Professional Documents
Culture Documents
“Francisco de Miranda”
Área de Tecnología
Unidad Curricular: Investigación de Operaciones
Tema No. 1
Modelación Matemática. Formulación de Modelos de
Programación Lineal
Facilitador:
Dr. Juan J. Lugo Marín.
Antecedentes de la Investigación de Operaciones
Modelo de Simulación:
Por lo general, toma la forma de
Modelos Determinísticos: un conjunto de suposiciones
Cuando se conoce con certeza el comportamiento de acerca de la operación del sistema,
los parámetros involucrados en el Modelo, por lo expresado como relaciones
tanto tienen un bajo nivel de incertidumbre. matemáticas o lógicas entre los
objetos de interés en el sistema. A
diferencia de las soluciones
matemáticas exactas disponibles
con la mayor parte de los modelos
Autor: Natasha Sánchez analíticos, el proceso de
simulación tiene que ver con
Modelo Probabilístico o Estocástico: ejecutar el modelo a través del
En los que parte de la información necesaria no se tiempo, por lo común en una
conoce con certeza sino más bien se comporta de una computadora, para generar
manera probabilística , poseen por lo tanto un alto muestras representativas de las
nivel de incertidumbre. medidas de desempeño.
Modelos de Programación Lineal
Decisiones de Planeación de
Fabricación o Producción
Compra Agregada
Problemas de Problemas de
Dietas Aplicaciones Mezclas
Administración Decisiones de
de Cartera de Mezcla de
Valores Productos
Elementos de un Modelo de Programación Lineal
Función Objetivo:
Variable de Decisión /variable/variable
El objetivo Global de un problema
controlable:
de decisión expresado en una forma
Valores que se buscan determinar con
matemática en términos de los
la solución del modelo
datos y de las variables de decisión.
Restricciones (limitaciones):
Requerimientos o Limitaciones Condiciones de No Negatividad:
sobre los valores de variables en Condiciones del modelo que
estipulan que las variables de
un modelo matemático
decisión deben tener sólo valores
típicamente impuesto por
no negativos (positivos).
condiciones externas.
Elementos de un Modelo de Programación Lineal
Coeficientes Objetivos:
Coeficientes tecnológicos: Coeficientes que acompañan a
Coeficientes que acompañan a las variables en la Ecuación
las variables en las restricciones. Objetivo.
Pasos para formular un Modelo de Programación Lineal
BlubberMaid, Inc, fabrica tres TABLA. INGREDIENTES USADOS EN LA PRODUCCIÓN DE AIRTEX, EXTENDEX Y
productos de caucho: Airtex (material RESISTEX
BlubberMaid, Inc, tiene el compromiso de producir al menos 1000 libras de Airtex, 500 libras de Extendex y 400 libras
de Resistex para la próxima semana, pero la gerencia de la compañía sabe que puede vender más de cada uno de los
tres productos. Los inventarios actuales de los ingredientes son 500 libras del polímero A, 425 libras del polímero B,
650 libras del polímero C y 1100 libras de base. Cada libra de Airtex produce a la compañía una ganancia de $7, cada
libra de Extendex una ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del departamento de
producción, usted necesita determinar un plan de producción óptimo para esta semana.
Solución:
Como cada libra de Airtex produce una ganancia de $7, A libras de Airtex produce $7 A. De
manera similar, Extendex y Resistex contribuyen con $7E y $6R, respectivamente, a la
ganancia total. En términos de las variables de decisión y de los datos de ganancia, la función
objetivo es:
Maximizar 7A+7E+6R
Modelos de Programación Lineal
1. Restricciones de recursos para asegurar que no se usen más de los tres polímeros y la base que
están disponibles.
2. Restricciones de demanda para asegurar que se cumplan los compromisos de la compañía.
3. Restricciones lógicas para especificar que todas las cantidades de producción son no negativas.
RESTRICCIONES DE RECURSOS
Este grupo consiste en cuatro restricciones: una para cada uno de los tres polímeros y una para
la base. Para la disponibilidad limitada de 500 libras del polímero A:
Cantidad empleada del polímero A= (cantidad empleada para producir A libras de Airtex) + (cantidad
empleada para producir E libras de Extendex) + (cantidad empleada para producir R libras de Resistex)
Para determinar la cantidad del polímero A usada en la fabricación de cada producto, trabaje con un ejemplo
específico. Por ejemplo, fije A=100, E=300 y R=200. De acuerdo con los datos de la tabla 1:
Entonces, en términos de las variables de decisión, podría pensar que la restricción apropiada para el
polímero A es:
4 A + 3 E + 6 R ≤ 500
Modelos de Programación Lineal
Sin embargo, esta restricción no es correcta. La razón es que las unidades en la expresión de la
izquierda están en onzas, pero las unidades de la derecha están en libras. Esta discrepancia puede
corregirse convirtiendo las unidades de cualquier lada a las del otro lado. Por ejemplo, al
convertir las 500 libras disponibles del polímero A a 800 onzas (1 libra es igual a 16 onzas) se
obtiene la siguiente restricción:
4 A + 3 E + 6 R ≤ 8000 (polímero A)
Siguiendo una lógica similar para los tres resultados de recursos restantes en estas restricciones:
2 A + 2 E + 3 R ≤ 6800 (polímero B)
4 A + 2 E + 5 R ≤ 10400 (polímero C)
6 A + 9 E + 2 R ≤ 17600 (base)
Modelos de Programación Lineal
RESTRICCIONES DE DEMANDA
Este grupo consiste en tres restricciones: una para el requerimiento mínimo sobre la
cantidad de cada uno de los tres productos. Estas restricciones son
A ≥ 1000 (Airtex)
E ≥ 500 (Extendex)
R ≥ 400 (Resistex)
RESTRICCIONES LÓGICAS
Como todas las cantidades de producción deben ser no negativas, se necesitan las siguientes
restricciones lógicas:
A, E, R ≥ 0
Modelos de Programación Lineal
Maximizar 7A+7E+6R
Dependiendo de
RESTRICCIONES DE RECURSOS
A ≥ 1000 (Airtex)
E ≥ 500 (Extendex)
R ≥ 400 (Resistex)
RESTRICCIONES LÓGICAS
A E R ≥0
Modelos de Programación Lineal
A= 1000.00
E= 533.33
R= 400.00
Con una valor de función objetivo de 13 333.33. En otras palabras, el plan semanal óptimo
es producir 1000 libras de Airtex, 533.33 libras de Extendex y 400 libras de Resistex,
dando como resultado una ganancia neta de $13 333.33.
Modelos de Programación Lineal
No se espera que continúe este alto nivel de demanda. En vez de expandir la capacidad de las
instalaciones de producción, la gerencia de MTV Steel está considerando la compra de algunos
de estos tubos a pro-veedores de Japón a un costo de entrega de $6 por pie del tubo A, $6 por
pie del tubo B y $7 por pie del tubo C. Estos diversos datos se resumen en la tabla 2. Como
gerente del departamento de producción, se le ha pedido hacer recomendaciones respecto a
la cantidad de producción de cada tipo de tubo y la cantidad de compra a Japón para
satisfacer la demanda y maximizar las ganancias de la compañía.
TABLA2. DATOS PARA EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL
TIEMPO DE MATERIAL COSTO DE COSTO
PRECIO DE DEMANDA
TIPO MÁQUINA PARA SOLDAR PRODUCCIÓN COMPRA
VENTA ($/ft) (ft)
(min/ft) (oz/ft) ($/ft) ($/ft)
A 10 2000 0.50 1 3 6
B 12 4000 0.45 1 4 6
C 9 5000 0.60 1 4 7
Cantidad Disponible 40 hr 5500 oz
Modelos de Programación Lineal
Solución:
Cada una de estas ganancias, a su vez, se calcula como el ingreso menos el costo por pie. Por
ejemplo, como los tubos del tipo A se venden a $10 por pie pero su producción cuesta $3, la
ganancia neta es $7 por pie. Por tanto, la ganancia por producir AP pies de tubo del tipo A es 7 AP.
Un cálculo similar para los tubos de los tipos B y C tiene como resultado:
Ganancias de la producción= 7 AP+ 8 BP + 5 CP
Aplicando una descomposición y lógica similares a los productos comprados a Japón se tiene:
Ganancias de los productos comprados a Japón= 4 AJ+ 6 BJ+ 2 CJ
Como esperaría, cada pie de tubo producido tiene como resultado una ganancia más alta que cada
pie de tubo comprado del proveedor externo. La combinación de estos dos componentes de
ganancia resulta en la siguiente función objetivo global:
Maximizar 7 AP+ 8 BP+ 5 CP+ 4 AJ+ 6 BJ+ 2 CJ
Modelos de Programación Lineal
Tiempo de máquina= (tiempo de máquina usado para producir tubo de tipo A)+
total usado (tiempo de máquina usado para producir tubo de tipo B)+
(tiempo de máquina usado para producir tubo de tipo C)
Recuerde de la tabla 2 que cada pie del tubo A requiere 0.5 minutos de tiempo de máquina. Por tanto, para
producir AP pies se requiere 0.5AP minutos. De manera análoga, cada pie de tubo B requiere 0.45 minutos y cada
pie de tubo C requiere 0.6 minutos. La restricción es:
0.5AP+ 0.45BP+ 0.6CP ≤ 40
Sin embargo, observe que la cantidad del lado izquierdo se expresa en minutos, mientras que la de la derecha se
expresa en horas. Una forma de corregir esta inconsistencia es convertir 40 horas en 40 * 60= 2400 minutos:
0.5AP+ 0.45BP+ 0.6CP ≤ 2400 (tiempo de máquina)
Modelos de Programación Lineal
Aplicando la descomposición y recordando que cada pie de tubo, sin importar el tipo, requiere
1 onza de material para soldar, esta restricción de recursos es:
AP+ BP+ CP ≤ 5500 (material para soldar)
RESTRICCIONES DE DEMANDA
Este grupo está constituido por tres restricciones, una para la demanda asociada con cada tipo
de tubo. Para el tubo A:
Número total de pies del tubo de tipo A= 2000 pies
Modelos
Modelosde
deProgramación
ProgramaciónLineal
Lineal
Aplicando la descomposición:
Una lógica similar da como resultado las siguientes restricciones de demanda para los tubos de
tipo B y C:
BP+ BJ = 4000 (demanda del tipo B)
CP+ CJ = 5500 (demanda del tipo C)
Modelos de Programación Lineal
RESTRICCIONES LÓGICAS
La única restricción lógica en este problema es que todas las variables deben ser no negativas.
RESTRICCIONES DE RECURSOS
RESTRICCIONES LÓGICAS
AP , BP , CP , AJ , BJ , CJ ≥ 0
La solución óptima a este problema, obtenida con un paquete de software de programación lineal, es:
AP = 2000.000
BP = 0.000
CP = 2333.333
AJ = 0.000
BJ = 4000.000
CJ = 2666.667
Con una ganancia neta de $55000. En otras palabras, MTV Steel debería producir 2000 pies de tubo de tipo A y 2333.333 pies de
tubo C e importar 4000 pies de tubo de tipo B y 2666.667 pies de tubo de tipo C de Japón.
Modelos de Programación Lineal
Problemas de dietas
Ejemplo: EL PROBLEMA DE DIETAS DEL HOSPITAL GENERAL MOUNTAIN VIEW
El Departamento de Nutrición del Hospital General Mountain View prepara 30 menús de cena, uno para cada día del
mes. Una comida consiste en espagueti, pavo, papas en escalope, espinacas y pastel de manzana. Como director del
Departamento de Nutrición, usted ha determinado que esta comida debe proporcionar 63000 miligramos (mg) de
proteínas, 10 mg de hierro, 15 mg de niacina, 1 mg de tiamina y 50 mg de vitamina C. Cada 100 gramos de esta
comida proporciona la cantidad de cada nutriente y grasas indicadas en la tabla 3.
TABLA 3. NUTRIENTES PROPORCIONADOS POR LAS DISTINTAS COMIDAS
NUTRIENTE (mg/100g)
PROTEÍNAS HIERRO TIACINA TIAMINA VITAMINA C GRASA
Espagueti 5000 1.1 1.4 0.18 0.0 5000
Pavo 29300 1.8 5.4 0.06 0.0 5000
Papas 5300 0.5 0.9 0.06 10.0 7900
Espinacas 3000 2.2 0.5 0.07 28.0 300
Pastel de Manzana 4000 1.2 0.6 0.15 3.0 14300
Modelos de Programación Lineal
Para evitar la demasiada cantidad de un tipo de comida, no debe incluirse en ella más de 300 gramos de espagueti, 300
gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 100 gramos de pastel de manzana. Como director del
departamento de nutrición, usted desea determinar la composición de una comida que satisface los requerimientos
nutricionales y proporciona la mínima cantidad de grasas.
Solución:
Identificación de las variables de decisión.
En este problema, usted puede controlar la cantidad de cada uno de los cinco alimentos que incluir en la comida, lo que
lo lleva a definir las siguientes cinco variables:
SPAG= el número de 100 gramos de espagueti que incluir
PAVO= el número de 100 gramos de pavo que incluir
PAPA= el número de 100 gramos de papas que incluir
SPIN= el número de 100 gramos de espinacas que incluir
MANZ= el número de 100 gramos de espinacas que incluir
Por conveniencia, se ha escogido que las unidades de las variables se den en cientos de gramos porque ésas son las
unidades usadas en la tabla 3.
Modelos de Programación Lineal
Si usa los datos de la última columna de la tabla 3 y trabaja con un ejemplo específico debe llegar
a identificar el siguiente objetivo global:
Minimizar 5000SPAG+ 5000PAVO+ 7900PAPA+ 300SPIN+ 14300MANZ
Modelos de Programación Lineal
REQUERIMIENTOS DE NUTRIENTES
Este grupo consiste en cinco restricciones, una para asegurar la cantidad mínima de cada uno de
los cinco nutrientes. Considere el requerimiento de proteínas:
Cantidad total de proteínas en la comida ≥ 63000 mg
Modelos de Programación Lineal
Aplicando la descomposición:
Refiérase a la primera columna de la tabla 3. Cada 100 gramos de espagueti contienen 5000 mg
de proteínas. Por tanto, SPAG cien gramos de esta comida proporciona 5000SPAG mg de
proteínas a la comida. De manera similar, usando los datos restantes de la primera columna de la
tabla 3 da como resultado la siguiente restricción para proteínas:
5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ ≥ 63000 (proteínas)
Modelos de Programación Lineal
Aunque las unidades de las variables se expresan en cientos de gramos, las unidades de ambos
lados de la restricción anterior están en miligramos.
Usando las siguientes cuatro columnas de datos de la tabla 3 obtenemos las siguientes
restricciones similares para cada uno de los siguientes cuatro nutrientes:
RESTRICCIONES DE LÍMITE
Estas restricciones limitan la cantidad máxima de cada tipo de alimento en la comida.
Teniendo en mente que las unidades de las variables están en cientos de gramos, surgen las
siguientes restricciones de límite:
SPAG ≤ 3
PAVO ≤ 3
PAPA ≤ 2
SPIN ≤ 1
MANZ ≤ 1
RESTRICCIONES LÓGICAS
La única restricción lógica en este problema es que todas las variables son no negativas.
Modelos de Programación Lineal
Formulación completa y solución del problema de dietas del Hospital General Mountain View
Toda esta información da como resultado el siguiente modelo de programación lineal para el
problema del Hospital General Mountian View:
Minimizar
5000SPAG+ 5000PAVO+ 7900PAPA+ 300SPIN+ 14300MANZ
Dependiendo de
REQUERIMIENTOS DE NUTRIENTES
5000SPAG+ 29300PAVO+ 5300PAPA+ 3000SPIN+ 4000MANZ ≥ 63000 (proteínas)
1.1SPAG+ 1.8PAVO+ 0.5PAPA+ 2.2SPIN+ 1.2MANZ ≥ 10 (hierro)
1.4SPAG+ 5.4PAVO+ 0.9PAPA+ 0.5SPIN+ 0.6MANZ ≥ 15 (niacina)
0.18SPAG+ 0.06PAVO+ 0.06PAPA+ 0.07SPIN+ 0.15MANZ ≥ 1 (tiamina)
10PAPA+ 28SPIN+ 3MANZ ≥ 50 (vitamina C)
Modelos de Programación Lineal
RESTRICCIONES LÓGICAS
SPAG, PAVO, PAPA, SPIN, MANZ ≥ 0
Con un contenido de grasa de 54800 miligramos. En otras palabras, la comida debería consistir
en 300 gramos de espagueti, 283.3 gramos de pavo, 200 gramos de papas, 100 gramos de
espinacas y 66.7 gramos de pastel de manzana.
Modelos de Programación Lineal
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diversos fondos.
Para ese fin, la administración de Pension Planners, Inc. ha especificado las siguientes pautas:
1. La cantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75% de la cartera.
2. La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la
cartera.
3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 5% de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en
muchas alternativas diferentes. La gerencia de Pension Planners, Inc, ha especificado que la
cantidad invertida en los fondos de alto riesgo 1, 2 y 3 deben estar en la tasa 1:2:3,
respectivamente. La cantidad invertida en los fondos de mediano riesgo 4 y 5 debe ser 1:2.
Con estas pautas, ¿qué cartera debería usted, gerente de cartera, recomendar para maximizar la
tasa esperada de retorno?
Modelos de Programación Lineal
Solución:
Identificación de las variables de decisión.
En este problema, usted puede controlar cuánto invertir en cada uno de los seis fondos mutuos, dando así
origen a seis variables de decisión. Como siempre, debe especificar las unidades asociadas con cada
variable. Por ejemplo, para el fondo 1, podría definir cualquiera de las siguientes variables:
F1 = el número de acciones del fondo 1 por comprar
F1 = el número de dólares por invertir en el fondo 1
F1 = la fracción de la agenda por invertir en el fondo 1
Cada opción conduce a un modelo matemático diferente pero equivalente. Aquí se utiliza la última opción. Así
que, para cada uno de los fondos restantes, defina:
F2 = la fracción de la cartera por invertir en el fondo 2
F3 = la fracción de la cartera por invertir en el fondo 3
F4 = la fracción de la cartera por invertir en el fondo 4
Modelos de Programación Lineal
Para determinar el rendimiento esperado del fondo 1, trabaje con un ejemplo específico en el que
10% de la cartera se invierte en el fondo 1, es decir, F1=0.10. En este caso, 0.10*1 000
000=$100 000 de la cartera se invierte en el fondo 1. De acuerdo con los datos de la tabla 4,
se espera que este dinero devuelva 30% o 0.30*100000= $30 000. Por tanto, en términos de
F1,
Rendimiento esperado del fondo 1= (cantidad invertida en el fondo 1)*
(tasa de rendimiento del fondo 1)
= (F1* 1 000 000)* 0.30
= 300 000F1
Usando una lógica similar para los cinco fondos restantes, llegamos a
Rendimiento total esperado= 300 000F1 + 200 000F2 + 150 000F3 +
120 000F4 + 100 000F5 + 70 000F6
Modelos de Programación Lineal
Dividiendo esto entre la inversión total de $1 000 000 obtenemos la tasa de rendimiento y por
tanto la siguiente función objetivo:
Maximizar 0.30F1 + 0.20F2 + 0.15F3 + 0.12F4 + 0.10F5 + 0.07F6
1. Limitaciones de inversión para controlar la cantidad invertida en cada una de las tres
categorías de riesgo.
2. Restricciones de diversificación para extender la inversión dentro de cada categoría de
riesgo.
3. Restricciones lógicas.
Modelos de Programación Lineal
2. La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la cartera. Como F4 y
F5 representan la fracción de cartera por invertir en fondos de mediano riesgo, la fracción de la
cartera total invertida en fondos de mediano riesgo es F4 + F5. Estas restricciones son:
F4 + F5 ≥ 0.20 (mínimo en mediano riesgo)
F4 + F5 ≤ 0.30 (máximo en alto riesgo)
Modelos de Programación Lineal
3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos 5% de la cartera. Como
F6 es la fracción de la cartera invertida en fondos de bajo riesgo, esta restricción es:
F6 ≥ 0.05 (mínimo en bajo riesgo)
RESTRICCIONES DE DIVERSIFICACIÓN
Este grupo de restricciones se utiliza para controlar el riesgo asegurando que la cantidad
invertida en los fondos pertenecientes a una categoría de riesgo dada esté dentro de la
tasa especificada, de la manera siguiente:
1. La cantidad invertida en los fondos de alto riesgo 1, 2 y 3 debe estar en la tasa 1:2:3. Esta
restricción específica que la cantidad invertida en el fondo 2 sea el doble de la cantidad
invertida en el fondo 1:
F2 = 2F1
Modelos de Programación Lineal
Si cambiamos el orden para que todas las variables estén a la derecha, se obtiene:
- 2F1 + F2 = 0 (proporción de F1 a F2)
De manera similar, la cantidad invertida en el fondo 3 debe ser tres veces la invertida en el fondo 1:
F2 = 3F1
-3F1 + F3 = 0 (proporción de F1 a F3)
2. La cantidad invertida en los fondos 4 y 5 de mediano riesgo debe estar en la proporción de 1:2, esto es, la
cantidad invertida en el fondo 5 debe ser el doble de la del fondo 4:
F5 = 2F4
Si cambiamos el orden para que todas las variables estén a la derecha, se obtiene:
-2F4 + F5 = 0 (proporción de F4 a F5)
Modelos de Programación Lineal
RESTRICCIONES LÓGICAS
Claro está que un conjunto de restricciones lógicas es que cada variable sea no negativa.
Asimismo, como es posible comprar acciones fraccionales de un fondo mutuo, a estas
variables se les permite tener cualquier valor fraccional, lo que resulta en un problema
de programación lineal. Más aún, se requiere otra restricción lógica para asegurar que se
invierta la cartera total de precisamente $1 000 000. Como las variables de decisión
representan la fracción de esta cartera por invertir en los diversos fondos, esta
restricción es:
RESTRICCIONES DE DIVERSIFICACIÓN
-2F1 + F2 = 0 (proporción de F1 a F2)
-3F 1 + F3 = 0 (proporción de F1 a F3)
-2F4 + F5 = 0 (proporción de F4 a F5)
RESTRICCIONES LÓGICAS
F1 + F2 + F3 + F4 + F5 + F6 = 1.0 (cartera total)
F1 + F2 + F3 + F4 + F5 + F6 ≥ 0
La solución óptima para este problema que cualquier paquete de software de programación lineal produce es:
F1 = 0.1250
F2 = 0.2500
F3 = 0.3750
F4 = 0.0667
F5 = 0.1333
F6 = 0.0500
Modelos de Programación Lineal
Cada una tasa de rendimiento de 0.168583. En otras palabras, la cantidad de dinero invertido en cada uno de los seis
fondos es:
Cantidad en el fondo 1 = 0.1250 * 1 000 000 = $ 125 000
Cantidad en el fondo 2 = 0.2500 * 1 000 000 = $ 250 000
Cantidad en el fondo 3 = 0.3750 * 1 000 000 = $ 375 000
Cantidad en el fondo 4 = 0.0667 * 1 000 000 = $ 66 700
Cantidad en el fondo 5 = 0.1333 * 1 000 000 = $ 133 300
Cantidad en el fondo 6 = 0.0500 * 1 000 000 = $ 50 000
Inversión Total = $ 1 000 000
Problemas de Mezclas
Ejemplo: EL PROBLEMA DE MEZCLADO DE GASOLINA DE HEXXON OIL COMPANY
Hexxon Oil Company obtiene tres tipos de petróleo crudo de sus pozos de Mississippi, Nuevo
México y Texas. La gasolina obtenida de estos petróleos crudos se mezcla junto con dos
aditivos para obtener el producto final. Estos petróleos crudos y aditivos contienen azufre,
plomo y fósforo, como se muestra en la tabla 5. El costo de cada componente también se
presenta. Debido a los residuos e impurezas, cada galón de petróleo crudo de Mississipi
resulta sólo en 0.35 de galón del producto final, que contiene 0.07% de azufre. De manera
similar, cada galón de crudo de Nuevo México produce 0.40 de galón del producto final que
contiene 0.08% de sulfuro y cada galón de crudo de Texas resulta en 0.30 de galón del
producto final que contiene 0.10% de azufre. La gerencia ha establecido las siguientes
especificaciones para controlar las cantidades de azufre, plomo y fósforo:
Modelos de Programación Lineal
Como gerente de producción, determine un plan de mezclado que produzca una gasolina
aceptable al mínimo costo.
Modelos de Programación Lineal
Solución:
Identificación de las variables de decisión
Usted puede controlar la cantidad de cada tipo de crudo y cada aditivo por mezclar al producir un
galón de gasolina. Esto lleva a las siguientes cinco variables de decisión:
Usando las variables y los costos asociados de la tabla 5 obtenemos la siguiente función objetiva:
RESTRICCIONES DE PRODUCCIÓN
Esta restricción asegura que se produzca precisamente 1 galón de gasolina:
Cantidad de gasolina producida = 1 galón
Modelos de Programación Lineal
Recuerde que cada galón de crudo de Mississippi produce sólo 0.35 de galón de gasolina. Por
tanto, XM galones de este crudo producen 0.35XM galones de gasolina. De manera similar,
como cada galón de petróleo crudo de Nuevo México produce 0.40 de galón de gasolina y
cada galón de petróleo crudo de Texas resulta en 0.30 de galón de gasolina, esta
restricción es
0.35XM + 0.40XN + 0.30XT + A1 + A2 = 1.0 (producción)
Modelos de Programación Lineal
Aplicando la descomposición,
Sin embargo, de la restricción de producción anterior, la cantidad total de la mezcla es precisamente 1 galón, así
que lo único que se necesita calcular es la cantidad de azufre en la mezcla. Aplicando la descomposición,
Cantidad de azufre = (cantidad de azufre del petróleo crudo de Mississippi)+
en la mezcla (cantidad de azufre del petróleo crudo de Nuevo México)+
(cantidad de azufre del petróleo crudo de Texas)+
(cantidad de azufre del aditivo 1)+
(cantidad de azufre del aditivo 2)
Modelos de Programación Lineal
De acuerdo con la tabla 5, cada galón de petróleo crudo de Mississippi produce 0.35 de galón
de gasolina que contiene 0.07% de azufre. Por tanto, XM galones de este petróleo crudo
produce 0.35 XM galones que contienen 0.07% de azufre. Así
Observando que los aditivos no aportan azufre, y aplicando una lógica similar a los otros dos
resultados de petróleos crudos en la siguiente restricción de azufre:
Existen límites inferiores y superiores sobre las cantidades de plomo y azufre en la mezcla final.
Aplicando el mismo razonamiento usado en el desarrollo de la restricción de azufre, se
obtienen las siguientes cuatro restricciones para plomo y fósforo:
Finalmente, existe la limitación de que la mezcla contenga a lo más 19% de aditivos. Por tanto, el
total de A1 y A2 debe ser de a lo más 0.19 de galón, resultando la siguiente restricciones:
RESTRICCIONES LÓGICAS
La única restricción lógica es que todas las variables sean no negativas.
RESTRICCIONES DE PRODUCIÓN
RESTRICCIÓN LÓGICA
XM , XN , XT , A1 , A2 ≥ 0
Modelos de Programación Lineal
La solución óptima a este problema, que resulta de usar cualquier paquete de software de
programación lineal, es
XM = 0.0000
XN = 1.3750
XT = 0.8667
A1 = 0.1400
A2 = 0.0500
con una valor de función objetivo de 0.94945. En otras palabras, cada galón de producto final se
fabrica mezclando y procesando 1.3750 galones de petróleo crudo de Nuevo México y 0.8667
de galón de petróleo crudo de Texas con 0.14 de galón de aditivo 1 y 0.05 de galón de aditivo
2, a un costo total de 94.945 centavos.
Modelos de Programación Lineal
National Steel Corporation (NSC) produce un acero especial usado en las industrias de aviación y aeroespaciales.
El departamento de ventas de NSC ha recibido pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para cada
uno de los siguientes 4 meses. NSC puede satisfacer estas demandas produciendo el acero, extrayéndolo de su
inventario, o usando cualquier combinación de las dos alternativas.
Se proyecta que los costos de producción por tonelada de acero durante cada uno de los siguientes cuatro
meses sean de $7400, $7500, $7600 y $7650. Como los costos suben cada mes, debido a las presiones
inflacionarias, tal vez sea mejor que NSC produzca más acero del que necesita en un mes determinado y que
almacene el exceso. La capacidad de producción, sin embargo, no puede exceder las 4000 toneladas en ningún
mes. La producción mensual se termina al final del mes, cuando la demanda se satisface. Cualquier acero
remanente se almacena en inventario a un costo de $120 por tonelada por cada mes que permanece allí. Estos
datos se resumen en la tabla 6
Modelos de Programación Lineal
Solución:
A primera vista, usted podría pensar que éstas son todas las variables que se requieren. Con estas
variables, siempre puede determinar la cantidad en inventario. Por ejemplo, del diagrama
esquemático de la figura 1, el inventario al final del primer mes es
Modelos de Programación Lineal
cantidad de producción
(X1)
Demanda
(D1=2400)
Sin embargo, escribir el inventario al final del segundo, tercero y subsecuentes meses es más complicado.
Por ejemplo, para el mes 2:
Para simplificar, es conveniente crear otras cinco variables para representar los niveles de inventario al
principio de cada mes:
COSTOS DE PRODUCCIÓN
Aplicando nuevamente la descomposición se identifican los costos de producción como la suma
de los costos de producción en cada uno de los 4 meses. Usando las variables de producción X1, X2,
X3, X4, junto con los costos de producción por toneladas de la tabla 6, llegamos a
Costos de producción = 7400X1 + 7500X2 + 7600X3 + 7650X4
Modelos de Programación Lineal
COSTOS DE INVENTARIO
Una descomposición similar produce un costo de inventario total como la suma de los costos de inventario
durante cada uno de los cuatro meses. Como los niveles de inventario cambian solamente al final del mes,
todos los inventarios al principio del mes incurren en un costo de $120 por tonelada para ese mes. Usando las
variables I1, I2, I3, I4 llegamos a
Costos de inventario = 120I1 + 120I2 + 120I3 + 120I4
Observe que I5 no se incluye en esta porción porque el objetivo es minimizar los costos totales solamente en
los siguientes 4 meses, e I5 incurre en costos durante el quinto mes.
Sin embargo, ¿qué sucede si X1=300 y X2=100? Esto es, ¿qué pasa si el nivel de producción disminuye? En este
caso, la expresión anterior resulta en un costo de (100 – 300) * 50= -$10 000, es decir, una ganancia de $10
000, que no tiene sentido. En vez de esto, a un costo de $30 por tonelada de decremento, la expresión
correcta es
En general, cuando el nivel de producción disminuye del mes 1 al mes 2, la expresión correcta es
Costo del cambio en la producción = (X1 – X2) * 30
Modelos de Programación Lineal
combinando con las expresiones para resultados de incremento y decremento se obtienen los siguientes costos del cambio
en la producción del mes 1 al mes 2:
Como los valores de X1 y X2 son por ahora desconocidos, la cuestión es cómo combinar estos dos casos en una sola
expresión.
Una forma de abordar esto es creando variables de decisión adicionales cuyos valores son precisamente las cantidades de
producción incrementada y decrementada de un mes al siguiente. Esto es,
Los valores de estas variables dependen de los niveles de producción. Por ejemplo, cuando X2=300 y
X1=100, usted desea que S2 sea 200 y D2, 0. Si X2=100 y X1=300, desea que S2 sea 0 y D2, 200. Las
restricciones que aseguran las relaciones adecuadas entre estas variables se identifican en la siguiente
sección.
Con estas nuevas variables, cuando S1 es positiva, D1 debe ser 0. De manera similar, cuando D1 es positiva, S1
debe ser 0. Por tanto, los costos del cambio en la producción para el primer mes son 50S1+ 30D1. Por
consiguiente, los costos totales del cambio en la producción son:
Modelos de Programación Lineal
1. Restricciones de inventario inicial y final para asegurar los adecuados niveles de inventario de
inicio y fin
2. Restricciones de limitación de producción para asegurar que la producción de cualquier mes
dado no exceda de 4000 toneladas
3. Restricciones de equilibrio de inventario para asegurar la adecuada relación entre las
variables de producción y las de inventario
4. Las restricciones de cambio en la producción para asegurar la adecuada relación entre las
variables de producción y las de cambio en la producción
5. Restricciones de demanda para asegurar que se satisfagan las demandas cada mes
6. Restricciones lógicas para asegurar que todas las variables son no negativas
Modelos de Programación Lineal
Como I1 e I5 representan los inventarios inicial y final al principio y final del período de planeación de 4 meses, respectivamente, estas
restricciones son: