La Investigacin de Operaciones ha participado durante y despus de la Segunda Guerra Mundial en la Toma de Decisiones del gobierno y empresas muy activamente. Despus de la Segunda Guerra Mundial, los Gerentes han sufrido los cambios sobre todo en lo relacionado a tecnologa y mtodos o procesos de trabajo, haciendo ms compleja la toma de decisiones, solo basta ver todo lo que implica trabajar a travs del Internet.
Como consecuencia de ello, la Investigacin de Operaciones ha evolucionado de tal manera que ha permitido a los gerentes valerse de nuevas herramientas para la toma de decisiones. La mayora de los enfoques formales en la toma de decisiones en la industria eran aplicados a casos muy especiales, a problemas operacionales repetitivos orientados al control de la produccin y asignacin de recursos.
Con la evolucin de la tecnologa computacional digital, muchas empresas privadas desarrolladoras de software han visto realizar sus sueos al crear o plasmar su software de desarrollo de Problemas de Investigacin de Operaciones. Hoy en da existe una enorme cantidad de software que permite que se planteen problemas que antes eran imposibles de ejecutarse en equipos considerados grandes y hasta cientficos. Las PC denominadas Pentium 3 y 4 con procesadores muy potentes permiten ahora correr software que solucionan problemas de Investigacin de Operaciones.
El mismo desarrollo computacional, ha permitido que las grandes empresas de software presenten soluciones para el manejo integral de las operaciones de las empresas, de all que existen los ERP, tales como SAP, JD Edwards, People Soft, etc. Estas herramientas se han orientado a solucionar la complejidad de los mtodos de trabajo y especialmente colaboran a la Toma de Decisiones; pero ello no se ha estacionado all, estas empresas siguen trabajando para facilitar la Toma de Decisiones y a sus software les estn agregando componentes de optimizacin utilizando las herramientas de la Investigacin de Operaciones, convirtiendo los ya conocidos y aceptados ERP en ERO por el agregado de optimizacin. Una de las definiciones ms simples de la Investigacin de Operaciones lo hace como el mtodo cientfico aplicado a la solucin de problemas y a la toma de decisiones por la gerencia. En resumen, la Investigacin de Operaciones se ocupa de la Toma de Decisiones ptima y del modelado de sistemas determinsticos y probabilsticos que se originan en la vida real. Estas aplicaciones, que ocurren en el gobierno, en los negocios, en las industrias, en la ingeniera, en la economa, y en las ciencias naturales y sociales, se caracterizan, en gran parte por la necesidad de asignar recursos escasos. La Investigacin de Operaciones adopta el mtodo cientfico como estructura para la solucin de los problemas, dando mayor nfasis al juicio objetivo que al juicio subjetivo.
En su sentido ms amplio la Investigacin de Operaciones, puede ser caracterizada como la aplicacin de mtodos cientficos, tcnicas cientficas e instrumentos cientficos a problemas que involucran operaciones de sistemas, de modo que provean a los tomadores Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
2 de decisiones(Ejecutivos) responsables de las operaciones, soluciones ptimas para los problemas.
El enfoque de la Investigacin de Operaciones, incorpora el enfoque sistemtico al reconocer que las variables internas en los problemas de decisiones son interdependientes e interrelacionadas.
Entonces, podramos concluir que la Investigacin de Operaciones es la aplicacin de mtodos, tcnicas e instrumentos cientficos a los problemas que envuelven las operaciones de un sistema, de modo que proporcione, a los que controlan el sistema, soluciones ptimas para el problema observado 1 .
Definicin Toma de Decisiones.- Es un proceso de elegir entre diferentes cursos alternativos de accin para obtener metas y objetivos.
Metodologa Cientfica.- Como es obvio, el enfoque principal de un estudio de Investigacin de Operaciones es en la Toma de Decisiones. Es decir el resultado que derive del anlisis, debe tener consecuencias directas y no ambiguas para el tomador de decisiones.
El mtodo cientfico aplicado a la toma de decisiones en un proceso de IO, se inicia con la observacin cuidadosa y la formulacin del problema; para luego construir un modelo cientfico que trate de abstraer la esencia del problema real. De este modelo se obtendrn las conclusiones y soluciones que tambin son vlidas para el problema real; por lo que en forma iterativa el modelo se llega a verificar con la experimentacin adecuada.
Posteriormente se trata de encontrar una solucin, la mejor o la ptima, y para ello se define una medida de efectividad que considere las metas. Esta medida servir para comparar los cursos de accin alternos.
Los pasos a seguir normalmente son:
1. Construccin de un modelo que extrae los elementos del problema de decisin del mundo real. 2. Realizar el examen y anlisis de las relaciones que determinan las consecuencias de la decisin. 3. Y por ltimo desarrollar una tcnica de solucin que produzca un valor ptimo basado en los objetivos del tomador de decisiones.
Elementos de un proceso de decisin.- Los elementos de una decisin constan de:
1. Un tomador de decisiones ( que puede ser un individuo, grupo, organizacin o la sociedad misma) 2. Un conjunto posible de cursos de accin que pueden tomarse para resolver el problema de decisiones. 3. Un conjunto posible de estados que pueden ocurrir.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
3
4. Un conjunto de consecuencias asociadas a cada curso de accin y estado posible que pueda ocurrir. 5. La relacin entre las consecuencias y los valores del tomador de decisiones.
Cabe destacar que en una situacin real de toma de decisiones, la definicin y generacin de alternativas, estados y consecuencias; son los aspectos ms difciles en un problema de decisiones.
El Proceso de la Investigacin de Operaciones
Segn Moskowitz, define 5 pasos principales: 1. Formulacin y definicin del problema 2. Construccin del modelo 3. Solucin del modelo 4. Validacin del modelo 5. Implementacin de resultados
En la Fase 1 de Formulacin y Definicin del problema, se requiere (1) una descripcin precisa de las metas u objetivos del estudio, (2) identificar las variables de decisin controlables y no controlables del sistema de decisin y (3) reconocer las limitaciones o restricciones en las variables del sistema.
En la Fase 2 de Construccin del Modelo, se detalla el proceso. Primero, el investigador de operaciones debe decidir el modelo ms adecuado para representar el sistema. Este modelo debe especificar las relaciones cuantitativas para el objetivo y las restricciones del problema en trminos de las variables de decisin. Debe proporcionar estimados de los parmetros, obtenidos bien sea a partir de datos histricos o subjetivos o formalmente estimados por medio de algn mecanismos estadstico. Se debe escoger un horizonte de tiempo. Tambin se debe determinar s el sistema es determinstico o probabilstica. El modelo puede ser matemtico, de simulacin o heurstico, dependiendo de la complejidad y posibilidad de solucin de las relaciones matemticas.
En la Fase 3 de la Solucin del Modelo, el modelador debe, junto a los parmetros especificados por datos histricos, tecnolgicos o prcticos, calcular o derivar una solucin matemtica. S el modelo se acomoda a uno de los modelos matemticamente bien conocidos como el de programacin lineal, se puede obtener una solucin ptima utilizando estas tcnicas. Si por lo contrario, las relaciones matemticas del modelo son muy complejas para permitir una solucin analtica, entonces el mtodo de simulacin puede ser lo ms apropiado. S se utilizan modelos heursticos o metaheurstcos o de simulacin, la bsqueda de la optimalidad debe reemplazarse por la bsqueda de buenas soluciones. En la solucin del modelo, se deben realizar anlisis de sensibilidad, para determinar el comportamiento del sistema ante cambios en las especificaciones y parmetros del sistema. Es una prctica importante, toda vez que los datos de entrada (parmetros) no necesariamente son precisos o estables y las suposiciones estructurales del modelo puede que no sean vlidas. Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
4
En la Fase 4 de Validacin del Modelo, requiere que se determine s tal modelo puede predecir confiablemente el comportamiento del sistema. Tambin comprende la prueba de las suposiciones estructurales del modelo (variables, relaciones funcionales, etc.) para determinar su validez. Una prctica importante es comparar el desempeo del modelo actual con datos de entrada histricos. El modelo ser vlido, si bajo condiciones similares de entrada, puede reproducir razonablemente el comportamiento pasado del sistema. Es importante resaltar, que no hay garanta de que el comportamiento futuro del sistema contine duplicando la historia pasada.
En la Fase 5 de la Implementacin debe empezar realmente al iniciar el estudio de Investigacin de Operaciones. Es importante que quienes participen en la toma de decisiones como resultado del estudio analicen el problema. De esta forma el proyecto toma validez real y no sea considerado un mero ejercicio acadmico.
Los principales campos de aplicacin de la Investigacin de Operaciones son entre otros 3 :
a) Relativa a Personas 1. Organizacin y Gerencia 2. Ausentismo y relaciones de trabajo 3. Economa 4. Decisiones individuales 5. Investigaciones de mercado b) Relativa a personas y mquinas 1. Eficiencia y productividad 2. Organizacin de flujos en fbricas 3. Mtodos de control de calidad, inspeccin y muestreo 4. Prevencin de accidentes 5. Organizacin de cambios tecnolgicos c) Relativa a movimientos 1. Transporte 2. Almacenamiento, distribucin y manipulacin 3. Comunicaciones
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
5
MODELOS DE INVESTIGACIN DE OPERACIONES
PROGRAMACIN NO LINEAL MTODOS DE BSQUEDA MTODOS CLSICOS OPTIMIZACION NO LINEAL REDES PROGRAMACIN ENTERA YBINARIA TRANSPORTE YASIGNACIN PROGRAMACIN LINEAL OPTIMIZACION LINEAL DETERMINISTICOS HEURSTICAS METAHEURSTICAS PERT CPM SIMULACIN INVENTARIOS PROGRAMACIN DINMICA HIBRIDOS TEORA DE DECISIONES Y JUEGOS PROCESOS ESTOCSTICOS COLAS PROGRAMACIN ESTOCSTICA ESTOCASTICOS MODELOS DE INVESTIGACION DE OPERACIONES
Programacin Lineal
El objeto de la programacin lineal es optimizar (minimizar o maximizar) una funcin lineal de n variables sujeto a restricciones lineales de igualdad o desigualdad. Ms formalmente, se dice que un problema de programacin lineal consiste en encontrar el ptimo (mximo o mnimo) de una funcin lineal en un conjunto que puede expresarse como la interseccin de un nmero finito de hiperplanos y semiespacios en R n .
Antes de pasar a los planteamientos de problemas ejemplo, es necesario desarrollar una estructura general para los modelos de PL. Algunas caractersticas generales de los modelos de PL son: Una sola funcin objetivo, maximizacin(minimizacin) de una funcin objetivo sujeta a disponibilidad de recursos, proporcionalidad de la funcin objetivo y de las restricciones con respecto al nivel de produccin de cada artculo, etc. Remarcaremos estos aspectos, ms tarde. Si se expresan estas condiciones en forma ligeramente modificada y se consideran ms de acuerdo con el orden en el cual se relacionan con el planteamiento del modelo, entonces es posible enunciar que n problema puede resolverse a travs de la PL si satisface los siguientes requerimientos.
1. Puede plantearse una funcin objetivo para el problema en trminos de variables de decisin, es decir, como x 1 , x 2 , x 3 , ......... x n
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
6 2. Las variables del problema deben estar interrelacionadas para generar el resultado total, es decir, puede dejarse de fabricar un producto (variable) para fabricar o utilizar una mayor cantidad de otro producto(variable).
3. Las restricciones relacionadas con la disponibilidad o uso de los recursos, la satisfaccin de los requerimientos o surtimiento de la demanda deben ser de forma lineal.
4. Los valores de las variables en la solucin pueden ser fraccionarios, pero deben ser mayores o iguales a cero.
Expresado en forma matemtica general, el modelo de PL es de la siguiente forma:
Maximizar(minimizar) Z = c 1 x 1 + c 2 x 2 + c 3 x 3 + ............+ c n x n
Sujeto a: a 11 x 1 + a 12 x 2 + ......................+ a 1n x n [ , , = ] b 1
a 21 x 1 + a 22 x 2 + ......................+ a 2n x n [ , , = ] b 2
a 31 x 1 + a 32 x 2 + ......................+ a 3n x n [ , , = ] b 3
... ... ... .. . ... ... ... .. . ... ... ... .. . ... ... ... .. . a m1 x 1 + a m2 x 2 + ......................+ a mn x n [ , , = ] b m
x 1, x 2, .. x n 0
en donde x 1, x 2 ......................x n representan las variables de decisin
a 11, a 12 , ......................a 1n representan los coeficientes de la tasa fsica de sustitucin a 21, a 22 , ......................a 2n (uso); por ejemplo, podran describir la tasa de uso de la a 31, a 32 , ......................a 3n materia prima i (en donde i vara de 1 a m) en la produccin . . . . de la variable j ( en donde j vara de 1 a n) . . . . . . . . . . . . a m1, a m2 , ......................a mn
c 1, c 2 , ......................c n representan los coeficientes de contribucin. b 1, b 2 , ......................b m representan los recursos disponibles de materias primas.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
7
Planteamiento de Problemas
La habilidad para transformar un problema del mundo real en un modelo de PL debidamente planteado es un arte. Al plantear los problemas, se han encontrado que los siguientes procedimientos son muy tiles:
1. Debe concentrarse en identificar la funcin objetivo general. Cul es el objetivo final del problema, maximizar utilidades, minimizar costos, minimizar las materias primas que se requieren, maximizar el uso de la fuerza de trabajo, etc.
2. Debe plantearse el objetivo en forma verbal, incluyendo en la expresin la forma en que el objetivo se relaciona con los diversos factores (variables de decisin) sobre las cuales tiene control quien toma las decisiones.
3. Se debe identificar y plantear en forma verbal cada restriccin.
4. Otros consideran en primer lugar reunir todos los datos del problema.
Luego de haber descrito el problema en forma verbal, el siguiente paso es transformar las descripciones verbales en una estructura matemtica apropiada. Un procedimiento funcional que puede utilizarse en esta etapa del proceso de planteamiento de problemas es:
1. Identificar y definir las variables de decisin (las x j ) asociadas con el problema, incluyendo en la definicin las unidades de medicin asociadas con cada una de las variables. 2. Identificar los coeficientes de contribucin (los c j ) asociados con cada variable, incluyendo en la definicin la unidad de medicin asociada.} 3. Plantear la funcin objetivo y verificar que existe consistencia en las unidades de medicin. 4. Identificar la tasa fsica de los coeficientes de sustitucin (los a ij ), incluyendo en la definicin las unidades de medicin relacionadas con el coeficiente respectivo. 5. Identificar los recursos o requerimientos disponibles, es decir los coeficientes del segundo termino (los b i ), que son los valores que aparecen en lado derecho del signo de igualdad en las ecuaciones de restriccin, incluyendo en la definicin las unidades de medicin asociadas con los recursos. 6. Plantear las restricciones relacionadas con cada uno de los respectivos recursos o requerimientos y verificar que haya consistencia en las unidades de medicin para cada restriccin. 7. Definir las condiciones de No Negatividad asociadas con las variables de decisin.
Variables Continuas y Variables Discretas
Los valores de las variables en la solucin pueden ser fraccionarios o continuos. No siempre es prctico en la vida real. Puede evitarse este problema en la programacin lineal redondeando los valores continuos para que sean discretos; sin embargo, esto no Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
8 siempre da como resultado una solucin factible. Existen algoritmos que proporcionan valores discretos ptimos en las soluciones, pero se deja para despus su anlisis.
Problema de Mezcla de Productos
Una empresa produce 2 tipos de Televisores, el LED y el PLASMA. Hay 2 lneas de produccin, uno para cada tipo de televisor, y 2 departamentos que intervienen ambos en la produccin de cada aparato. La capacidad de la lnea de produccin LED es de 70 televisores diarios y la lnea de PLASMA es de 50 televisores por da.
En el departamento A se fabrican los cinescopios. En este departamento los televisores LED requieren 1 hora de trabajo y los de PLASMA 2. Actualmente, en el departamento A se puede asignar un mximo de 120 horas de trabajo por da a la produccin de ambos tipos de televisor. En el departamento B se construye el chasis. En este departamento, los televisores LED requieren 1 hora de trabajo, igual que los PLASMA. En la actualidad se puede asignar un mximo de 90 horas de trabajo diarias al departamento de B para la produccin de ambos tipos de televisores. La utilidad por cada tipo de televisor es de US$ 20 y US$ 10 respectivamente, para cada LED y PLASMA. Ver cuadro.
S la empresa puede vender todos los televisores que se produzcan, Cul debe ser el plan de produccin diaria de cada tipo de televisor? Plantear este problema como un programa lineal. DATOS
Utilizacin de Trabajo Por tipo de TV(hrs)
Disponibilidad diaria Dpto A Dpto B Utilidad
LED 70 1 1 $20
PLASMA 50 2 1 $10
Disponibilidad Total 120 90
Solucin
X 1 = Produccin diaria de TV Led (aparatos por da) X 2 = Produccin diaria de TV Plasma (aparatos por da)
Mximizar 20 X 1 + 10 X 2
Sujeto a : X 1 70 X 2 50 X 1 + 2 X 2 120 X 1 + X 2 90 X 1 , X 2 0
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
9
Problema de Mezclas
Una bolsa de 16 onzas de alimentos para perros debe contener protenas, carbohidratos y grasas en las siguientes cantidades mnimas: protenas, 3 onzas; carbohidratos, 5 onzas; grasas, 4 onzas. Se van a mezclar cuatro tipos de alimento en diversas proporciones para producir una bolsa de alimento para perro que satisfaga los requerimientos.
Los contenidos y precios de 16 onzas de cada alimento se pueden ver el cuadro siguiente.
Formule este problema como un programa lineal. Sugerencia: Designe con X i la proporcin del alimento i que habr en una bolsa de 16 onzas de alimento para perro, i = 1,2,3,4.
Solucin
Minimizar 4X 1 + 6X 2 + 3X 3 + 2X 4
Sujeto a:
3 X 1 + 5 X 2 + 2 X 3 + 3 X 4 3 7 X 1 + 4 X 2 + 2 X 3 + 8 X 4 5 5 X 1 + 6 X 2 + 6 X 3 + 2 X 4 4 X 1 + X 2 + X 3 + X 4 = 1
X 1, X 2, X 3, X 4 0
5. La Pro-Shaft Company fabrica y vende tres lneas de raquetas de tenis: A, B y C: A es una raqueta estndar, B y C son raquetas profesionales. El proceso de manufactura de las raquetas hace que se requieran dos operaciones de produccin; todas las raquetas pasan a travs de ambas operaciones. Cada raqueta requiere 3 horas de tiempo de produccin en la operacin 1. En la operacin 2 la raqueta A requiere 2 horas de tiempo de produccin; la raqueta B requiere 4 horas y la C, 5. La operacin 1 tiene 50 horas de tiempo semanal de produccin y la operacin 2 tiene suficiente mano de obra para operar 80 horas a la semana. El grupo de Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
10 mercadotecnia de la Pro-Shaft ha proyectado que la demanda de la raqueta estndar no ser de ms de 25 por semana. Debido a que las raquetas B y C son de calidad similar, se ha pronosticado que la demanda combinada para stas ser, en total, de diez o ms, pero no ms de 30 por semana. La venta de la raqueta A da como resultado $7 de utilidades, en tanto que las raquetas B y C proporcionan utilidades de $8.00 y $8.50, respectivamente, Cuntas raquetas del tipo A, B y C deben fabricarse por semana, si la compaa busca maximizar sus utilidades? Plantee el problema como un problema estndar de PL.
SOLUCION
Objetivo (verbal) El objetivo es determinar cuntas raquetas del tipo A, B y C deben fabricarse por semana, si la compaa busca maximizar sus utilidades.
Restricciones (verbales) 1. La operacin 1 tiene 50 horas de tiempo semanal de produccin 2. La operacin 2 tiene suficiente mano de obra para operar 80 horas a la semana. 3. La demanda de la raqueta estndar no ser de ms de 25 por semana. 4. Debido a que las raquetas B y C son de calidad similar, se ha pronosticado que la demanda combinada para stas ser, en total, de diez o mas, pero no mas de 30 por semana
Variables (estructura matemtica) Se requieren tres variables, puesto que existen tres clases de raquetas.
X 1 = nmero de raquetas tipo A (estndar) a producir X 2 = nmero de raquetas tipo B a producir X 3 = nmero de raquetas tipo C a producir.
Funcin objetivo (estructura matemtica) La funcin objetivo debe expresarse en dlares ya que se desea maximizar las utilidades. Los coeficientes de la misma deben ser el aporte de las utilidades de cada una de las raquetas.
c A = 7,0 ; c B = 8,0 ; c C = 8,5
De donde la funcin objetivo ser.
MAXIMIZAR Z = 7 x A + 8 x B + 8.5 x C
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
11
Restricciones (estructura matemtica) 1. Restricciones por tiempo de produccin La operacin 1 tiene 50 horas de tiempo semanal de produccin 3 x A + 3 x B + 3 x C 50 y la operacin 2 tiene suficiente mano de obra para operar 80 horas a la semana. 2 x A + 4 x B + 5 x C 80 2. Restriccin por el departamento de mercadotecnia El grupo de mercadotecnia de la Pro-Shaft ha proyectado que la demanda de la raqueta estndar no ser de mas de 25 por semana. x A 25 Debido a que las raquetas B y C son de calidad similar, se ha pronosticado que la demanda combinada para stas ser, en total, de diez o mas, pero no mas de 30 por semana x B + x C 10 x B + x C 30
Planteamiento matemtico MAXIMIZAR Z = 7 x A + 8 x B + 8.5 x C
Sujeta a 3 x A + 3 x B + 3 x C 50 2 x A + 4 x B + 5 x C 80 x A 25 x B + x C 10 x B + x C 30 x A , x B , x C 0
Se obtiene que se deben fabricar 0 raquetas del tipo A, 3.33 raquetas del tipo B y 13.3 raquetas del tipo C y que la utilidad que se va a obtener es 140 dlares
max 7 xa + 8 xb + 8.5 xc st 3 xa + 3 xb + 3 xc < 50 2 xa + 4 xb + 5 xc < 80 xa < 25 xb + xc > 10 xb + xc < 30
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
12
Problema.- Empresa de Muebles La empresa de muebles de oficina, produce dos tipos de escritorios: ejecutivos y secretariales. La empresa tiene dos plantas en las que fabrica los escritorios. La planta 1, que es una planta antigua, opera con doble turno 80 horas por semana. La planta 2 es una planta ms nueva y no opera a su capacidad total. Sin embargo, y dado que los administradores planean operar la segunda planta con base en un turno doble como el de la planta 1, se ha encontrado operadores para que trabajen los dos turnos. En estos momentos, cada turno de la planta 2 trabaja 25 horas por semana. No se paga ninguna prima adicional a los trabajadores del segundo turno. La tabla siguiente, muestra el tiempo de produccin (en horas por unidad) y los costos estndar (en US$ por unidad) en cada planta.
La empresa ha competido con xito en el pasado asignado un precio de US$ 350 a los escritorios ejecutivos. Sin embargo, parece que la empresa tendr que reducir el precio de los escritorios secretariales a US$ 275 con el objeto de estar en posicin competitiva. La empresa ha estado experimentando excesos de costos en las ltimas ocho o diez semanas; por lo tanto, los administradores han fijado una restriccin presupuestaria semanal sobre los costos de produccin. El presupuesto semanal para la produccin total de escritorios ejecutivos es de US$ 2,000, en tanto que el presupuesto para los escritorios secretariales es de US$ 2,200. A los administradores les gustara determinar cul es el nmero de cada clase de escritorios que deben fabricarse en cada planta con el objeto de maximizar las utilidades.
SOLUCIN
Tabla de tiempos (horas) y costos(US$) de la empresa de muebles
Tiempo de produccin Costos Estndar (horas / unidad) (US$/unidad)
Planta1 Planta2 Planta1 Planta2
Escritorios Ejecutivos 7.0 6.0 250 260
Escritorios Secretariales 4.0 5.0 200 180
Objetivo (Verbal)
La empresa necesita determinar el nmero de escritorios ejecutivos y secretariales que deben fabricarse en la planta 1 y los que deben fabricarse en la planta 2 con el objeto de maximizar las utilidades. La utilidad por unidad en las respectivas plantas es la diferencia entre el precio de venta y los costos estndar.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
13
Restricciones (verbales)
1. No se dispone de ms de 80 horas para la produccin combinada de escritorios en la planta 1. 2. No se dispone de ms de 50 horas para la produccin combinada de escritorios en la planta 2. 3. Los costos asociados con la produccin combinada de escritorios ejecutivos en las dos plantas, no debe exceder de US$ 2,000. 4. Los costos asociados con la produccin combinada de escritorios secretariales en las dos plantas, no debe exceder de US$ 2,200.
Variables (Estructura matemtica)
Dado que es necesario determinar la cantidad de cada tipo de escritorio que va a fabricarse en la planta 1 y en la planta 2, se requieren cuatro variables:
X 1 : nmero de escritorios ejecutivos que se fabrican en la planta 1
X 2 : nmero de escritorios secretariales que se fabrican en la planta 1
X 3 : nmero de escritorios ejecutivos que se fabrican en la planta 2
X 4 : nmero de escritorios secretariales que se fabrican en la planta 2
Coeficientes de la funcin objetivo (estructura matemtica)
La funcin objetivo se expresar en US$, puesto que el objetivo es maximizar las utilidades; por lo tanto, los coeficientes C j se expresarn en US$ por unidad, dado que las X j estn expresadas en unidades. Los coeficientes C j se determinan encontrando la diferencia entre el precio de venta de un determinado tipo de escritorio y los costos estndar implicados en la fabricacin de ese escritorio en la planta especfica. Por lo tanto:
C 1 = 350 250 = $100 / escritorio ejecutivo fabricado en la planta 1
C 2 = 275 200 = $75 / escritorio secretarial fabricado en la planta 1
C 3 = 350 260 = $90 / escritorio ejecutivo fabricado en la planta 2
C 4 = 275 180 = $95 / escritorio secretarial fabricado en la planta 2
Funcin Objetivo (Estructura matemtica)
Maximizar Z = 100 X 1 + 75 X 2 + 90 X 3 + 95 X 4
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
14
Restricciones (Estructura matemtica)
Es posible identificar y verificar la consistencia de las unidades de medicin de los coeficientes a ij y de los valores del segundo trmino al mismo tiempo que se desarrolla la estructura matemtica de las restricciones. Puesto que las unidades de medicin pueden diferir de una restriccin a otra, se considera cada una de ellas en forma separada.
1. Lmite del tiempo de produccin en la planta 1( 80 horas) (7.0 horas por unidad) x ( X 1 unidades) + (4.0 horas por unidad) x (X 2 unidades) 80 horas
2. Lmite del tiempo de produccin en la planta 2 ( 50 horas) (6.0 horas por unidad) x ( X 3 unidades) + (5.0 horas por unidad) x (X 4 unidades) 50 horas
3. Restriccin de costos de los escritorios ejecutivos ( US$ 2,000) (250 US$ por unidad) x ( X 1 unidades) + (260 US$ por unidad) x (X 3 unidades) US$ 2,000
4. Restriccin de costos de los escritorios secretariales ( US$ 2,200) (200 US$ por unidad) x ( X 2 unidades) + (180 US$ por unidad) x (X 4 unidades) US$ 2,200
Planteamiento Matemtico
Maximizar Z = 100 X 1 + 75 X 2 + 90 X 3 + 95 X 4
Sujeto a: 7.0 X 1 + 4.0 X 2 80 6.0 X 3 + 5.0 X 4 50
250 X 1 + 260 X 3 2,000
200 X 2 + 180 X 4 2,200
X 1, X 2, X 3, X 4 0
DISTRIBUDORES de COMBUSTIBLES La Distribuidora comercializa gasolina de dos grados: la extra y la normal. Cada gasolina debe satisfacer ciertas especificaciones, tales como la presin mxima de vapor aceptable y el octanaje mnimo. Los requerimientos de manufactura para las gasolinas y el precio por barril se muestran en la tabla que sigue:
Presin Precio Octanaje mxima de venta Gasolina mnimo de vapor (por barril)
Normal 80 9 $ 21
Extra 100 6 $ 24 Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
15
Se utilizan tres tipos de gasolinas para fabricar las gasolinas normal y extra. Las caractersticas de las gasolinas base se muestran en la tabla que sigue:
Presin de Disponibilidad Gasolina vapor mxima costo por Base Octanaje (barriles) por barril
Tipo 1 108 4 32,000 $ 22 Tipo 2 90 10 20,000 $ 20 Tipo 3 73 5 38,000 $ 19
La Empresa se ha comprometido con un comprador a proporcionarle 30,000 barriles de gasolina normal por semana. No se tienen compromisos con respecto a la gasolina extra. A la compaa le gustara determinar el plan de manufactura para las dos clases de gasolina que maximice las utilidades.
SOLUCIN Objetivo (verbal)
A la Empresa le gustara mezclar las dos gasolinas base (tipos 1,2 y 3) para fabricar gasolinas extra y normal, de manera que las utilidades totales de las ventas de las cantidades (barriles) que se fabriquen sean mximas.
Restricciones (verbales)
1. La disponibilidad semanal mxima de gasolina base tipo 1 es 32,000 barriles. El tipo 1 puede utilizarse para fabricar ambos productos finales. 2. La disponibilidad semanal mxima de la gasolina base tipo 2 es 20,000 barriles. El tipo 2 puede usarse en la fabricacin de ambos productos finales. 3. La disponibilidad semanal mxima de gasolina base tipo 3 es 38,000 barriles. El tipo 3 puede emplearse en la fabricacin de ambos productos finales. 4. La presin de vapor de la gasolina normal mezclada no debe exceder 9 unidades por barril. [En este caso, las unidades podran ser libras por pulgada cuadrada, es decir, 9 psi (de sus iniciales en ingls); sin embargo, puede utilizarse el trmino unidades.] 5. El octanaje de la gasolina normal mezclada debe ser cuando menos de 80 unidades por barril. 6. La presin de vapor para la gasolina extra mezclada no debe exceder 6 unidades por barril. 7. El octanaje de la gasolina extra mezclada debe ser cuando menos de 100 unidades por barril. 8. Deben fabricarse cuando menos 30,000 barriles de gasolina normal para satisfacer los pedidos que se han comprometido.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
16
Variables (estructura matemtica)
Este problema requiere el uso de seis variables, puesto que hay que determinar la cantidad de cada una de las gasolinas base que debe mezclarse para fabricar los dos productos finales. Puede parecer que el uso de tantas variables es algo desorientador, puesto que el objetivo del problema es determinar las cantidades de los dos productos finales que deben fabricarse, pero si no se sigue este mtodo, no habra manera de identificar cmo es que se fabricarn los productos finales. Por tanto, sean
X 1 = nmero de barriles de gasolina base tipo 1 que debe utilizarse para fabricar gasolina normal
X 2 = nmero de barriles de gasolina base tipo 2 que debe utilizarse para fabricar gasolina normal X 3 = nmero de barriles de gasolina base tipo 3 que debe utilizarse para fabricar gasolina normal X 4 = nmero de barriles de gasolina base tipo 1 que debe utilizarse para fabricar gasolina extra X 5 = nmero de barriles de gasolina base tipo 2 que 3 debe utilizarse para fabricar gasolina extra X 6 = nmero de barriles de gasolina base tipo 3 que debe utilizarse para fabricar gasolina extra
Las cantidades de gasolina normal y extra que se requieren para maximizar las utilidades pueden determinarse sumando X 1 , X 2 , y X 3 por una parte, y X 4 , X 5 y X 6 por la otra, respectivamente, a la solucin ptima para el problema.
Coeficientes de la funcin objetivo (estructura matemtica)
La funcin objetivo (Z) se expresar en dlares, puesto que el objetivo es maximizar utilidades. Por tanto, los coeficientes c j se expresarn en dlares por barril, puesto que las x j
se expresan en barriles. Para determinar la contribucin a las utilidades para las respectivas gasolinas bsicas, simplemente se determina la diferencia entre el precio de venta por barril y el costo por barril:
C 1 = 21 - 22 = -1 dlar por barril de gasolina base 1 utilizada en la normal C 2 = 21 - 20 = 1 dlar por barril de gasolina base 2 usada en la normal C 3 = 21 - 19 = 2 dlares por barril de gasolina base 3 empleada en la normal C 4 = 24 - 22 = 2 dlares por barril de gasolina base 1 utilizada en la extra C 5 = 24 - 20 = 4 dlares por barril de gasolina base 2 usada en la extra C 6 = 24 - 19 = 5 dlares por barril de gasolina base 3 empleada en la extra
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
17
Funcin objetivo (estructura matemtica)
MAXIMIZAR: Z = - l X 1 + 1 X 2 + 2 X 3 + 2.X 4 + 4 X 5 + 5 X 6
Restricciones (estructura matemtica)
1. Restriccin de la disponibilidad de gasolina base tipo 1: (X 1 barriles de gasolina base 1 utilizada en la normal) + (X 4 barriles de gasolina base 1 utilizada en la extra) 32,000 barriles de gasolina base 1
2. Restriccin de la disponibilidad de gasolina base tipo 2: (X 2 barriles de gasolina base 2 utilizada en la normal) + (X 5 barriles de gasolina base 2 utilizada en la extra) 20,000 barriles de gasolina base 2
3. Restriccin de la disponibilidad de gasolina base tipo 3: (X 3 barriles de gasolina base 3 utilizada en la normal) + (X 6 barriles de gasolina base 3 utilizada en la extra) 38,000 barriles de gasolina base 3
4. Presin de vapor para la gasolina normal:
Se estructura esta restriccin reconociendo que la presin de vapor de la gasolina normal se determina a travs de la proporcin de gasolina que es atribuible a la base respectiva y el vapor asociado con cada una de las gasolinas base especficas. La proporcin de base en un barril de gasolina normal se determina dividiendo la cantidad (barriles) de cada gasolina base que se usa en la gasolina normal entre el nmero total de barriles de sta. Puesto que la suma X 1 X 2 y X 3 es el total de barriles de gasolina normal, las proporciones se expresan de la siguiente manera:
3 2 1 3 3 2 1 2 3 2 1 1 , , X X X X X X X X X X X X
Si se multiplican las proporciones respectivas por la presin de vapor asociada con cada gasolina base, los resultados sern la presin de vapor que cada base introduce en cada uno de los barriles de gasolina normal. Los valores de estas presiones de vapor se expresan de la siguiente manera:
3 2 1 3 3 2 1 2 3 2 1 1 5 , 10 , 4 X X X X X X X X X X X X
Dado que la presin de vapor para la gasolina regular no debe ser mayor que 9 unidades por barril, la restriccin es:
9 5 10 4 3 2 1 3 3 2 1 2 3 2 1 1 X X X X X X X X X X X X
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
18
5. Octanaje de la gasolina normal:
Esta restriccin se estructura de la misma manera que la restriccin para la presin de vapor, excepto que se utilizan octanajes en vez de presiones de vapor. .
80 73 90 108 3 2 1 3 3 2 1 2 3 2 1 1 X X X X X X X X X X X X
6. Presin de vapor para la gasolina extra:
6 5 10 4 6 5 4 6 6 5 4 5 6 5 4 4 X X X X X X X X X X X X
7. Octanaje para la gasolina extra:
100 73 90 108 6 5 4 6 6 5 4 5 6 5 4 14 X X X X X X X X X X X X
Se puede verificar las unidades de medicin de las restricciones 4, 5, 6 y 7. Es fcil ver que las restricciones se equilibran si reconocemos que los cocientes X 1 / (X 1 + X 2 + X 3 ) son proporciones y no tienen unidades de medicin.
8. Pedidos comprometidos:
El nmero total de barriles de gasolina normal que se fabrica es la suma de X 1, X 2 , y X 3 (es decir, X 1 + X 2 + X 3 ). Dado que la Empresa se ha comprometido a vender 30,000 barriles de gasolina normal, la restriccin es
X 1 + X 2 + X 3 30,000
Antes de poder expresar el modelo en forma general de PL, es necesario transformar algebraicamente las ecuaciones 4 a 7. La restriccin 4 se expresa
9 5 10 4 3 2 1 3 2 1 X X X X X X
Multiplicando ambos trminos de la desigualdad por X 1 + X 2 + X 3 , se tiene
4 X 1 + 10 X 2 + 5X 3 9(X 1 + X 2 + X 3 )
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
19
Agrupando trminos, la restriccin 4 es
- 5 X 1 + X 2 - 4X 3 0
Ahora, la restriccin queda expresada en forma general de PL. Pueden llevarse a cabo operaciones similares en las restricciones 5, 6 Y 7.
Planteamiento matemtico
MAXIMIZAR: Z = - l X 1 + 1 X 2 + 2 X 3 + 2.X 4 + 4 X 5 + 5 X 6
SUJETO A:
X 1 + X 4 32,000
X 2 + X 5 20,000
X 3 + X 6 38,000
-5 X 1 + X 2 - 4 X 3 0
28 X 1 + 10 X 2 - 7 X 3 0
- 2 X 4 + 4 X 5 - X 6 0
X 1 + X 2 + X 3 30,000 X 1, X 2, X 3, X 4 , X 5, X 6 0
Los resultados por computadora para la Empresa de deben realizar en Lindo. Utilizando estos datos, se determina que la poltica ptima consiste en mezclar 0.0 barriles de gasolina base tipo 1, 19,970.59 barriles de tipo 2 y 28,529.41 barriles de tipo 3, para fabricar 48,500.00 barriles de gasolina normal y mezclar 32,000.00 barriles de gasolina base tipo 1, 29.42 barriles de tipo 2 y 9,470.59 barriles de tipo 3 para fabricar 41,500.01 barriles de gasolina extra. Eso da como resultado utilidades totales de $188,500.03.
PROBLEMA La Ware Farms del Valle Schoharie, cerca de Albany, N.Y., cultiva brcoli y coliflor en 500 acres de terreno en el valle. Un acre de brcoli produce $500 de contribucin a las utilidades y la contribucin de un acre de coliflor es de $1000. Debido a reglamentos gubernamentales, no pueden cultivarse mas de 200 acres de brcoli. Durante la temporada de plantacin, habr disponibles 1200 horas-hombre de tiempo de plantadores. Cada acre de brcoli requiere 2.5 horas-hombre y cada acre de coliflor requiere 5.5 horas-hombre. Plantee un problema de PL para determinar cuntos acres de brcoli y cuntos de coliflor deben plantarse para maximizar la contribucin a las utilidades.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
20 SOLUCION
Objetivo (verbal) El objetivo es determinar cuntos acres de brcoli y cuntos de coliflor deben cultivarse para maximizar la contribucin a las utilidades
Restricciones (verbales) 1. Se tiene un terreno de 500 acres . 2. Debido a reglamentos gubernamentales, no pueden cultivarse mas de 200 acres de brcoli 3. Durante la temporada de plantacin, habr disponibles 1200 horas-hombre de tiempo de plantadores
Variables (estructura matemtica) Se requieren dos variables, puesto que existen dos clases de cultivos.
X 1 = acres de terreno sembrado de brcoli X 2 = acres de terreno sembrado de coliflor
Funcin objetivo (estructura matemtica) Con base en el planteamiento verbal del problema, se concluye que la funcin objetivo debe expresarse en dlares, puesto que el objetivo consiste en maximizar los ingresos esperados; Los coeficientes c j para el problema son los rendimientos esperados por acre sembrado c 1 = 500 y c 2 = 1000 Por lo que la funcin objetivo ser
MAXIMIZAR Z = 500 x 1 + 1000 x 2
Restricciones (estructura matemtica) 1. Restriccin del rea de cultivo Se tiene un terreno de 500 acres para sembrar brcoli y coliflor
x 1 + x 2 500
2. Restriccin por reglamentos gubernamentales Debido a reglamentos gubernamentales, no pueden cultivarse mas de 200 acres de brcoli
x 1 200
3. Restriccin de la mano de obra Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
21 Se tiene disponibles 1200 horas-hombre de tiempo de plantadores
2.5 x 1 + 5.5 x 2 1200
Planteamiento matemtico MAXIMIZAR Z = 500 x 1 + 1000 x 2
sujeto a x 1 + x 2 500 x 1 200 2.5 x 1 + 5.5 x 2 1200 x 1 , x 2 0 PROBLEMA La Higgins Company fabrica piezas de metal de alta precisin que se utilizan en los motores de automviles de carreras. La pieza se fabrica en un proceso de forjado y refinacin y son necesarias cantidades mnimas de diversos metales. Cada pieza requiere 40 onzas de plomo, 48 de cobre y 60 de acero colado. Existen 4 tipos de mineral disponible para el proceso de acero forjado y refinacin. El mineral de tipo 1 contiene 4 onzas de plomo, 2 de cobre y 2 de acero colado por libra. Una libra de mineral de tipo 2 contiene 2 onzas de plomo, 6 de cobre y 6 de acero colado. Una libra de mineral de tipo 3 contiene 1 onza de plomo, 4 de cobre y 4 de acero colado. Por ultimo, el mineral de tipo 4 contiene onza de plomo, 1 de cobre y 8 onzas de acero colado por libra. El costo por libra para los cuatro minerales es $ 20, $ 30, $ 60 y $ 50, respectivamente. A la Higgins le gustara mezclar los minerales de manera que se satisfagan las especificaciones de las piezas y se minimice el costo de fabricarlas. Defina las variables de decisin y plantee el apropiado modelo de PL.
SOLUCION
Objetivo (verbal) Fabricar piezas de metal de alta precisin que se utilizan en los motores de automviles de carreras, mezclando los minerales de manera que se satisfagan las especificaciones de las piezas y se minimice el costo de fabricarlas.
Restricciones (verbales) 1. Cada pieza requiere 40 onzas de plomo, 48 de cobre y 60 de acero colado
Variables (estructura matemtica) Se requieren seis variables, puesto que existen seis clases de inversiones.
X 1 = libras del mineral del tipo 1 X 2 = libras del mineral del tipo 2 X 3 = libras del mineral del tipo 3 X 4 = libras del mineral del tipo 4 Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
22
Funcin objetivo (estructura matemtica) Con base en el planteamiento verbal del problema, se concluye que la funcin objetivo debe expresarse en dlares, puesto que el objetivo consiste en minimizar los egresos esperados. Los coeficientes c j para el problema es el costo por libra de los 4 tipos de mineral c 1 = 20 ; c 2 = 30 ; c 3 = 60 y c 4 = 50 La funcin objetivo es: MINIMIZAR Z = 20 x 1 + 30 x 2 + 60 x 3 + 50 x 4
Restricciones (estructura matemtica) 1. Restriccin de requerimiento de metal Cada pieza requiere 40 onzas de plomo, 48 de cobre y 60 de acero colado 4 x 1 + 2 x 2 + x 3 + 0.5 x 4 40 2 x 1 + 6 x 2 + 4 x 3 + x 4 48 2 x 1 + 6 x 2 + 4 x 3 + 8 x 4 60 Planteamiento matemtico MINIMIZAR Z = 20 x 1 + 30 x 2 + 60 x 3 + 50 x 4
Sujeto a 4 x 1 + 2 x 2 + x 3 + 0.5 x 4 40 2 x 1 + 6 x 2 + 4 x 3 + x 4 48 2 x 1 + 6 x 2 + 4 x 3 + 8 x 4 60 x 1 , x 2 , x 3 , x 4 0
UN PROBLEMA DE ASIGNACIN DE PERSONAL
El hospital UCV ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha estimado las necesidades mnimas de personal por tramos horarios para poder cubrir las urgencias que se presenten. Se definieron 6 turnos o tramos de 4 horas. La necesidad mnima de personal en cada turno se indica en el Cuadro 1. Por otro lado, el departamento de recursos humanos ha informado a la gerencia, que los contratos laborales han de ser de ocho horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los horarios de entrada y salida del personal.
El problema es encontrar el nmero mnimo de personal necesario para cubrir la demanda.
Cuadro 1: Necesidades de personal por turnos o tramos horarios.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
23 Formulacin del problema: En primer lugar, se tienen que definir las variables del modelo que queremos desarrollar. Como hemos de controlar en nmero de personal en cada turno, definimos Xj como la cantidad de personal que entra a trabajar en el turno j, en donde j=1,...,6. Es decir, hay una variable para cada turno. Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal que entren en el periodo j ms el nmero de personas que entraron a trabajar en el turno j-1 sean suficientes para cubrir las necesidades del turno j (Nj). Esta situacin queda reflejada en el Cuadro 2. En esta tabla, un trabajador que entra a trabajar, por ejemplo, a las 4:00, trabajar en los turnos 2 y 3, y por tanto, contribuir a cubrir las necesidades de estos dos turnos. En otras palabras, el turno j estar siendo atendido por Xj-1 y Xj. En consecuencia, tendremos que Xj-1 + Xj (el personal que trabaja durante el turno j) tiene que ser, como mnimo, igual a Nj, que es el nmero mnimo de personal de enfermera necesario para este turno. En trminos matemticos la restriccin es la siguiente:
Xj-1 + Xj _ Nj
Habr una restriccin para cada horario de entrada. El objetivo de la gerencia consiste en la minimizacin del nmero total de personal de enfermera necesario para cubrir las necesidades diarias. Este nmero ser igual a X1 +X2 +X3 +X4 +X5 +X6 que representa la suma del nmero de personal que entra en cada periodo. Finalmente, el modelo matemtico es el siguiente:
Cuadro 2: Necesidades de personal
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
24
METODO GRAFICO - SOLUCION GEOMTRICA
Esbozo de conceptos y aspectos relevantes de la teora del mtodo grfico
1- En el anlisis cuantitativo, una vez que se ha formulado y construido un modelo lineal para resolver un problema existente, en un sistema cualquiera, es necesario resolverlo. 2- La solucin de un modelo lineal muestra siempre un conjunto convexo delimitado por las restricciones del mismo y en el cual, si existe solucin posible, al menos uno de sus puntos extremos es la solucin ptima. Un punto extremo existe en la interseccin de, al menos, dos rectas. 3- El mtodo grfico se usa para resolver modelos lineales con dos variables y muestra el conjunto convexo que constituye la denominada regin solucin y el(los) punto(s) extremo(s) que proporciona(n) la solucin del modelo. 4- El Mtodo Grfico permite conocer la base matemtica de la solucin de modelos lineales, los conjuntos convexos, y observar grficamente situaciones que se presentan en modelos de cualquier tamao. Esto ayuda a la comprensin de la Programacin Lineal. 5- El proceso para trabajar con el Mtodo Grfico sigue los pasos siguientes: a) Graficar las restricciones como igualdades y luego determinar el rea correspondiente a la desigualdad, sombreando el espacio correspondiente. b) Determinar el rea comn a todas las restricciones. c) Evaluar la Funcin Objetivo en cada punto extremo del espacio de soluciones posibles. El punto o los puntos extremos en el que se obtenga el mejor valor, determinarn la solucin del modelo. 6- Existe un procedimiento alterno al punto c), sealado en el Mtodo Grfico, para obtener la solucin del modelo. Este procedimiento alterno consiste en graficar la Funcin Objetivo con un valor arbitrario dentro de la regin solucin. Luego se desplaza paralelamente en la direccin que incremente su valor (si est maximizando) o decrezca su valor (si est minimizando). El punto o los puntos extremos que toque esa Funcin Objetivo antes de salir totalmente fuera de la regin de soluciones posibles determinarn el ptimo, o solucin del modelo. 7- Al conjunto convexo de solucin se le llama regin de soluciones posibles, porque todos los puntos de esa regin satisfacen TODAS las restricciones del modelo. 8- Un modelo tiene solucin ptima UNICA cuando slo una combinacin de variables proporciona el mejor valor para el objetivo; se reconoce en el grfico porque un nico punto extremo provee el mejor valor del objetivo o un nico punto extremo limita el valor de la recta objetivo. 9- Un modelo tiene soluciones ptimas ALTERNAS cuando ms de una combinacin de variables proporciona el ptimo valor del objetivo. Se reconoce en el grfico porque ms de un punto extremo proporciona el ptimo valor del objetivo o ms de un punto extremo limita el valor de la recta objetivo. La recta objetivo al desplazarse dentro de la regin solucin cae paralelamente sobre alguna restriccin antes de salir totalmente de la regin solucin. 10- Un modelo NO TIENE SOLUCIN POSIBLE cuando no hay alguna combinacin de variables que satisfaga todas las restricciones. Se debe a la presencia de restricciones Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
25 inconsistentes en el modelo. Se reconocen en el grfico porque no existe ninguna regin comn para todas las restricciones. 11- Un modelo tiene SOLUCIN CON VALOR INFINITO cuando hay combinaciones de variables que proporcionan valor infinito para el objetivo y no hay alguna combinacin que limite el valor del objetivo a un valor finito. Esto se debe a la omisin de restricciones importantes, del sistema, en el modelo. Estas restricciones limitaran las variables de decisin a valores factibles. Se reconocen en el grfico porque el espacio de solucin es abierto, no acotado, no limitado y la Funcin Objetivo puede moverse dentro de esa regin hasta el infinito sin que un punto extremo, con valor finito, limite su valor. 12- Un modelo tiene ESPACIO DE SOLUCION NO ACOTADO y SOLUCION DE VALOR FINITO cuando existen combinaciones de variables que dan un valor infinito al objetivo pero existe al menos una combinacin de variables que le proporciona un valor finito. Se reconocen en el grfico porque la regin de soluciones posibles es abierta, no limitada pero hay por lo menos un punto extremo que limita el valor del objetivo. 13- Un modelo tiene SOLUCION DEGENERADA cuando existen combinaciones de variables que tienen ms de la cantidad normal (una por cada restriccin) de variables con valor cero. Esto se debe a la presencia de restricciones redundantes en el modelo. Ms de la cantidad normal de variables (una por cada restriccin del modelo) debe tomar valor cero para satisfacer a mayor cantidad de restricciones en el punto ptimo. Se reconocen en el grfico porque ms de dos restricciones cruzan sobre el punto extremo ptimo. 14- Una restriccin redundante puede ser removida sin afectar la regin solucin. Cuando la restriccin redundante est sobre el punto extremo ptimo, la solucin es Degenerada. 15- Los modelos lineales que son formulados en sistemas cuya solucin tiene valor infinito y los que no presentan solucin posible son casos que no deben existir en el mundo real. En los modelos con solucin degenerada, una restriccin redundante en un perodo de planificacin dentro de ese sistema, puede no serlo en otro perodo posterior, por lo tanto es recomendable tener en cuenta esa consideracin.
Veamos algunos casos y ejemplos.
CASO 1. MODELOS CON SOLUCIN PTIMA NICA. El modelo es formulado por una empresa asesora de inversiones para elaborar la cartera de un cliente. Las variables X 1 y X 2 representan la cantidad de acciones Tipo 1 y 2 a comprar para satisfacer el objetivo establecido de maximizar el retorno anual de esa inversin o compra de acciones. El monto total disponible para invertir es de $80.000. El riesgo es una medida relativa de las dos inversiones alternativas. La accin Tipo 1 es una inversin ms riesgosa. Limitando el riesgo total para la cartera, la firma inversora evita colocar montos excesivos de la cartera en inversiones de retorno potencialmente alto pero de alto riesgo. Tambin se limita el monto de acciones de mayor riesgo.
Max 3X 1 + 5X 2 (Retorno anual en $) Sujeto a: 25 X 1 + 50 X 2 80.000 $ de fondos disponibles 0.5 X 1 + 0.25 X 2 700 riesgo mximo 1 X 1 1.000 acciones Tipo 1 X1, X2 0
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
26
En este caso 1, conteste lo siguiente: 1.1 Qu representa el coeficiente de la variable X 2 en la Funcin Objetivo y en la segunda restriccin? 1.2 Qu Tipo de solucin presenta el modelo?, Por qu? y Cmo se reconoce en el grfico? 1.3 Cul es la decisin que se recomendara con la solucin encontrada? 1.4 Analice las restricciones en el punto ptimo y presente la informacin que se obtiene. 1.5 Qu efecto tendra sobre la solucin ptima encontrada un cambio en el retorno anual de cada accin Tipo 2. Suponga que cambia a 9. Explique y muestre sobre el grfico. Cmo se llama este Anlisis que se hace?.
RESPUESTAS: 1.1 En la Funcin Objetivo representa el retorno anual de cada accin Tipo 2 comprada, es decir cada accin Tipo 2 que se compre proporcionar un retorno anual de $ 5. En la restriccin 2, Representa el riesgo medido para cada accin Tipo 2. Es decir, cada accin Tipo 2 tiene un riesgo de 0.25. 1.2 Solucin nica, porque hay una nica combinacin de acciones Tipo 1 y 2 a comprar que maximiza el retorno anual de la inversin y se reconoce en el grfico porque un nico punto extremo proporciona el mximo valor para el objetivo. En este caso, el punto b. 1.3 Comprar 800 acciones Tipo 1 y 1.200 Acciones Tipo 2 para maximizar el ingreso anual en 8.400 unidades monetarias ($) 1.4 Restriccin 1: 25 (800) + 50 (1200) = 80.000 Se observa que se cumple exactamente, es decir como una igualdad. Esto indica que con esa decisin ptima se utiliza totalmente el monto mximo de presupuesto disponible para la compra. Restriccin 2: 0.5 (800) + 0.25 (1200) = 700 Se observa que se cumple exactamente, es decir como una igualdad. Esto indica que con esa decisin ptima se tendr totalmente el monto mximo requerido de riesgo para la compra. Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
27 Restriccin 3: 1 (800) = 800; 800 < 1.000 Se observa que se cumple como una desigualdad. Esto indica que con esa decisin ptima se compran 800 acciones Tipo 1, 200 menos del monto mximo requerido. Recuerde que eso est permitido debido que la restriccin es menor o igual a. En el grfico puede observarse, como algo lgico, que las restricciones que se cumplen como igualdades estn cruzando sobre el punto ptimo y las que se cumplen como desigualdades estn en la regin solucin alejadas del punto ptimo. 1.5 El anlisis se denomina Anlisis de Sensibilidad. Se realiza despus de haber obtenido la solucin ptima. En este caso, se realiza para determinar el efecto que produce sobre la solucin ptima, un cambio en un coeficiente de una variable en la Funcin Objetivo. La nueva Funcin Objetivo, 3X1 + 9X2, es graficada nuevamente.
Se observa sobre el mismo grfico 2 que la pendiente de la recta objetivo (f.o. 2) cambia. Ahora al desplazarse, en crecimiento, el punto extremo que la limita es el de la interseccin de las rectas que corresponden a la restriccin de fondos disponibles y a la ordenada o restriccin de no- negatividad, punto extremo a. La nueva solucin es una solucin nica, con otros valores para las variables.
CASO 2. MODELOS CON SOLUCIONES PTIMAS ALTERNAS O MLTIPLES.
Max 6X 1 + 2X 2 (Beneficio) Sujeto a: 3 X 1 + X 2 4 8 horas de trabajo 3 X 1 + 4 X 2 120 unidades de materia Prima 3 X 1 + X 2 36 horas de supervisin. X1, X2 0
El modelo es formulado por una empresa que desea determinar la cantidad de unidades de producto 1 ( X 1 ) y producto 2 (X 2 ) a fabricar para satisfacer el objetivo establecido de maximizar el beneficio. El monto total disponible de horas de trabajo para este perodo es de 48. La disponibilidad de materia prima es de 120 unidades y la cantidad mnima de horas disponibles para supervisin es de 36 horas. Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
28 Graficar las restricciones y obtener el espacio de solucin se efecta en forma similar al proceso efectuado en el caso 1.
Los puntos extremos del conjunto convexo son: A(16,0), B(8,24), C(8/3,28) y D(12,0). Dos puntos extremos proporcionan el mximo valor del objetivo, los puntos A y B. Esto permite afirmar que existen soluciones ptimas Alternas para este modelo. Son ptimos todos los puntos sobre el segmento de lnea AB que limita el conjunto convexo de solucin y corresponden a la primera restriccin. Si Usted utiliza el mtodo de graficar la Funcin Objetivo con un valor arbitrario, 48 por ejemplo, podr observar que la lnea es completamente paralela a la primera y tercera restriccin. Al desplazarla paralelamente hacia su optimizacin, hacia arriba porque se est maximizando, finalmente caer completamente sobre la primera restriccin, de horas de trabajo, antes de salir totalmente fuera de la regin solucin. Dos puntos extremos estaran limitando el crecimiento del objetivo, el punto B y el punto A. Cualquier recta que tenga ratio de coeficientes igual al de otra recta, es paralela a esa otra recta. La ventaja que presentan los modelos con este Tipo de solucin es que se puede elegir cualquiera de las soluciones ptimas, porque todas presentan el mismo valor ptimo para el objetivo. Por ejemplo, si una de las soluciones tiene valores fraccionales para las variables y no puede trabajarse con valores fraccionales, el que toma la decisin seleccionar una solucin con valores enteros.
CASO 3. MODELOS SIN SOLUCIN POSIBLE No se definirn los elementos del modelo porque no habr una solucin posible para tomar alguna decisin. Max 40 X 1 + 30 X2 Sujeto a: 2/5 X1 + X 2 20 1/5 X 2 5 3/5 X 1 + 3/10 X 2 21 X 1 30, X 2 15 Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
29 X 1 , X2 0
Puede observarse en el Grfico 4, que mientras las 3 primeras restricciones delimitan un espacio en comn, las 2 ltimas delimitan otro espacio comn para ellas. Por lo tanto, no hay una regin de puntos comunes que satisfagan ambos conjuntos de restricciones y el modelo no tendr solucin posible. En estos casos es necesario determinar cules son las restricciones inconsistentes para el modelo. Es decir, cules son realmente vlidas para el modelo. Obsrvese que si las variables X 1 y X 2 toman el valor mnimo que pueden tomar en las dos ltimas restricciones, es decir X 1 = 30 y X 2 = 15 entonces la tercera restriccin no se cumplira. Esto es una inconsistencia. Estos modelos no deben existir en el mundo real (14). Si el sistema modelado trabaja, entonces el modelo debe representarlo de tal manera que permita obtener una solucin posible.
CASO 4. MODELOS QUE PRESENTAN SOLUCIN CON VALOR INFINITO
Max X 1 + 2X 2
Sujeto a: -4 X 1 + 3 X 2 3 X 1 - X 2 3 X 1 , X 2 0
No se definirn los elementos del modelo porque no habr una solucin para tomar alguna decisin.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
30
En el grfico 5 el conjunto convexo llamado regin solucin, que contiene todas las soluciones posibles, es un espacio abierto. Tiene tres puntos extremos A, B y C, pero ninguno delimita el crecimiento del objetivo. Esta funcin puede tomar valores infinitos ya que las variables conforman puntos con valores infinitos dentro de la regin solucin y ninguno de ellos le proporciona un valor finito ptimo. Por lo tanto, existiendo restricciones, no es lgico encontrar un objetivo de valor infinito. En estos casos debe buscarse dentro del sistema, la restriccin o las restricciones que se omitieron en el modelo y que limitaran las variables de decisin a valores factibles.
CASO 5. MODELOS CON ESPACIO DE SOLUCION NO ACOTADO Y SOLUCION DE VALOR FINITO
Min 0.06 X 1 + 0.05 X 2 ( costos) Sujeto a: 0.30 X 1 + 0.20 X 2 500 Protena 0.15 X 1 + 0.30 X 2 300 Grasa X 1 , X 2 0 El modelo es formulado para una guardera de perros que se destaca por dar una alimentacin balanceada a las mascotas. El alimento lo elabora mezclando 2 marcas conocidas de alimentos que llamaremos X 1 y X 2 . Se desea determinar la cantidad de gramos de X 1 y X 2 a mezclar en el alimento, con el objetivo establecido de minimizar los costos de la mezcla. Esta, debe contener al menos 500 gramos de protenas y al menos 300 gramos de grasa por da. Los porcentajes de contenido de grasa y protena de cada gramo de X 1 y X 2 se conocen y son usados en el modelo. Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
31
El espacio de solucin obtenido se muestra en el Grfico 6. Se observa una regin abierta con las soluciones posibles y puntos extremos A, B, C. Esto indica que pueden existir combinaciones de cantidad de gramos de alimento X 1 y X 2 con valor infinito, en este caso los costos seran infinitos. Esto es posible porque no se est limitando directamente la cantidad de X 1 y X 2 en alguna restriccin especfica y las restricciones existentes son todas de Tipo que. Pero, mientras exista al menos una combinacin con valor finito, en algn punto extremo que limite el valor del objetivo, a esa combinacin se le considerar ptima. En los casos de regin abierta de soluciones posibles, es conveniente entonces encontrar el valor ptimo con el procedimiento de graficar la Funcin Objetivo. Al graficar la Funcin Objetivo, con un valor arbitrario de 120, se observa que al desplazarla paralelamente hacia su optimizacin, hacia abajo porque se est minimizando, la lnea cae sobre el punto B, antes de salir completamente de la regin solucin. A este punto se le considerar punto extremo ptimo. La solucin ptima es nica con los valores: X 1 = 1.500, X 2 = 250 F.O. = 102.5 Conociendo la definicin del modelo, puede contestar preguntas similares a las hechas en el caso 1
CASO 6. MODELOS CON SOLUCION DEGENERADA
Min 2500 X + 2200 Y (costos) Sujeto a: X + Y 10 Empleados temporales 300 X + 400 Y 3.400 cartas 80 X + 50 Y 680 paquetes X, Y 0 El modelo es formulado por una oficina de correos que puede contratar hasta 10 empleados para manejar el correo. La oficina conoce que un empleado (hombre) puede manejar 300 cartas y 80 paquetes por da y una empleada (mujer) puede manejar 400 cartas y 50 paquetes en un da. No menos de 3.400 cartas y de 680 paquetes se esperan por da. A cada empleado hombre (X), se le paga S/. 2.500 por da y a una empleada mujer ( Y) se le paga S/. 2.200 por da. Se quiere determinar la cantidad de hombres (X) y mujeres (Y) que se deben contratar para satisfacer las restricciones y lograr el objetivo establecido de minimizar los costos de la nmina. Graficar las restricciones y obtener el espacio de solucin se efecta en forma similar al hecho en el caso 1 y por lo tanto no se repiten las instrucciones. El grfico obtenido es el Grfico 7. Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
32
Se observa una regin de soluciones posibles de un solo punto comn para todas las restricciones y por lo tanto un nico punto extremo A. Esto indica que existe una nica combinacin posible y adems ptima, de cantidad de empleados X e Y que satisface las restricciones y optimiza el objetivo.
Conociendo la definicin del modelo, puede contestar preguntas similares a las hechas en el Caso 1 1.1 Qu representa el coeficiente de la variable Y en la Funcin Objetivo y en la segunda restriccin? 1.2 Qu Tipo de solucin presenta el modelo?, Por qu? y Cmo se reconoce en el grfico? 1.3 Cul es la solucin y la decisin que se recomendara con la solucin encontrada? 1.4 Analice las restricciones en el punto ptimo y presente la informacin que se obtiene. 1.5 Qu efecto tendra, sobre la solucin ptima encontrada, un cambio en el nmero de cartas esperadas. Suponga que cambia a 2.400. Explique y muestre sobre el grfico. Cmo se llama este Anlisis? Respuestas: 1.1 El coeficiente de la variable Y en la Funcin Objetivo representa lo que se le paga diariamente a cada trabajadora (mujer), es decir, el costo de contratar una trabajadora al da es de S/. 2.200. En la segunda restriccin representa la cantidad de cartas que puede manejar al da cada mujer contratada, es decir, 400 cartas al da puede manejar cada mujer contratada. 1.2 nica y Degenerada. Normalmente la solucin de un modelo contiene una variable (Estructural o de holgura) con valor mayor que cero por cada restriccin del modelo. En este caso, ms variables de las normales toman valor cero, para poder satisfacer mayor numero de restricciones, en el punto ptimo. Hay entonces menor cantidad de variables con valor mayor que cero con relacin al nmero de restricciones. Por eso se le llama Solucin Degenerada en contraposicin a la Solucin Normal. Adems es nica porque una sola combinacin de empleados, hombres y mujeres, proporciona el mnimo costo. Se debe a la presencia de restricciones redundantes en el modelo y se reconoce en el grfico porque ms de dos restricciones cruzan sobre el punto ptimo. Del total de restricciones que cruzan el punto ptimo, slo dos son necesarias para calcular sus coordenadas. En este caso slo hay una Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
33 restriccin redundante, por ello la Solucin es Degenerada. Se reconoce que es nica porque hay un solo punto extremo que proporciona el valor ptimo del objetivo. 1.3 La solucin es X = 6, Y = 4, F.O. = 23.800. La decisin sera contratar 6 empleados hombres y 4 mujeres para minimizar los costos diarios de contratacin en 23.800 unidades monetarias: 2.500(6) + 2.200 (4) . 1.4 Restriccin 1 X + Y 10 6 + 4 = 10 Con esta decisin se contrata el mximo de empleados que se estaba dispuesto a contratar. Restriccin 2 300 X + 400 Y 3.400 300(6) + 400(4) = 3.400 Con esta decisin se manejar el mnimo de cartas que se espera. Restriccin 3 80 X + 50 Y 680 80(6) + 50 (4) = 680 Con esta decisin se manejar el mnimo de paquetes que se espera. 1.5 El anlisis a efectuar se denomina Anlisis de Sensibilidad. Sobre el grfico est graficada la nueva restriccin 300X + 400 Y 2.400
Se observa que no cambia el espacio de soluciones posibles y por lo tanto la solucin ptima seguir siendo la misma. En general, disminuir la cantidad del lado derecho de una restriccin Tipo , es relajar la restriccin y hacerla ms fcil de satisfacer.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
34 OTROS EJEMPLOS
Tenemos una empresa que se dedica a producir diversos productos qumicos. En un proceso de produccin en particular se utilizan tres materias primas para elaborar dos productos: un aditivo para combustible y una base disolvente. El aditivo para combustible se vende a empresas petroleras y se utiliza en la produccin de gasolina y otros combustibles relacionados. La base disolvente se vende a varias empresas qumicas y se utiliza tanto para productos de limpieza del hogar como industriales. Para formar el aditivo para combustible y la base disolvente se mezclan las tres materias primas, como aparece en la siguiente tabla:
Necesidades de Materia Prima por tonelada
Producto m. prima 1 m. prima 2 m. prima 3
Aditivo para combustible 2/5 0 3/5
Base disolvente 1/2 1/5 3/10
Esta tabla, muestra que una tonelada de aditivo para combustible es una mezcla de 2/5 de tonelada de la materia prima 1 y 3/5 de tonelada de la materia prima 3. Una tonelada de base disolvente es una mezcla de 1/2 tonelada de la materia prima 1, 1/5 de tonelada de la materia prima 2 y 3/10 de tonelada de la materia prima 3.
La produccin de la empresa, est limitada por la disponibilidad de las tres materias primas. Para el periodo de produccin actual, la empresa tiene disponibles las cantidades siguientes de cada una de las materias primas:
Cantidades disponibles Materia prima para la produccin
Materia prima 1 20 toneladas Materia prima 2 5 toneladas Materia prima 1 21 toneladas
Debido al deterioro y la naturaleza del proceso de produccin, cualquier materia prima que no se utilice para la produccin actual resulta intil y debe descartarse.
El departamento de control de calidad ha analizado las cifras de produccin, asignando todos los costos correspondientes, y para ambos productos lleg a precios que resultarn en Utiliza tonelada de MP 1 en cada tonelada de disolvente Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
35 una contribucin a la utilidad (margen de contribucin por tonelada) de US 40 por cada tonelada de aditivo para combustible producida y de US$ 30 por cada tonelada de base disolvente producida. La Gerencia de la empresa, despus de una anlisis de la demanda potencial, ha concluido que los precios establecidos asegurarn la venta de todo el aditivo para combustible y de toda la base disolvente que se produzca.
El problema de la empresa es determinar cuntas toneladas de cada producto deber producir para maximizar la contribucin total a la utilidad.
Funcin Objetivo
Cuntas toneladas de aditivo para combustible y cuntas toneladas de base disolvente producir la empresa para el periodo actual de produccin.
Variables
X 1 = nmero de toneladas de aditivo para combustible
X 2 = nmero de toneladas de base disolvente
Restricciones
2/5 X 1 + 1/2 X 2 20 toneladas necesarias de la materia prima 1
0X 1 + 1/5 X 2 5 toneladas necesarias de la Materia prima 2
3/5X 1 + 3/10 X 2 21 toneladas necesarias de la Materia prima 3
X 1 0 , X 2 0
Implementacin
Mx 40 X 1 + 30 X 2
Sujeto a:
2/5 X 1 + 1/2 X 2 20
0X 1 + 1/5 X 2 5
3/5X 1 + 3/10 X 2 21
X 1 , X 2 0
Ahora la tarea es encontrar la mezcla de productos(es decir la combinacin de X 1 y X 2 ) que satisfaga las restricciones, y al mismo tiempo, nos de un valor de la funcin objetivo que sea mayor o igual al valor dado por cualquier otra solucin factible. Al hacerlo, habremos encontrado la solucin ptima al problema.
Deben establecerse hiptesis necesarias para que un modelo de programacin lineal sea apropiado: la ley de la proporcionalidad, la ley general de la adicin y la ley general de la divisin.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
36 La proporcionalidad significa que la contribucin a la funcin objetivo y el monto de los recursos utilizados son proporcionales al valor de cada variable de decisin.
La adicin significa que se puede determinar el valor de la funcin objetivo y de los recursos totales utilizados, sumando la contribucin de las funciones objetivo y los recursos utilizados para todas las variables de decisin.
La divisibilidad significa que las variables de decisin son continuas. La hiptesis de la divisibilidad ms las restricciones de no negatividad significan que la variables de decisin pueden asumir cualquier valor mayor que o igual a cero.
Anlisis de Sensibilidad (Anlisis de Post Optimalidad)
Es el estudio de la forma en que los cambios en los coeficientes de programa lineal afectan a la solucin ptima. El anlisis de sensibilidad entre otras ayuda a responder lo siguiente:
1. Cmo afectar un cambio en un coeficiente de la funcin objetivo a la solucin ptima? 2. Cmo afectar un cambio en el valor del lado derecho de una restriccin a la solucin ptima?
El anlisis de sensibilidad entonces solo se inicia cuando se ha obtenido la solucin ptima del problema original de PL.
El anlisis de sensibilidad es importante para la toma de decisiones, debido a que los problemas reales se presentan en un entorno cambiante. Cambian los precios de las MP, cambia la demanda de los productos, las empresas adquieren maquinarias nuevas, fluctan los precios de los valores, hay rotacin de personal y as muchas otras cosas ms.
El anlisis de sensibilidad nos da la informacin necesaria para responder a estas modificaciones. Las tres hiptesis necesarias para que un modelo de PL sea apropiado, son la proporcionalidad, la ley general de la adicin y la ley general de la divisin.
a) La proporcionalidad significa que la contribucin a la funcin objetivo y el monto de los recursos utilizados son proporcionales al valor de cada variable de decisin.
b) La adicin significa que se puede determinar el valor de la funcin objetivo y de los recursos totales utilizados, sumando la contribucin de la funcin objetivo y los recursos utilizados para todas las variables de decisin.
c) La divisibilidad significa que las variables de decisin son continuas. La hiptesis de divisibilidad ms las restricciones de no negatividad significan que las variables de decisin pueden asumir cualquier valor mayor que, o igual a cero.
En el problema de la gasolinera (ver pgina 31), vemos
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
37 Mx 40 X 1 + 30 X 2
Sujeto a:
2/5 X 1 + 1/2 X 2 20 MP1
0X 1 + 1/5 X 2 5 MP2
3/5X 1 + 3/10 X 2 21 MP3
X 1 , X 2 0
La solucin ptima x 1 = 25 TM de aditivo para combustible y x 2 =20 TM de base disolvente, se bas en las cifras de contribucin a la utilidad de US$ 40 x TM de aditivo para combustible y US$ 30 x TM de base disolvente. Sin embargo, supongamos que posteriormente, nos enteramos que una reduccin en el precio hace que la contribucin a la utilidad para el aditivo para combustible se reduce de US$ 40 a US$ 35 x TM. Se utiliza el anlisis de sensibilidad para determinar si el programa de produccin que incluye 25 TM de aditivo para combustible y 20 TM de base disolvente sigue siendo el mejor.
Tpicos De IO Dr. (c). Ricardo Lpez Guevara USIL
38
REFERENCIAS BIBLIOGRFICAS:
1. ANDERSON, D.; SWEENEY, D.; Mtodos Cuantitativos para los Negocios. International WILLIAMS, T. Thomson Editores, Sptima, Mxico, 2010. 2. GALLAGHER, Ch.; WATSON, H. Mtodos Cuantitativos para la Toma de Decisiones Editorial McGraw Hill, Espaa, 2010. (658.5/G21) 3. HILLIER, F.; HILLIER, M.; Mtodos Cuantitativos para Administracin Un enfoque de modelos y casos de estudio, con hoja de clculo. Editorial McGraw Hill Interamericana Editores, S.A. de C.V., Mxico 2006. 7. TAHA, Hamdy Investigacin de Operaciones Edit. Alfa omega, Mxico, 2008.