Você está na página 1de 75

Guas Prcticas de Investigacin de Operaciones

Julio Rito Vargas Avils/UNI


|

Pgina 1

Guas Prcticas de Investigacin de Operaciones

INDICE
Pgina
Introduccin

Justificacin

Conjuntos convexos y no convexos- Prctica 1.

13

Solucin Grfica de PPL.- Prctica 2.

18

Solucin por mtodo simplex y revisado de PPL - Prctica 3.|

26

Anlisis de sensibilidad y Dualidad.- Prctica 4.

44

Problemas de Transporte.- Prctica 5.

54

Problemas de Transbordo.- Prctica 6.

63

Problemas de Asignacin.- Prctica 7.

76

Problema de la Ruta crtica.- Prctica 8.

80

Problemas del Camino ms corto.- Prctica 9 .

85

Problema de Costo mnimo.- Prctica 10.

92

Problema del Flujo mximo.- Prctica 11.

96

Problema del rbol de expansin mnimo.- Prctica 12.

115

Problema de Anlisis de decisin.- Prctica 13.

122

Problema resueltos por rbol de decisin.- Prctica 14.

135

Problemas de Colas.- Prctica 15.

143

Problemas de Inventarios.- Prctica 16.

156

Problemas de Programacin Dinmica.- Prctica 17.

162

Problemas de Cadenas Markov.- Prctica 18.

170

Problemas de Teora de Juegos.- Prctica 20.

175

Problemas miscelneos resueltos.

180

Bibliografa.

220

Software de apoyo.

222

Julio Rito Vargas Avils/UNI


|

Pgina 2

Guas Prcticas de Investigacin de Operaciones

Introduccin
Con este libro de guas prcticas para la asignatura de Investigacin de
operaciones, pretendemos que los estudiantes que cursan las asignaturas de
Investigacin operativa I y II cuenten con material metodolgica y didicamente
elaborado para que pueda realizar sus prcticas sin la asistencia del profesor.
La mayora de las prcticas estn orientadas para que los estudiantes las
puedan realizar con el apoyo del computador. Si bien es cierto hay varios
software que pueden usarse, recomendamos que las prcticas las haga con
WinQSB, por contener todos los mdulos que son abordados en este texto y
contamos con un manual del Software para apoyo del estudiante.
El libro inicia cada prctica con
ejemplos ilustrativos, resueltos
metodolgicamente, para facilitar el aprendizaje del estudiante y as permitirle
abordar la gua prctica correspondiente con mayor dominio y poder resolverla
con un alto grado de seguridad.
El libro lo hemos estructurado en tres grandes aspectos: Los ejemplos que
anteceden cada gua prctica, las guas prcticas que debe ser resulta por el
estudiante con apoyo del computador y una miscelnea de problemas
propuestos y resueltos al final del libro, que le permitirn a los estudiantes
tener una visin ms amplia del mundo de problemas prcticos que se pueden
abordar desde los mtodos cuantitativos.
Este libro de guas prcticas est orientado para que sea desarrollado en dos
semestres, las primeras 8 prcticas para el I semestre y las restantes en el
segundo semestre. Cada gua prctica no necesariamente se debe de
desarrollar en un perodo de laboratorio (2 horas), algunas pueden durar ms
de acuerdo a las orientaciones del profesor de la asignatura, algunas prcticas
el alumno las resolver en forma independiente, en su casa o donde l estime
conveniente. No obstante independiente de la forma y donde el alumno
resuelva cada gua, el profesor debe garantizar que se haga un anlisis
colectivo sobre la misma, esta parte es esencial para el dominio de los temas
tratados.
Las guas fueron organizadas de forma que permita al estudiante un
conocimiento progresivo, iniciando desde la parte bsica de los hiperplanos
hasta el desarrollo de temas de mayor complejidad en el anlisis y en la toma
de decisiones. Sin embargo no es obligatorio ni riguroso seguir el orden en que
se proponen todas las prcticas, eso depender de la orientacin e inters que
el profesor de la asignatura tenga y del dominio de las temticas por parte de
los estudiantes.

Julio Rito Vargas Avils/UNI


|

Pgina 3

Guas Prcticas de Investigacin de Operaciones


Es importante desarrollar completamente cada prctica y logro los objetivos
propuestos en la misma.

Justificacin
La investigacin de operaciones es una de las asignaturas que generan mayor
expectativa en los estudiantes y profesionales que las cursan. Por cuanto son
de suma importancia para la toma de decisiones.
La toma de decisiones es la tarea esencial de las organizaciones (pequeas,
medianas y grandes) y de los individuos que de forma independiente a diario
tienen que enfrentar problemas.
En la toma de decisiones el anlisis puede tomar dos formas: cualitativo y
cuantitativo.
El anlisis cualitativo se basa principalmente en el juicio y experiencia de la
gerencia, incluye sentimientos intuitivos sobre los problemas tratados y es ms
un arte que una ciencia.
Los mtodos cuantitativos juegan un papel clave en la Administracin y la
optimizacin de procesos. Por lo que es relevante estudiar los diferentes
mtodos cuantitativos que mejor se ajusten a la solucin de problemas del
campo de la investigacin de operaciones.
El anlisis cuantitativo se concentra en hechos cuantitativos o datos asociados
con los problemas y desarrolla expresiones matemticas que describen las
relaciones entre ellos. Utilizando los mtodos cuantitativos se obtienen
resultados con los que se hacen recomendaciones basadas en los datos
cuantitativos del problema.
El papel del anlisis cuantitativo en la toma de decisiones puede variar
dependiendo de los factores cualitativos.
Los modelos matemticos son la base de los modelos cuantitativos. A su vez,
la esencia de la Investigacin de operaciones es el uso de los modelos.
Este documento de carcter prctico tiene como propsito abordar los mtodos
de solucin de los diferentes modelos matemticos que se formulan en la
investigacin de operaciones, tanto desde el punto de vista analtico, grfico
como auxiliarnos de las herramientas computacionales sobre todo aquellos
cuyo nivel de complejidad de clculo lo requieren y centrar el esfuerzo en el
anlisis de sensibilidad de los posibles escenarios que se pudiesen presentar y
que son incertidumbre que en el mundo de la gestin a diario tenemos que
enfrentar.

Julio Rito Vargas Avils/UNI


|

Pgina 4

Guas Prcticas de Investigacin de Operaciones

CONJUNTOS CONVEXOS Y NO CONVEXOS

Para analizar el concepto de conjunto convexo, consideremos los


siguientes conjuntos.
CONJUNTO A

CONJUNTO B

CONJUNTO C

CONJUNTO D.

Definicin de Conjunto Convexo:


Conjunto que contiene cualquier segmento que une dos puntos del conjunto.

Ejemplo: Consideremos el conjunto A.

y
x
Julio Rito Vargas Avils/UNI
|

Pgina 5

Guas Prcticas de Investigacin de Operaciones

Obsrvese que para cualquier par de puntos x, y que estn dentro del conjunto A, el
segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia
A es un conjunto convexo.
Consideremos el conjunto B:

y
B

Obsrvese que para cualquier par de puntos x,y que estn dentro del conjunto B, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia B no
es un conjunto convexo.
Consideremos el conjunto C:

En este caso para cualquier par de puntos x,y de la recta C, el segmento que los une
queda dentro del conjunto, en consecuencia C es un conjunto convexo.
Por ltimo sea el conjunto D:

y
x

D
Julio Rito Vargas Avils/UNI
|

Pgina 6

Guas Prcticas de Investigacin de Operaciones

Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une
est totalmente contenido en dicho conjunto.
Consideremos un ltimo ejemplo en el plano, sea el conjunto E

E
Conjunto poligonal delimitado por los puntos ((0,0), (5,0), (0,3), (1,2), (0,0))
Se puede ver que existen segmentos, como el indicado en la figura que contiene
puntos que no estn en el conjunto, por lo que este conjunto no es CONVEXO.

EJERCICIO 1

Determinar si los siguientes conjuntos son o no convexos, dibujndoles previamente:


a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)
b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2)
(-1,0), (1,1)
SOLUCION:
a. Es convexo

Julio Rito Vargas Avils/UNI


|

b. No es convexo

Pgina 7

Guas Prcticas de Investigacin de Operaciones

Podemos definir conjuntos en el plano de una manera ms compleja:


Por ejemplo, si consideramos el conjunto
S3= {(x, y) R2/ y x}

Qu hacemos para dibujar este conjunto?

y=x

Primero dibujamos la curva que delimita el conjunto. En DERIVE, resulta sencillo


1. Poner la ventana en modo grfico 2D
2. Editar la funcin y= x
3. Desde el men Insertar hacer clic en la opcin graficar.
Para delimitar la regin del plano basta considerar un punto que no est en la curva,
por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el recinto a
considerar, en nuestro caso como 2 s es mayor o igual que 1, entonces el recinto es

y=x
S3

Obsrvese que es claramente convexo pues cualquier par de puntos que estn en S3
el segmento que los une est claramente contenido en S3.
Qu sucedera si no podemos representar grficamente el conjunto, como sucede
con conjuntos de dimensin superior a 3?

Julio Rito Vargas Avils/UNI


|

Pgina 8

Guas Prcticas de Investigacin de Operaciones


En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo
cual efectuamos la siguiente definicin:

CONJUNTO CONVEXO.
Diremos que un subconjunto S Rn es convexo si para cualquier par de puntos
y para cualquier [0,1] se cumple que
llamamos segmento de extremos

est en S, es decir que si


por

S es convexo si para cualesquiera

Cul es el significado de z = x + (1- )y?


Vamos a verlo en un ejemplo:
EJEMPLO: Estudiar analticamente si el conjunto anterior
S3= {(x, y) R2/ y x}

es un conjunto convexo.

Para ello consideremos dos vectores de S3


(x1,y1), (x2,y2), Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece
a S3 para cualquier valor de b en [0,1]
Es decir tendremos que comprobar si
b x1+ (1-b) x2 by1+ (1-b) y2
Como x1y1 entonces bx1by1 (pues b es positivo o cero)
Y como x2 y2 entonces (1-b) x2 (1-b) y2
Sumando ambas expresiones se obtiene la desigualdad por tanto S3 es un conjunto
convexo.
Esto en DERIVE se puede realizar definiendo dos vectores:
V1: = [x1, y1]
V2: = [x2, y2]
Julio Rito Vargas Avils/UNI
|

Pgina 9

Guas Prcticas de Investigacin de Operaciones


Y comprobando si el vector
b - v1 + (1 - b)* v2

Que una vez simplificado nos da


[b(x1-x2) + x2 , b(y1-y2) + y2]
Y al expandirle
[b * x1- b * x2) + x2 , b * y1- b * y2 + y2]
Si es un vector del conjunto S3.
EJERCICIO 2
Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos.
a.
b.
SOLUCIONES:
a. Lo hacemos grficamente, representando el conjunto.
Para ello dibujamos los dos lmites del conjunto x2+y2=1 y x2+y2=4
(circunferencias de radio 1 y radio 2)
Definimos las expresiones
x2 + y2 =1
x2 + y2 =4
Y luego las graficamos con Derive de la misma que lo hemos hecho anteriormente

Julio Rito Vargas Avils/UNI


|

Pgina 10

Guas Prcticas de Investigacin de Operaciones

Cul es el recinto?
Ahora debemos determinar en que lado de la circunferencia se sita el
conjunto.
Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0). Y
comprobemos si se verifica la primera desigualdad para ese punto
02 + 02 1
Efectivamente no se verifica, por tanto el conjunto se sita hacia fuera de la
circunferencia.
Por otro lado

02 + 02 1
Es cierta por tanto el conjunto es la corona circular situada entre la
circunferencia de radio 1 y la circunferencia radio 2.
Este conjunto es convexo?
Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los
une como se ve no pertenecen al conjunto.

Julio Rito Vargas Avils/UNI


|

Pgina 11

Guas Prcticas de Investigacin de Operaciones


Consideremos las expresiones que definen los lmites del conjunto:
Representemos ambas rectas:

Para saber cul es exactamente el recinto, tomemos un punto que no est en dichas
rectas, por ejemplo (0,0).
Comprobemos a qu 1, comprobamoslado de la recta x + y =1 se encuentra nuestro
conjunto x + y 1 verifica la ecuacin, por tanto el Recintopara (0,0), y observamos
que 0+0 1 est al lado del Y por otro lado para determinar el conjunto x y x + y
1 por tanto tambin es de la recta hacia el (0,0),1 comprobamos que 0 0 con lo
cual tendremos que el recinto ser:

(0,0).

Julio Rito Vargas Avils/UNI


|

Pgina 12

Guas Prcticas de Investigacin de Operaciones

EJERCICIO 3
Demostrar de forma analtica que el conjunto

Conjunto convexo.

OBSERVACIN.
es un vector de Rn c R se verifica que los conjuntos:

En general si
H= { Rn/

=c}

H+= { Rn/

H0+={ Rn/

c} H-={ Rn/

.
.

>c} H0-={ Rn/

c}

.
t

<c}

Son conjuntos convexos.


Demostracin
Demostremos uno de ellos por ejemplo que H = { Rn/
Sean dos vectores cualesquiera
el vector

=c} es convexo.

hay que demostrar que si [0,1] entonces

pertenece a H.

Si

entonces se verifica que

Si

entonces se verifica que

Julio Rito Vargas Avils/UNI


|

Pgina 13

Guas Prcticas de Investigacin de Operaciones


Veamos qu ocurre con el producto

Luego efectivamente el vector


H.

cumple la propiedad por tanto pertenece a

Lo mismo se puede hacer con el resto de conjuntos.


PROPIEDADES DE LOS CONJUNTOS CONVEXOS.
Conjuntos convexo "por definicin"
a) El conjunto vaco () es un conjunto convexo.
b) Los conjuntos de un nico punto {a}, tambin son conjuntos convexos.
c) Tambin el conjunto Rn (espacio total) es un conjunto convexo.
La interseccin, finita o infinita, de conjuntos convexos es un conjunto convexo.
La combinacin lineal de conjuntos convexos es un conjunto convexo.
La unin de conjuntos convexos, en general, no tiene porque ser un conjunto
convexo.
INTERSECCIN DE CONJUNTOS CONVEXOS.
EJEMPLO.
Sean los siguientes conjuntos convexos:

Si los representamos tendremos:

Julio Rito Vargas Avils/UNI


|

Pgina 14

Guas Prcticas de Investigacin de Operaciones

Cul es la interseccin de estos dos conjuntos?


Se puede ver que la interseccin es el conjunto

Se puede ver grficamente que es un conjunto convexo.


Y este ejemplo se puede generalizar con la siguiente propiedad:
LA INTERSECCIN DE CONJUNTOS CONVEXOS ES UN CONJUNTO CONVEXO:
Demostracin:

Si Xi es un conjunto convexo para i=1,..., n. Esto quiere decir que dados dos
puntos cualesquiera de este conjunto
entonces el segmento
que los une est totalmente contenido en el conjunto Xi, es
decir
lo que queda demostrado.

Julio Rito Vargas Avils/UNI


|

luego esto quiere decir que

con

Pgina 15

Guas Prcticas de Investigacin de Operaciones


UNIN DE CONJUNTOS CONVEXOS.
A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto unin.

Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando

Obtenemos

Segmento que no est totalmente contenido en el conjunto. Luego:

Julio Rito Vargas Avils/UNI


|

Pgina 16

Guas Prcticas de Investigacin de Operaciones


La unin de conjuntos convexos en general no es convexo.
Vamos a introducir ahora dos nuevos conceptos el concepto de punto extremo de un
convexo y el concepto de combinacin lineal convexa:
CONCEPTO DE PUNTO EXTREMO DE UN CONVEXO.
Consideremos el siguiente conjunto convexo:

Para representarlo dibujamos las rectas que delimitan los conjuntos:


Vamos ahora a ir delimitando los semiplanos determinados por cada una de las
desigualdades:
0 x 1
Este recinto es clara su representacin:

Julio Rito Vargas Avils/UNI


|

Pgina 17

Guas Prcticas de Investigacin de Operaciones


Vamos a delimitar los otros dos: 2 x y
Consideremos un punto que no est en la recta por ejemplo (0,0). (0,0) verifica la
desigualdad?
2-0 0? No es cierto por tanto al otro lado del (0,0) es decir

Por ltimo vamos a delimitar el recinto de la desigualdad y 2+x


De nuevo consideremos un punto que no est en la recta y=2+x como es el (0,0),
(0,0) satisface la desigualdad? 0 2+0? Como es cierto entonces el semiplano est
situado de la recta hacia el (0,0), es decir

En consecuencia el conjunto delimitado es:

Julio Rito Vargas Avils/UNI


|

Pgina 18

Guas Prcticas de Investigacin de Operaciones


Cules son los vrtices de este conjunto?
La interseccin de rectas:
[ 2 x = y; y = 2 + x ]
Da el punto
[x = 0 y = 2]
Las rectas
[x = 1; y = 2 x]
El punto
[x = 1; y = 1]
Y las rectas
[x = 1; y = 2 + x]
El punto
[x = 1 y = 3]
Luego los vrtices de este conjunto sern:

(0,2), (1,1) y (1,3), tambin llamados puntos extremos de S.

Para dar la definicin ms formal de Punto Extremo de un conjunto convexo, vamos a


definir el concepto de Combinacin Lineal Conexa.
Julio Rito Vargas Avils/UNI
|

Pgina 19

Guas Prcticas de Investigacin de Operaciones


DEFINICIN: COMBINACIN LINEAL CONVEXA.
Diremos

que

existen

es

una

combinacin

lineal

convexa

de

si

tales que:
1.
2.

Segn el ejemplo anterior, podemos comprobar que Todas Las Combinaciones


Lineales Conexas de los puntos (0,2), (1,3), (1,1) son todos los puntos del triangulo
definido antes. Si queremos comprobar esto vamos a realizar algunas combinaciones
lineales convexas de estos tres puntos.
Lo vamos a hacer con DERIVE:
Definamos en primer lugar los puntos

P1 : = [0, 2]
P2 : = [1, 3]
P3 : = [1, 1]
Vamos a ir realizando combinaciones lineales convexas y vamos a ir representando
los puntos obtenidos:

0*p1 + 0*p2 + 0*p3 = [1, 1]


[1, 1]
Obsrvese que en este caso la combinacin lineal convexa da el propio p1.
En este caso p2

1*p1 + 0*p2 + 0*p3 = [0, 2]


[0, 2]
Y en este caso p3.

0*p1 + 1*p2 + 0*p3 = [1, 3]


[1, 3]
Pero existen otras formas de realizar combinaciones lineales convexas:

Julio Rito Vargas Avils/UNI


|

Pgina 20

Guas Prcticas de Investigacin de Operaciones


Veamos lo que tenemos representado hasta ahora:

Continuemos haciendo combinaciones lineales convexas

Julio Rito Vargas Avils/UNI


|

Pgina 21

Guas Prcticas de Investigacin de Operaciones


Obtendremos las representaciones:

A partir de estas combinaciones lineales convexas podemos obtener una definicin de


punto extremo de un conjunto convexo, de la siguiente forma.
Cul es la combinacin lineal convexa mediante la cual obtenamos?:
p1?
p2?
yp3?
Tiene alguna caracterstica especial?
Como puede verse estos puntos tienen una caracterstica especial y es que tan solo
intervienen en la combinacin lineal el propio punto, por ello definimos:
Definicin de Punto extremo de un conjunto convexo:

Sea S un conjunto convexo. Diremos que


si

es un Punto Extremo de S

no se puede expresar como combinacin lineal convexa de dos puntos

distintos del propio .


Tambin se les suele llamar Vrtices del conjunto (si es en R2 R3).

EJERCICIO 4
Calcular los puntos extremos de los conjuntos:
a.
b.

Julio Rito Vargas Avils/UNI


|

Pgina 22

Guas Prcticas de Investigacin de Operaciones


SOLUCIN:
(A)

(B)
Para obtener puntos extremos hay que resolver la interseccin entre recta y
circunferencia.
Como x = 1 + y, entonces sustituyendo este valor de x en la circunferencia tenemos:
(1 + y)2 + y2 = 1
Resolviendo ahora obtenemos:
[y = 0; y = -1]

Julio Rito Vargas Avils/UNI


|

Pgina 23

Guas Prcticas de Investigacin de Operaciones


Luego los puntos son para y=0, x=1; (1,0)
Y para y = -1, x = 0; (0,-1) que son los puntos extremos.

Julio Rito Vargas Avils/UNI


|

Pgina 24

Guas Prcticas de Investigacin de Operaciones


GUA PRCTICA # 1
Conjuntos convexos y no convexos
Tema 1: Conjuntos Convexos
Contenidos:

Conjuntos de puntos, rectas e hiperplanos.


Conjuntos convexos, propiedades

Objetivos: Al finalizar la prctica el estudiante pueda:


o
o
o
o

I.

Identificar grficamente conjuntos convexos.


Graficar conjuntos convexos con restricciones.
Identificar grficamente conjuntos acotados y cerrados.
Determinar si las formas graficas de uniones e intersecciones
conjuntos convexos son tambin conjuntos convexos.

de

Indique cual de los siguientes conjuntos son convexos.

a) ______________________

d) ______________________

b) _____________________

e) ______________________

f) ______________________
c) ______________________

Julio Rito Vargas Avils/UNI


|

Pgina 25

Gua Prctica para Investigacin de Operaciones


II.

Clasifique los grficos anteriores en Acotados y no acotados.

Acotados

III.

No Acotados

Haciendo uso de Derive, grafique los siguientes puntos, y determine si el


conjunto formado es convexo, acotado y cerrado.
a)

0,0, 5,0, 0,3, 1,2, 0,0

b)

0,1, 1,0, 1,3, 0,1

c)

1,1, 2,1, 2,3, 1,2, 1,0, 1,1

Julio Rito Vargas Avils/UNI

Pgina 26

Gua Prctica para Investigacin de Operaciones

d)

IV.

0,1, 4,2

Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos


convexos, acotados y cerrados.

a)

S1 x, y R 2 / 4 x 2 y 2 9

b)

S 2 x, y R 2 / x y 3, x y 4

Julio Rito Vargas Avils/UNI

Pgina 27

Gua Prctica para Investigacin de Operaciones

V.

c)

S 3 x, y R 2 / x 0, x y 0, x y 1, y 0

d)

S 4 x, y R 2 / x 0, y 0, x 1, y 1

A partir de los siguientes conjuntos S y T, establezca si el conjunto unin e


interseccin de S y T es convexo, acotado y cerrado.

1.

S x, y R 2 / x 2 y 2 4

T x, y R 2 / x 1 y 1 4
2

Julio Rito Vargas Avils/UNI

Pgina 28

Gua Prctica para Investigacin de Operaciones

2.

S x, y R 2 / x y 5

T x, y R 2 / x y 6

I. Graficar los siguientes conjuntos de ecuaciones con el sistema de coordenadas


rectangulares y con el programa Derive 6.0. Verificar si la interseccin de las mismas
forma un conjunto convexo. Si es as indicar si el poliedro formado es acotado y
cerrado.
1.

2.

2 x1 3 x 2 12

8 x1 2 x2 16

x1 3 x 2 0

x1 x2 12

x1 , x 2 0

x1 , x2 0

3.

3 x1 2 x2 12
2 x1 4 x2 12
x2 1
x1 , x2 0

4.

2 x1 3 x 2 3
x1 5 x 2 1
2 x1 x 2 4
4 x1 x 2 5
x1 , x 2 0

5.

6.

x1 x2 1

x1 x2 1

x1 x2 3
x1 x2 4
x1 , x2 0

Julio Rito Vargas Avils/UNI

x1 x2 3
2 x1 x2 2
x1 , x2 0

Pgina 29

Gua Prctica para Investigacin de Operaciones

7.

x1 x2 1
x1 x2 3
x1 x2 0

9.

3x1 x2 3
x1 , x2 0

8.

2 x1 x 2 9
x1 4
x2 3
x1 , x 2 0
10.

x1 2 x2 5
x1 3
x2 2
x1 , x2 0

Julio Rito Vargas Avils/UNI

Pgina 30

Gua Prctica para Investigacin de Operaciones


PROGRAMACIN LINEAL
Los fundamentos matemticos de la programacin lineal se deben al matemtico
norteamericano de origen hngaro Janos von Neuman (1903-1957), quien en 1928
public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los
problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos.
La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y,
desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que
otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta
disciplina.
En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto: el
clculo del plan ptimo de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230
de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10 das
del mes de junio, rebaj un 11% los gastos respecto a los costos previstos.
Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los
mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre
un 10 y un 15% en tan slo un ao.
Definicin de Programacin lineal:
Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden
resolver la situacin siguiente: Optimizar (maximizar o minimizar) una funcin objetivo,
funcin lineal de varias variables, sujeta a una serie de restricciones, expresadas por
inecuaciones lineales.
Un problema de programacin lineal en dos variables, tiene la siguiente formulacin estndar:

Pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.


En un problema de programacin lineal intervienen:

La funcin z = ax + by llamada funcin objetivo y que es necesario optimizar. En esa


expresin x e y son las variables de decisin, mientras que a, b y c son constantes.
Las restricciones que deben ser inecuaciones lineales. Su nmero depende del
problema en cuestin. El carcter de desigualdad viene impuesto por las limitaciones,
disponibilidades o necesidades, que son: inferiores a ( < o
); como mnimo de
( > o ) . Tanto si se trata de maximizar como de minimizar, las desigualdades pueden
darse en cualquiera de los dos sentidos.

Julio Rito Vargas Avils/UNI

Pgina 31

Gua Prctica para Investigacin de Operaciones

Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se le


denomina conjunto (o regin) factible. Todo punto de ese conjunto puede ser
solucin del problema; todo punto no perteneciente a ese conjunto no puede ser
solucin. En el apartado siguiente veremos cmo se determina la regin factible.

La solucin ptima del problema ser un par de valores (x0, y0) del conjunto factible
que haga que f(x,y) tome el valor mximo o mnimo.

Utilizaremos las siglas PPL para indicar problema de programacin lineal

Determinacin de la regin factible:


La solucin de un problema de programacin lineal, en el supuesto de que exista, debe estar
en la regin determinada por las distintas desigualdades. Esta recibe el nombre de regin
factible, y puede estar o no acotada.

Regin factible acotada

Regin factible no acotada

La regin factible incluye o no los lados y los vrtices, segn que las desigualdades sean en
sentido amplio (

) o en sentido estricto (< o >).

Si la regin factible est acotada, su representacin grfica es un polgono convexo con un


nmero de lados menor o igual que el nmero de restricciones.

El procedimiento para determinar la regin factible es el siguiente:


1) Se resuelve cada inecuacin por separado, es decir, se encuentra el semiplano de
soluciones de cada una de las inecuaciones.

Se dibuja la recta asociada a la inecuacin. Esta recta divide al plano en dos regiones o
semiplanos
Para averiguar cul es la regin vlida, el procedimiento prctico consiste en elegir un
punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las
coordenadas satisfacen o no la inecuacin. Si lo hacen, la regin en la que est ese
punto es aquella cuyos puntos verifican la inecuacin; en caso contrario, la regin
vlida es la otra.

2) La regin factible est formada por la interseccin o regin comn de las soluciones
de todas las inecuaciones.
Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales
pueden presentar varias opciones respecto a sus soluciones: puede no existir solucin, en el
caso de que exista el conjunto solucin puede ser acotado o no.
Vemoslo con un ejemplo:

Julio Rito Vargas Avils/UNI

Pgina 32

Gua Prctica para Investigacin de Operaciones


Dibuja la regin factible asociada a las restricciones:
x+y
y

Las rectas asociadas son: r : x + y = 4 ;

s : y = 4 , t: y = x

Elegimos el punto P(0,0), que se encuentra en el


semiplano situado por debajo de la recta.
Introduciendo las coordenadas (0,0) en la
inecuacin x + y
4, vemos que no la satisface:
0 + 0 = 0 < 4 . Por tanto, el conjunto de
soluciones de la inecuacin es el semiplano
situado por encima de la recta r : x + y = 4 .

La recta t asociada a la restriccin pasa por


el origen, lo cual significa que si probsemos
con el punto P(0,0) no llegaramos a ninguna
conclusin. Elegimos el punto (1,0) y vemos
que no satisface la inecuacin y
x (y = 0 <
1 = x ). Por tanto, el conjunto solucin de esta
inecuacin es el semiplano determinado por
la recta t que no incluye al punto (1,0).

Julio Rito Vargas Avils/UNI

Procedemos como en el paso anterior.


Las coordenadas (0,0) satisfacen la
inecuacin y
4 ( 0
4) . Por tanto, el
conjunto de soluciones de la inecuacin
es el semiplano que incluye al punto O.

La regin factible est formada por los puntos


que cumplen las tres restricciones, es decir,
se encuentran en los tres semiplanos
anteriores.

Pgina 33

Gua Prctica para Investigacin de Operaciones


Mtodo grfico :
Solucin Grfica de un problema de PL
Problema 1.
La WINDOR GLASS CO produce artculos de vidrio de alta calidad, entre ellos ventanas y
puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta
1, los de madera en la planta 2; la 3 produce el vidrio y ensambla los productos.

Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea
de produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar
libre una parte de la capacidad de produccin para emprender la fabricacin de dos productos
nuevos que tienen ventas potenciales grandes:

Producto 1: una puerta de vidrio de 8 pies con marco de aluminio.


Producto 2: una ventana corrediza con marco de madera de 4 pies por 6.

El producto 1 requiere de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2.


El producto 2 slo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha
concluido que la compaa puede vender todos los productos que se puedan fabricar en las
plantas. Sin embargo, como ambos productos competirn por la misma capacidad de
produccin en la planta 3, no est claro qu mezcla de productos sera la ms rentable. Por lo
tanto, se ha formado un equipo de IO para estudiar este problema.
El grupo comenz a realizar juntas con la alta administracin para identificar los objetivos del
estudio y desarrollaron la siguiente definicin del problema:
Determinar que tasas de produccin deben tener los dos productos con el fin de maximizar las
utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. (Cada producto se fabricar en lotes de 20 unidades,
de manera que la tasa de produccin est definida con el nmero de lotes que se producen a
la semana) Se permite cualquier combinacin de tasas de produccin que satisfaga estas
restricciones, incluso no fabricar uno de los productos y elaborar todo lo que se posible del
otro.
El equipo de IO tambin identific los datos que necesitan reunir:
Nmero de horas de produccin disponibles por semana en cada planta para estos nuevos
productos. (Casi todo el tiempo de estas plantas ests plantas est comprometido con los
productos actuales, lo que limita la capacidad para manufacturar nuevos productos.)
Nmero de horas de fabricacin que emplea cada lote producido de cada artculo nuevo en
cada una de las plantas.

Julio Rito Vargas Avils/UNI

Pgina 34

Gua Prctica para Investigacin de Operaciones


La ganancia por lote de cada producto nuevo. (Se escogi la ganancia por lote producido como
una medida adecuada una vez que el equipo lleg a la conclusin de que la ganancia
incremental de cada lote adicional producido sera, en esencia, constante, sin importar el
nmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para
iniciar la produccin y comercializacin de estos nuevos productos, la ganancia total de cada
uno es aproximadamente la ganancia por lote producido multiplicado por el nmero de lotes.)
La obtencin de estimaciones razonables de estas cantidades requiri del apoyo de personal
clave en varias unidades de la compaa. El personal de la divisin de manufactura
proporcion los datos de la primera categora mencionada. El desarrollo de estimaciones para
la segunda categora requiri un anlisis de los ingenieros de manufactura involucrados en el
diseo de los procesos de produccin para los nuevos artculos. Al analizar los datos de costos
obtenidos por estos ingenieros, junto con la decisin sobre los precios de la divisin de
mercadotecnia, el departamento de contabilidad calcul las estimaciones para la tercera
categora.

La tabla siguiente resume los datos reunidos de la informacin anterior.


Planta

Tiempo de produccin por Lotes, Horas

Tiempo de produccin
disponible
a
la
semana, horas

Producto
1
2
3
Ganancias por lote

1
1
0
3
$ 3000

2
0
2
2
$5000

4
12
18

El primer paso para la resolucin del problema de programacin es la definicin de las


variables de decisin en este caso tenemos dos tipos de producto:
1. Variables de decisin

x1 Nmero de lotes del producto1 fabricado por semana


x2 Nmero de lotes del producto2 fabricado por semana

La funcin objetivo es lo que queremos optimizar (minimizar o maximizar), por ello est
compuesta por los costos de cada producto, los cuales van acompaado por las variables de
decisin en el caso de la minimizacin y de utilidades y variables de decisin en el caso de la
maximizacin. En este problema en particular lo que desea la empresa es encontrar la solucin
que maximice sus utilidades. Colocamos 3 en lugar de 3000 y 5 en lugar de 5000, para trabajar
en unidades mas pequeas; pero al final representa miles de dlares.
2. Funcin Objetivo
Maximizar Z f ( x1 , x2 ) 3x1 5x2
Julio Rito Vargas Avils/UNI

Pgina 35

Gua Prctica para Investigacin de Operaciones

En este caso las restricciones son las limitantes que tiene la empresa para producir el
producto1 y el producto2. Tenemos 3 restricciones bien definidas, las cuales. Cabe sealar que
las restricciones de no negatividad, siempre es necesario incluirlas, ya que en las respuestas no
pueden resultar valores menores que cero, sino la solucin del problema no tendra ningn
sentido.
3. Restricciones

x1 4 Horas disponibles en la planta 1, para producir lotes del producto 1

2 x2 12 Horas disponibles en la planta 2, para producir lotes del producto 2

3x1 2 x2 18 Horas disponibles en la planta 3, para producir lotes del producto 1 y producto 2

x1 0
x2 0

Restricciones de no negatividad

4. Formule el modelo matemtico del PPL.


Ahora se puede formular el modelo matemtico del problema para lo cual definimos la
funcin objetivo a maximizar, sujeta a las restricciones que se sealan.

Mx.

Z 3x1 5 x2
S.a

x1 4
2 x2 12
3 x1 2 x2 18
x1 0
x2 0

Julio Rito Vargas Avils/UNI

Pgina 36

Gua Prctica para Investigacin de Operaciones

5. Con la forma estndar del modelo, graficamos para encontrar la regin factible.

Si hacemos uso del WinQSB los pasos ha seguir son los siguientes
1.
2.
3.
4.
5.
6.

Nos vamos a INICIO.


Elegimos todos los programas
Damos clic derecho izquierdo en WinQSB
y elegimos con un clic izquierdo la herramienta Goal Programming.
Al cargar el programa nos vamos a archivo y damos clic en nuevo.
Aparecer una nueva ventana que nos muestra:
Ttulo del problema: el ttulo es totalmente opcional cada uno le pueda dar el
nombre que desee.
Nmero de Goal, es decir nmero de metas. En este caso queremos encontrar un
solo ptimo por lo cual, la meta es 1.
Nmero de variables: las variables de decisin, no son ms que las que definimos
al inicio, son dos. Entonces escribimos 2.
Nmero de restricciones: tambin ya las hemos definido. Son tres restricciones. El
programa ya incluye las restricciones de no negatividad, por lo que solamente
escribimos las otras faltantes 3.
El programa trae la opcin de minimizacin o maximizacin. Como el nuestro es un
problema de maximizacin le damos entonces clic en maximizacin.
Damos clic en aceptar y nos aparecer una nueva ventana en la cual veremos en la
primera columna C1, C2, C3; estas son las restricciones del problema. Aparece
adems en la primer fila la letra Z, all colocaremos los coeficientes de las variables
de decisin de la funcin objetivo.
Para tener una mejor interpretacin es necesario que cambiamos los nombres a
las restricciones e incluso a las variables de decisin, para ello nos vamos a Edicin;
elegimos la opcin constraint name y podemos cambiarle el nombre a las
restricciones de igual forma, podemos elegir la opcin variable name y definir bien
quien es x1 y x2.
Cuando hemos introducido los coeficientes de la funcin objetivo y de las
restricciones, entonces podemos irnos a la opcin Solve and Analize y elegimos
Graphic Method, dado que nuestra intencin es resolverlo por el mtodo grfico.
Al hacer esto el programa nos mandar a una nueva ventana, la cual nos indica
que variable conforma el eje de las X y cual conforma el eje de las Y, le damos
aceptar y ante nosotros aparecer un grfico como el que se muestra a
continuacin.

Julio Rito Vargas Avils/UNI

Pgina 37

Gua Prctica para Investigacin de Operaciones

(2,6)
(0,6)

(4,3)

Regin
Factible

(0,0)

(4,0)

Los pares ordenados que han sido seleccionados son los que acotan la llamada Regin Factible,
son las posibles soluciones al problema y son esenciales para descubrir cual es el ptimo. El
siguiente paso es evaluar cada uno de estos puntos y encontrar el que maximice nuestras
utilidades al mayor porcentaje posible.
6. Soluciones factibles.
Valores permitidos
de la regin factible
(0,0)

x1 , x2

(0,6)
(2,6)
(4,3)
(4,0)

Funcin Objetivo

Z
Z
Z
Z
Z

Z 3x1 5x2
3(0) 5(0)
3(0) 5(6)
3(2) 5(6)
3(4) 5(3)
3(4) 5(0)

Soluciones factibles
(FEV)
0
30
36
27
12

Despus de haber analizado las soluciones factibles vemos que la que nos da la mxima
utilidad es el punto (2,6)
Esto se interpreta de la siguiente manera:
7. Soluciones ptimas:
Para obtener la mxima utilidad que es de $36,000 tendremos que
producir dos lotes del producto 1 y 6 lotes del producto 2.

Julio Rito Vargas Avils/UNI

Pgina 38

Gua Prctica para Investigacin de Operaciones


Problema 2.
Rulisa fabrica masa para pasteles de tipo I y II. La de tipo I la vende a 5 euros el kilo, gastando 1
euro en ingredientes y 2 en mano de obra. La de tipo II se vende a 3 euros y cuestan 1 euro,
tanto los ingredientes como el trabajo. Para hacer las masas se necesitan dos tipos de
actividades: amasado y horneado. Rulisa dispone de 18 horas de amasado y 12 de horneado a
la semana. La masa de tipo I necesita 2 horas de amasado
Y 3 de horneado, mientras que la de tipo II, necesita 3 de amasado y 1 de horneado.
Si la cantidad de masa que se puede vender es ilimitada, optimizar los beneficios semanales de
Rulisa.
Anlisis del problema

Identifiquemos los datos que necesitamos para la para definir el modelo:

Nmero de horas disponibles para produccin, por semana. (18 para amasado
y 12 para horneado)

Nmero de horas que requiere cada tipo de masa (tipo I y II) en amasado y
horneado.

La ganancia por cada producto (precio de venta - costos de produccin) de


cada uno.

La tabla siguiente resume los datos reunidos.


Actividades

Tiempo de produccin por producto, horas


Tipo de masa
I

Amasado
Horneado
Ganancias Por
Producto

II
2
3
2

3
1
1

Tiempo de produccin
disponible a la
semana, horas
18
12

Para lograr una mejor solucin del problema definiremos nuestras variables de decisin, las
cuales son:
1. Variables de decisin

x1 Kilogramos de masa I a fabricar semanalmente.

x2 Kilogramos de masa II a fabricar semanalmente.

Julio Rito Vargas Avils/UNI

Pgina 39

Gua Prctica para Investigacin de Operaciones


En este caso la funcin objetivo estar compuesta por la ganancia obtenida por cada tipo
de masa y por las variables de decisin. El problema que estamos resolviendo es un
problema de maximizacin.
2. Funcin Objetivo
Maximizar

z f ( x1 , x2 ) 2 x1 x2

Dado que este producto requiere de dos operaciones fundamentales (Amasado, Horneado) las
restricciones estarn dadas por la capacidad en horas semanales para estas actividades.
Adems colocaremos la restriccin de no negatividad.
3. Restricciones

2 x1 3x2 18
3x1x2 12

x1 0
x2 0

Tiempo mximo de amasado permitido


Tiempo mximo de horneado permitido

Restricciones de no negatividad

4. Ahora se puede formular el modelo matemtico del problema para lo cual definimos
la funcin objetivo a maximizar, sujeta a las restricciones que se sealaron
anteriormente.
Maximizar z 2 x1 x2
S. a

2 x1 3x2 18
3x1x2 12
5. Con la forma estndar del modelo, graficamos para encontrar la regin factible.

x1 0

x 0

Para graficar la regin factible 2es necesario que conozcamos los puntos por donde pasan las
diferentes rectas por lo que hacemos uso de el mtodo de intercepto. Aunque existen otros

Julio Rito Vargas Avils/UNI

Pgina 40

Gua Prctica para Investigacin de Operaciones


formas de resolver sistemas de ecuaciones haremos uso de este por considerarlo ms sencillo
de utilizar.
Primero cambiamos el signo por el =.
Elegimos de las ecuaciones.

2 x1 3 x2 18

x2 0

x1 0

2 x1 3(0) 18

2(0) 3 x2 18

x1 18 / 2

x2 18 / 3

x1 9

x2 6
Punto1 (0,6)
Punto2 (9,0) este punto queda descartado dado que no es uno de los vrtices de la regin
factible

3 x1 x2 12

x2 0

x1 0

3 x1 0 12

3(0) x2 12

x1 12 / 3

x2 12

x1 4

Punto3 (0,12)
Punto (4,0)

Descartamos este punto dado que No forma parte de la regin Factible.

Para encontrar la intercepcin de las rectas 2 x1 3x2 18 y 3x1 x2 12 usamos el mtodo


de sustitucin. Vemoslo a continuacin.

2 x1 3 x2 18

3 x1 x2 12
2 x1 3(12 3 x1 ) 18
2 x1 9 x1 36 18
7 x1 18
x1 18 7
x2 30 7

Dado que no todos los puntos son parte de la regin factible, podemos decir que los vrtices
de la regin factible son:

Julio Rito Vargas Avils/UNI

Pgina 41

Gua Prctica para Investigacin de Operaciones

3x1 x2 12

(0,6)
(18/7,30/7)

2 x1 3x2 18

(4,0)

(0,0)

Para encontrar la solucin ptima es necesario que evaluemos todos los valores de los vrtices
en la funcin objetivo.
6. Soluciones factibles.

Valores permitidos
de la regin factible
(0,0)

x1 , x2

(0,6)
(18/7, 30/7)
(4,0)

Funcin Objetivo

Z
Z
Z
Z

Z 2 x1 x2
2(0) 0
2(0) 6
2(18 / 7) 30 / 7
2(4) 0

Soluciones factibles
(FEV)
0
6
66/7
8

La solucin ptima se puede analizar de la siguiente manera.


7. Soluciones ptimas:
Para alcanzar la mxima utilidad es necesario que la empresa produzca 18/7 kg de masa de
tipo I y 30/7 Kg de masa de tipo II, para alcanzar una utilidad mxima de 66/7 de euros.

Julio Rito Vargas Avils/UNI

Pgina 42

Gua Prctica para Investigacin de Operaciones

GUA PRCTICA # 2
Solucin Grfica de PPL
Unidad 2: Programacin lineal
Contenidos:

Construccin del modelo de programacin lineal.


Solucin grfica del problema bidimensional

Objetivos: A l finalizar la prctica el estudiante adquiera las siguientes habilidades:

Resolver problemas de programacin lineal con dos y tres restricciones a


travs del Mtodo Grfico.
Graficar la regin de factibilidad en un sistema de coordenadas, haciendo uso
de las restricciones del problema de programacin lineal.
Hacer uso del IOR Tutoral para encontrar la regin de factibilidad del problema
de programacin lineal.
Encontrar la solucin al problema de programacin lineal de dos y tres
restricciones.

I.

Resuelva los siguientes problemas por el mtodo grafico.

Problema 1:
La compaa INTEL produce dos dispositivos para computadoras, (producto 1 y
producto 2) y requiere partes de metal y componentes elctricos. La administracin
desea determinar cuantas unidades de cada producto fabricar para maximizar la
ganancia. Por cada unidad del producto 1 se requiere 1 unidad de partes de metal y 2
unidades de componentes elctricos. Por cada unidad del producto 2 se necesitan 3
unidades de partes de metal y 2 unidades de componentes elctricos. La compaa
tiene 200 unidades de partes de metal y 300 componentes elctricos. Cada unidad del
producto 1 da una ganancia de $ 2 y cada unidad del producto 2 da una ganancia de $
3.00
a) formule un modelo de programacin lineal.
b) Utilice el mtodo grafico para resolver este modelo. Cul es la
ganancia total que resulta?

Materiales

Unidades de Material para cada Total de unidades


dispositivo
disponibles
de
cada
material
Producto 1
Producto 2

Ganancias por unidad


Julio Rito Vargas Avils/UNI

Pgina 43

Gua Prctica para Investigacin de Operaciones

1. Variables de decisin

2. Funcin Objetivo

3. Restricciones

4. Formule el modelo matemtico del PPL.


Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.

Forma estndar del modelo:

5. Con la forma estndar del modelo, graficamos para encontrar la regin


factible.

Julio Rito Vargas Avils/UNI

Pgina 44

Gua Prctica para Investigacin de Operaciones

6. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

7. Soluciones ptimas:

Problema 2:
Una fbrica de bombones tiene almacenados 500 Kg.. de chocolate, 100 Kg.. de
almendras y 85 Kg.. de frutas. Produce dos tipos de cajas: las de tipo A contienen 3
Kg. de chocolote, 1 Kg. de almendras y 1 Kg. de frutas; la de tipo B contiene 2 Kg. de
chocolate, 1,5 Kg. de almendras y 1 Kg. de frutas. Los precios de las cajas de tipo A y
B son 13 y 13,50 , respectivamente. Cuntas cajas de cada tipo debe fabricar para
maximizar sus ventas?

Julio Rito Vargas Avils/UNI

Pgina 45

Gua Prctica para Investigacin de Operaciones


Caja tipo A

Caja tipo B

Disponibles

Chocolate
Almendras
Frutas
Precio en euros

1. Variables de decision

2. Funcin Objetivo

Julio Rito Vargas Avils/UNI

Pgina 46

Gua Prctica para Investigacin de Operaciones


Restricciones

3. Formule el modelo matemtico del PPL.


Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.

Forma estndar del modelo:

4. Con la forma estndar del modelo, graficamos para encontrar la regin


factible.

Julio Rito Vargas Avils/UNI

Pgina 47

Gua Prctica para Investigacin de Operaciones


5. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

6. Soluciones ptimas:

Problema 3:
Un laboratorio de Cmputos, almacena, al menos 300 Computadoras de un tamao y
400 de un segundo tamao. Se ha decidido que el nmero total de computadoras
almacenadas no debe exceder de 1200. Determine las cantidades posibles de estos
dos tipos de computadoras que pueden almacenarse.
Restricciones

Tipo de Computadoras
Computadora 1
Computadora 2

Total
Computadoras

Tipos de Computadoras

1. Variables de decisin

2. Funcin Objetivo

3. Restricciones

Julio Rito Vargas Avils/UNI

Pgina 48

Gua Prctica para Investigacin de Operaciones


4. Formule el modelo matemtico del PPL.
Ahora se puede formular el modelo matemtico del problema para lo cual
definimos la funcin objetivo a maximizar, sujeta a las restricciones que
se sealan.
Forma estndar del modelo:

5. Con la forma estndar del modelo, graficamos para encontrar la regin


factible.

6. Soluciones factibles.
Valores permitidos x1 , x 2
de la regin factible

Funcin Objetivo

Soluciones factibles
(FEV)

7. Soluciones ptimas:

Julio Rito Vargas Avils/UNI

Pgina 49

Gua Prctica para Investigacin de Operaciones


El Mtodo Simplex
Para la solucin de un problema de PL
Para resolver los problemas de PL se utilizan varios Algoritmos. El ms antiguo y ms
utilizado sigue siendo el Algoritmo del Simplex debido a Dantzig.
La solucin de los problemas de programacin lineal parte de dos teoremas
fundamentales:
El conjunto factible de un problema de PL puede representarse mediante un
poliedro convexo.
Si un PL tiene solucin ptima y finita sta se encuentra en uno de los vrtices
del poliedro convexo.
De ellos se deduce que:
Puesto que el nmero de vrtices de un poliedro factible es finito, el nmero de
posibles soluciones de un PL tambin es finito.
Esto sugiere, inicialmente, un algoritmo para calcular la solucin ptima:
Calcular el valor de la funcin objetivo en cada vrtice del conjunto factible y escoger
el mejor. Sin embargo, el nmero de vrtices de un conjunto factible es:

m n
(m n)!


m
m! (m n - m)!
m = nmero de restricciones
n =nmero de variables
Ejemplo: S m=3;

n=2; entonces el nmero de Vrtices=10

El concepto de vrtice es de naturaleza geomtrica y es poco adecuado para construir


un algoritmo utilizable por ordenadores.
Conceptos importantes:
Variable bsica: Una de las variables restantes, diferentes a las no-bsicas, de un
programa lineal en forma estndar (igual en nmero al total de restricciones de
igualdad)
Variable no bsica: conjunto seleccionado de variables de un programa lineal en
forma estndar (en nmero igual al total de variables menos el nmero de
restricciones de igualdad) cuyos valores se toman como cero.
Forma estndar: Una forma particular de un problema de programacin lineal en el
que la funcin objetivo debe ser maximizada; solamente existen restricciones de
igualdad y todos los lados derechos de las variables son no negativos

Julio Rito Vargas Avils/UNI

Pgina 50

Gua Prctica para Investigacin de Operaciones


Solucin bsica: Valores de las variables que satisfacen las restricciones de igualdad
de un programa lineal en forma estndar, despus de que las variables no bsicas se
toman como cero.
Solucin bsica factible inicial: Valores de las variables que satisfacen las
restricciones de igualdad y de no negatividad de un programa lineal en forma
estndar, despus de que las variables no bsicas se toman como cero.
Variable de sobrante: variable no negativa que se aade al lado izquierdo de una
restriccin menor o igual que, para obtener una restriccin de igualdad equivalente.
Variable de faltante: variable no negativa que se aade al lado izquierdo de una
restriccin mayor o igual que, para obtener una restriccin de igualdad equivalente.
Iteracin: una serie de pasos de un algoritmo que se repien.
Prueba de optimalidad: Mtodo para determinar si la solucin obtenida es la ptima.
Mejora: proceso de encontrar soluciones factibles con valores de la funcin objetivo
cada vez mejores.
El Mtodo Simplex se basa en el concepto de la SOLUCIN BSICA FACTIBLE
Es aquella que tiene al menos n-m componentes nulos o variables no bsicas. Las m
restantes variables se denominan bsicas.
A partir de:

Ax = b
x0

Se dice que x es una SBF si puede realizarse la particin:


A = [ N|B]

x
x N
xB

xN = 0

xB = B-1b

Existen varios tipos de solucin bsica:

SB Factible: Todas las variables bsicas xB 0

SBF No Degenerada: xB > 0

SBF Degenerada: algn xB = 0

Cada SBF representa un vrtice del Conjunto Factible.


Sin embargo, un vrtice puede estar representado por ms de una SBF si esta es
degenerada.
Cualquier conjunto polidrico no vaco contiene al menos un vrtice, y si hay un
vrtice, siempre habr por lo menos una SBF.

Julio Rito Vargas Avils/UNI

Pgina 51

Gua Prctica para Investigacin de Operaciones


El algoritmo del Simplex busca el ptimo de un problema de PL recorriendo algunos de
los vrtices del poliedro del conjunto de soluciones factibles.
En cada iteracin, el algoritmo se desplaza de un vrtice a otro de forma que el valor
de la funcin objetivo mejore con el desplazamiento.
La optimizacin de un PL puede dar 4 posibles resultados:
ptimo nico
Soluciones Alternativas: Existen varias soluciones que dan el mismo valor en
la funcin objetivo.
No factible: No existe ninguna solucin que satisfaga simultneamente todas
las restricciones del problema
No acotado: El valor de la funcin objetivo en el ptimo es tan grande o
(pequeo) como se desee en caso de maximizacin (o minimizacin).
LAS 3 PARTES DEL ALGORITMO DEL SIMPLEX:
Costes reducidos (cj-zj ):
Miden el efecto sobre la funcin objetivo de un aumento unitario en el valor de cada
una de las variables no bsicas. Por tanto:

Si una variable no bsica que tenga asociado un (cj-zj) > 0 entrara en la


base, el valor de z aumentara.

Si una variable no bsica que tenga asociado un (cj-zj) < 0 entrara en la


base, el valor de z disminuira.

Si una variable no bsica que tenga asociado un (cj-zj) = 0 entrara en la


base, el valor de z permanecera inalterado.

TEST DE OPTIMALIDAD

En problemas de maximizacin: La solucin es ptima si todos los


costes reducidos (cj-zj) son 0.

En problemas de minimizacin: La solucin es ptima si todos los


costes reducidos (cj-zj) son 0.

REGLA DE ENTRADA EN LA BASE

La variable que entra en la base debe ser aquella que tenga el mayor coste reducido
(absoluto) en el caso de maximizacin (o mayor coste reducido en el caso de
minimizacin), ya que sta es la variable que aumenta (o disminuye) ms rpidamente
el valor de la funcin objetivo.
La interpretacin de este cociente:
Representa el mximo valor que puede tomar la variable entrante antes de que la
variable que se est considerando viole su restriccin de no negatividad.
Julio Rito Vargas Avils/UNI

Pgina 52

Gua Prctica para Investigacin de Operaciones


Si todos los aik son 0 la solucin no est acotada:
La variable entrante puede crecer indefinidamente sin prdida de factibilidad.
En el PL se transforman las inecuaciones en ecuaciones.
Dentro de la matriz A de coeficientes deber encontrarse una submatriz
identidad (I) de orden mxm:
A = [N | I ]
Las variables cuyos coeficientes tcnicos (aij) se corresponden con la submatriz
identidad, sern las variables consideradas bsicas (xB) en la solucin inicial y
sus valores de solucin sern los trminos independientes de las restricciones
(b).
El resto de variables sern consideradas no bsicas (xN) y, por tanto, su valor de
solucin ser cero.

x
0
x N
x
b
B
Si A no contiene una submatriz identidad o existe algn componente negativo en b, no
resulta inmediato determinar una SBF inicial.

Julio Rito Vargas Avils/UNI

Pgina 53

Gua Prctica para Investigacin de Operaciones

Julio Rito Vargas Avils/UNI

Pgina 54

Gua Prctica para Investigacin de Operaciones


EJEMPLO APLICADO EL METODO SIMPLEX

Operacin

Producto

Disponibilidad

(horas/periodo)

Cortado

10

2500

Cosido

10

2000

Empaquetado

500

Beneficio unitario

23

32

El P.L. correspondiente es:


Max

z = 23x + 32y

sujeto a:
10x + 6y 2500
5x + 10y 2000
500

x + 2y

x, y 0
Para convertir las inecuaciones en ecuaciones se aade una variable de holgura si por
cada ecuacin:
Max (z) = 23x + 32y + 0 h1+ 0 h2 + 0 h3
10x + 6y + h1
5x + 10y
x + 2y

+ h2

= 2500
= 2000
+ h3 = 500
x, y 0

El proceso de clculo de la solucin utilizando el mtodo del Simplex en forma de


tableau es el siguiente:

Julio Rito Vargas Avils/UNI

Pgina 55

Gua Prctica para Investigacin de Operaciones


PASO 1: Formar el tableau inicial
a) Forma Algebraica

b) Forma Tabular
Coeficiente de :
Y
h1
h2

h3

Lado
Derecho

2500

10

2000

500

Ec.

(0) Z - 23x - 32y =0

Variable
Bsica
Z

(0)

-23

-32

(1) 10x + 6y + h1 = 2500

h1

(1)

10

(2) 5X+10Y + h2 = 2000

h2

(2)

(3) X+ 2Y + h3=500

h3

(3)

PASO 2. Test de Optimalidad. Los costes reducidos de las variables x e y son


negativos. Luego no estamos en el ptimo y debe aplicarse la regla de entrada en la
base.
PASO 3. Regla de entrada. Se introduce la variable con mayor coste (absoluto)
reducido, en este caso, la variable y.
PASO 4. Regla de salida. Para determinar que variable sale de la base se calculan los
ratios:
Mn {bi /yik } = Mn {2500/6, 2000/10, 500/2} = 200
El mnimo es 200, por tanto, sale h2
PASO 5. Actualizacin de la solucin:

Se divide la fila entrante por el pivote

El resto de las filas se actualizan restndoles la fila correspondiente a la nueva


variable bsica, multiplicada por yik

El tableau resultante es:

Primer Iteracin
c)

Forma Algebraica

d) Forma Tabular
Coeficiente de :
Y
h1
h2

h3

Lado
Derecho

3.2

6400

-0.6

1300

0.1

200

-0.2

100

Ec.

(4) Z - 23x - 32y =0

Variable
Bsica
Z

(0)

-7

(5) 10x + 6y + h1 = 2500

h1

(1)

(6) 5X+10Y + h2 = 2000

(2)

0.5

(7) X+ 2Y + h3=500

h3

(3)

Julio Rito Vargas Avils/UNI

Pgina 56

Gua Prctica para Investigacin de Operaciones

Una vez recalculado el tableau, se vuelve al paso 2 y se realiza una nueva iteracin. El
tableau resultante es:
e)

Forma Algebraica

f)

Forma Tabular
Coeficiente de :
Y
h1
h2

h3

Lado
Derecho

3.2

6400

-0.6

1300

0.1

200

-0.2

100

Ec.

(8) Z - 23x - 32y =0

Variable
Bsica
Z

(0)

-7

(9) 10x + 6y + h1 = 2500

h1

(1)

(10) 5X+10Y + h2 = 2000

(2)

0.5

(11) X+ 2Y + h3=500

h3

(3)

Segunda iteracin:
g) Forma Algebraica

h) Forma Tabular
Coeficiente de :
Y h1
h2

h3

Lado
Derecho

2.6

7700

0.14

-0.08

185.7142

-0.07

0.14

107.1428

-0.2

100

Ec.

(12) Z - 23x - 32y =0

Variable
Bsica
Z

(0)

(13)10x + 6y + h1 = 2500

(1)

(14) 5X+10Y + h2 = 2000

(2)

(15) X+ 2Y + h3=500

h3

(3)

Solucin ptima para X=185.7142, Y=107.1428 con Z=7700.


Si en la matriz A no existe una submatriz identidad, se deber seguir uno de los dos
siguientes procedimientos:

Mtodo de Eliminacin o de la M Grande

Mtodo de las 2 Fases

En ambos casos se resuelve un problema de apoyo que:

En A incluye una submatriz identidad I, por lo que resulta muy sencillo


determinar una solucin inicial

Su ptimo, si existe, es una SBF del problema.

Una vez construido el problema de apoyo se aplica el algoritmo del Simplex para su
solucin final.
Julio Rito Vargas Avils/UNI

Pgina 57

Gua Prctica para Investigacin de Operaciones


Ejemplo 2:
Resolveremos por el mtodo Simplex el problema de la WINDOR GLASS CO. Que produce
artculos de vidrio de alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas.
Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2; la 3
produce el vidrio y ensambla los productos.

Julio Rito Vargas Avils/UNI

Pgina 58

Gua Prctica para Investigacin de Operaciones

Julio Rito Vargas Avils/UNI

Pgina 59

Gua Prctica para Investigacin de Operaciones


Solucin de los dos problemas anteriores por Simplex Revisado.

Julio Rito Vargas Avils/UNI

Pgina 60

Gua Prctica para Investigacin de Operaciones


GUA PRCTICA # 3
Solucin por el Mtodo Simplex y Simplex Revisado
I. Resolver por el mtodo simplex y simplex revisado, los siguientes problemas.
Max Z 40 x1 60 x2
Sujeto a:

2 x1 x2 70
x1 x2 40
x1 3 x2 90
x1 , x2 0
Forma Algebraica

Forma Tabular

Variable
Bsica

Ec.

X1

Coeficiente de :
X2
X3
X4

X5

Lado
Derecho

(0)
(1)
(2)
(3)

II.Resolver por el mtodo simplex, el siguiente problema:

4 x1 3x2
Max
Sujeto a:

x1 x2 40
2 x1 x2 60
x1 , x2 0
Forma Algebraica

Forma Tabular

Variable
Bsica

Ec.

Coeficiente de :
X1
X2
X3
X4

Lado
Derecho

(0)
(1)
(2)
(3)

Julio Rito Vargas Avils/UNI

Pgina 61

Gua Prctica para Investigacin de Operaciones


DUALIDAD Y ANLISIS DE SENSIBILIDAD
Teora de dualidad:

La teora de dualidad parte que asociado a todo problema de PL tiene existe


otro problema lineal llamado dual.

Las relaciones entre el problema dual y el problema original o (llamado


tambin primal) son en extremos tiles en una gran variedad de situaciones.

Uno de los aspectos ms importantes de la teora de dualidad es la


interpretacin y realizacin del anlisis de sensibilidad.

Esencia de la teora de dualidad:

Dada la forma estndar para el problema primal (izquierda), su problema dual tiene la
forma que se muestra a la derecha.
Max

Z cjxj

Min

j 1

sujeto

a:

a x
j 1

ij

W yb
sujeto
yA c

a:

y0

bi

xj 0
El problema dual usa exactamente los mismos parmetros que el problema primal, pero en
diferentes lugares.
Dada la forma matricial del problema primal (izquierda), y del problema dual.
Max

Z cx
sujeto
Ax b
x0

Min

a:

W yb
sujeto
yA c

a:

y0

Donde c, y son vectores fila y b y x son vectores columna.

Julio Rito Vargas Avils/UNI

Pgina 62

Gua Prctica para Investigacin de Operaciones


Problema primal y dual para el caso del problema de Wyndor Glass Co.
El problema primal
Max

El problema Dual

Z 3 x1 5 x2
sujeta
x1 4

Min

W 4 y1 12 y2 18 y3
sujeta
a:
y1 3 y3 3

a:

2 y 2 2 y3 5

2 x2 12

y1 0

3 x1 2 x2 18

y2 0

x1 0

y3 0

x2 0

A la izquierda se muestra el problema primal en forma algebraica y a la derecha el problema


dual en forma algebraica.
El problema dual se puede resolver por los mismos mtodos que hemos resueltos los
problemas PL. Por lo que para efectos de anlisis vamos resolverlo usando WinQSB.
Max

x
Z 3 5 1
x2
sujeta
a:

Min

1 0
4
0 2 x1 12

x
3 2 2 18
x1 0
x 0
2

W y1
sujeta

y1

y2

y1

y2

y2

4
y3 12
18

a:
1
y3 0
3

y3 0

0
2 3
2
0

A la izquierda se muestra el problema primal en forma matricial y a la derecha el problema


dual en forma matricial.

Solucin del P. dual, para el ejemplo Wyndor Glass Co. (usando WinQSB)

La solucin ptima es: Y1=0 , Y2=1.5, Y3=1 para z= 36.


Julio Rito Vargas Avils/UNI

Pgina 63

Gua Prctica para Investigacin de Operaciones

La solucin ptima es: X1=2 y X2=6 para z= 36


Anlisis comparativo: (Solucin dual y primal)
En cuadro anterior se puede ver que la solucin de las variables de decisin del problema
primal son: X1=2 y X2=6, estos resultados corresponden los precios sombras de la solucin
del problema dual.
La solucin de las variables de decisin del problema dual son: Y1=0 , Y2=1.5, Y3=1. Estos
valores corresponden a los precios sombra del problema primal.
El ptimo de la funcin objetivo tanto del problema dual como primal es el mismo ( Z=36).
Los valores mnimos permitidos en las variables de decisin del primal (X1=0; X2=2)
corresponden a los mnimos permitidos en las restricciones del problema dual.
Los valores mximos permitidos en las variables de decisin del primal (X1=7.5 ; X2= M)
corresponden a los mximos permitidos en las restricciones del problema dual.
Los valores mnimos permitidos en las variables de decisin del dual (Y1=2; Y2=6;Y3=12)
corresponden a los mnimos permitidos en las restricciones del problema primal.
Los valores mximos permitidos en las variables de decisin del dual (Y1=M ; Y2= 18 ;Y3=24)
corresponden a los mximos permitidos en las restricciones del problema primal.
La reduccin de costos para las variables de decisin de problema primal (X1=0;X2=0)
corresponden a los precios sombras del problema del problema dual.
La reduccin de costos para las variables de decisin de problema dual (Y1=2;Y2=0;Y3=0)
corresponden a los precios sombras del problema del problema primal.
Problema primal (original):
MAX

Z= 3X1 + 4X2 2X3

Sujeto a:

Variables duales

4X1 12X2 + 3X3 < 12

Y1

2X1 + 3X2 + X3 < 6

Y2

5X1 +

Y3

X2 6X3 < -40

3X1 4X2 2X3 < 10


Julio Rito Vargas Avils/UNI

Y4
Pgina 64

Gua Prctica para Investigacin de Operaciones


X1 > 0,

X2 < 0, X3 no restringida en signo

Problema Dual
Min W = 12Y1 + 6Y2 40Y3 + 10Y4
Sujeto a:
4Y1 2Y2 5Y3 + 3Y4 >= 3
12Y1 + 3Y2 + Y3 - 4Y4 >= 4
3Y1 + Y2 6Y3 2Y4 >= -2
Y1 > 0,

Y2 < 0, Y3 > 0,

Y4 no restringida en signo

Usando WinQSB. Obtenemos la solucin de ambos problemas.


Sensibilidad:
El anlisis de sensibilidad concierne el estudio de posibles cambios en la solucin ptima
obtenida como resultado de hacer cambios en el modelo original.
Como en cualquier aspecto de decisin gerencial, es til realizar un anlisis de sensibilidad
para determinar cmo afecta a la decisin la asignacin de probabilidades.
Mediante el anlisis de sensibilidad pueden existir diferentes tipos de cambios en el modelo
original como:
1. Cambios en los coeficientes de la funcin objetivo, Cij
2. Cambios en los recursos, bi

3. Cambios en los coeficientes tecnolgicos, aij

4. Adicin de una nueva variable Xi

5. Adicin de una nueva restriccin. aij >= bi


Ejemplo de anlisis de sensibilidad:
La empresa KAMIR se dedica a la fabricacin de tres producto; A, B y C. El procedimiento de
produccin involucra tres operaciones: formacin, acabado e inspeccin. El departamento de
ingeniera industrial, ha establecido los siguientes estndares de produccin en cada
operacin.
Datos de produccin para la compaa (minutos por producto)

Julio Rito Vargas Avils/UNI

Pgina 65

Gua Prctica para Investigacin de Operaciones

El departamento de contabilidad por su parte, pronostica los siguientes costos e ingresos para
la compaa.
Datos de costo e ingreso para la compaa

Se desea saber el nmero de cada tipo de producto que debern producirse de tal manera que
se optimice el beneficio por las 8 horas de trabajo del da. Considerando la informacin, se
plante el modelo de programacin lineal:
X1: nmero de productos tipo A.
X2: nmero de productos tipo B.
X3: nmero de productos tipo C.
Solucin: Modelo de PPL

Z 20 x1 35 x2 45 x 3
sujeto
a:
2 x1 6 x2 2 x3 480 formacin

3 x1 6 x2 2 x3 480inspeccin
2 x1 2 x2 4 x3 480acabado

Dual del Problema anterior.


Min W= 480Y1 + 480Y2 + 480y3
Sujeto a:
2y1 + 3y2 + 2y3 20
6y1 + 6y2 + 2y3 35
2y1 + 2y2 + 4y3 45
y1 0
Julio Rito Vargas Avils/UNI

Pgina 66

Gua Prctica para Investigacin de Operaciones


y2 0
y3 0
Responda las siguientes preguntas.
1. Determine los rangos de variacin de las variables bsicas en donde la base actual
permanece
2. Cul es el rango de los recursos en donde la base actual permanece?
3. En cules de las operaciones recomendara usted contratar tiempo extra y por que?
4. Que pasara si se programaran 20 minutos extras en el departamento de inspeccin,
cambiara la funcin objetivo?
5. En cunto se incrementara la utilidad ptima actual si se programan 50 minutos en el
departamento de formado?
6. Qu pasara con la solucin ptima actual si se programaran 30 minutos de
mantenimiento en el departamento de acabado?
7. Si se logran reducir los costos de produccin en el producto B en un 25%, cmo se
afecta la base actual y el objetivo?
8. Si los trabajadores ofrecen trabajar minutos extras a razn de $5/minuto,
recomendara usted tiempo extra?, si lo recomienda, en que departamento y cuanto
tiempo extra puede programarse sin cambiar la mezcla actual?
Problema PPL con anlisis de sensibilidad.
Es problema de PL con varias variables

Ken & Larry Inc. surte su helado a los expendios en cuatro sabores: chocolate, vainilla,
chicle y pltano. Debido al calor extremo y la alta demanda, la compaa tiene un
dficit en el abastecimiento de los ingredientes: leche, azcar y crema.
Esto no le permite satisfacer todas las rdenes recibidas de sus expendios. Por estas
circunstancias, la compaa a decidido seleccionar la cantidad que debe producir de
cada sabor para maximizar la ganancia total, dadas las restricciones en las cantidades
de ingredientes bsicos.

Julio Rito Vargas Avils/UNI

Pgina 67

Gua Prctica para Investigacin de Operaciones


Sujeto a:

La compaa tiene solo 220 galones de leche, 170 libras de azcar y 70


galones de crema. (por mes)
Un galn de helado de chocolate consume: 0.45 galn de leche, 0.5 libra de
azcar y 0.10 galn de crema.
Un galn de helado de Vainilla consume: 0.5 galn de leche, 0.4 libra de
azcar y 0.15 galn de crema.
Un galn de helado de banano consume: 0.4 galn de leche, 0.4 libra de
azcar y 0.2 galn de crema.
Un galn de helado de chicle consume: 0.4 galn de leche, 0.4 libra de azcar
y 0.3 galn de crema.
La compaa para mantener su mercado cautivo de sabores a decidido
tambin producir al menos 30 galones de helados de cada uno de los cuatro
sabores.
Los sabores de chocolate, vainilla, banano y chicle generan ganancias
respectivas de $1.10, $1.0, $0.9 y $.95 por galn.

Variables de decisin
X1 = Nmeros de Galones de helados de chocolate
X2 = Nmeros de Galones de helados de vainilla
X3 = Nmeros de Galones de helados de banano
X4= Nmeros de Galones de helados de chicle
Funcin objetivo
Max. Z = 1.1 X1 + 1.0 X2 + 0.90X3 + 0.95X4
$ = ($/galn de chocolate) x (Nmero galones chocolate)
+ ($/galn de vainilla) x (Nmero galones vainilla)
+ ($/galn de pltano) x (Nmero galones banano)
+ ($/galn de chicle) x (Nmero galones chicle)
Restriccin de produccin
0.45X1 es el total de galones de leche que se requieren para producir X1 galones de
chocolates
0.5X2 es el total de galones de leche que se requieren para producir X2 galones de
vainilla
0.4X3es el total de galones de leche que se requieren para producir X3 galones de
banano
0.4X4 es el total de galones de leche que se requieren para producir X4 galones de
chicle
Julio Rito Vargas Avils/UNI

Pgina 68

Gua Prctica para Investigacin de Operaciones


0.45X1 + 0.5X2 + 0.4X3 + 0.4X4 220
0.5X1 es el total de libras de azcar que se requieren para producir X1 galones de
chocolates
0.4X2 es el total de libras de azcar que se requieren para producir X2 galones de
vainilla
0.4X3es el total de libras de azcar que se requieren para producir X3 galones de
banano
0.4X4 es el total de libras de azcar que se requieren para producir X4 galones de
chicle
0.5X1 + 0.4X2 + 0.4X3 + 0.4X4 170
0.1X1 es el total de galones de crema que se requieren para producir X1 galones de
chocolates
0.15X2 es el total de galones de crema que se requieren para producir X2 galones de
vainilla
0.2X3es el total de galones de crema que se requieren para producir X3 galones de
banano
0.3X4 es el total de galones de crema que se requieren para producir X4 galones de
chicle
0.1X1 + 0.15X2 + 0.2X3 + 0.3X4 70
Compromisos de demanda
X1 galones de chocolate 30 galones
X2 galones de vainilla 30 galones
X3 galones de banano 30 galones
X4 galones de chicles 30 galones
Modelo de PPL
Max. Z = 1.1 X1 + 1.0 X2 + 0.90X3 + 0.95X4

Julio Rito Vargas Avils/UNI

Pgina 69

Gua Prctica para Investigacin de Operaciones


Sujeto a:
0.45X1 + 0.5X2 + 0.4X3 + 0.4X4 220
0.5X1 + 0.4X2 + 0.4X3 + 0.4X4 170
0.1X1 + 0.15X2 + 0.2X3 + 0.3X4 70
30

X1

30

X2

30

X3
X4

30

No se necesitan las condiciones de no negatividad puesto que existen restricciones de


demanda para todas las variables.
Solucin

PREGUNTAS ADICIONALES

Suponga que la ganancia por galn de pltano a $1.00 cambia la solucin


ptima y que se puede decir de la ganancia total?

Julio Rito Vargas Avils/UNI

Pgina 70

Gua Prctica para Investigacin de Operaciones

- Cambia la ganancia total


- Cambia la solucin ptima.

Suponga que la ganancia por galn de pltano a $0.92 cambia la solucin


ptima y que se puede decir de la ganancia total?

- Cambia levemente la ganancia total


- No cambia la solucin ptima
- Se podra decir que no hay cambios relevantes en la optimizacin.

Suponga que descubren tres galones de crema agrio que tienen que tirarse
cambia la solucin ptima y que se puede decir de la ganancia total?
Se podra decir que no hay cambios en la optimizacin ni en la ganancia, eran
Sobrantes.

Julio Rito Vargas Avils/UNI

Pgina 71

Gua Prctica para Investigacin de Operaciones

Suponga que tienen la oportunidad de comprar 15 libras adicionales de azcar


por un costo total de $15.00Deben comprarlas ? explique

Se recomienda comprarlos, eso permite mejorar la solucin ptima


El precio es inferior a lo permitido de $2.50 por libra, por tanto es una
buena opcin.

Nota: Se utiliz el software WINQSB para la solucin del modelo.

Julio Rito Vargas Avils/UNI

Pgina 72

Gua Prctica para Investigacin de Operaciones


9. Que paseara si se programara la produccin de 10 unidades del producto A ?
10. Qu pasara si por cambios en maquinara y procesos el producto A cambiara sus
tiempos de fabricacin en
11. a1= (2,3,2) a

a1 = (1,2,2)

12. Por polticas de la empresa es necesario producir un nuevo producto con las siguientes
caractersticas C4=60, a4 = (2,1,3), Qu recomendara?

Solucin del primal con WinQSB.


Decisin
Variable

Solution
Value

Unit Cost
or
Profit c[i]

X1
X2
X3
Objective

0
48
96
Function

Constraint

Left
Hand
Side

C1
C2
C3

480.00
480.00
480.00

Total
Contribution

Reduced
Cost

20
35
45
Max=

0
1,680.00
4,320.00
6,000.00

-5.00
0
0

at bound

Direction

Right Hand
Side

480.00
480.00
480.00

<=
<=
<=

Basis
Status

Allowable
Min c[i]

Allowable
Max c[i]

Basic
Basic

-M
22.50
32.50

25.00
135.00
70.00

Stack
Or
Surplus

Shadow
Price

Allowable
Min RHS

Allowable
Max RHS

0
0
0

2.50
0
10.00

240.00
480.00
160.00

480.00
M
960.00

Respuestas a las preguntas:


1. Determine los rangos de variacin de las variables bsicas en donde la base actual
permanece: X2 est entre 22.5 y 135.00, X3 est entre 32.5 y 70, la variable X1 no es
bsica, es decir no se recomienda producir del producto A.
2. Cul es el rango de los recursos en donde la base actual permanece?
Para formacin se puede tener entre 240 y 1440 minutos.
Para inspeccin se puede tener entre 288 y M (ilimitado) minutos.
Para acabado se puede tener entre 160 y 960 minutos.
3. En cules de las operaciones recomendara usted contratar tiempo extra y por que?
En acabado, por ejemplo con 2 horas ms en acabado se produciran 132 unidades del
producto C, actualmente son 96. Con una nueva utilidad de 7,200.00 contra 6,000 que
actualmente se obtienen. El intervalo lo permite con una costo de por minuto de
U$10.
4. Qu pasara si se programaran 20 minutos extras en el departamento de inspeccin,
cambiara la funcin objetivo? No cambiara la funcin objetivo, la cual permanecer
Julio Rito Vargas Avils/UNI

Pgina 73

Gua Prctica para Investigacin de Operaciones


igual porque no se afectara la produccin. Los 20 minutos que daran como sobrantes,
es decir no se aprovecharan.
5. En cunto se incrementara la utilidad ptima actual si se programan 50 minutos en el
departamento de formado? La utilidad ptima seguira siendo la misma que la actual,
no habra incremento en la produccin, y los 50 minutos no seran utilizados.
6. Qu pasara con la solucin ptima actual si se programaran 30 minutos de
mantenimiento en el departamento de acabado? Si se programan 30 minutos de
acabado solo contaramos con 450 minutos para este proceso, lo que afectara la
produccin de la siguiente manera: se produciran 51 unidades tipo B y 87 unidades
tipo C, para una utilidad ptima de 5,700.00, tenindose una prdida de U$ 300 por el
tiempo perdido en mantenimiento.
7. Si se logran reducir los costos de produccin en el producto B en un 25%, cmo se
afecta la base actual y el objetivo? Actualmente los costos de produccin del producto
B es U$50.00 con 25% menos los costos de produccin sern de U$ 37.50. Por lo tanto
la utilidad por unidad producida ser de (U$37.50+U$15.00=U$52.50) y es vendida en
U$100.00 por lo que la utilidad ser de U$ 47.50. Esto afectar la funcin objetivo, la
que lgicamente aumentar su ptimo a U$6,600.00 produciendo los mismos
productos.
8. Si los trabajadores ofrecen trabajar minutos extras a razn de $5/minuto,
recomendara usted tiempo extra?, si lo recomienda, en que departamento y cuanto
tiempo extra puede programarse sin cambiar la mezcla actual? El modelo recomienda
de acuerdo a los intervalos que se pueden contratar minutos extras en inspeccin y
acabado, siendo el acabado el de mayor costo. Si hay una disminucin de costo. Se
podra aumentar al mximo recomendado de 8 horas extras o sea 480 minutos en
acabado para un total de 960 minutos en acabado. Esto permitir ptimo de U$
10,800.00 con una produccin concentrada en el producto C. que es de mayor
rentabilidad.
9. Que paseara si se programara la produccin de 10 unidades del producto A?
Si se producen 10 unidades del producto A, las utilidades se reduciran a U$ 5,925.00 o
sea se tendra una prdida de U$75.00 con respecto a la utilidad actual.
10. Qu pasara si por cambios en maquinara y procesos el producto A cambiara sus
tiempos de fabricacin en
11.

a1= (2,3,2)

a1 = (1,2,2)

Seguira siendo poco atractivo producir el producto A dado su poca utilidad en


comparacin con los productos B y C. de manera que se seguira produciendo la misma
cantidad de B y C y por lo tanto obtendramos el mismo ptimo actual.
12. Por polticas de la empresa es necesario producir un nuevo producto con las siguientes
caractersticas C4=60, a4 = (2,1,3), Qu recomendara?
Julio Rito Vargas Avils/UNI

Pgina 74

Gua Prctica para Investigacin de Operaciones


Remplazar el producto A que no es rentable y producir el nuevo producto segn el
anlisis de optimalidad con los parmetros del nuevo producto se vuelve atractivo
producirlo, ya que la nueva utilidad neta sera de U$ 9,600.00 con tiempo de
procesamiento menor. Esto implica ahorro en maquinaria y horas-hombres.

Z 60 x1 35 x2 45 x 3
sujeto
a:
2 x1 6 x2 2 x3 480 formacin
x1 6 x2 2 x3 480inspeccin

3 x1 2 x2 4 x3 480acabado

Julio Rito Vargas Avils/UNI

Pgina 75