Mendoza Macas

En este punto debe tenerse un modelo de programacin lineal que

Seleccin de medios de publicidad

Las aplicaciones de programacin lineal para la seleccin de medios

requisitos contractuales y disponibilidad de los medios. En Ia

Development Corporation. La Relax-and-Enjoy est realizando el

Ing. Oscar Mendoza Macas

venta de inmuebles para vacaciones o de albergues para retiro.

presupuesto de publicidad de $30.000 (dlares) para la campaa del

Ing. Oscar Mendoza Macas

TABLA 4.1 Alternativas de medios de publicidad para la Relax and

El numero mximo de las ocasiones que esta disponible el

Se comienza definiendo las variables de decisin de la siguiente

numero de ocasiones en que se emplea el peridico

Ing. Oscar Mendoza Macas

Con el objetivo de maximizar la exposicin esperada, la funcin

1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 30000

Ing. Oscar Mendoza Macas

Total de audiencia alcanzada = 61500

Un posible defecto de este modelo es que, aun cuando la medida de

Ing. Oscar Mendoza Macas

puede utilizarse un modelo de programacin lineal para llegar a una

Las restricciones se plantearan en trminos de la notacin ideada:

Ing. Oscar Mendoza Macas

que la mayora de los dems modelos de programacin lineal,

1. Se entrevistaran cuando menos 400 hogares con nios.

Ing. Oscar Mendoza Macas

3. El numer total de hogares entrevistados durante la noche seria

Como las entrevistas en hogares con nios requieren de tiempo

Ing. Oscar Mendoza Macas

X21 = nmero de entrevistas en hogares sin nios a llevar a cabo

Ing. Oscar Mendoza Macas

4. Cuando menos 40% de las entrevistas en hogares con nios

20X11 + 25X12 + 18X21 + 20X22

400 Hogares con nios

X11 + X12 X21 + X22 0 mas entrevistas nocturnas

0 Hogares con nios,

En la Fig. 4.1 se muestra la solucin por computadora del programa

Ing. Oscar Mendoza Macas

Como se puede observar, se programan 480 entrevistas durante el

FIGURA 4.1 Solucin por computadora del problema de

Ing. Oscar Mendoza Macas

La variable de excedente que tiene un valor de 200 para la restriccin

Ing. Oscar Mendoza Macas

rendimiento. Las inversiones y las tasas de rendimiento son las que

2. Los bonos de gobierno deben ser de cuando menos 25% de las

Ing. Oscar Mendoza Macas

la Tabla 4.3, la funcin objetivo para maximizar el rendimiento total

TABLA 4.3 Oportunidades de inversin para Welte Mutual Funds

Tasa de rendimienlo proyectada

La restriccin que especifica la inversin de los $100000 se expresa

Ing. Oscar Mendoza Macas

Eercicios Resueltos Anderson 2.PDF'

Eercicios Resueltos Anderson 2.PDF'