RLG Book Topicos Deio Usil

Tpicos De IO Dr. (c).
Ricardo Lpez Guevara

USIL

1

I ntroduccin

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.

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.
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

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

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.

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
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

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.

DATOS

Alimento Contenido Contenido de Contenido
Protenas (oz) Carbohidratos (oz) Grasas(oz) Precio

1 3 7 5 $4
2 5 4 6 $6
3 2 2 6 $3
4 3 8 2 $2

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
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

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

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.

USIL

13


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

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
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.


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.

USIL

16


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
normal
X
3
normal
X
4
extra
X
5
= nmero de barriles de gasolina base tipo 2 que 3 debe utilizarse para fabricar gasolina
extra
X
6
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

USIL

17


MAXIMIZAR: Z = - l X
1
+ 1 X
2
+ 2 X
3
+ 2.X
4
+ 4 X
5
+ 5 X
6


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

(X
2
5

(X
3
6

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

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
)

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.


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.

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

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

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

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

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
USIL

21
Se tiene disponibles 1200 horas-hombre de tiempo de plantadores

2.5 x
1
+ 5.5 x
2
1200

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.

1. Cada pieza requiere 40 onzas de plomo, 48 de cobre y 60 de acero colado

Se requieren seis variables, puesto que existen seis clases de inversiones.

X
1
= libras del mineral del tipo 1
X
2
X
3
X
4
USIL

22

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

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
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.

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

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
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

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.
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.
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
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.

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.
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.
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
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.

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

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
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.

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

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.

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.

RLG Book Topicos Deio Usil

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

RLG Book Topicos Deio Usil

Enviado por

Direitos autorais:

Formatos disponíveis

Tpicos De IO Dr. (c).

Ricardo Lpez Guevara

Você também pode gostar