Investigacion Operaciones v3

INVESTIGACION DE OPERACIONES EN MINERIA
CONTENIDO
CAPITULO I......................................................................................................................................................1
INTRODUCCION A LA INVESTIGACION DE OPERACIONES.............................................................1
1.1. ¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?...............................................................1
1.2. HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES.........................................................1
1.3. METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES..............................................2
1.3.1. Definición del problema..............................................................................................................2
1.3.2. Desarrollo de un Modelo Matemático y Recolección de Datos.......................................3
1.3.3. Resolución del Modelo Matemático........................................................................................3
1.3.4. Validación, Instrumentación y Control de la Solución......................................................3
1.3.5. Modificación del Modelo............................................................................................................4
1.4. USOS Y VENTAJAS DE LOS MODELOS DE INVESTIGACIÓN DE OPERACIONES........4
1.5. RESUMEN............................................................................................................................................5
CAPITULO II.....................................................................................................................................................6
CONSTRUCCION DE MODELOS DETERMINISTICOS.........................................................................6
2.1. PASOS GENERALES Y TÉCNICAS DE LA CONSTRUCCIÓN DE MODELOS
MATEMÁTICOS...............................................................................................................................................6
EJEMPLO 2.1 EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DE CASE CHEMICALS
Case Chemicals produce dos solventes, CS-01 y CS-02, en su planta de Cleveland. Las
empresas que compran estos solventes los usan para disolver ciertas sustancias tóxicas que se
producen durante procesos de fabricación particulares. La planta opera 40 horas a la semana y
emplea a cinco trabajadores de tiempo completo y a dos de tiempo parcial, que trabajan 15
horas a la semana. Estas personas operan las siete máquinas que mezclan ciertos químicos
para producir cada solvente. Los productos salen del departamento de mezclado para ser
refinados en el departamento de purificación, que actualmente tiene siete purificadores y
emplea a seis trabajadores de tiempo completo y a uno de tiempo parcial, que trabaja 10 horas
a la semana...................................................................................................................................................6
Identificación de las variables de decisión.........................................................................................6
Identificación de los datos del problema............................................................................................7
Identificación de la función objetivo....................................................................................................8
Identificación de las restricciones.........................................................................................................9
Formulación matemática del problema.............................................................................................10
2.2. EJEMPLOS DE FORMULACIÓN DE MODELOS MATEMÁTICOS.......................................11
2.2.1. Problemas de planeamiento de produccion.......................................................................11
2.2.1.1. Planeamiento de produccion del Sindicato Minero Pacococha SA........................11
2.2.1.2. Planeamiento de produccion de una compañía minera.............................................13
2.2.1.3. Planeamiento de produccion de explosivos..................................................................15
2.2.1.4. Planeamiento de transporte de concentrado.................................................................16
2.2.1.5. Planeamiento de produccion de un taller de metalmecanica...................................18
Producto.........................................................................................................................................................18
Contribución..................................................................................................................................................18
($)/unidad.........................................................................................................................................................18
Taladrado........................................................................................................................................................18
Producto.....................................................................................................................................................19
Contribución..............................................................................................................................................19
Taladrado........................................................................................................................................................19
2.2.1.6. Planeamiento de produccion de bombas.......................................................................20
2.2.2. Ejemplos de problemas de redes: el problema de transporte......................................21
2.2.2.1. Transporte de automoviles..................................................................................................21
2.2.2.2. Problema de transporte de Medequip Company..........................................................24
2.2.3. Ejemplos de problemas de redes: el problerma del flujo maximo...............................26
2.2.3.1. Problema de transporte de Hexon Oil Company..........................................................26
2.2.4. Administracion de inversiones, uso de variables binarias............................................29
2.2.4.1. Problema de inversion de Centauro Gold Company...................................................29
2.2.5. Ejemplos de problemas de diseño........................................................................................32
2.2.5.1. Problema de diseño de Containers Inc...........................................................................32
2.2.6. Problema de mezclas: aleaciones.........................................................................................33
2.2.6.1. Problema de produccion de aleacion..............................................................................33
2.2.7. Problema de disminucion de contaminacion.....................................................................35
2.2.7.1. Problema de abatimiento de contaminacion de Nori&Leets Co..............................35
2.2.8. Problemas de mezclas..............................................................................................................38
i Facultad de Ingeniería de Minas
Universidad Nacional del Altiplano
Derechos Reservados © MCA-FIM 2012
MSc Ing Mario Cuentas Alvarado
2.2.8.1. Problema de optimizacion de mezcla de Luz del Centro...........................................38

2.2.8.2. Problema de merzcla de crudos de Exxon Oil Co........................................................40
2.2.8.3. Problema de mezclas de Ananea Chemicals Co...........................................................42
2.2.8.4. Problema de mezcla de gasolinas.....................................................................................43
CAPITULO III..................................................................................................................................................47
3.1. Modelos de programación lineal para decisiones de mezcla de productos.................47
3.1.1. Problema de mezcla de Explosives Inc................................................................................47
En Explosives, Inc. se mezclan azufre, carbón y salitre para producir pólvora. El producto final
debe contener al menos 10%, pero no más de 20%, de carbón por unidad de peso. La cantidad de
salitre no puede exceder el 50% de la cantidad de carbón usado. Para evitar una explosión
accidental, la suma de 50% del azufre mas 60% de carbón mas 30% del salitre usados no puede
exceder 35% del producto final. El azufre es con mucho el componente más caro. Formule un
modelo para determinar la cantidad de cada ingrediente que debe utilizarse para producir cada
libra de pólvora que satisfaga las restricciones y, a la vez, que requiera la menor cantidad de
azufre................................................................................................................................................................47
3.1.2. Problema de mezcla de aditivos a gasolina........................................................................48
3.1.3. Problema de mezcla de petróleo de World oil Company................................................50
3.1.4. Problema de mezcla de la Tomas River Chemicals..........................................................52
3.2. Modelos de programación lineal para decisiones de fabricación o compra.................53
3.3. Modelos de programación lineal para decisiones de producción...................................58
3.4. Modelos de programación lineal para problemas de transporte......................................77
3.5. Modelos de programación lineal para administración de cartera de valores...............78
3.6. Modelos de programación lineal para problemas de mezclas..........................................82
3.7. Modelos de programación lineal para planeación de producción agregada................88
3.8. xx.........................................................................................................¡Error! Marcador no definido.
CAPITULO IV.................................................................................................................................................95
SOLUCIÓN A PROBLEMAS DE PROGRAMACIÓN LINEAL USANDO SOFTWARE....................95
USO DE SOLVER DE EXCEL.....................................................................................................................95
EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DEL SINDICATO MINERO
PACOCOCHA.............................................................................................................................................95
USO DE SOLVER DE WinQSB..................................................................................................................98
PACOCOCHA.............................................................................................................................................98
USO DE LINDO............................................................................................................................................103
SINTAXIS DEL MODELO LINDO.........................................................................................................103
PACOCOCHA...........................................................................................................................................103
CAPITULO IV...............................................................................................................................................108
ANÁLISIS DE SENSIBILIDAD USANDO SOFTWARE:.......................................................................108
EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DE CASE CHEMICALS...........................108
CONCEPTOS BÁSICOS EN ANÁLISIS DE SENSIBILIDAD..........................................................108
1. ANÁLISIS DE SENSIBILIDAD CON EXCEL...............................................................................109
ANÁLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO.........112
ANÁLISIS DE SENSIBILIDAD DE LOS VALORES DEL LADO DERECHO DE LAS
RESTRICCIONES (RECURSOS DISPONIBLES, RHS)..................................................................113
ANÁLISIS PARAMÉTRICO DE LOS RECURSOS DISPONIBLES (VALORES DEL LADO
DERECHO)................................................................................................................................................115
2. ANÁLISIS DE SENSIBILIDAD CON LINDO....................................................................................117
3. ANÁLISIS DE SENSIBILIDAD CON WinQSB..................................................................................117
EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DEL SINDICATO MINERO PACOCOCHA
.........................................................................................................................................................................118
EJEMPLOS DE ANÁLISIS DE SENSIBILIDAD USANDO SOFTWARE........................................125
CAPITULO V.................................................................................................................................................152
PROBLEMAS DE REDES DE DISTRIBUCIÓN: TRANSPORTACIÓN, ASIGNACIÓN Y
TRANSBORDO............................................................................................................................................152
¿QUÉ ES UNA RED DE DISTRIBUCIÓN?.........................................................................................152
EL PROBLEMA DE TRANSPORTACIÓN...........................................................................................153
EL PROBLEMA DE ASIGNACIÓN.......................................................................................................160
EL PROBLEMA DE TRANSBORDO...................................................................................................168
CAPITULO VI...............................................................................................................................................173
ADMINISTRACIÓN DE PROYECTOS:...................................................................................................173
ii Facultad de Ingeniería de Minas

PERT - CPM..................................................................................................................................................173
DESARROLLO DE LA RED DE PROYECTOS.................................................................................174
Identificación de las tareas individuales.....................................................................................174
Obtención de estimaciones de tiempo para cada tarea..........................................................175
Creación de la tabla de precedencia para el proyecto............................................................176
Trazo de la red de proyectos..........................................................................................................176
ARCO.....................................................................................................................................................177
ARCO FICTICIO...................................................................................................................................177
La red de proyectos para el proyecto de Santa Rosa Mining...............................................179
ADMINISTRACIÓN DE PROYECTOS USANDO TIEMPOS DETERMINÍSTICOS (CPM).......179
Cálculo del tiempo de terminación de proyecto...........................................................................180
Identificación de las tareas críticas..................................................................................................181
Administración de proyectos con tiempos determinísticos de tarea: uso de la
computadora...........................................................................................................................................184
Expedición de un proyecto usando técnicas de crashing.........................................................186
Obtención de datos de costos adicionales para las tareas.......................................................187
Desarrollo del modelo de choque.....................................................................................................188
Resolución del modelo de choque...................................................................................................192
ADMINISTRACIÓN DE PROYECTOS USANDO TIEMPOS DE TAREA PROBABILISTICOS
(PERT)...........................................................................................................................................................192
BIBLIOGRAFIA............................................................................................................................................194
iii Facultad de Ingeniería de Minas

CAPITULO I
INTRODUCCION A LA INVESTIGACION DE OPERACIONES
1.1. ¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?

En la ciencia de la administración (que también se conoce como investigación de
operaciones), los administradores utilizan las matemáticas y las computadoras para tomar
decisiones racionales en la resolución de problemas. Aunque algunos problemas son lo bastante
simples como para que un administrador pueda aplicar su experiencia personal para resolverlos,
en el complejo mundo actual muchos problemas no pueden resolverse de esta manera. La
evaluación de cada alternativa es demasiado difícil o tardada debido a la cantidad y complejidad
de la información que debe ser procesada o porque el número de soluciones alternativas es tan
vasto que un administrador simplemente no puede evaluarlas todas para seleccionar una
apropiada.
Las técnicas de la administración se aplican a las siguientes dos categorías básicas de problemas:
1. Problemas determinísticos, en los que toda la información necesaria para obtener una
solución se conoce con certeza.
2. Problemas estocásticos, en los que parte de la información necesaria no se conoce con
certeza, sino más bien se comporta de una manera probabilística.
La resolución de un problema determinístico es similar a decidir en cuál aerolínea comprar boleto
para volar hoy de Nueva York a Los Ángeles dado que se pueden obtener exactamente las
mismas tarifas en todas las aerolíneas. En contraste, considere hacer el mismo viaje dentro de
un mes. El decidir si comprar el mejor boleto disponible hoy o arriesgarse a esperar una mejor
tarifa es un problema estocástico, porque no se conocen las tarifas futuras. La obtención de
soluciones a estos dos grupos de problemas de decisión -determinísticos y estocásticos- a
menudo requiere de técnicas de administración muy diferentes.
1.2. HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES
El campo de la administración surgió durante la Segunda Guerra Mundial, cuando había una gran
necesidad de administrar los escasos recursos. La Fuerza Aérea Británica formó el primer grupo
que desarrollaría métodos cuantitativos para resolver estos problemas operacionales y bautizó a
sus esfuerzos como investigación operacional. Poco después, las fuerzas armadas
estadounidenses formaron un grupo similar, compuesto por científicos físicos e ingenieros, cinco
de los cuales posteriormente fueron laureados con el premio Nobel, Los esfuerzos de estos
1 Facultad de Ingeniería de Minas

grupos, especialmente en el área de la detección por radar, se consideran vitales en el triunfo de

la guerra aérea de Gran Bretaña.
Después de la Segunda Guerra Mundial, los administradores de la industria reconocieron el valor
de aplicar técnicas similares a sus complejos problemas de decisión. Los primeros esfuerzos se
dedicaron a desarrollar modelos apropiados y procedimientos correspondientes para solucionar
problemas que surgían en áreas tales como la programación de refinerías de petróleo, la
distribución de productos, la planeación de producción, el estudio de mercados y la planeación de
inversiones. Estos procedimientos de soluciones se hicieron posibles con el advenimiento de
computadoras de alta velocidad, porque la resolución del típico problema de investigación de
operaciones requiere demasiados cálculos para ser realizados prácticamente a mano. El uso de
técnicas de administración ha aumentado con los avances en los cálculos hasta el punto en que
actualmente estas técnicas son empleadas rutinariamente en una computadora de escritorio para
solucionar muchos problemas de decisión.
1.3. METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES

El uso de métodos cuantitativos para solucionar problemas, generalmente implica a mucha gente
de toda la organización. Los individuos de un equipo de proyectos proporcionan información de
sus áreas respectivas respecto a diversos aspectos del problema. El proceso de aplicar métodos
cuantitativos requiere una sucesión sistemática de pasos ilustrados en la figura 1. 1. Cada uno de
estos pasos se describe con detalle en esta sección.
Figura 1.1 La metodología de la investigación de operaciones.

1.3.1. Definición del problema
El primer paso es identificar, comprender y describir, en términos precisos, el problema que la
organización enfrenta. En algunos casos, el problema está bien definido y es claro.
En otras situaciones, el problema puede no estar tan bien definido y puede requerir bastantes
discusiones y consenso entre los miembros del equipo de proyectos. Por ejemplo, puede haber
varios objetivos que entren en conflicto. Tal vez usted desee maximizar la satisfacción del cliente
y, sin embargo, también minimizar los costos totales. Es improbable que pueda lograr ambas
metas. Se tendrán que tomar decisiones corporativas respecto a un objetivo global. Algunas
veces la cuantificación del objetivo mismo es difícil. Por ejemplo, ¿cómo se mide la "satisfacción
del cliente"? Todas estas cuestiones deben resolverse y clarificarse por consenso del equipo de
proyectos durante la fase de definición del problema.
1.3.2. Desarrollo de un Modelo Matemático y Recolección de Datos

Después de que el problema está claramente definido y comprendido, el siguiente paso es

expresar el problema en una forma matemática, esto es, formular un modelo matemático. Una
vez construido el modelo, existen muchas técnicas matemáticas disponibles para obtener la mejor
solución, a pesar del vasto número de alternativas y/o de la complejidad implicada.
1.3.3. Resolución del Modelo Matemático

Una vez formulado un modelo matemático del problema, el siguiente paso es resolver el modelo,
es decir, obtener valores numéricos para la variable de decisión. Para el ejemplo de las
inversiones, esto significa obtener los mejores valores para S y B. La forma en que se obtengan
estos valores depende de la forma o tipo específico del modelo matemático. Es decir, una vez
que identifique el tipo de modelo que tiene, podrá elegir una técnica de administración apropiada
para resolverlo. Estas técnicas pertenecen a una de dos categorías:
1. Métodos óptimos, que producen los mejores valores para las variables de decisión, es decir,
aquellos valores que satisfacen simultáneamente todas las limitaciones y proporcionan el
mejor valor para la función objetiva.
2. Métodos heurísticos, que producen valores para las variables que satisfacen todas las
limitaciones. Aunque no necesariamente óptimos, estos valores proporcionan un valor
aceptable para la función objetiva.
En contraste con los métodos óptimos, los métodos heurísticos son computacionalmente más
eficientes y, por tanto, se usan cuando la obtención de soluciones óptimas lleva demasiado
tiempo o es imposible porque el modelo es demasiado complejo.
Un objetivo de este curso es mostrar muchos métodos matemáticos diferentes y sus
procedimientos de solución asociados. La mayor parte de las veces, se dispondrá de estos
procedimientos en una computadora, y usted aprenderá cómo obtener e interpretar las soluciones
al modelo.
1.3.4. Validación, Instrumentación y Control de la Solución

Después de resolver el modelo matemático, es extremadamente importante validar la solución,
es decir, revisar la solución cuidadosamente para ver que los valores tienen sentido y que las
decisiones resultantes puedan llevarse a cabo. Algunas de las razones para hacer esto son:
1. El modelo matemático puede no haber captado todas las limitaciones del problema real.
2. Ciertos aspectos del problema pueden haberse pasado por alto, omitido deliberadamente o
simplificado.
3. Los datos pueden haberse estimado o registrado incorrectamente, tal vez al introducirlos a la
computadora.
También es importante darse cuenta que aun cuando el modelo y la solución pueden ser válidos,
tal vez no sea factible llevar a cabo una decisión basándose en esos resultados. Puede haber
aplicaciones conductuales o políticas que no pueden incluirse en el modelo. Por ejemplo, el
resultado de un modelo puede indicar que es más eficiente en cuanto a costos transferir algunos
trabajadores del turno de día al de noche. Sin embargo, tal cambio puede enfrentar resistencia de
los empleados (o administradores) por razones personales, políticas o de otra índole. Una forma
de evitar este tipo de dificultades es incluir representantes de todos los grupos potencialmente
afectados como parte del equipo de proyectos.
Los resultados y su posterior instrumentación deben supervisarse cuidadosamente, no sólo para
asegurar que la solución trabaja según lo planeado, sino también porque el problema, los datos o
ambos pueden cambiar con el tiempo.
1.3.5. Modificación del Modelo

Si durante el paso de validación se encuentra que la solución no puede llevarse a cabo, se
pueden identificar las limitaciones que fueron omitidas durante la formulación del problema
original o puede uno darse cuenta de que algunas de las limitaciones originales eran incorrectas y
necesitan mortificarse, En estos casos, debe regresarse a la etapa de formulación del problema y
hacer cuidadosamente las modificaciones apropiadas para reflejar con más exactitud el problema
real.
Este proceso de modificación de un modelo obteniendo la nueva solución y validándola, puede
tener que repetirse varias veces antes de encontrar una solución aceptable y factible (véase la
figura 1.1).
1.4. USOS Y VENTAJAS DE LOS MODELOS DE INVESTIGACIÓN DE OPERACIONES

En general, los modelos matemáticos ayudan a los administradores a tomar dos tipos de
decisiones: estratégicas y operacionales. Las decisiones estratégicas, generalmente decisiones
de una sola vez, tienen un efecto sobre intervalos de tiempo relativamente largos. Considere las
siguientes decisiones que probablemente tuviera que tomar como administrador:
¿Debería reemplazarse un sistema existente con un nuevo sistema recién propuesto? Por
ejemplo, ¿debería convertir una de tres casetas de peaje en un carril expreso para carros de dos
o más pasajeros? Otro ejemplo, ¿debería abrir una nueva instalación de producción?
¿Debería cambiar su política de administración? Por ejemplo, ¿debería reordenar inventarios a
intervalos de tiempo regulares en lugar de cada vez que el nivel caiga por debajo de alguna
cantidad especificada?
Como los modelos que construye para llegar a decisiones estratégicas generalmente se usan
únicamente para hacer una determinación a largo plazo, no debe preocuparse demasiado por la
cantidad de esfuerzo computacional requerido para obtener la solución. Es muy probable que las
decisiones estratégicas tengan un impacto importante en la organización, así que debe dedicar la
mayor parte de sus esfuerzos a asegurar que el modelo sea válido, que incluya todos los aspectos
importantes del problema y que los datos sean lo más exactos posibles.
Las decisiones operacionales, por el contrario, afectan procesos en curso sobre periodos más
cortos. Considere las siguientes decisiones operacionales que tal vez tenga que tomar
regularmente:
· ¿Cómo puede la empresa programar de la manera más eficiente la fuerza de trabajo
semanalmente?
· ¿Cuál es el plan de producción mensual óptimo?
· ¿Cuál es el plan de embarque más efectivo en costos para distribuir productos desde las
plantas hasta los mercados al por menor?
A diferencia de los modelos para planeación estratégica, los modelos para decisiones
operacionales se usan repetidamente. Por tanto, vale la pena gastar tiempo y esfuerzo extras en
identificar o desarrollar los procedimientos de solución más eficientes, ya que hacerlo puede
redituar ahorros significativos en costos computacionales con el tiempo.
Sin importar si se requiere de una decisión estratégica u operacional, los modelos matemáticos
proporcionan los siguientes beneficios a los administradores:
a) Un método de determinación de la mejor manera de lograr un objetivo, como asignar
recursos escasos.
b) Una forma de evaluar el impacto de un cambio propuesto o un nuevo sistema sin el costo
y tiempo de llevarlo a cabo primero.
c) Una forma de evaluar la fortaleza de la solución óptima al hacer preguntas de
sensibilidad de la forma "¿Qué sucedería si ... ?" Por ejemplo, ¿qué le sucedería al plan
de inversión óptima y retribución anual si se esperara que el fondo de acciones produjera
sólo 8% (en vez del 10% original)?
d) Un procedimiento para lograr un objetivo que beneficie a la organización global al incluir
en el modelo consideraciones correspondientes a muchas otras partes de la organización.
1.5. RESUMEN
Los pasos generales comprendidos en la aplicación de las técnicas de la administración para
resolver problemas de decisión determinísticos y estocásticos son los siguientes:
a) Definición del problema, mediante su identificación y comprensión de manera que pueda

expresarle de manera precisa.
b) Desarrollar un modelo matemático, a menudo identificando variables de decisión, un
objetivo matemático global y limitaciones.
c) Resolución del modelo, usando una técnica de administración apropiada.
d) Validación de la solución, usando la intuición y la experiencia para determinar si la
solución obtenida del modelo tiene sentido y puede llevarse a cabo de manera realista. Si
no, puede ser necesario que modifique el modelo adecuadamente para obtener la nueva
solución.
e) Poner en práctica y supervisar la solución; si se encuentran resultados no anticipados, o si
los datos cambian, necesitará modificar el modelo en consecuencia y validar la nueva
solución.

CAPITULO II
CONSTRUCCION DE MODELOS DETERMINISTICOS
2.1. PASOS GENERALES Y TÉCNICAS DE LA CONSTRUCCIÓN DE MODELOS

MATEMÁTICOS
En el capítulo 1 aprendió que el primer paso al usar técnicas de administración es identificar y
describir el problema. El siguiente paso es formular el problema en un marco matemático. Esta
sección proporciona pasos y técnicas sistemáticas que puede aplicar al formular sus propios
modelos determinísticos. Para ilustrar, considere el problema enfrentado por la gerencia de
producción de Case Chemicals.
EJEMPLO 2.1 EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DE CASE CHEMICALS
empresas que compran estos solventes los usan para disolver ciertas sustancias tóxicas
que se producen durante procesos de fabricación particulares. La planta opera 40 horas a
la semana y emplea a cinco trabajadores de tiempo completo y a dos de tiempo parcial,
que trabajan 15 horas a la semana. Estas personas operan las siete máquinas que
mezclan ciertos químicos para producir cada solvente. Los productos salen del
departamento de mezclado para ser refinados en el departamento de purificación, que
actualmente tiene siete purificadores y emplea a seis trabajadores de tiempo completo y a
uno de tiempo parcial, que trabaja 10 horas a la semana.
Case Chemicals tiene una provisión casi ¡limitada de la materia prima que necesita para producir
los dos solventes. Case Chemicals puede vender cualquier cantidad de CS-01, pero la demanda
del producto más especializado, CS-02, está limitada a lo más a 120 000 galones por semana.
Como gerente de producción, usted desea determinar el plan de producción semanal óptimo para
Case Chemicals. (¿Qué cantidad de cada solvente debe producir Case Chemicals para
maximizar la ganancia?
El objetivo ahora es convertir esta descripción cualitativa del problema a una forma matemática
que pueda resolverse. Este proceso es llamado formulación del problema y generalmente
implica cuatro pasos, cada uno de los cuales es descrito en las siguientes secciones.
Identificación de las variables de decisión
El primer paso en la formulación del problema es identificar las variables de decisión, a menudo
simplemente llamadas variables. Los valores de estas variables, una vez determinados,
proporcionan la solución al problema. Para el ejemplo 2.1, usted puede identificarlas variables de
decisión preguntándose qué información necesita proporcionar al personal de producción, los
departamentos de mezclado y purificación, para que sepan cómo proceder. Su respuesta a esta
pregunta debería ser:

1. El número de miles de galones de CS-01 por producir semanalmente.

2. El número de miles de galones de CS-02 por producir semanalmente.
Como los valores de estos elementos no se conocen todavía, a cada variable de decisión se le da
un nombre simbólico. Usted puede elegir el nombre simbólico que quiera, pero encontrará útil
seleccionar un nombre simbólico que le recuerde la cantidad que la variable de decisión
representa. Para el ejemplo que estamos viendo, podría crear las siguientes variables,
correspondientes a los dos elementos identificados anteriormente:
CS1 = el número de miles de galones de CS-01 por producir semanalmente
Observe que estas descripciones son precisas. Incluyen las unidades asociadas con las
cantidades que las variables representan (miles de galones, en este caso). No es suficiente
definir una variable como la "cantidad" de un elemento, porque para las otras personas que
leyeran su formulación, el término "cantidad" podría tener varios significados (por ejemplo, miles
de litros en este caso).
La necesidad de identificar las variables de decisión correctamente es vital. De otra manera, la
formulación de un modelo válido que capte todos los aspectos del problema es imposible. La
elección de estas variables no es única, y no existen reglas fijas. Sin embargo, las siguientes
pautas son útiles en la identificación de un conjunto adecuado de variables de decisión para
virtualizar cualquier problema.
CARACTERÍSTICAS CLAVE
Pautas generales para identificar variables de decisión
¿Qué elementos afectan los costos y/o ganancias (o, en general, el objetivo global)?
¿Qué elementos puede elegir y/o controlar libremente? ¿Qué decisiones tiene que tomar?
¿Qué valores, una vez determinados, constituyen una solución para el problema? Póngase en la
posición de alguien que tiene que implantar su solución, y luego pregúntese qué información se
requiere.
Para el ejemplo 2.l, las respuestas a todas estas preguntas son iguales y lo llevan a identificar las
variables de decisión como el número de miles de galones de CS-01 y CS-02 por producir
semanalmente.
Identificación de los datos del problema
La finalidad de resolver un problema es proporcionar los valores reales para las variables de
decisión que ha identificado. Usted requiere conocer cierta información para ayudar a determinar
esos valores. Por ejemplo, para determinar las cantidades reales de.los dos solventes a producir
para maximizar las ganancias corporativas, necesitará saber:
1. El número de horas de trabajo disponibles en el departamento de mezclado.
2. El número de horas de trabajo disponibles en el departamento de purificación.
3. La cantidad de ganancias obtenidas al producir y vender cada tipo de solvente.
Estas cantidades constituyen los datos del problema. En problemas determinísticos, se requiere
conocer (u obtener) estos valores en el momento de formular el problema. Para Case Chemicals:
1. Como se estableció en la descripción del problema, el departamento de mezclado tiene cinco
trabajadores de tiempo completo (40 horas cada uno)y dos trabajadores de tiempo parcial
(15 horas cada uno). Esto da un total de 230 horas de trabajo a la semana en el
departamento de mezclado.
2. De manera similar, los seis trabajadores de tiempo completo (40 horas cada uno) y el
trabajador de tiempo parcial (10 horas) representan un total de 250 horas de trabajo a la
semana en el departamento de purificación.
3. El departamento de contabilidad estima un margen de ganancias de $0.30 por galón de CS-01
y de $0.50 por galón de CS-02, esto es, $300 por mil galones de CS-01 y $500 por mil
galones de CS-02.

A diferencia de las variables de decisión, cuyos valores usted puede controlar, usted no puede
controlar directamente los valores de los datos.
La necesidad de que algunos de los datos del problema pueden aclararse cuando especifica el
problema. Otros datos pueden hacerse necesarios al desarrollar el modelo matemático y
descubrir que se requiere información adicional para ayudar a determinar los valores de las
variables de decisión.
Identificación de la función objetivo

El siguiente paso en la formulación del problema es expresar el objetivo organizacional global en
forma matemática usando las variables de decisión y los datos conocidos del problema. Esta
expresión, la función objetivo, generalmente se crea en tres etapas.
1. Establecer el objetivo en forma verbal. Para el ejemplo 2.1, este objetivo es:
Maximizar la ganancia semanal total de la producción de CS-01 y CS-02
2. Donde sea adecuado, descomponer el objetivo en una suma, diferencia o producto de
cantidades individuales. Para el ejemplo 2. 1, la ganancia total puede calcularse como la
suma de la ganancia de CS-01 y la de CS-02:
Maximizar ganancia = (ganancia de CS-01) + (ganancia de CS-02)
3. Expresar las cantidades individuales matemáticamente usando las variables de decisión otros
datos conocidos en el problema.
Para lograr la tarea en la tercera etapa, a menudo es útil elegir algunos valores específicos para
las variables de decisión y luego usar esos valores para determinar la forma en que se calcula la
función objetivo. Se hace referencia a esta técnica como trabajo a través de un ejemplo
específico. En el ejemplo 2.l, supongamos que se producen 10 mil galones de CS-01 y 20 mil
galones de CS-02 (así que CS, = 10 y CS 2= 20). El departamento de contabilidad le ha dicho
que cada mil galones de CS-01 contribuye con $300 a la ganancia y que cada mil galones de CS-
02 contribuye con $500. Se puede escribir:
Ganancia de CS-01 = 300(10) = $ 3 000 + Ganancia de CS-02 = 500(20) = $ 10 000
Ganancia total = $ 13 000
Sin embargo, el propósito de usar valores específicos para las variables no es obtener la ganancia
total de estos valores, sino más bien ayudarlo a determinar cómo calcular el objetivo cuando los
valores de las variables no se conocen explícitamente. En este problema, se puede ver
fácilmente de los cálculos anteriores que si CS1 es el número no especificado de miles de
galones de CS-01 y CS 2 es el número no especificado de miles de galones de CS-02 por
producir, entonces la ganancia es:
Ganancia de CS-01 = 300CS1 + Ganancia de CS-02 = 500CS 2 Ganancia total = 300CSI +
500CS2
Por lo tanto, la función objetiva matemática expresada en términos de las variables de decisión y
de los datos del problema es:
Maximízar 300CSI + 500CS2
Este problema ilustra las siguientes características clave:
Creación de la función objetivo mediante:
a. Enunciado del objetivo de manera verbal.
b. Cuando sea apropiado, descomponer el objetivo en una suma, diferencia, y/o producto de
términos individuales.
e. Expresar los términos individuales en (b) usando las variables de decisión y otros datos de
problemas conocidos.
Identificación de las restricciones
Trabajar con un ejemplo específico para determinar cómo se expresa la función objetivo en una
forma matemática, eligiendo valores específicos para las variables de decisión y realizando los
cálculos necesarios.
Su objetivo es maximizar las ganancias. La función objetivo le dice que mientras más grande sea
el valor de las variables, más grande será la ganancia. Pero el mundo real pone un límite en los
valores que puede asignar a estas variables. En el ejemplo 2. 1, os departamentos de mezclado
y purificación tienen ciertas restricciones físicas: un número limitado de horas de trabajo
disponible cada uno. Estas limitaciones, así como otras consideraciones que imponen
restricciones sobre los valores de las variables, son las restricciones. El paso final en la
formulación del problema es identificar estas restricciones y escribirlas en forma matemática.
Las restricciones son condiciones que las variables de decisión deben satisfacer para constituir
una solución "aceptable". Estas restricciones por lo general surgen de:
1. Limitaciones físicas (el número limitado de horas de trabajo en los departamentos de
mezclado y purificación, por ejemplo).
2. Restricciones impuestas por la administración (por ejemplo, ésta pudo haber prometido una
cierta cantidad de un producto a un cliente estimado).
3. Restricciones externas (por ejemplo, Case Chemicals no puede vender más de 120 mil
galones de CS-02 a la semana, y no hay razón para producir más que la cantidad
demandada).
4. Relaciones implicadas entre variables (por ejemplo, en el problema de inversión de Mark de la
sección 1.1, las dos fracciones que representan la proporción de dinero a invertir en los dos
fondos debe sumar l).
5. Restricciones lógicas sobre variables individuales (por ejemplo, el número de carros
producidos debe ser un número entero, y Case Chemicals no puede producir una cantidad
negativa de solventes).
Después de identificar estas restricciones, debe expresarías en forma matemática usando las
variables de decisión y otros datos del problema. Este proceso es idéntico al usado para
especificar la función objetivo.
Expresar las restricciones en forma verbal.
Cuando es apropiado, descomponer la restricción en una suma, diferencia y/o producto de
cantidades individuales.
Trabaja con un ejemplo específico para expresar las cantidades individuales en una forma
matemática, usando las variables de decisión y otros datos conocidos del problema.
Considere las restricciones del ejemplo 2. l.
RESTRICCIÓN DE TRABAJO EN EL DEPARTAMENTO DE MEZCLADO (LIMITACIÓN FÍSICA)
Forma verbal: Horas totales usadas en el mezclado no pueden exceder de 230 Horas
Descomposición: Horas usadas @ para CS-01 + Horas usadas @ para CS-02 no pueden
exceder de 230
Matemáticas: para expresar las horas usadas para CS-0 1 y CS-02 en el departamento de
mezclado trate de trabajar con un ejemplo específico. Por ejemplo, suponga que CS1 = 15 mil y
que CS 2 = 10 mil galones. ¿Cómo calcula el número de horas usadas en el departamento de
mezclado? Estos valores son datos del problema (además de los datos ya identificados en la
sección 2.1.2) que usted debe obtener. Supongamos que usted llama al departamento de
procesos y recoge los siguientes datos para los departamentos de mezclado y purificación:
HORAS POR MILES DE GALONES DE
CS-01 CS-02
Mezclado 2 1
Purificación 1 2

Resulta entonces fácil calcular las horas usadas en el departamento de mezclado trabajando con
valores específicos de CS, = 15 y CS2 = 10:
Horas para 15 mil galones de CS-01 = 2(15) = 30
+ Horas para 10 mil galones de CS-02 = 1(10) = 10
Total de horas en el mezclado = 2(15) + 1(10) = 40
El propósito de usar este ejemplo numérico específico es ayudarle a escribir una restricción
matemática general cuando los valores de las variables (CS, y CS2, en este caso) no se conocen.
De los cálculos anteriores, usted obtiene la siguiente restricción matemática general:
2CSI +1CS2 < 230
RESTRICCIÓN DE TRABAJO EN EL DEPARTAMENTO DE PURIFICACIÓN (LIMITACIÓN
FÍSICA)
Forma verbal: Horas totales usadas no pueden exceder de 250 en la purificación
Horas Horas
Descomposición: usadas + usadas no pueden exceder de 250
@ para CS-01 para CS-02
Matemáticas: 1CS1 + 2CS 2 < 250
RESTRICCIÓN DE LÍMITE (LIMITACIÓN EXTERNA)
La limitación de que a lo más pueden venderse 120 mil galones de CS-02 da pie a la siguiente
restricción sobre el valor de CS 2 :
CS2 < 120
RESTRICCIÓN DE NO NEGATIVIDAD (LIMITACIONES LOGICAS)
Claro está que usted sabe que los valores de estas variables de decisión deben ser no negativos,
esto es, cero o positivos. Tales restricciones implícitas de las que usted está consciente deben
hacerse explícitas en la formulación matemática. Para este problema, debe incluir las siguientes
restricciones:
cs 1> 0 y CS 2> 0 o CSJ' cs 2>0
Juntando todas las piezas de los pasos anteriores, la formulación matemática completa del
problema de planeación de producción de Case Chemicals es la siguiente:
Formulación matemática del problema
FORMULACIÓN MATEMÁTICA DEL PROBLEMA DE CASE CHEMICALS
Maximizar 30OCS1 + 50OCS 2 (ganancia)
Condicionado por:
2CS1 + 1CS2 2 < 230 (mezclado)
1CS1 + 2C2 < 250 (purificación)
CS2 < 120 (limitado en CS-02)
CS1, CS2 > 0 (no negatividad)
donde:
CS1, = el número de miles de galones de CS-01 por producir semanalmente
En el capítulo 4 aprenderá el procedimiento de solución para este tipo de problema. La aplicación
de ese procedimiento da por resultado la solución óptima:
cs, = 70
cs 2 = 90

Es decir ,el plan de producción óptima es de 70000 galonesdeCS1 y de 90000 galones de CS-02,
lo que representa una ganancia semanal de $66 000.
En esta sección, usted ha aprendido los pasos a tomar en la formulación de problemas
identificando (1) las variables de decisión, (2) los datos del problema, (3) la función objetivo y (4)
Ias restricciones. Para escribir la función objetiva y las restricciones en una forma matemática,
use las variables junto con los datos del problema que usted tenga al formular el modelo. Es
posible que no conozca todos los datos necesarios al definir por primera vez el problema. La
necesidad de datos adicionales puede descubrirse cuando proceda con la formulación del
problema. Estos valores de datos deben obtenerse de fuentes apropiadas dentro de la
organización. Para ahorrar tiempo y espacio, los enunciados de problemas futuros en este libro
incluirán todos los datos necesarios. La formulación consistirá en estos tres pasos:
Paso 1. Identificación de las variables de decisión.
Paso 2. Identificación de la función objetivo.
Paso 3. Identificación de las restricciones.
El problema de esta sección involucro sólo dos variables de decisión y unas cuantas restricciones.
Los problemas de importancia práctica a menudo contienen cientos o miles de variables y un
número similar de restricciones. Estos problemas más complejos también pueden formularse
usando los pasos que aprendió en esta sección.
2.2. EJEMPLOS DE FORMULACIÓN DE MODELOS MATEMÁTICOS

2.2.1. Problemas de planeamiento de produccion
2.2.1.1. Planeamiento de produccion del Sindicato Minero Pacococha SA
El Sindicato Minero Pacococha S.A. viene soportando un incesante incremento en sus costos de
producción, por lo tanto urge optimizar el uso de sus recursos. La gerencia ha determinado
explotar las vetas Colquechaca y 10 de mayo, para ello debemos satisfacer algunas restricciones
referentes a las leyes y la capacidad de la planta concentradora:
Leyes
Costo
Vetas Ag
Pb (%) $/ton
(onz/ton)
Colquechaca 4 3,5 7,0
10 de mayo 16 1,15 9,0
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /onz; precio del plomo 0,70
$/lb; capacidad de la planta concentradora: 95 ton/día, ley minima de cabeza de plata: 6 onz/ton,
ley máxima de cabeza de plata: 8 onz/ton.
Como gerente de producción, formule un modelo matemático para determinar el tonelaje a
extraer de cada veta.
Solución:
Paso 1: Identificación de las variables de decisión
Xc = el número de toneladas de mineral a extraer de la veta Colquechaca por día
Xm = el número de toneladas de mineral a extraer de la veta 10 de mayo por día
Paso 2: Identificación de los datos del problema

a) Costo de 1 tonelada de mineral extraída de la veta Colquechaca: $ 7,0
b) Costo de 1 tonelada de mineral extraída de la veta 10 de mayo: $ 9,0
c) Ley de plata del mineral extraído de la veta Colquechaca: 4,0 onz/ton
d) Ley de plata del mineral extraído de la veta 10 de mayo 16,0 onz/ton

e) Ley de plomo del mineral extraído de la veta Colquechaca: 3,5%

f) Ley de plomo del mineral extraído de la veta 10 de mayo: 1,15%
g) Precio de la plata: $ 20,0 /onz
h) Precio del plomo 0,70 $/lb
i) Capacidad de la planta concentradora: 95 ton/día.
j) Ley mínima de cabeza de plata de la planta concentradora: 6 onz/ton.
k) Ley máxima de cabeza de plata de la planta concentradora: 8 onz/ton.
l) Ganancia por 1 tonelada de mineral de la veta Colquechaca
= ingreso por plata + ingreso por plomo – costo de producción
= 4 onz/ton x $ 20,0/onz +0,035 x 2 200lb/ton x $0,70/lb – $ 7,0/ton
= $ 126,9 /ton.
m) Ganancia por 1 tonelada de mineral de la veta 10 de mayo
= ingreso por plata + ingreso por plomo – costo de producción
= 16 onz/ton x $ 20,0/onz +0,0115 x 2 200lb/ton x $0,70/lb – $ 9,0/ton
= $ 328,71 /ton.
Paso 3 Identificación de la función objetivo
FV: Maximizar la ganancia por venta de mineral
D: Maximizar (ganancia1 por mineral de la veta Colquechaca + ganancia por mineral de la veta 10 de
mayo)
FM: Maximizar 126,9 Xc + 328,71 Xm
Paso 4 Identificación de las restricciones

a) Capacidad de la planta concentradora
FV: La capacidad de tratamiento de la planta es de 95 ton de mineral por día
D : (el mineral procedente de la veta Colquechaca + el mineral procedente de la veta 10 de mayo) debe
ser máximo 95 toneladas
FM: Xc + Xm <= 95
b) Ley mínima de cabeza de plata de la planta concentradora
FV: la ley mínima de cabeza es de 6 onz/ton
D : ((contenido de plata en el mineral de Colquechaca + contenido de plata en el mineral de 10 de
mayo)/(tonelaje de mineral de Colquechaca + tonelaje de mineral de 10 de mayo)) debe ser mayor
de 6 onz/ton
 4 Xc  16 Xm 
 Xc  Xm   6
FM: - Xc + 5 Xm >= 0
c) Ley máxima de cabeza de plata de la planta concentradora
FV: la ley máxima de cabeza es de 8 onz/ton
D : ((contenido de plata en el mineral de Colquechaca + contenido de plata en el mineral de 10 de
mayo)/(tonelaje de mineral de Colquechaca + tonelaje de mineral de 10 de mayo)) debe ser menor
de 8 onz/ton
 4 Xc  16 Xm 
 Xc  Xm   8
 
FM: - Xc + 2,0 Xm <= 0
d) Restricciones lógicas
1
ganancia = ganancia por 1 ton de mineral x número de toneladas de mineral a extraer.

Xc y Xm >= 0
Paso 5 Formulación matemática del modelo

Maximizar 126,9 Xc + 328,71 Xm
Sujeto a:
Xc + Xm <= 95
- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0
Donde:
Xc = el número de toneladas de mineral a extraer de la veta Colquechaca por día
Xm = el número de toneladas de mineral a extraer de la veta 10 de mayo por día
Nota: Al resolver el modelo matemático, los resultados indican que la veta Colquechaca debe producir 63,33
ton de mineral y la veta 10 de mayo 31,67 ton de mineral, para obtener una ganancia de $ 18 446,15 por
día.
Fuente: Selvino Paz, “PERT – CPM una alternativa en problemas mineros”, UNI, Lima Perú.
2.2.1.2. Planeamiento de produccion de una compañía minera

Una compañía minera opera tres minas. El mineral obtenido en cada una se separa en dos
calidades antes de su distribución. Las capacidades de producción diarias de cada mina, así como
sus costos de operación diarios, son los siguientes:
Mineral de alta Mineral de baja Costo de operación

calidad (ton/día) calidad (ton/día) (dólares/día)
Mina 1 40 40 20 000
Mina 2 60 40 22 000
Mina 3 10 60 18 000
La compañía se ha comprometido a entregar 540 toneladas de mineral de alta calidad y 650 de

baja calidad en el plazo de una semana. Los contratos firmados le garantizan la paga del día
completo por cada día o fracción que la mina está abierta.
Formule el modelo matemático correspondiente para determinar el número de días que debe
funcionar cada mina durante la próxima semana para cumplir el compromiso con un costo
mínimo.
Solución:
M1 = el número de días que trabaja la mina 1
M2 = el número de días que trabaja la mina2

a) Capacidad de producción de mineral de alta calidad de la mina 1: 40 ton/día
b) Capacidad de producción de mineral de alta calidad de la mina 2: 60 ton/día
c) Capacidad de producción de mineral de alta calidad de la mina 3: 10 ton/día

d) Capacidad de producción de mineral de baja calidad de la mina 1: 40 ton/día

e) Capacidad de producción de mineral de baja calidad de la mina 2: 40 ton/día
f) Capacidad de producción de mineral de baja calidad de la mina 3: 60 ton/día
g) Costo de operación de la mina 1: 20 000 dólares/día
h) Costo de operación de la mina 2: 22 000 dólares/día
i) Costo de operación de la mina 3: 18 000 dólares/día
j) Cantidad de mineral de alta calidad que debe entregar la empresa: 540 ton/semana
k) Cantidad de mineral de bajaa calidad que debe entregar la empresa: 650 ton/semana

FV: Minimizar el costo de operación semanal de las unidades mineras de la empresa.
D : Minimizar (costo de operación de la mina 1 + costo de operación de la mina 2 + costo de operación
de la mina 3)
FM: Minimizar 20 000 M1 + 22 000 M2 + 18 000 M3

a) Compromiso de entrega de mineral de alta calidad
FV: La producción semanal de mineral de alta calidad debe ser al menos 540 toneladas
D : (producción semanal de mineral de alta calidad de la mina 1 + producción semanal de mineral de
alta calidad de la mina 2 + producción semanal de de mineral de alta calidad de la mina 3) debe ser
al menos 540 toneladas
FM: 40 M1 + 60 M2 + 10 M3 >= 540
b) Compromiso de entrega de mineral de baja calidad
FV: La producción semanal de mineral de baja calidad debe ser al menos 650 toneladas
D : (producción semanal de mineral de baja calidad de la mina 1 + producción semanal de mineral de
baja calidad de la mina 2 + producción semanal de de mineral de baja calidad de la mina 3) debe
ser al menos 650 toneladas
FM: 40 M1 + 40 M2 +610 M3 >= 650
c) Número de días trabajados por semana
FV: El número de días trabajados por semana en la mina 1 debe ser menor o igual a 7
FM: M1 <= 7
De manera similar en las minas 2 y 3
M2 <= 7
M3 <= 7
M1, M2 y M3 >= 0 y enteros

Minimizar 20 000 M1 + 22 000 M2 + 18 000 M3
Sujeto a:
40 M1 + 60 M2 + 10 M3 >= 540
40 M1 + 40 M2 +610 M3 >= 650
M1 <= 7
M2 <= 7
M3 <= 7

M1, M2 y M3 >= 0 y enteros

Donde
2.2.1.3. Planeamiento de produccion de explosivos

Dos fábricas de explosivos producen 3 tipos de diferentes dinamitas, de bajo, medio y alto grado.
Se tiene un contrato de venta para vender 15 cajas de dinamita de bajo grado, 2 cajas de
dinamita de medio grado y 10 cajas de alto grado, los costos de operación son de $ 2 720,0/día
para la primera fábrica y $ 3 200,0/día para la segunda.
La fábrica 1 produce 8 cajas de bajo grado, 1 caja de medio grado y 2 cajas de alto grado en un
día de operación; la fábrica 2 produce 2 cajas de bajo grado, 1 caja de grado medio y 7 cajas de
alto grado por día.
Formule un modelo matemático para determinar el número de días que debe trabajar cada fábrica
para cumplir con el mencionado contrato en la forma mas económica.
Solución:
F1 = el número de días que trabaja la fábrica 1

n) Contrato de venta para dinamita de bajo grado: 15 cajas
o) Contrato de venta para dinamita de medio grado: 2 cajas
p) Contrato de venta para dinamita de alto grado: 10 cajas
q) Costo de operación de la fábrica 1: $ 2 720,0 por día
r) Costo de operación de la fábrica 2: $ 3 200,0 por día
s) La fábrica 1 produce 8 cajas de bajo grado, 1 caja de medio grado y 2 cajas de alto grado en un
día de operación.
t) La fábrica 2 produce 2 cajas de bajo grado, 1 caja de grado medio y 7 cajas de alto grado por día.

FV: Minimizar el costo de operación total de las fábricas
D : Minimizar (costo de operación de la fábrica 1 + costo de operación de la fábrica 2)
FM: Minimizar 2 720 F1 + 3 200 F2

e) Compromiso de venta de dinamita de bajo grado
FV: La producción de dinamita de bajo grado debe ser al menos 15 cajas
D : (producción de dinamita de bajo grado de la fábrica 1 + producción de dinamita de bajo grado de la
fábrica 2) debe ser al menos 15 cajas
FM: 8 F1 + 2 F2 >= 15
f) Compromiso de venta de dinamita de medio grado
FV: La producción de dinamita de medio grado debe ser al menos 2 cajas
D : (producción de dinamita de medio grado de la fábrica 1 + producción de dinamita de medio grado
de la fábrica 2) debe ser al menos 2 cajas
FM: F1 + F2 >= 2
g) Compromiso de venta de dinamita de alto grado
FV: La producción de dinamita de alto grado debe ser al menos 10 cajas
D : (producción de dinamita de alto grado de la fábrica 1 + producción de dinamita de alto grado de la
fábrica 2) debe ser al menos 10 cajas
FM: 2 F1 + 7 F2 >= 10
h) Restricciones lógicas
F1 y, F2 >= 0 y enteros

Minimizar 2 720 F1 + 3 200 F2
Sujeto a:
8 F1 + 2 F2 >= 15
F1 + F2 >= 2
2 F1 + 7 F2 >= 10
F1 y, F2 >= 0 y enteros
Donde
2.2.1.4. Planeamiento de transporte de concentrado

Una compañía de transporte de concentrado de mineral tiene 10 camiones con capacidad de 20
toneladas y 5 camiones de 15 toneladas de capacidad. Los camiones grandes tienen costos de
operación de $ 0,30/Km y los mas pequeños de $0,25/km. La próxima semana, la compañía debe
transportar 200 toneladas de concentrado de plomo para un recorrido de 800 km. La posibilidad
de otros compromisos impone que por cada dos camiones medianos mantenidos en reserva debe
quedarse por lo menos uno de los grandes. Se pregunta ¿Cual es el número óptimo de camiones
de ambas clases que deben movilizarse para transportar el concentrado?
Solución:
a. Formulación del modelo matemático
CG = el número de camiones grandes empleados por semana.
CM = el número de camiones medianos empleados por semana.

a) La compañía posee 10 camiones con capacidad de 20 toneladas.
b) La compañía posee 5 camiones con capacidad de15 toneladas.
c) El costo de operación de un camión grande es de $0,30 / km.
d) El costo de operación de un camión mediano es de $0,25 / km.
e) Costo de operación de un camión grande para un recorrido de 800 km = $0,30 * 800 = $240
f) Costo de operación de un camión grande para un recorrido de 800 km = $0,25 * 800 = $200
g) En reserva debe quedarse un camión grande por cada dos camiones medianos.

FV: Minimizar el costo de operación de los camiones a movilizar

D : Minimizar (costo de operación de los camiones grandes a movilizar + costo de operación de los
camiones medianos a movilizar)
FM: Minimizar 240 CG + 200 CM

a) Tonelaje a transportar
FV: La compañía debe transportar 200 toneladas de concentrado
D : (toneladas de concentrado transportado por camiones grandes + toneladas de concentrado
transportado por camiones medianos ) es igual 200 toneladas de concentrado
FM: 20 CG + 15 CM = 200
b) Relación de reserva de camiones
FV: por cada dos camiones medianos mantenidos en reserva debe quedarse por lo menos un camión
grande
FM: 2(5- CM) <= (10 – CG)
CG –2 CM <= 0
c) Número de camiones
FV: La compañía puede utilizar un máximo de 10 camiones grandes
FM: CG <= 10
De manera similar para los camiones medianos
CM <= 5
CG y CM >= 0

Minimizar 240 CG + 200 CM
Sujeto a:
20 CG + 15 CM = 200
CG –2 CM <= 0
CG <= 10
CM <= 5
CG y CM >= 0 y enteros
Donde
2.2.1.5. Planeamiento de produccion de un taller de metalmecanica

Una compañía elabora cuatro productos metálicos: a, b, c y d, los cuales fluyen a través de cuatro
departamentos taladrado, torneado, fresado y ensamblado. Las horas para el tiempo en el departamento, que
se requiere para cada uno de los productos por unidad son:
Producto Taladrado Torneado Fresado Ensamblado
a 3 0 3 4
b 7 2 4 6
c 4 4 0 5
d 0 6 5 3

Las contribuciones unitarias de los cuatro productos y las horas de disponibilidad en los cuatro departamentos son:
Contribución
Producto
($)/unidad
a 9
b 18
c 14
d 11
Departamento Horas disponibles

Taladrado 70
Torneado 80
Fresado 90
Ensamblado 100
Formule el modelo matemático correspondiente.
Solución:
A = El número de unidades del producto “a” a producir.
B = El número de unidades del producto “b” a producir.
C = El número de unidades del producto “c” a producir.
D = El número de unidades del producto “d” a producir.

a) Horas de proceso empleados en los departamentos para producir los productos
Producto Taladrado Torneado Fresado Ensamblado
a 3 0 3 4
b 7 2 4 6
c 4 4 0 5
d 0 6 5 3
b) Utilidades generadas por los productos
Contribución
Producto
($)/unidad
a 9
b 18
c 14
d 11
c) Horas disponibles por departamento de producción
Departamento Horas disponibles
Taladrado 70
Torneado 80
Fresado 90
Ensamblado 100


FV: Maximizar las utilidades de la empresa
D: Maximizar (las utilidades generadas por el producto a + las utilidades generadas por el producto b +
las utilidades generadas por el producto c + las utilidades generadas por el producto d)
FM: Maximizar 9A +18B +14 C +11 D

a) Departamento de taladrado
FV: El número de horas disponibles en el departamento de taladrado es de 70
D : (número de horas de taladrado empleados en el producto a + número de horas de taladrado
empleados en el producto b + número de horas de taladrado empleados en el producto c + número
de horas de taladrado empleados en el producto d) debe ser menor de 70 horas
FM: 3A + 7B + 4C <= 70
b) Departamentos de torneado, fresado y ensamblado
De manera similar al caso anterior:
Departamento de torneado:
2B + 4C + 6D <= 80
Departamento de fresado:
3A + 4B + 5D <= 90
Departamento de ensamblado:
4A + 6B + 5C + 3D <= 100
c) Restricciones lógicas
A, B, C y D >= 0 y enteros.

Maximizar 9A +18B +14 C +11 D
Sujeto a:
3A + 7B + 4C <= 70
2B + 4C + 6D <= 80
3A + 4B + 5D <= 90
4A + 6B + 5C + 3D <= 100
A, B, C y D >= 0 y enteros.
Donde
A = El número de unidades del producto “a” a producir.
B = El número de unidades del producto “b” a producir.
C = El número de unidades del producto “c” a producir.
D = El número de unidades del producto “d” a producir.
2.2.1.6. Planeamiento de produccion de bombas

Una compañía produce dos tipos de bombas. Cada bomba del tipo 1 requiere el doble de tiempo
en mano de obra que el segundo tipo. Si todas las bombas son del tipo 2, la compañía puede
producir un total de 500 bombas al día. El mercado limita las ventas diarias del tipo 1 y 2 a 150 y
250 bombas respectivamente. Suponga que los beneficios por cada bomba son $80 para el tipo 1
y $50 para el tipo 2. determine el número de bombas a ser producidos de cada tipo para
maximizar el beneficio.
Solución:
a. Formulación del modelo matemático

B1 = el número de bombas del tipo 1 producidas por día.
B2 = el número de bombas del tipo 2 producidas por día

a) Una bomba del tipo 1 requiere el doble de tiempo en mano de obra que la bomba de tipo 2.
b) La compañía si solo produce bombas del tipo 2, puede producir 500 unidades.
c) La venta máxima de bombas de tipo 1 es de 150 unidades.
d) La venta máxima de bombas de tipo 2 es de 250 unidades.
e) El beneficio por la venta de una bomba de tipo 1 es de $80,0.
f) El beneficio por la venta de una bomba de tipo 2 es de $50,0.

FV: Maximizar los beneficios obtenidos por la venta de bombas. .
D : Maximizar (beneficios por la venta de bombas del tipo 1 + beneficios por la venta de bombas del
tipo 2)
FM: Maximizar 80 B1 + 50 B2
a) Tiempo en mano de obra
FV: Si la compañía produce solo bombas de tipo 2, puede producir 500 unidades
D : (tiempo en mano de obra para producir bombas del tipo 1 + tiempo en mano de obra para producir
bombas del tipo 2) es igual al tiempo para producir 500 bombas del tipo 2
FM: B1T1 + B2T2 <= 500T2, donde T1 = 2T2
B1 2T2 + B2T2 <= 500T2
2B1 + B2 <= 500
b) Ventas diarias
FV: El número de bombas del tipo 1 que se puede vender es un máximo de 150 unidades
FM: B1 <= 150
De manera similar con la venta de bombas del tipo 2
B2 <= 250
B1 y B2 >= 0

Maximizar 80 B1 + 50 B2
Sujeto a:
2B1 + B2 <= 500
B1 <= 150
B2 <= 250
B1 y B2 >= 0
Donde
B1 = el número de bombas del tipo 1 producidas por día.
B2 = el número de bombas del tipo 2 producidas por día

2.2.2. Ejemplos de problemas de redes: el problema de transporte
2.2.2.1. Transporte de automoviles

Un fabricante de automóviles tiene un contrato para exportar 400 automóviles de modelo A y 500
del modelo B. El automóvil modelo A ocupa un volumen de 12 metros cúbicos y el modelo B
ocupa un volumen de 15 metros cúbicos. Se dispone de 3 barcos para transportar los
automóviles. Estos llegaran al puesto de destino, a principios de enero, mediados de febrero y
fines de marzo, respectivamente. El primer barco solo transporta automóviles modelo A a un
costo de 450 dólares por automóvil. El segundo y tercer barco transportan ambos modelos a un
costo de 35 y 40 dólares por metro cúbico respectivamente. El primer barco solo puede acomodar
200 automóviles y el segundo y tercero tienen disponibles volúmenes de 4500 y 6000 metros
cúbicos. Si el fabricante se ha comprometido a entregar al menos 250 del modelo A y 200 del
modelo B para mediados de febrero, y el resto para fines de marzo, ¿Cuál es modelo matemático
a desarrollar para minimizar el costo total?
Solución:

AB1e = el número de automóviles de modelo A a ser transportados en el barco 1 que llega a principios
de enero.
AB2f = el número de automóviles de modelo A a ser transportados en el barco 2 que llega a mediados
de febrero.
BB2f = el número de automóviles de modelo B a ser transportados en el barco 2 que llega a mediados
de febrero.
AB3m = el número de automóviles de modelo A a ser transportados en el barco 3 que llega a fines de
marzo.
BB3m = el número de automóviles de modelo B a ser transportados en el barco 3 que llega a fines de
marzo.

a) El fabricante debe exportar 400 automóviles del modelo A.
b) El fabricante debe exportar5400 automóviles del modelo B.
c) El modelo A de automóvil ocupa 12 m3.
d) El modelo B de automóvil ocupa 15 m3.
e) El costo de transporte de los automóviles se presenta en el siguiente cuadro:

Costo de transporte ($/automóvil)

Barco 1 Barco 2 Barco 3
Modelo A 450 35*12 = 420 35*15 = 525
Modelo B - 40*12 = 480 40*15 = 600
f) El barco 1 solo puede transporta automóviles de modelo A.

g) La capacidad del barco 1 es de 200 automóviles de modelo A.
h) La capacidad del barco 3 es de 4500 m3.
i) La capacidad del barco 3 es de 6000 m3.
j) El fabricante se ha comprometido a entregar al menos 250 automóviles del modelo A y 200 del
modelo B para mediados de febrero y el resto a fines de marzo.

FV: Minimizar el costo de transporte de automóviles
D : Minimizar (costo de transporte de automóviles antes de mediados de febrero + costo de transporte
de automóviles para fines de marzo)
FM: Minimizar 450AB1e + 420AB2f + 480BB2f + 525AB3m + 600BB3m

i) Contrato para exportar automóviles del modelo A
FV: Se debe transportar 400 automóviles del modelo A
D : (transporte de automóviles de modelo A antes de inicios de enero + transporte de automóviles de
modelo A antes de mediados de febrero + transporte de automóviles de modelo A para fines de
marzo) debe ser 400
FM: AB1e + AB2f + AB3m = 400
j) Contrato para exportar automóviles del modelo B
FV: Se debe transportar 500 automóviles del modelo B
D : (transporte de automóviles de modelo B antes de mediados de febrero + transporte de automóviles
de modelo B para fines de marzo) debe ser 500
FM: BB2f + BB3m = 500
k) Capacidad de transporte del barco 1
FV: La capacidad de transporte del barco 1 es de 200 automóviles de modelo A.
FM: AB1e <= 200
l) Capacidad de transporte del barco 2
FV: La capacidad de transporte del barco 2 es de 4500 m3.
D : (transporte de automóviles de modelo A + transporte de automóviles de modelo B) debe ser 4500
m3
FM: 12AB2f + 15BB2f < =4500
m) Capacidad de transporte del barco 3
FV: La capacidad de transporte del barco 3 es de 6000 m3.
D : (transporte de automóviles de modelo A + transporte de automóviles de modelo B) debe ser 6000
m3
FM: 12AB3m + 15BB3m < =6000
n) Compromiso de entrega de automóviles del modelo A a mediados de febrero
FV: A mediados de febrero se debe entregar al menos 250 automóviles del modelo A

D : (el número de automóviles del modelo A transportados que llegan a inicios de enero + el número de
automóviles del modelo A transportados que llegan a mediados de febrero) debe ser al menos 250
FM: AB1e + AB2f >= 250
o) Compromiso de entrega de automóviles del modelo B a mediados de febrero
FV: A mediados de febrero se debe entregar al menos 200 automóviles del modelo B
D : (el número de automóviles del modelo B transportados que llegan a inicios de enero + el número de
automóviles del modelo B transportados que llegan a mediados de febrero) debe ser al menos 200
FM: BB2f >= 200
p) Restricciones lógicas
AB1e, AB2f, BB2f, AB3m yBB3m >= 0 y enteros

Minimizar 450AB1e + 420AB2f + 480BB2f + 525AB3m + 600BB3m
Sujeto a:
AB1e + AB2f + AB3m = 400
BB2f + BB3m = 500
AB1e <= 200
12AB2f + 15BB2f < =4500
12AB3m + 15BB3m < =6000
AB1e + AB2f >= 250
BB2f >= 200
AB1e, AB2f, BB2f, AB3m yBB3m >= 0 y enteros
2.2.2.2. Problema de transporte de Medequip Company

La Medequip Company produce equipos de precisión de diagnóstico médico en dos fábricas. Se han recibido
pedidos de tres centros médicos para la producción de este mes. La tabla presenta el costo unitario de envío
desde cada fábrica a cada centro. Además muestra el número de unidades que se producirán en cada fábrica
y el número de unidades ordenadas por cada cliente.
Costo unitario de envío Producción
Cliente 1 Cliente 2 Cliente 3
Fabrica 1 $600 $800 $700 400 und
Fabrica 2 $400 $900 $600 500 und
Orden 300 und 200 und 400 uns
Formule un modelo matemático para decidir cuantas unidades enviar de cada fábrica a cada
cliente.
Solución:
F1C1 = Número de equipos a ser enviados de la fábrica 1 al cliente 1


a. El costo unitario de envío de cada fabrica a cada cliente, la capacidad de producción y la demanda
es el siguiente:
Costo unitario de envío Producción

Cliente 1 Cliente 2 Cliente 3
Fabrica 1 $600 $800 $700 400 und
Fabrica 2 $400 $900 $600 500 und
Orden 300 und 200 und 400 uns

FV: Minimizar el costo de envío de los equipos médicos
D : Minimizar (costo de envío de la fábrica 1 al cliente 1 + costo de envío de la fábrica 1 al cliente 2 +
costo de envío de la fábrica 1 al cliente 3 + costo de envío de la fábrica 2 al cliente 1 + costo de
envío de la fábrica 2 al cliente 2 + costo de envío de la fábrica 2 al cliente 3).
FM: Minimizar 600F1C1+ 800F1C2+ 700F1C3+ 400F2C1+ 900F2C2+ 600F2C3

a) Capacidad de producción en la fábrica 1
FV: La fabrica 1 tiene una capacidad de producción de 400 equipos.
D : (El número de equipos enviados al cliente 1 + El número de equipos enviados al cliente 2 + El
número de equipos enviados al cliente 3) debe ser igual a 400.
FM: F1C1 + F1C2 + F1C3 = 400
b) Capacidad de producción en la fabrica 2
De manera similar a la restricción anterior:
F2C1 + F2C2 + F3C3 = 500
c) Demanda del cliente 1
FV: El cliente 1 requiere de 300 equipos para vender
D : (el número de equipos enviados de la fabrica 1 + el número de equipos enviados de la fabrica 2)al
cliente 1 debe ser igual a 300.
FM: F1C1 + F2C1 = 300
d) Demanda del cliente 2 y cliente 3
De manera similar a la restricción anterior:
F1C2 + F2C2 = 200
F1C3 + F2C3 = 400
e) Restricciones lógicas
F1C1, F1C2, F1C3, F2C1, F2C2 y F2C3 >= 0

Minimizar 600F1C1+ 800F1C2+ 700F1C3+ 400F2C1+ 900F2C2+ 600F2C3
Sujeto a:
F1C1 + F1C2 + F1C3 = 400
F2C1 + F2C2 + F3C3 = 500
F1C1 + F2C1 = 300

F1C2 + F2C2 = 200

F1C3 + F2C3 = 400
F1C1, F1C2, F1C3, F2C1, F2C2 y F2C3 >= 0
Donde
2.2.3. Ejemplos de problemas de redes: el problerma del flujo maximo

2.2.3.1. Problema de transporte de Hexon Oil Company
Hexon Oil Company tiene una gran refinería localizada en Newark, New Jersey. La gasolina refinada es
enviada de allí a tanques de almacenamiento en Filadelfia a través de una red de oleoductos con estaciones
de bombeo en Sayerville, Easton, Trenton, Bridgewater y Allentown. El oleoducto está construido en
segmentos que conectan parejas de estas ciudades. A lo largo de cada segmento existe un número máximo
conocido de galones por hora que pueden enviarse. Estos segmentos y sus respectivas capacidades en
galones por hora son:
DE A CAPACIDAD
Newark Sayerville 150 000
Sayerville Trenton 125 000
Trenton Filadelfia 130 000
Newark Bridgewater 80 000
Sayerville Bridgewater 60 000
Bridgewater Easton 100 000
Easton Allentown 75 000
Easton Trenton 50 000
Allentown Filadelfia 90 000
En la región de Filadelfia se espera un aumento en la conducción en los próximos meses de verano ¿Tendrá
Hexxon suficiente gasolina para satisfacer la mayor demanda en las estaciones de servicio? Antes de
incrementar la tasa de producción de la refinería, la administración de Hexxon desea conocer el número
máximo de galones de gasolina por hora que pueden enviarse a través de la red de oleoductos a los
tanques de almacenamiento de Filadelfia.
Formule un modelo matemático.
Solución:
Antes de formular el modelo, dibujaremos un diagrama de redes que nos ayude a visualizar la información y
los datos del problema:


Para resolver el problema debemos determinar el número de galones de gasolina que se pueden enviar
por hora a lo largo de cada segmento del oleoducto:
XNS = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Newark a
Sayerville.
XST = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Sayerville a
Trenton.
XTF = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Trenton a
Filadelfia.
XNB = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Newark a
Bridgewater.
XSB = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Sayerville a
Bridgewater.
XBE = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Bridgewater
a Easton.
XEA = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Easton a
Allentown.

XET = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Easton a
Trenton.
XAF = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Allentown a
Filadelfia.

DE A CAPACIDAD
Newark Sayerville 150 000
Sayerville Trenton 125 000
Trenton Filadelfia 130 000
Newark Bridgewater 80 000
Sayerville Bridgewater 60 000
Bridgewater Easton 100 000
Easton Allentown 75 000
Easton Trenton 50 000
Allentown Filadelfia 90 000

FV: Maximizar el número de galones por hora enviado a Filadelfia.
D: Maximizar (número de galones por hora desde Allentown + numero de galones por hora desde
Trenton)
FM: Maximizar XAF + XTF

a) Restricciones de límite
FV: El número de galones por hora enviado de Newark a Sayerville no debe exceder su capacidad.
FM: XNS <= 150 000
De manera similar en el resto de los segmentos:
XNB <= 80 000
XSB <= 60 000
XST <= 125 000
XBE <= 100 000
XEA <= 75 000
XET <= 50 000
XAF <= 90 000
XTF <= 130 000
b) Restricciones de equilibrio
Debemos especificar que en cada estación de bombeo, la cantidad de gasolina por enviada debe ser
precisamente igual a la cantidad recibida.
FV: La cantidad de gasolina recibida en Bridgewater debe ser igual a la cantidad de gasolina enviada
desde Bridgewater.
D: La cantidad recibida desde Newark + la cantidad recibida desde Sayerville debe ser igual a la
cantidad enviada a Easton.
FM: XBE = XNB + XSB
XBE - XNB - XSB = 0

De manera similar para cada estación de bombeo:

XST- XSB – XNS = 0 (balance en Sayerville)
XEA – XET – XBE = 0 (balance en Easton)
XTF – XST - XET = 0 (balance en Trenton)
XAF – XEA = 0 (balance en Allentown)
XNS, XNB, XSB, XST, XBE, XEA, XET, XAP y XTP >= 0

Maximizar XAF + XTF
Sujeto a:
XNS <= 150 000
XNB <= 80 000
XSB <= 60 000
XST <= 125 000
XBE <= 100 000
XEA <= 75 000
XET <= 50 000
XAF <= 90 000
XTF <= 130 000
XBE - XNB - XSB = 0
XST- XSB – XNS = 0
XEA – XET – XBE = 0
XTF – XST - XET = 0
XAF – XEA = 0
XNS, XNB, XSB, XST, XBE, XEA, XET, XAF y XTF >= 0
Donde
XNS = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Newark a Sayerville.
XST = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Sayerville a Trenton.
XTF = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Trenton a Filadelfia.
XNB = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Newark a Bridgewater.
XSB = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Sayerville a Bridgewater.
XBE = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Bridgewater a Easton.
XEA = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Easton a Allentown.
XET = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Easton a Trenton.
XAF = El numero de galones de gasolina por hora que se enviara a lo largo del segmento de Allentown a Filadelfia.
2.2.4. Administracion de inversiones, uso de variables binarias

2.2.4.1. Problema de inversion de Centauro Gold Company
El Directorio de Centauro Gold Mining Inc. ha decidido invertir un millon de dolares en proyectos
mineros. El departamento de inversiones ha identificado seis proyectos con estrategias de
inversion variables, resiultando en diferentes rendimientos potenciales y riesgos asociados, como
se resume en la tabla.
Proyecto 1 2 3 4 5 6

Precio ($/acción) 45 76 110 17 23 22

Devolución esperada 30 20 15 12 10 7
(%)
Categoría de riesgo alto alto alto mediano mediano bajo
Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diversos
proyectos. Para este fin la administración de Centauro Gold Mining, Inc ha especificado las
siguientes pautas.
a. la cantidad total invertida en proyectos de alto riesgo debe estar entre 50 y 75% de la cartera.
b. la cantidad total invertida en proyectos de mediano riesgo debe estar entre 20 y 30% de la
cartera.
c. la cantidad total invertido en los proyectos de bajo riesgo debe ser al menos de 5% de la
cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, espaciar el riesgo invirtiendo en
muchas alternativas diferentes. La gerencia de Centauro Gold Mining, Inc ha especificado que la
cantidad invertida en los proyectos de alto riesgo 1, 2 y 3 deben estar en la tasa 1:2:3,
respectivamente. La cantidad invertida en los proyectos de mediano riesgo 4 y 5 debe ser 1:2.
Con estas pautas, ¿Qué proyectos debería usted, gerente de inversiones, recomendar para
maximizar la tasa esperada de retorno?
Solución:
P1 = La fracción de la cartera por invertir en el proyecto 1

a) Capital a invertir $100 000 000
b) Rendimientos potenciales y riesgos asociados
Proyecto 1 2 3 4 5 6
Precio ($/acción) 45 76 110 17 23 22
Devolución esperada (%) 30 20 15 12 10 7
Categoría de riesgo alto alto alto mediano mediano bajo
c) La cantidad total invertida en proyectos de alto riesgo debe estar entre 50 y 75% de la cartera.
d) La cantidad total invertida en proyectos de mediano riesgo debe estar entre 20 y 30% de la cartera.
e) La cantidad total invertido en los proyectos de bajo riesgo debe ser al menos de 5% de la cartera.
f) La cantidad invertida en los proyectos de alto riesgo 1, 2 y 3 deben estar en la tasa 1:2:3,
respectivamente.
g) La cantidad invertida en los proyectos de mediano riesgo 4 y 5 debe ser 1:2.

FV: Maximizar el rendimiento total esperado.

D : Maximizar (rendimiento esperado del proyecto 1 + rendimiento esperado del proyecto 2 +

rendimiento esperado del proyecto 3 + rendimiento esperado del proyecto 4 + rendimiento
esperado del proyecto 5 + rendimiento esperado del proyecto 6).
FM: Maximizar 0.30P1 +0.20P2 + 0.15P3 + 0.12P4 + 0.10P5 + 0.07P6

d) Inversión en proyectos de alto riesgo
FV: La cantidad total invertida en proyectos de alto riesgo debe estar entre 50 y 75% de la cartera.
D : ((la cantidad invertida en el proyecto 1 + la cantidad invertida en el proyecto 2 + la cantidad invertida
en el proyecto 3)) debe estar entre 50 y 75% de la cartera.
FM: P1 + P2 + P3 >= 0.50 (mínimo en alto riesgo)
P1 + P2 + P3 <= 0.75 (máximo en alto riesgo)
e) Inversión en proyectos de mediano riesgo
FV: La cantidad total invertida en proyectos de mediano riesgo debe estar entre 20 y 30% de la cartera.
D : ((la cantidad invertida en el proyecto 4 + la cantidad invertida en el proyecto 5)) debe estar entre 20
y 30% de la cartera.
FM: P4 + P5 >= 0.20 (mínimo en mediano riesgo)
P4 + P5 <= 0.30 (máximo en mediano riesgo)
f) Inversión en proyectos de bajo riesgo
FV: La cantidad total invertida en proyectos de bajo riesgo debe ser al menos el 5% de la cartera.
D : ((la cantidad invertida en el proyecto 6)) debe ser al menos el 5% de la cartera.
FM: P6 >= 0.05 (mínimo en bajo riesgo)
g) Diversificación de inversión en proyectos de alto riesgo
FV: La cantidad invertida en los proyectos de alto riesgo 1, 2 y 3 deben estar en la tasa 1:2:3,
respectivamente.
D : La cantidad invertida en el proyecto2 debe ser el doble de lo invertido en el proyecto 1.
FM: -2P2 + P1 = 0
De manera similar:
-3P1 + P3 = 0
h) Diversificación de inversión en proyectos de mediano riesgo
FV: La cantidad invertida en los proyectos de mediano riesgo 4 y 5 deben estar en la tasa 1:2,
respectivamente.
D : La cantidad invertida en el proyecto5 debe ser el doble de lo invertido en el proyecto 4.
FM: -2P4 + P5 = 0
i) Capital de inversión
FV: El capital disponible para invertir en todos los proyectos es de $100 000 000
FM: P1 + P2 + P3 + P4 + P5 + P6 = 1
j) Restricciones lógicas
P1, P2, P3, P4, P5 y P6 >= 0

Maximizar 0.30P1 +0.20P2 + 0.15P3 + 0.12P4 + 0.10P5 + 0.07P6
Sujeto a:
P1 + P2 + P3 >= 0.50 (mínimo en alto riesgo)
P1 + P2 + P3 <= 0.75 (máximo en alto riesgo)

P4 + P5 >= 0.20 (mínimo en mediano riesgo)

P4 + P5 <= 0.30 (máximo en mediano riesgo)
P6 >= 0.05 (mínimo en bajo riesgo)
-2P2 + P1 = 0
-3P1 + P3 = 0
-2P4 + P5 = 0
P1 + P2 + P3 + P4 + P5 + P6 = 1
P1, P2, P3, P4, P5 y P6 >= 0
Donde
2.2.5. Ejemplos de problemas de diseño

2.2.5.1. Problema de diseño de Containers Inc.
Containers Inc., ha recibido un pedido para hacer tambores de acero cilíndricos, con la base y la tapa
circulares. El volumen total del contenedor debe ser al menos de 10 pies cúbicos. El costo de acero para
hacer el costado del contenedor es $3 por pie cuadrado. El costo de la base y la tapa es de $3.82 por pie
cuadrado. Como ingeniero de producción, formule un modelo matemático para determinar un diseño que
minimice el costo del acero requerido.
Solución:
R = radio de la base en pies
H = altura del cilindro en pies

a. El volumen total del contenedor debe ser al menos de 10 pies cúbicos.
b. El costo de acero para hacer el costado del contenedor es $3 por pie cuadrado.
c. El costo de la base y la tapa es de $3.82 por pie cuadrado.

FV: Minimizar el costo de acero requerido para construir el contenedor.
D: Minimizar (costo del acero del costado del contenedor + costo del acero de la base y de la tapa)
FM: Minimizar (2πRH pie2 x $3 / pie2 + 2πR2 pie2 x $3.82 / pie2)
Minimizar 6πRH + 7.64πR2

a) Volumen del contenedor
FV: El volumen total del contenedor debe ser al menos de 10 pies cúbicos.
D: (πR2H) debe ser al menos de 10 pies cúbicos.
FM: πR2H >= 10
b) Restricciones lógicas

R y H >= 0

Minimizar 6πRH + 7.64πR2
Sujeto a:
πR2H >= 10
R y H >= 0
Donde
R = radio de la base en pies
H = altura del cilindro en pies
2.2.6. Problema de mezclas: aleaciones

2.2.6.1. Problema de produccion de aleacion
Un productor de aluminio fabrica una aleación especial que el garantiza que contiene un 90% o
más de aluminio, entre 5% y 8% de cobre y el resto de otros metales. La demanda para esta
aleación es muy incierta de modo que el productor no mantiene un stock disponible. El ha recibido
una orden de 1.000 kg. a $450/kg. La aleación debe hacerse a partir de barras de dos tipos de
materiales de desecho, de cobre puro y de aluminio puro. El análisis de los materiales de desecho
es el siguiente:
Al Cu Otros
Material de desecho 1 95 3 2
Material de desecho 2 85 1 14
Los respectivos costos son: Material de desecho 1 = $150/kg; Material de desecho 2 = $50/kg;
Cobre puro = $150/kg; y Aluminio puro $500/kg.
Cuesta $50 fundir un kilogramo de metal. Se tienen más de 1.000 kg. de cada tipo de metal
disponible. Como debe el productor cargar su horno de manera que maximice sus utilidades?
Solución:
MD1 = Kilogramos de material de desecho 1 a utilizar para obtener 1 kilogramo de aleación especial
AL = Kilogramos de aluminio puro a utilizar para obtener 1 kilogramo de aleación especial.
CU = Kilogramos de cobre puro a utilizar para obtener 1 kilogramo de aleación especial.

h) La aleación especial debe tener 90% o más de aluminio.
i) La aleación especial debe tener 5% o mas de cobre
j) La aleación especial debe tener 8% o menos de cobre
k) 1 kg de material de desecho cuesta $150.0
l) 1 kg de material de desecho2 cuesta $50.0
m) 1 kg de aluminio puro cuesta $500.0
n) 1 kg de cobre puro cuesta $150.0
o) El costo de fundición de 1 kg de metal es $50.0
p) 1 kg de aleación especial es vendido a $450.0
q) La aleación especial debe tener 90% o mas de aluminio


FV: Minimizar el costo de los insumos de la aleación especial para obtener 1 kg de aleación.
D : Minimizar (costo de material de desecho 1 + costo de material de desecho 2 + costo de aluminio
puro + costo de cobre puro) para 1 kg de aleación.
FM: Minimizar 150MD1 +50MD2 + 500AL + 150AL

k) Contenido mínimo de aluminio en aleación especial
FV: La aleación especial debe tener 90% o más de aluminio
D : ((contenido de aluminio en el material de desecho 1 + contenido de aluminio en el material de
desecho 2 + contenido de aluminio en el aluminio puro)/(peso del material de desecho 1 + peso del
material de desecho 2 + peso del aluminio puro + peso del cobre puro)) debe ser mayor o igual a
90% de aluminio
 0.95MD1  0.85MD2  AL 
 MD1  MD2  AL  CU   0.90
FM: 0.05MD1 -0.05MD2 + 0.1AL -0.9CU >= 0

l) Contenido mínimo de cobre en aleación especial
FV: La aleación especial debe tener 5% o más de cobre
D : ((contenido de cobre en el material de desecho 1 + contenido de cobre en el material de desecho 2
+ contenido de cobre en el cobre puro)/(peso del material de desecho 1 + peso del material de
desecho 2 + peso del aluminio puro + peso del cobre puro)) debe ser mayor o igual a 5% de cobre
 0.03MD1  0.01MD 2  CU 
 MD1  MD 2  AL  CU   0.05
FM:-0.02MD1 -0.04MD2 -0.05AL + 0.95CU >= 0

m) Contenido máximo de cobre en aleación especial
FV: La aleación especial debe tener 8% o menos de cobre
D : ((contenido de cobre en el material de desecho 1 + contenido de cobre en el material de desecho 2
+ contenido de cobre en el cobre puro)/(peso del material de desecho 1 + peso del material de
desecho 2 + peso del aluminio puro + peso del cobre puro)) debe ser menor o igual a 8% de cobre
 0.03MD1  0.01MD 2  CU 
 MD1  MD 2  AL  CU   0.08
FM:-0.05MD1 -0.07MD2 -0.08AL + 0.92CU >= 0

n) Contenido de 1 kg de aleación especial
FV: La aleación especial debe pesar 1 kg
D : (peso del material de desecho 1 + peso del material de desecho 2 + peso de aluminio puro + peso
del cobre puro) debe ser igual a 1 kg
FM: MD1+ MD2 + AL + CU = 1
o) Restricciones lógicas
MD1, MD2, AL y CU >= 0

Minimizar 150MD1 +50MD2 + 500AL + 150AL
Sujeto a:
0.05MD1 -0.05MD2 + 0.1AL -0.9CU >= 0
0.02MD1 -0.04MD2 -0.05AL + 0.95CU >= 0
-0.05MD1 -0.07MD2 -0.08AL + 0.92CU >= 0
MD1+ MD2 + AL + CU = 1
MD1, MD2, AL y CU >=0
Donde
AL = Kilogramos de aluminio puro a utilizar para obtener 1 kilogramo de aleación especial.
CU = Kilogramos de cobre puro a utilizar para obtener 1 kilogramo de aleación especial.
2.2.7. Problema de disminucion de contaminacion

2.2.7.1. Problema de abatimiento de contaminacion de Nori&Leets Co.
La Nori&Leets Co., una de las mayores productoras de acero del mundo occidental está
localizada en la ciudad de Steeltown y es la única empresa grande de la localidad. La comunidad
ha crecido y prosperado junto con la compañía, que de momento emplea cerca de 50 000
residentes. La actitud de los habitantes ha sido siempre un ¨lo que es bueno para Nori&Leets es
bueno para nosotros¨. Sin embargo, esta actitud está cambiando, la contaminación no controlada
del aire debido a los altos hornos de la planta está en camino de arruinar la apariencia de la
ciudad y de poner en peligro la ciudad la salud de sus habitantes.
Como resultado, después de una revuelta entre los accionistas se eligió un nuevo consejo
directivo más responsable. Los nuevos directores han decidido seguir políticas de responsabilidad
social y realizar pláticas con las autoridades de la ciudad y con grupos de ciudadanos para tomar
medidas respecto de la contaminación ambiental. Juntos han establecido estándares rigurosos de
calidad del aire para la ciudad de Steeltown.
Los tres tipos principales de contaminantes son partículas de materia, óxidos de azufre e
hidrocarburos. Los nuevos estándares requieren que la compañía reduzca su emisión anual de
estos contaminantes en las cantidades que se presenta en la tabla 1. El Consejo directivo ha dado
instrucciones a la administración para que el personal de ingeniería determine cómo lograr estas
reducciones en la forma más económica.
Tabla 1. Estándares de aire limpio de Nori & Leets Co.
Contaminante Reducción requerida de la tasa de emisión
anual (millones de libras)
Partículas 60
Óxidos de azufre 150
Hidrocarburos 125
La fabricación de acero tiene dos fuentes principales de contaminación: los altos hornos para
fabricar el arrabio (lingotes de acero) y los hornos Siemens-Martín para transformar el hierro en
acero. En ambos casos los ingenieros determinaron que los métodos de abatimiento más eficaces
son: 1) aumentar la altura de las chimeneas, 2) usar filtros (con trampas de gas) en ellas y 3)
incluir limpiadores de alto grado en los combustibles de los hornos. Todos estos métodos tienen
limitaciones tecnológicas en cuanto al nivel en que pueden usarse; por ejemplo, un incremento
factible máximo de las alturas de las chimeneas, pero también existe una gran flexibilidad para
usar el método en cualquier nivel fraccionario de su límite tecnológico.
La tabla 2. Muestra la cantidad de emisión (en millones de libras anuales) que se puede eliminar
de cada tipo de horno mediante el empleo del método de abatimiento al máximo límite
tecnológico. Para fines de análisis se supone que cada método se puede usar a un nivel menor
para lograr cualquier fracción de reducción de las tasas de emisión que se presentan en esta
tabla. Más aún, las fracciones pueden ser diferentes para los altos hornos y los hornos Siemens-
Martín, y el uso simultáneo de otro método no afecta de manera significativa la reducción de
emisiones que alcanza cada uno de ellos.
Después de obtener estos datos, quedó claro que ningún método por sí solo podía lograr las
reducciones requeridas. Por otro lado, la combinación de los tres métodos a toda su capacidad -lo
que sería demasiado caro si se quiere que los productos tengan precios competitivos- genera un

resultado mucho más elevado de lo que se pide. Por todo esto, la conclusión de los ingenieros fue
que debían usar alguna combinación de métodos, tal vez con capacidades fraccionarias basadas
en sus costos relativos. Aún más, debido a las diferencias entre los altos hornos y los hornos
Siemens-Martín, es probable que la combinación sea diferente para cada tipo de horno.
Tabla 2. Reducción de la tasa de emisión (en millones de libras por año) con el uso máximo factible del
método de abatimiento de Nori & Leets Co.
Chimeneas más Filtros Mejores
altas combustibles
Contaminante Altos Hornos Altos Hornos Altos Hornos
hornos Siemens – hornos Siemens – hornos Siemens –
Martins Martins Martins
Partículas 12 9 25 20 17 13
Óxidos de azufre 35 42 18 31 56 49
Hidrocarburos 37 53 28 24 29 20
Se llevó a cabo un análisis para estimar el costo total anual de cada método de abatimiento. El
costo anual de un método incluye el aumento de los gastos de operación y mantenimiento al igual
que la reducción de los ingresos de vida a cualquier pérdida de eficiencia en el proceso de
producción que puede generar el uso del método. El otro costo importante es el costo fijo inicial (el
capital inicial) que se requiere para instalar el método. Para hacer que este costo único fuera
conmensurable con los costos anuales, se usó el valor del dinero en el tiempo para calcular el
gasto anual (sobre el tiempo esperado de vida del método) que sería equivalente a este costo fijo
inicial.
El análisis permitió estimar los costos anuales totales en millones de dólares que se presentan en
la tabla 3., en la que se incurre al usar los métodos a toda su capacidad de abatimiento. También
se determinó que el costo de un método que se utiliza a un nivel menor es esencialmente
proporcional a la capacidad fraccionada de la capacidad de abatimiento que se logra, aspecto que
se presenta en la tabla 2. Entonces, para cualquier fracción que se logre, el costo total anual sería
en esencia la fracción de la cantidad correspondiente de la tabla 3.
Tabla 3. Costo anual por el uso máximo factible del método de abatimiento de Nori & Leets Co. (millones
de dólares)
Método de abatimiento Altos hornos Hornos de corazón
abierto
Chimeneas más altas 8 10
Filtros 7 6
Mejores combustibles 11 9
En esta etapa todo está listo para desarrollar el marco general del plan de la compañía para
disminuir la contaminación. Éste plan especifica qué tipo de métodos de reducción deberán
emplearse y a que fracciones de su capacidad para: 1) los altos hornos y 2) los hornos Siemens-
Martín. Debido a la naturaleza combinatoria del problema de encontrar un plan que satisfaga a los
requisitos con el menor costo posible, se formó un equipo de investigación de operaciones para
resolverlo. El equipo decidió enfocar el problema desde un punto de vista de programación lineal
y debe formular un modelo matemático.
Solución:
ChAl = Fracción del uso máximo de chimeneas mas altas para altos hornos.
ChHo= Fracción del uso máximo de chimeneas mas altas para hornos Siemens- Martins .
FiAl= Fracción del uso máximo de filtros para altos hornos.
FiHo= Fracción del uso máximo de filtros para hornos Siemens- Martins .
MeAl= Fracción del uso máximo de mejores combustibles para altos hornos.
MeHo= Fracción del uso máximo de mejores combustibles para hornos Siemens- Martins..3
a. Estándares de aire limpio de Nori & Leets Co.

Contaminante Reducción requerida de la tasa de emisión anual
(millones de libras)
Partículas 60
Óxidos de azufre 150
Hidrocarburos 125
b. Reducción de la tasa de emisión (en millones de libras por año) con el uso máximo factible del
método de abatimiento de Nori & Leets Co.
Chimeneas más altas Filtros Mejores combustibles
Contaminante Altos Hornos Altos Hornos Altos Hornos
hornos Siemens – hornos Siemens – hornos Siemens –
Martins Martins Martins
Partículas 12 9 25 20 17 13
Óxidos de azufre 35 42 18 31 56 49
Hidrocarburos 37 53 28 24 29 20
c. Costo anual por el uso máximo factible del método de abatimiento de Nori & Leets Co. (millones
de dólares)
Método de abatimiento Altos hornos Hornos de corazón abierto
Chimeneas más altas 8 10
Filtros 7 6
Mejores combustibles 11 9

FV: Minimizar el costo total de la disminución de la contaminación mediante métodos de abatimiento.
D: Minimizar (Costo del método de chimeneas más altas para altos hornos + costo del método de
chimeneas más altas para hornos Siemens- Martins + costo del método de filtros para altos hornos +
costo del método de filtros para hornos Siemens- Martins + costo del método de mejores combustibles
para altos hornos + costo del método de de mejores combustibles para hornos Siemens- Martins)
FM: Minimizar 8 ChAl + 10 ChHo + 7FiAl + 6FiHo +11MeAl + 9MeHo

p) Reducción requerida de la emisión de partículas anualmente
FV: La reducción requerida de emisión de partículas es de 60 millones de libras anualmente.
D: (reducción de la tasa de emisión empleando el método de chimeneas más altas para altos hornos +
reducción de la tasa de emisión empleando el método de chimeneas más altas para hornos Siemens-
Martins + reducción de la tasa de emisión empleando el método de filtros para altos hornos + reducción
de la tasa de emisión empleando el método de filtros para hornos Siemens- Martins + reducción de la
tasa de emisión empleando el método de mejores combustibles para altos hornos + reducción de la tasa
de emisión empleando el método de mejores combustibles para hornos Siemens- Martins) debe ser
mayor o igual a 60 millones de libras.
FM: 12 ChAl + 9 ChHo + 25FiAl + 20FiHo +17MeAl + 13MeHo >= 60
De manera similar para los métodos de abatimiento de filtros y el uso de mejores combustibles:
q) Eficiencia tecnológica de los métodos

FV: La máxima eficiencia tecnológica del método de chimeneas más altas para altos hornos es del
100%.

FM: ChAl <= 1

De manera similar para los otros métodos de abatimiento:
ChHo <= 1
FiAl <= 1
FiHo <= 1
MeAl <= 1
MeHo <= 1
r) Restricciones lógicas
ChAl, ChHo, FiA, FiHo, MeAl y MeHo >= 0

Minimizar 8 ChAl + 10 ChHo + 7FiAl + 6FiHo +11MeAl + 9MeHo
Sujeto a:
12 ChAl + 9 ChHo + 25FiAl + 20FiHo +17MeAl + 13MeHo >= 60
ChAl <= 1
ChHo <= 1
FiAl <= 1
FiHo <= 1
MeAl <= 1
MeHo <= 1
ChAl, ChHo, FiA, FiHo, MeAl y MeHo >= 0
Donde
ChAl = Fracción del uso máximo de chimeneas mas altas para altos hornos.
ChHo= Fracción del uso máximo de chimeneas mas altas para hornos Siemens- Martins .
FiAl= Fracción del uso máximo de filtros para altos hornos.
FiHo= Fracción del uso máximo de filtros para hornos Siemens- Martins .
MeAl= Fracción del uso máximo de mejores combustibles para altos hornos.
MeHo= Fracción del uso máximo de mejores combustibles para hornos Siemens- Martins..3
2.2.8. Problemas de mezclas

2.2.8.1. Problema de optimizacion de mezcla de Luz del Centro
Luz del Centro es dueña de una central turbogeneradora. Como en los alrededores hay
abundantes depósitos de carbón, la central genera su vapor con ese combustible. Sin embargo,
eso puede causar una emisión que no cumpla con las normas ambientales, que limitan la
descarga de dióxido de azufre a 2 000 partes por millón por tonelada de carbón quemado, y la
descarga de humo por las chimeneas a 20 libras por hora. La empresa recibe dos clases de
carbón pulverizado, C1 y C2, que usa en sus calderas. Las dos clases se suelen mezclar antes de
quemarlas. Para simplificar, se puede suponer que el dióxido de azufre contaminante de la
mezcla (en partes por millón) es un promedio ponderado para cada clase que se usa en la
mezcla. Los datos siguientes se basan en 1 tonelada de consumo por hora, de cada una de las
dos clases de carbón.
Clase de Descarga de azufre Descarga de humo Vapor generado
carbón
Partes por millón Lb/hora Lb/hora

C1 1 800 2,1 12 000
C2 2 100 0,9 9 000
Determine la relación óptima de mezcla de las dos clases de carbón.
Solución:
a) Formulación del modelo matemático
C1 = El número de toneladas de carbón pulverizado tipo 1 a mezclarse por hora.

b) Emisión de contaminantes por la quema de carbón y vapor generado por 1 tonelada de consumo por
hora
Clase de Descarga de azufre Descarga de humo Vapor generado
carbón
Partes por millon Lb/hora Lb/hora
C1 1 800 2,1 12 000
C2 2 100 0,9 9 000
a. Limite máximo permisible de emisión de dióxido de azufre = 2 000 ppm
b. Limite máximo permisible de descarga de humo por las chimeneas = 20 lb/h

FV: Maximizar el vapor generado por la central turbogeneradora
D: Maximizar (el vapor generado por el carbón tipo 1 + el vapor generado por el carbón tipo)
FM: Maximizar 12 000C1 + 9 000C2

a) Limite máximo permisible de dióxido de azufre
FV: La cantidad total de dióxido de azufre emitido por la quema de carbón no debe ser mayor de 2 000
ppm.
D : (La cantidad de dióxido de azufre emitido por la quema del carbón 1 + La cantidad de dióxido de
azufre emitido por la quema del carbón 2) no debe ser mayor de 2 000 ppm.
1800 xC1  2100 xC 2

FM:  2000
C1  C 2
FM: -200C1 + 100C2 <= 0
b) Limite máximo permisible de descarga de humo
FV: La cantidad total de descarga de humo emitido por la quema de carbón no debe ser mayor de 20
lb.
D : (La cantidad de descarga de humo emitido por la quema del carbón 1 + La cantidad de descarga de
humo emitido por la quema del carbón 2) no debe ser mayor de 20 lb
FM: 2,1C1 + 0,9C2 <= 20
C1 y C2 >= 0 y enteros.

Maximizar 12 000C1 + 9 000C2

Sujeto a:
F-200C1 + 100C2 <= 0
2,1C1 + 0,9C2 <= 20
C1 y C2 >= 0 y enteros.
Donde
2.2.8.2. Problema de merzcla de crudos de Exxon Oil Co.

Exxon Oil Co. Construye una refinería para elaborar cuatro productos: diesel, gasolina, lubricantes
y combustible para avión. Las demandas (en barriles/día) de esos productos son: 14 000, 30 000,
10 000 y 8 000, respectivamente. Irán y Dubai tienen contrato para enviar crudo a Exxon Oil Co.
Debido a las cuotas de producción que especifica la OPEP (Organización de Países Exportadores
de Petróleo) la nueva refinería puede recibir al menos el 40% de su crudo de Irán, y el resto de
Dubai. Exxon Oil Co. pronostica que estas cuotas de demanda y crudo permanecerán estables
durante los 10 años siguientes.
Las distintas especificaciones de los dos crudos determinan dos proporciones distintas de
productos: un barril de crudo de Irán rinde 0,2 barril de diesel, 0,25 barril de gasolina, 0,1 barril de
lubricante y 0,15 barril de combustible para avión. Los rendimientos correspondientes del crudo
de Dubai son: 0,1, 0,6, 0,15 y 0,1 respectivamente.
Exxon Oil Co. Necesita determinar la capacidad mínima de la refinería en barriles de crudo por
día.
Solución:
CI = el número de barriles de crudo comprados a Irán diariamente.
CD = el número de barriles de crudo comprados a Dubai diariamente.

a) Demanda de productos
 Diesel = 14 000 barriles/día
 Gasolina = 30 000 barriles/día
 Lubricantes = 10 000 barriles/día
 Combustible para avión = 8 000 barriles/día
b) Rendimiento de los crudos
Rendimiento (barriles)
Procedencia Combustible
Diesel Gasolina Lubricantes
para avión
Irán 0,2 0,25 0,1 0,15
Dubai 0,1 0,6 0,15 0,1
c) Mínimo de crudo procedente de Irán = 40%

FV: Minimizar la cantidad de crudo comprado por día
D: Minimizar ( cantidad de crudo comprado a Irán + cantidad de crudo comprado a Dubai)
FM: Minimizar CI + CD

a) Producción de diesel
FV: la producción de diesel debe ser al menos 14 000 barriles/día
D : (diesel procedente del crudo de Irán + diesel procedente del crudo de Dubai)debe ser al menos 14
000 barriles /día
FM: 0,2CI + 0,1 CD >= 14 000
b) Producción de gasolina, lubricante y combustible para avión
Producción de gasolina:
0,25 CI + 0,6CD >= 30 000
Producción de lubricante:
0,1 CI + 0,15CD >= 10 000
Producción de combustible para avión:
0,15 CI + 0,1CD >= 8 000
c) Crudo comprado de Irán
FV: al menos debe recibir el 40% de crudo de Irán
DM: crudo de Irán debe ser mayor de 0,4x(crudo de Irán + crudo de Dubai)
FM: CI >= 0,4(CI + CD)
0,6CI – 0,4CD >= 0
CI y CD >= 0 y enteros.

Minimizar CI + CD
Sujeto a:
0,2CI + 0,1 CD >= 14 000
0,25 CI + 0,6CD >= 30 000
0,1 CI + 0,15CD >= 10 000
0,15 CI + 0,1CD >= 8 000
0,6CI – 0,4CD >= 0
CI y CD >= 0 y enteros.
Donde
CI = el número de barriles de crudo comprados a Irán diariamente.
CD = el número de barriles de crudo comprados a Dubai diariamente.
2.2.8.3. Problema de mezclas de Ananea Chemicals Co.

En Ananea Chemicals Co., se usan las materias primas I y II para producir dos soluciones para
lixiviación, A Y B. La disponibilidad diaria de las materias primas I y II es de 150 y 140 galones
respectivamente. Una unidad de solución A consume 0,5 unidad de materia prima I y 0,6 unidad
de materia II; una unidad de solución B requiere 0,5 unidad de materia prima I y 0,4 unidad de
materia prima II. Las utilidades unitarias de las soluciones A y B son $8 y $10, respectivamente.
La demanda diaria de la solución A esta entre 30 y 150 unidades, y la de la solución B entre 40 y
200 unidades.

Solución:
SA = el número de unidades de solución A a producir diariamente.
SB = el número de unidades de solución B a producir diariamente.

a) Consumo y disponibilidad de las materias primas I y II
Disponibilidad
Materia Prima Solución A Solución B
Gl/x día
I 0,5 0,5 150
II 0,6 0,4 140
b) Utilidades unitarias de las soluciones

 Solución A: $ 8,0
 Solución B: $ 10,0
c) Demanda de las soluciones
a. Solución A: entre 30 y 150 unidades
b. Solución B: entre 40 y 200 unidades
c.
FV: Maximizar las utilidades por la venta de las soluciones A y B
D: Maximizar (utilidades por la venta de la solución A + utilidades por la venta de la solución B)
FM: Maximizar 8SA + 10SB

a) Consumo del material I
FV: El consumo del material I no debe exceder de 150 gl/día
D : (consumo del material I para producir la solución A + consumo del material I para producir la
solución B) no debe de exceder de 150 gl/día.
FM: 0,5 SA + 0,5SB <= 150
b) Consumo del material II
FV: El consumo del material II no debe exceder de 140 gl/día
D : (consumo del material II para producir la solución A + consumo del material II para producir la
solución B) no debe de exceder de 140 gl/día.
FM: 0,6 SA + 0,4SB <= 140
c) Demanda de la solución A
FV: La demanda de la solución A está entre 30 y 150 gl/día
FM: SA >= 30 y SA<= 150
d) Demanda de la solución B
FV: La demanda de la solución B está entre 40 y 200 gl/día
FM: SB >= 40 y SB<= 200
SA y SB >= 0 y enteros.


Maximizar 8SA + 10SB
Sujeto a:
0,5 SA + 0,5SB <= 150
0,6 SA + 0,4SB <= 140
SA >= 30
SA<= 150
SB >= 40
SB<= 200
SA y SB >= 0 y enteros
Donde
SA = el número de unidades de solución A a producir diariamente.
SB = el número de unidades de solución B a producir diariamente.
2.2.8.4. Problema de mezcla de gasolinas

Una compañía petrolera produce dos tipos de gasolina, normal y súper, que vende a sus
estaciones de servicio a 120 y 140 dólares/barril respectivamente. Ambos tipos de gasolina se
realizan mezclando combustible nacional y extranjero de sus almacenes, y debe cumplir las
siguientes especificaciones:
Presión
Demanda
de Octanaj Entregas
máxima
vapor e mínimas
barriles/seman
máxim mínimo barriles/semana
a
a
Norma
23 88 100 000 50 000
l
Súper 23 93 20 000 5 000
Las características del combustible disponible en el almacén son:
Presión Octanaj Barriles Costo

de e en el
$/barril
vapor almacé
n
Nacional 25 87 40 000 80
Extranjer 15 98 60 000 150
o
¿Qué cantidades de combustible nacional y extranjero deben mezclarse para producir las dos
gasolinas y obtener los máximos beneficios semanales? Formule el modelo matemático
correspondiente.
NOTA: Los componentes de la mezcla contribuyen al octanaje (y a la presión de vapor) de
acuerdo a su porcentaje en la mezcla.
Solución:

GN = Número de barriles de gasolina normal a producir por semana

GS= Número de barriles de gasolina super a producir por semana
CNN= Número de barriles de combustible nacional para producir gasolina normal por semana
CEN= Número de barriles de combustible extranjero para producir gasolina normal por semana
CNS= Número de barriles de combustible nacional para producir gasolina super por semana
CES= Número de barriles de combustible extranjero para producir gasolina super por semana.

a) Precio de 1 barril de gasolina normal = 120 $
b) Precio de 1 barril de gasolina super = 140 $
c) Especificaciones técnicas de las gasolinas
Presión de Demanda Entregas
Octanaje
vapor máxima mínimas
mínimo
máxima barriles/semana barriles/semana
Normal 23 88 100 000 50 000
Súper 23 93 20 000 5 000
d) Características del combustible
Presión de Octanaje Barriles en el Costo
vapor almacén
$/barril
Nacional 25 87 40 000 80
Extranjero 15 98 60 000 150

FV: Maximizar los beneficios semanales por concepto de venta de gasolina
D : Maximizar (ingresos por concepto de venta de gasolina normal + ingresos por concepto de venta
de gasolina super – egreso por concepto de compra de combustible nacional – egreso por
concepto de compra de combustible extranjero)
FM: Maximizar 120 GN + 140 GS – 80 CNN – 80 CNS – 150 CEN – 150 CES

a) Demanda máxima de gasolina normal
FV: La demanda máxima de la gasolina normal por semana es de 100 000 barriles
FM: GN <= 100 000
b) Demanda máxima de gasolina super
De manera similar al caso anterior
GS <= 20 000
c) Entrega mínima de gasolina normal
FV: La entrega mínima de la gasolina normal por semana es de 50 000 barriles
FM: GN >= 50 000
d) Entrega mínima de gasolina super
GS >= 5 000
e) Presión de vapor máxima de la gasolina normal
FV: La presión de vapor de la gasolina normal debe ser menos de 23

D : (presión de vapor aportado por el combustible nacional + presión de vapor aportado por el
combustible extranjero) debe ser menor de 23
FM: 25 CNN + 15 CEN <= 23 GN
25 CNN + 15 CEN - 23 GN <= 0
f) Presión de vapor máxima de la gasolina super
25 CNS + 15 CES - 23 GS <= 0
g) Octanaje mínimo de la gasolina normal
FV: El octanaje de la gasolina normal debe ser mayor de 88
D : (octanaje aportado por el combustible nacional + octanaje aportado por el combustible extranjero)
debe ser mayor de 88
FM: 87 CNN + 98 CEN >= 88 GN
87 CNN + 98 CEN - 88 GN >= 0
h) Octanaje mínimo de la gasolina super
87 CNS + 98 CES - 93 GS >= 0
i) Existencia de combustible nacional en el almacén
FV: El número de barriles de combustible nacional que puede utilizarse para producir gasolina es
máximo 40 000
FM: CNN + CNS <= 40 000
j) Demanda máxima con el combustible extranjero
CEN + CES <= 60 000
k) Igualdad para gasolina normal
FV: El volumen de Combustible utilizado es igual al volumen de gasolina normal producido
D : (Volumen combustibles nacional + volumen de combustible extranjero = Volumen de gasolina
normal)
FM: CNN + CEN = GN
CNN + CEN - GN = 0
l) Igualdad para gasolina normal
CNS + CES - GS = 0
m) Restricciones lógicas
GN, GS, CNN, CNS, CEN y CES >= 0

Maximizar 120 GN + 140 GS – 80 CNN – 80 CNS – 150 CEN – 150 CES
Sujeto a:
GN <= 100 000
GS <= 20 000
GN >= 50 000
GS >= 5 000
25 CNN + 15 CEN - 23 GN <= 0
25 CNS + 15 CES - 23 GS <= 0
87 CNN + 98 CEN - 88 GN >= 0

87 CNS + 98 CES - 93 GS >= 0

CNN + CNS <= 40 000
CEN + CES <= 60 000
CNN + CEN - GN = 0
CNS + CES - GS = 0
GN, GS, CNN, CNS, CEN y CES >= 0
Donde
GN = Número de barriles de gasolina normal a producir por semana
GS= Número de barriles de gasolina super a producir por semana
CNN= Número de barriles de combustible nacional para producir gasolina normal por semana
CEN= Número de barriles de combustible extranjero para producir gasolina normal por semana
CNS= Número de barriles de combustible nacional para producir gasolina super por semana
CES= Número de barriles de combustible extranjero para producir gasolina super por semana.

CAPITULO III
APLICACIONES DE PROGRAMACIÓN LINEAL
3.1. Modelos de programación lineal para decisiones de mezcla de productos

3.1.1. Problema de mezcla de Explosives Inc.
En Explosives, Inc. se mezclan azufre, carbón y salitre para producir pólvora. El producto final
debe contener al menos 10%, pero no más de 20%, de carbón por unidad de peso. La
cantidad de salitre no puede exceder el 50% de la cantidad de carbón usado. Para evitar una
explosión accidental, la suma de 50% del azufre mas 60% de carbón mas 30% del salitre
usados no puede exceder 35% del producto final. El azufre es con mucho el componente
más caro. Formule un modelo para determinar la cantidad de cada ingrediente que debe
utilizarse para producir cada libra de pólvora que satisfaga las restricciones y, a la vez, que
requiera la menor cantidad de azufre.
Solución:
C = cantidad de libras de carbón utilizados para producir 1 lb de pólvora
A = cantidad de libras de azufre utilizados para producir 1 lb de pólvora
S = cantidad de libras de salitre utilizados para producir 1 lb de pólvora

a. El producto final debe contener al menos 10%, pero no más de 20%, de carbón por unidad de
peso.
b. La cantidad de salitre no puede exceder el 50% de la cantidad de carbón usado.
c. Para evitar una explosión accidental, la suma de 50% del azufre más 60% de carbón mas 30% del
salitre usados no puede exceder 35% del producto final.
d. El azufre es con mucho el componente más caro.

FV: Minimizar el uso de azufre en la producción de pólvora
FM: Minimizar S


s) Porcentaje máximo de carbón
FV: El producto final debe contener al menos 10% de carbón por unidad de peso.
FM: S >= 0.10
t) Porcentaje mínimo de carbón
FV: El producto final debe contener no más de 20% de carbón por unidad de peso.
FM: S <= 0.20
u) Cociente salitre/carbón
FV: La cantidad de salitre no puede exceder el 50% de la cantidad de carbón usado
FM: S <= 0.5C
S - 0.5C <= 0
v) Cantidad de componentes
FV: Para evitar una explosión accidental, la suma de 50% del azufre más 60% de carbón mas 30% del
salitre usados no puede exceder 35% del producto final
FM: 0.5A + 0.6C +0.3S <= 0.35
a) Balance
FV: se debe mezclar azufre, carbón y salitre para producir 1 lb de pólvora
FM: A + C + S = 1.00
w) Restricciones lógicas
A, C y S >= 0

Minimizar S
Sujeto a:
S >= 0.10 (% máximo de carbón)
S <= 0.20 (% mínimo de carbón)
S - 0.5C <= 0 (cociente salitre/carbón)
0.5A + 0.6C +0.3S <= 0.35 (cantidad de componentes)
A + C + S = 1.00 (balance)
A, C y S >= 0
Donde
C = cantidad de libras de carbón utilizados para producir 1 lb de pólvora
A = cantidad de libras de azufre utilizados para producir 1 lb de pólvora
S = cantidad de libras de salitre utilizados para producir 1 lb de pólvora
3.1.2. Problema de mezcla de aditivos a gasolina

Una compañía petrolera utiliza dos aditivos, x y y, que se mezcla con gasolinas de alto grado. Después de
un cuidadoso análisis se han determinado las siguientes restricciones:
a. Si se emplea más de un cuarto de litro de aditivos totales por carro cisterna, los aditivos forman
depósitos perjudiciales en los carburadores.
b. 2x + y no puede ser menor que un cuarto o la gasolina no tendrá su color distintivo (un punto
principal en las ventas).
c. Medio litro de aditivo x añadiera 100 unidades equivalentes de octano por carro cisterna y medio
litro del aditivo y añadiera 200 unidades equivalentes de octano por carro cisterna. El número total
de unidades equivalentes por carro cisterna no puede ser menor a 60, a fin de asegurar los
estándares de rendimiento.
d. El aditivo x cuesta $ 150 por medio litro y el aditivo y cuesta $ 400 por medio litro.
Determine el modelo matemático para realizar el cálculo de la mezcla óptima de aditivos.
Solución:
x = cantidad de litros de aditivo x a mezclar para producir 1 litro de gasolina de alto grado
y = cantidad de litros de aditivo y a mezclar para producir 1 litro de gasolina de alto grado

a. Se utiliza los aditivos x y y para producir gasolina de alto grado
b. Si se emplea más de un cuarto de litro de aditivos totales por carro cisterna, los aditivos forman
depósitos perjudiciales en los carburadores.
c. 2x + y no puede ser menor que un cuarto o la gasolina no tendrá su color distintivo (un punto
principal en las ventas).
d. Medio litro de aditivo x añadiera 100 unidades equivalentes de octano por carro cisterna y medio
litro del aditivo y añadiera 200 unidades equivalentes de octano por carro cisterna. El número total
de unidades equivalentes por carro cisterna no puede ser menor a 60, a fin de asegurar los
estándares de rendimiento.
e. El aditivo x cuesta $ 150 por medio litro y el aditivo y cuesta $ 400 por medio litro.

FV: Minimizar el costo de los aditivos x y y para producir gasolina de alto grado
D: Minimizar el costo del aditivo x mas el costo del aditivo y utilizados para producir gasolina de alto
grado
FM: Minimizar 300x + 400y

a) Uso máximo de aditivos
FV: Si se emplea más de un cuarto de litro de aditivos totales por carro cisterna, los aditivos forman
depósitos perjudiciales en los carburadores
D: el aditivo x mas el aditivo y deben ser menor de un cuarto de litro
FM: x + y <= 0.25
b) Color distintivo de la gasolina
FV: 2x + y no puede ser menor que un cuarto o la gasolina no tendrá su color distintivo
FM: 2x + y >= 0.25
c) Unidades mínimas de octano
FV: Medio litro de aditivo x añadiera 100 unidades equivalentes de octano por carro cisterna y medio
litro del aditivo y añadiera 200 unidades equivalentes de octano por carro cisterna. El número total de
unidades equivalentes por carro cisterna no puede ser menor a 60
D: las unidades de octano añadidos por el aditivo x mas las unidades de octano añadidos por el aditivo
y deben ser mayor de 60
FM: 200x + 400y >= 60
x, y >= 0

Minimizar 300x + 400y

Sujeto a:
x + y <= 0.25 (uso máximo de aditivos)
2x + y >= 0.25 (color distintivo de la gasolina)
200x + 400y >= 60 (unidades mínimas de octano)
x, y >= 0
Donde
x = cantidad de litros de aditivo x a mezclar para producir 1 litro de gasolina de alto grado
y = cantidad de litros de aditivo y a mezclar para producir 1 litro de gasolina de alto grado
3.1.3. Problema de mezcla de petróleo de World oil Company

World Oil Company puede comprar dos tipos de petróleo crudo: crudo ligero a un costo de $25
por barril y crudo pesado a $22 por barril. Cada barril de petróleo crudo, ya refinado, produce tres
productos: gasolina, turbosina y queroseno. La siguiente tabla indica las cantidades en barriles de
gasolina, turbosina y queroseno producidos por barril de cada tipo de petróleo crudo:
Petróleo Crudo Gasolina Turbosina Queroseno
Crudo ligero 0,35 0,36 0,22
Crudo pesado 0,45 0,18 0,28
Cada barril de petróleo crudo ligero produce un desecho de 0,07 de barril que se tira a un costo de
$1 por barril de desecho. De manera similar, cada barril de petróleo crudo pesado produce un
desecho de 0,09 de barril y su eliminación cuesta $ 1,50 por barril.
La refinería se ha comprometido a entregar 960 000 barriles de gasolina, 1 200 000 barriles de
turbosina y 450 000 barriles de queroseno. Como gerente de producción, formule un modelo para
determinar la cantidad de cada tipo de petróleo crudo por comprar para minimizar el costo total al
tiempo que satisfaga la demanda apropiada.
Solución:
CL = el número de de barriles de crudo ligero a adquirir
CP = el número de de barriles de crudo pesado a adquirir

a) Costo de 1 barril de crudo ligero
= costo compra + costo de deposición de desecho
= $25,0 + $1,0 = $26,0
b) Costo de 1 barril de crudo pesado
= costo compra + costo de deposición de desecho
= $22,0 + $1,5 = $23,5
c) Productos obtenidos de 1 barril de crudo ligero
a. Gasolina: 0,35 barril
b. Turbosina: 0,36 barril
c. Queroseno: 0,22 barril
d. Desecho: 0,07 barril
d) Productos obtenidos de 1 barril de crudo pesado
a. Gasolina: 0,45 barril
b. Turbosina: 0,18 barril
c. Queroseno: 0,28 barril

d. Desecho: 0,09 barril
e) Compromisos de venta adquiridos
a. Gasolina: 960 000 barril
b. Turbosina: 1 200 00 barril
c. Queroseno: 450 000 barril

FV: Minimizar el costo total de la compra de crudos
D : Minimizar costo = Minimizar ( costo 2 de crudo ligero + costo de crudo pesado)
FM: Minimizar 26,0 CL + 23,5 CP

a) Compromiso de venta de gasolina
FV: producir un mínimo de 960 000 barriles de gasolina
D : la producción de (gasolina de crudo ligero + gasolina de crudo pesado) debe ser al menos 960 000
barriles
FM: 0,35CL + 0,45CP >= 960 000
b) Compromiso de venta de turbosina
FV: producir un mínimo de 1 200 000 barriles de gasolina
D : la producción de (turbosina de crudo ligero + turbosina de crudo pesado) debe ser al menos 1 200
000 barriles
FM: 0,36CL + 0,18CP >= 1 200 000
c) Compromiso de venta de queroseno
FV: producir un mínimo de 450 000 barriles de queroseno
D : la producción de (queroseno de crudo ligero + queroseno de crudo pesado) debe ser al menos 450
000 barriles
FM: 0,22CL + 0,28CP >= 450 000
CL y CP >= 0 y enteros

Minimizar 26,0 CL + 23,5 CP
Sujeto a:
0,35CL + 0,45CP >= 960 000
0,36CL + 0,18CP >= 1 200 000
0,22CL + 0,28CP >= 450 000
CL y CP >= 0 y enteros
Donde
CL = el número de de barriles de crudo ligero a adquirir
CP = el número de de barriles de crudo pesado a adquirir
3.1.4. Problema de mezcla de la Tomas River Chemicals
2
Costo = costo de 1 barril de crudo x número de barriles de crudo a adquirir.

La Tomas River Chemicals Inc., debe producir 1 000 lb de una mezcla especial para un cliente,
compuesta de los ingredientes AX1, AX2, AX·. El ingrediente AX1 cuesta $ 7,0 la libra, el AX2
cuesta $ 6,9/lb y la AX3 $7,0/lb. No pueden usarse mas de 300 libras de AX1 y debe usarse por lo
menos 150 lb de AX2. Además se requieren de por lo menos 200 lb de AX3.
Como la empresa desea minimizar los costos, formule un modelo matemático para determinar la
cantidad de cada ingrediente que debe utilizar la empresa.
Solución:
AX1 = el número de libras del ingrediente AX1 a usarse para producir la mezcla

a) La empresa debe producir 1 000 lb de una mezcla especial
b) El ingrediente AX1 cuesta $ 7,0 la libra
c) El ingrediente AX2 cuesta $ 6,9 la libra
d) El ingrediente AX3 cuesta $ 7,0 la libra
e) No puede usarse más de 300 lb del ingrediente AX1
f) Debe usarse por lo menos 150 lb del ingrediente AX2
g) Se requiere por lo menos 200 lb de AX3

FV: Minimizar el costo de operación de la empresa.
D : Minimizar (costo del ingrediente AX1 + costo del ingrediente AX2 + costo del ingrediente AX3)
FM: Minimizar 7 AX1 + 6,9 AX2 + 7 AX3

a) Producción
FV: La empresa debe producir 1 000 lb de una mezcla especial
D : (costo del ingrediente AX1 + costo del ingrediente AX2 + costo del ingrediente AX3) debe ser al
menos 1 000 lb
FM: AX1 + AX2 + AX3 >= 1 000
b) Uso del ingrediente AX1
FV: No puede usarse más de 300 lb del ingrediente AX1
FM: AX1 <= 300
c) Uso del ingrediente AX2
FV: Debe usarse por lo menos 150 lb del ingrediente AX2
d) Uso del ingrediente AX3
FV: Se requiere por lo menos 200 lb de AX3

Minimizar 7 AX1 + 6,9 AX2 + 7 AX3
Sujeto a:
AX1 + AX2 + AX3 >= 1 000
AX1 <= 300

AX2 >= 150
AX3 >= 200
AX1, AX2 y AX3 >= 0 y enteros
Donde
3.2. Modelos de programación lineal para decisiones de fabricación o compra

3.2.1. Problema de planeamiento de producción de Ananea Gold Pump
Ananea Gold Pump Corporation tiene tres plantas sucursales con capacidades de producción en
exceso. Las tres plantas tienen los elementos necesarios como para producir distintos tamaños de
bombas y el gerente ha decidido usar parte de la capacidad de producción en exceso para este
fin. Las bombas pueden fabricarse en tres tamaños: grande, mediano y pequeño, que dan como
resultado una utilidad unitaria neta de $140, $120 y $100 respectivamente. Las plantas 1, 2 y 3
tienen la capacidad de mano de obra y equipo en exceso como para producir 750, 900 y 450
unidades a las semana de este producto, respectivamente, sin importar el tamaño o combinación
de tamaños que se aplique. Sin embargo el espacio de almacenamiento disponible para
productos en proceso también impone una limitación sobre las tasas de producción. Las plantas 1,
2 y 3 tienen 13000, 12000 y 5000 pies cuadrados de espacio de almacenamiento disponible para
productos en proceso, para una semana de producción. Cada unidad de los tamaños grande,
mediano y pequeño producida por semana requiere de 20, 15 y 12 pies cuadrados
respectivamente.
Los pronósticos de venta indican que pueden venderse semanalmente 900, 1200 y 750 bombas
de los tamaños grande, mediano y pequeño.
Con el fin de mantener una carga uniforme de trabajo entre las plantas y conservar cierta
flexibilidad, el gerente ha decidido que la producción adicional asignada a cada planta debe usar
el mismo porcentaje de la capacidad de mano de obra y equipo en exceso.
El gerente desea saber cuánto debe producirse de cada uno de los tamaños en cada una de las
plantas para maximizar la utilidad.
Solución
Para resolver el problema debemos determinar el número de bombas de distinto tamaño que debe
producir cada planta.
XG1 = El número de bombas de tamaño grande que debe producir la planta 1 en una semana.
XM1 = El número de bombas de tamaño mediano que debe producir la planta 1 en una semana.
XP1 = El número de bombas de tamaño pequeño que debe producir la planta 1 en una semana.
Bombas Utilidad Espacio de Demanda

Almacenamient
Unitaria Neta Semanal
o (pies
($) (Und)
cuadrados)
Grande 140 20 900
Mediana 120 15 1200
Pequeña 100 12 750
Espacio de
Capacidad de
Planta de Almacenamient
Producción
Producción o (pies
(Und)
cuadrados)
1 750 13000
2 900 12000
3 450 5000
La producción adicional asignada a cada planta debe usar el mismo porcentaje de la capacidad de
mano de obra y equipo en exceso.

FV: Maximizar la utilidad obtenida por la venta de bombas de distinto tamaño.
D: Maximizar (utilidad obtenida por la venta de bombas grandes producidas en las plantas de
producción 1,2 y 3 + utilidad obtenida por la venta de bombas mediana producidas en las plantas de
producción 1,2 y 3 + utilidad obtenida por la venta de bombas pequeñas producidas en las plantas de
producción 1,2 y 3)
FM: Maximizar 140 (XG1 + XG2 + XG3) + 120(XM1 + XM2 + XM3) + 100(XP1 + XP2 + XP3)

a) Capacidad de producción de la planta 1
FV: La capacidad de producción de bombas de la planta 1 es de 750 unidades.
D: La producción de bombas grandes + La producción de bombas medianas + La producción de
bombas pequeñas es de 750 unidades.
FM: XG1 + XM1 + XP1 <= 750
De manera similar en las plantas 2 y 3:
XG2 + XM2 + XP2 <= 900
XG3 + XM3 + XP3 <= 450
b) Capacidad del espacio de almacenamiento de la planta 1
FV: El espacio de almacenamiento disponible para productos en proceso de la planta 1 es de 13000
pies cuadrados.
D: El espacio de almacenamiento disponible para (bombas grandes en proceso + bombas medianas
en proceso + bombas pequeñas en proceso) de la planta 1 es de 13000 pies cuadrados.
FM: 20XG1 + 15XM1 + 12XP1 <= 13000
De manera similar en las plantas 2 y 3:
20XG2 + 15XM2 + 12 XP2 <= 12000
20XG3 + 15XM3 + 12XP3 <= 5000
c) Demanda del mercado de la bomba de tamaño grande
FV: Los pronósticos de venta indican que pueden venderse semanalmente 900 bombas de tamaño
grande.
D: Las (bombas grandes producidas en la planta 1 + bombas grandes producidas en la planta 1 +

bombas grandes producidas en la planta 1) que pueden venderse semanalmente es de 900 unidades.
FM: XG1 + XG2 + XG3 <= 900
De manera similar en las bombas medianas y pequeñas:
XM1 + XM2 + XM3 <= 1200
XP1 + XP2 + XP3 <= 750
d) Condición de la gerencia
FV: la producción adicional asignada a cada planta debe usar el mismo porcentaje de la capacidad de
mano de obra y equipo en exceso.
FM:
900XG1 +900 XM1 +900 XP1 - 750XG2 - 750XM2 - 750XP2 = 0

De manera similar en las producción de las plantas 1 y 3, 2 y 3.
450XG1 + 450XM1 + 450XP1 - 750XG3 - 750XM3 - 750XP3 = 0
900XG3 +900 XM3 +900 XP3 - 450XG2 - 450XM2 - 450XP2 = 0
XG1 , XG2 , XG3 , XM1 , XM2 ,, XM3 , XP1 , XP2 , XP3>= 0 y enteros

Maximizar 140 (XG1 + XG2 + XG3) + 120(XM1 + XM2 + XM3) + 100(XP1 + XP2 + XP3)
Sujeto a:
XG1 + XM1 + XP1 <= 750
XG2 + XM2 + XP2 <= 900
XG3 + XM3 + XP3 <= 450
20XG1 + 15XM1 + 12XP1 <= 13000
20XG2 + 15XM2 + 12 XP2 <= 12000
20XG3 + 15XM3 + 12XP3 <= 5000
XG1 + XG2 + XG3 <= 900
XM1 + XM2 + XM3 <= 1200
XP1 + XP2 + XP3 <= 750
900XG1 +900 XM1 +900 XP1 - 750XG2 - 750XM2 - 750XP2 = 0
450XG1 + 450XM1 + 450XP1 - 750XG3 - 750XM3 - 750XP3 = 0
900XG3 +900 XM3 +900 XP3 - 450XG2 - 450XM2 - 450XP2 = 0
XG1, XG2, XG3, XM1, XM2, XM3, XP1, XP2, y XP3 >= 0 y enteros
Donde:

3.2.2. Problema de compra de equipo militar

El gobierno ha dispuesto $ 1500 millones de dólares de su presupuesto general para fines
militares. Sesenta por ciento del presupuesto militar se utilizara para comprar tanques, aviones y
proyectiles. Estos pueden adquirirse a un costo por unidad de $ 600000, $ 2 millones y $ 800000,
respectivamente. Se ha decidido que se deben adquirir al menos 200 tanques y 200 aviones.
Debido a la escasez de pilotos experimentados, también se ha decidido no comprar más de 300
aviones. Por razones estratégicas, la proporción de proyectiles a aviones comprados debe estar
en el rango de ¼ a ½. El objetivo es maximizar la utilidad total de estas armas, en donde las
utilidades individuales están dadas como 1, 3 y 2, respectivamente. Formular el programa lineal.
Solución:
T = Número de tanques a adquirir
A= Número de aviones a adquirir
P= Número de proyectiles a adquirir

 El gobierno dispone de $ 1500 millones de dólares de su presupuesto general para fines
militares.
 Sesenta por ciento del presupuesto militar se utilizara para comprar tanques, aviones y
proyectiles. = 0.60 x $ 1500 millones = $ 900 millones
 Los tanques cuestan por unidad $ 600000.
 Los aviones cuestan $ 2 millones cada uno.
 Los misiles 800000 cada uno.
 Se ha decidido que se deben adquirir al menos 200 tanques y 200 aviones.
 Debido a la escasez de pilotos experimentados, también se ha decidido no comprar más de
300 aviones.
 Por razones estratégicas, la proporción de proyectiles a aviones comprados debe estar en el
rango de ¼ a ½.
 El objetivo es maximizar la utilidad total de estas armas, en donde las utilidades individuales
están dadas como 1, 3 y 2, respectivamente.

FV: Maximizar la utilidad de las armas que se piensa adquirir.
D: Maximizar (utilidad de tanques + utilidad de aviones + utilidad de misiles)
FM: Maximizar 1 x T + 3 x A +2 x P
Maximizar T + 3A + 2P

a) Disponibilidad de presupuesto
FV: El gobierno utilizara $ 900 millones para adquirir tanques, aviones y proyectiles.
D: (compra de tanques + compra de aviones + compra de misiles) es menor o igual a 900 millones.
FM: 0.6T + 2A + 0.8P <= 900
b) Preferencia de tanques
FV: El gobierno debe adquirir al menos 200 tanques.
FM: T >= 200

c) Preferencia de aviones
FV: El gobierno debe adquirir al menos 200 aviones.
FM: A >= 200
d) Disponibilidad de pilotos
FV: Debido a la escasez de pilotos experimentados el gobierno no debe adquirir más de 300 aviones.
FM: A <= 300
e) Razones estratégicas
FV: La proporción de proyectiles a aviones comprados debe estar en el rango de ¼ a ½..
FM: 1/4 = P/A = ½
De donde tenemos:
4P – A >= 0
2P – A <= 0
f) Restricciones lógicas
T, A y P >= 0

Maximizar T + 3A + 2P
Sujeto a:
0.6T + 2A + 0.8P <= 900
T >= 200
A >= 200
A <= 300
4P – A >= 0
2P – A <= 0
T, A y P >= 0
Donde
T = Número de tanques a adquirir
A= Número de aviones a adquirir
P= Número de proyectiles a adquirir
3.3. Modelos de programación lineal para decisiones de producción

3.3.1. Problema de producción de energía del departamento de energía del Paraguay
El departamento de energía de Paraguay actualmente está en el proceso de desarrollar un plan
nacional de energía para el año 2009. Paraguay puede generar energía de cualquiera de cinco
fuentes: carbón, gas natural, materiales nucleares, proyectos hidroeléctricos y petróleo. Los datos
sobre los recursos de energía, las capacidades de generación medidas en megawatt-horas (MW-
hr, y los costos unitarios de generación se dan en la tabla 1.
Tabla 1. Capacidades de generación y costos
Fuente de Energía Capacidad Total Costo de Generación
(MW-hr) ($/MW-hr)
Carbón 45 000 6,0
Gas natural 15 000 5,5
Nuclear 45 000 4,5

Hidroeléctrica 24 000 5,0

Petróleo 48 000 7,0
Paraguay necesita 50 000 MW-hr de energía de uso domestico, y el país tiene un compromiso
para producir 10 000 MW-hr para la exportación. Más aun, a fin de conservar los recursos de
energía y proteger el ambiente, el gobierno ha aprobado las siguientes regulaciones.
1. La generación proveniente de materiales nucleares no debe exceder 20% de la energía
total generada por Paraguay.
2. Debe utilizarse al menos 80% de las capacidades de la plantas de carbón
3. Los efluentes que salen a la atmósfera no deben exceder los límites especificados en la
tabla 2.
4. la cantidad de energía generada a partir del gas natural debe ser al menos 30% de la
generada a partir del petróleo.
Tabla 2. Datos de contaminación en la generación de energía
Contaminante (g/MW-hr)
Fuente de
Energía Dióxido de Monóxido de Partículas de Desechos
Azufre Carbono Polvo sólidos
Carbón 1,5 1,2 0,7 0,4
Gas natural 0,2 0,5 - -
Nuclear - 0,1 0,2 0,7
Hidroeléctrica - - - -
Petróleo 0,4 0,8 0,5 0,1
Kg máximos
75 60 30 25
permitidos
Formule el modelo matemático correspondiente.
Solución:
C = el número de MW-h generados con carbón
G = el número de MW-h generados con gas natural
N = el número de MW-h generados con material nuclear.
H = el número de MW-h generados con proyectos hidroeléctricos.
P = el número de MW-h generados con petróleo.

a) Demanda de energía:
Consumo domestico: 50 000 MW-hr
Exportación: 10 000 MW-h
Total: 60 000 MW-hr
b) La generación de energía por plantas nucleares no debe exceder el 20% de la energía total
generada.
20% de 60 000 MW-hr = 12 000 MW-hr
c) Se debe utilizar al menos 80% de la capacidad de las plantas de carbón.
80% de 45 000 MW-hr = 36 000 MW-hr
d) La cantidad de generada a partir del gas natural debe ser al menos 30% de la generada a partir del
petróleo.

e) Capacidades de generación y costos:

Fuente de Energía Capacidad Total Costo de Generación
(MW-hr) ($/MW-hr)
Carbón 45 000 6,0
Gas natural 15 000 5,5
Nuclear 45 000 4,5
Hidroeléctrica 24 000 5,0
Petróleo 48 000 7,0
f) Información de contaminación durante la generación de energía:
Contaminante (g/MW-hr)
Fuente de
Energía Dióxido de Monóxido de Partículas de
Desechos sólidos
Azufre Carbono Polvo
Carbón 1,5 1,2 0,7 0,4
Gas natural 0,2 0,5 - -
Nuclear - 0,1 0,2 0,7
Hidroeléctrica - - - -
Petróleo 0,4 0,8 0,5 0,1
Kg máximos
75 60 30 25
permitidos

FV: Minimizar los costos de generación de energía
D: Minimizar (los costos de generación de energía con carbón + los costos de generación de energía
con gas natural + los costos de generación de energía con material nuclear + los costos de
generación de energía con hidroeléctricas + los costos de generación de energía con petróleo )
FM: Minimizar 6,0C + 5,5G + 4,5N+ 5,0H+ 7,0P
Nota: Costo de generación = Costo unitario de generación x N° de MW-hr generados.

a) Demanda de Energía
FV: la producción de energía debe ser igual a 60 000 MW-hr
D : (generación de energía con carbón + generación de energía con gas natural + generación de
energía con material nuclear + generación de energía con hidroeléctricas + generación de energía
con petróleo ) debe ser igual a 60 000 MW-hr
FM: C + G + N + H + P = 60 000
b) Capacidad total de generación de energía con carbón
FV: La capacidad total de generación de energía con carbón no debe exceder 45 000 MW-hr
FM: C <= 45 000
c) Capacidad total de generación de energía con gas, material nuclear, hidroeléctricas y
petróleo
Capacidad total de generación de energía con gas
FM: G <= 15 000
Capacidad total de generación de energía con material nuclear
FM: N <= 45 000

Capacidad total de generación de energía con hidroeléctricas

FM: H <= 24 000
Capacidad total de generación de energía petróleo
FM: P <= 48 000
d) Generación de energía en plantas nucleares
FV: La generación de energía por plantas nucleares no debe exceder el 20% de la energía total
generada
D : La generación de energía por plantas nucleares no debe exceder el 20% de 60 000 MW-hr
FM: N <= 12 000
e) Generación de energía en plantas de carbón
FV: Se debe utilizar al menos 80% de la capacidad de las plantas de carbón
D : La generación de energía por plantas de carbón debe ser mayor del 80% de 45 000 MW-hr
FM: C >= 36 000
f) Generación de energía en plantas de gas natural
FV: La cantidad de energía generada a partir del gas natural debe ser al menos 30% de la energía
generada a partir del petróleo.
FM: G >= 0,3P
G – 0,3P >= 0
g) Limite máximo permisible de Dióxido de Azufre
FV: La cantidad total de dióxido de azufre emitido por la generación de energía no debe ser mayor de
75 kg.
D : (La cantidad de dióxido de azufre emitido por las plantas de carbón + La cantidad de dióxido de
azufre emitido por las plantas de gas natural + La cantidad de dióxido de azufre emitido por las
plantas nucleares + La cantidad de dióxido de azufre emitido por las hidroeléctricas + La cantidad
de dióxido de azufre emitido por las plantas de petróleo) no debe ser mayor de 75 kg
FM: 1,5C + 0,2G + 0,4P <= 75 000
Nota: se uniformizan las unidades a ambos lados ( 1 000 g = 1 kg)
h) Limite máximo permisible de monóxido de carbono, partículas de polvo y desechos sólidos
Limite máximo permisible de monóxido de carbono
1,2C + 0,5G +0,1N + 0,8P <= 60 000
Limite máximo permisible de partículas de polvo
0,7C + 0,2N + 0,5P <= 30 000
Limite máximo permisible de desechos sólidos
0,4C + 0,7N + 0,1P <=25 000
i) Restricciones lógicas
C, G, N, H yP >= 0 y enteros.

Minimizar 6,0C + 5,5G + 4,5N+ 5,0H+ 7,0P
Sujeto a:
C + G + N + H + P = 60 000
C <= 45 000
G <= 15 000
N <= 45 000

H <= 24 000
P <= 48 000
N <= 12 000
C >= 36 000
G – 0,3P >= 0
1,5C + 0,2G + 0,4P <= 75 000
1,2C + 0,5G +0,1N + 0,8P <= 60 000
0,7C + 0,2N + 0,5P <= 30 000
0,4C + 0,7N + 0,1P <=25 000
C, G, N, H yP >= 0 y enteros.
Donde
C = el número de MW-h generados con carbón
G = el número de MW-h generados con gas natural
N = el número de MW-h generados con material nuclear.
H = el número de MW-h generados con proyectos hidroeléctricos.
P = el número de MW-h generados con petróleo.
3.3.2. Problema de planeamiento de producción de acero

Un fabricante de acero produce 4 tamaños de vigas de tipo I en: pequeño, mediano, grande y
extra grande. Estas vigas se pueden producir en cualquiera de tres tipos de máquinas: M1, M2 y
M3. A continuación se indican las longitudes (en pies) de las vigas I que pueden producir las
máquinas por hora:
Máquina
Viga
M1 M2 M3
Pequeña 300 600 800
Mediana 250 400 700
Larga 200 350 600
Extra Larga 100 200 300
Supóngase que cada maquina se puede usar hasta 50 horas por semana y que los costos de
operación por hora de estas maquinas son $30, $50 y $80 respectivamente. Supóngase, además,
que semanalmente se requieren 10 000, 8 000, 6 000 y 6 000 pies de los distintos tamaños de las
vigas I.
Formular un modelo matemático para el problema de programación de las maquinas.
Solución:
P1 = Número de pies de vigas pequeñas producidas por la máquina 1
M1 = Número de pies de vigas medianas producidas por la máquina 1
L1 = Número de pies de vigas largas producidas por la máquina 1


EL1 = Número de pies de vigas extra largas producidas por la máquina 1

e) Disponibilidad de cada máquina: 50 horas por semana
f) Costo horario de operación de la máquina 1: $ 30,0
g) Costo horario de operación de la máquina 2: $ 50,0
h) Costo horario de operación de la máquina 3: $ 80,0
i) Demanda de vigas pequeñas: 10 000 pies por semana
j) Demanda de vigas medianas: 8 000 pies por semana
k) Demanda de vigas grandes: 6 000 pies por semana
l) Demanda de vigas extra grandes: 6 000 pies por semana
m) Producción horaria de las máquinas
Máquina
Viga
M1 M2 M3
Pequeña 300 600 800
Mediana 250 400 700
Larga 200 350 600
Extra Larga 100 200 300

FV: Minimizar el costo de operación de las máquinas
D : Minimizar (costo de operación de la máquina 1 + costo de operación de la máquina 2 + costo de
operación de la máquina 3)
Minimizar (costo de producción de vigas pequeñas por la máquina 1 + costo de producción de vigas
medianas por la máquina 1 + costo de producción de vigas largas por la máquina 1 + costo de
producción de vigas extra largas por la máquina 1 + costo de producción de vigas pequeñas por la
máquina 2 + costo de producción de vigas medianas por la máquina 2 + costo de producción de
vigas largas por la máquina 2 + costo de producción de vigas extra largas por la máquina 2 + costo
de producción de vigas pequeñas por la máquina 3 + costo de producción de vigas medianas por la
máquina 3 + costo de producción de vigas largas por la máquina 3 + costo de producción de vigas
extra largas por la máquina 3)
FM:
 P1 M 1 L1 EL1   P 2 M 2 L 2 EL 2   P3 M 3 L3 EL3
Minimizar.30      50      80   
 300 250 200 100   600 400 350 200   800 700 600 300
Minimizar 0,1 P1 + 0,12 M1 + 0,15 L1 + 0,3 EL1 + 0,083 P2 + 0,125 M2 + 0,143 L2 +0,25 EL2 +
0,1 P3 +0,114 M3 +0,133 L3 +0,267 EL3

e) Disponibilidad de la máquina 1
FV: La disponibilidad de la máquina 1 es de 50 horas
D: (horas de producción de vigas pequeñas + horas de producción de vigas medianas + horas de
producción de vigas grandes + horas de producción de extra grandes) es de 50 horas
P1 M 1 L1 EL1
FM:     50
300 250 200 100
3,33 P1 + 4 M1 + 5 L1 + 10 EL1 <= 50 000

f) Disponibilidad de la máquina 2
1,67 P2 + 2,5 M2 + 2,86 L2 + 5 EL2 <= 50 000
g) Disponibilidad de la máquina 3
1,25 P3 + 1,43 M3 + 1,67 L3 +3,33 E 3 <= 50 000
h) Demanda semanal de vigas pequeñas
FV: La demanda semanal de vigas pequeñas es de 10 000 pies
D: (la producción de vigas pequeñas de la máquina 1 + la producción de vigas pequeñas de la
máquina 2 + la producción de vigas pequeñas de la máquina 3) es de 10 000 pies
FM: P1 + P2 + P3 >= 10 000
i) Demanda semanal de vigas medianas
M1 +M2 +M3 >= 8 000
j) Demanda semanal de vigas largas
L1 +L2 +L3 >= 6 000
k) Demanda semanal de vigas extra largas
EL1 +EL2 +EL3 >= 6 000
l) Restricciones lógicas
P1, P2, P3, M1, M2, M3, L1,L2, L3, EL1, EL2 y EL3 >= 0

Minimizar 0,1 P1 + 0,12 M1 + 0,15 L1 + 0,3 EL1 + 0,083 P2 + 0,125 M2 + 0,143 L2 +0,25 EL2 +
0,1 P3 +0,114 M3 +0,133 L3 +0,267 EL3
Sujeto a:
3,33 P1 + 4 M1 + 5 L1 + 10 EL1 <= 50 000
1,67 P2 + 2,5 M2 + 2,86 L2 + 5 EL2 <= 50 000
1,25 P3 + 1,43 M3 + 1,67 L3 +3,33 E 3 <= 50 000
P1 + P2 + P3 >= 10 000
M1 +M2 +M3 >= 8 000
L1 +L2 +L3 >= 6 000
EL1 +EL2 +EL3 >= 6 000
P1, P2, P3, M1, M2, M3, L1,L2, L3, EL1, EL2 y EL3 >= 0
Donde


3.3.3. Problema de mezcla de mineral

Una pequeña compañía minera produce mineral en dos tajeos. El mineral del tajeo A contiene una
ley promedio de 6 onz/ton de plata y 0,36% de arsénico y proporciona una utilidad de 4,30 $/ton,
el mineral del tajeo B tiene una ley promedio de 3,5 onz/ton de plata y 0,65 % de arsénico, con
una utilidad de 5,0 $/ton.
La fundición requiere que el contenido de arsénico promedio del mineral enviado no puede
exceder de 0,5%; el sistema de transporte de la mina hace imposible cargar más de 400 ton/día y
la planta concentradora, indica que la ley de cabeza de plata debe ser al menos 4,0 onz/ton.
Su objetivo, como Superintendente de mina es optimizar las utilidades por día. Formule un
modelo matemático con dicho fin.
Solución:
A = el número de toneladas de mineral a extraer del Tajeo A por día
B = el número de toneladas de mineral a extraer del Tajeo B por día

a) Producción por tajeo
Ley de Ag (onz/ton) Ley de As (%) Utilidad ($/ton)
Tajeo A 6,0 0,36 4,3
Tajeo B 3,5 0,65 5,0
b) Contenido máximo de arsénico del mineral enviado a la fundición: 0,5%
c) Capacidad del sistema de transporte: 400 ton/día
d) Ley minima de cabeza de planta: 4,0 onz Ag/ton

FV: Maximizar las utilidades de la empresa.
D : Maximizar (utilidades obtenidas del mineral extraído del Tajeo A + utilidades obtenidas del mineral
extraído del Tajeo B)
FM: Maximizar 4,3 A +5,0 B

a) Contenido de arsénico enviado a la fundición
FV: El contenido máximo de arsénico del mineral enviado a la fundición es de: 0,5&
D : (( el contenido de arsénico en el mineral extraído del Tajeo A + el contenido de arsénico en el
mineral extraído del Tajeo B)/ (tonelaje de mineral extraído del Tajeo A + tonelaje de mineral
extraído del Tajeo B)) debe ser menor al 5%
 0,36 A  0,65 B 
 A B   0,5
 
FM: -14 A + 15B <= 0

b) Ley de cabeza de plata de la planta concentradora

FV: la ley de cabeza de plata de la planta concentradora debe ser al menos 4 onz/ton
D : (( el contenido de plata en el mineral extraído del Tajeo A + el contenido de plata en el mineral
extraído del Tajeo B)/ (tonelaje de mineral extraído del Tajeo A + tonelaje de mineral extraído del
Tajeo B)) debe ser mayor de 4 onz/ton
 6,0 A  3,5 B 
  4,0
 A  B 
FM: 2 A – 0,5 B >= 0
c) Capacidad de transporte
FV: El sistema de transporte de la mina hace imposible transportar más de 400 ton por día
D: (el mineral extraído del Tajeo A + el mineral extraído del Tajeo B) debe ser un máximo de 400 ton
por día
FM: A + B <= 400
A y B >= 0

Maximizar 4,3 A +5,0 B
Sujeto a:
-14 A + 15B <= 0
2 A – 0,5 B >= 0
A y B >= 0
Donde
A = el número de toneladas de mineral a extraer del Tajeo A por día
B = el número de toneladas de mineral a extraer del Tajeo B por día
3.3.4. Problema de extracción de mineral

Una compañía extrae tres tipos de mineral en tres pozos distintos. Para esto cuenta con tres
equipos de las siguientes características:
Capacidad de trabajo (rendimiento) en Ton/día
Equipo Pozos Días de mantenimiento
por mes (30 días)
P1 P2 P3
E1 90 70 78 5
E2 65 80 65 2
E3 50 70 85 2
Por compromisos adquiridos anteriormente, debe arrendarse otro equipo de las siguientes
características
por mes (30 días)
P1 P2 P3
E4 90 72 58 1
que está disponible los 30 días del mes, pero no se arrienda por menos de 10 días/mes.
La empresa que recibe el material admite las capacidades siguientes:

Mineral Pozo P1 2500 Ton/mes

Los costos de operación que tiene cada equipo están en el cuadro siguiente ($/día):
Equipo Pozos
P1 P2 P3
E1 12 25 22
E2 4 17 20
E3 9 20 21
E4 15 30 25
Los gastos de salario y jornales de la mano de obra asociada a cada equipo son:
Equipo E1 E2 E3 E4
($/dia) 20 35 30 40
Suponiendo que los pozos deben explotarse los 30 días del mes, plantee el problema de
programación lineal, de manera que el programa de explotación produzca máximas utilidades.
Solución:
E1P1 = el número de días de trabajo durante 1 mes del equipo 1 en el pozo 1.

a) Rendimiento diario de los equipos:
por mes (30 días)
P1 P2 P3
E1 90 70 78 5
E2 65 80 65 2
E3 50 70 85 2
E4 90 72 58 1
b) Producción mensual del pozo 1: 2500ton.
c) Producción mensual del pozo 2: 2300ton.
d) Producción mensual del pozo 3: 2250ton.

e) Costo de operación total de los equipos ($)

Equipo Pozos
P1 P2 P3
E1 32 45 42
E2 39 52 55
E3 39 50 51
E4 55 70 65

FV: Minimizar el costo de operación de los equipos utilizados en la extracción de mineral.
D : Minimizar (costo de equipo 1 + costo de equipo 2 + costo de equipo 3 + costo de equipo4)
FM: Minimizar 32E1P1 + 45E1P2 + 42E1P3 + 39E2P1 + 52E2P2 + 55E2P3 + 39E3P1 + 50E3P2 +
51E3P3 + 55E4P1 + 70E4P2 + 65E4P3

a) producción de mineral del pozo 1
FV: La producción de mineral del pozo 1 debe ser de 2500 ton/mes
D : (producción de mineral con el equipo 1 + producción de mineral con el equipo 2 + producción de
mineral con el equipo 3 + producción de mineral con el equipo 4) debe ser 2500 ton/mes
FM: 90E1P1 + 65E2P1 + 50E3P1 +90E4P1 = 2500
b) producción de mineral del pozo 2
FM: 70E1P2 + 80E2P2 + 70E3P2 +72E4P2 = 2300
c) producción de mineral del pozo 3
FM: 78E1P3 + 65E2P3 + 85E3P3 +58E4P3 = 2250
d) Días efectivos de trabajo de la máquina 1
FV: la máquina 1 trabaja 25 días efectivos mensualmente.
D : (días de trabajo de la máquina 1 en el pozo 1 + días de trabajo de la máquina 1 en el pozo 2+
días de trabajo de la máquina 1 en el pozo 3) debe ser menor de 25 días.
FM: E1P1 + E1P2 + E1P3 <= 25
e) Días efectivos de trabajo de la máquina 2
FV: la máquina 2trabaja 28ías efectivos mensualmente.
D : (días de trabajo de la máquina 2en el pozo 1 + días de trabajo de la máquina 2en el pozo 2+ días
de trabajo de la máquina 2en el pozo 3) debe ser menor de 28ías.
FM: E2P1 + E2P2 + E2P3 <= 28
f) Días efectivos de trabajo de la máquina 3
FM: E3P1 + E3P2 + E3P3 <= 28
g) Días efectivos de trabajo de la máquina 4


FM: E4P1 + E4P2 + E4P3 <= 29
h) Días mínimos de trabajo de la máquina 4
FV: la máquina 4 debe trabajar minimamente 10 días mensualmente.
días de trabajo de la máquina 4 en el pozo 3) debe ser al menos 10 días.
FM: E4P1 + E4P2 + E4P3 >=10
i) Días de trabajo en el pozo 1
FV: El pozo 1 debe trabajar 30 días mensualmente
D : (días de trabajo de la máquina 1 en el pozo 1 + días de trabajo de la máquina 2 en el pozo 1 +
días de trabajo de la máquina 3 en el pozo 1 + días de trabajo de la máquina 4 en el pozo 1) debe
ser 30 días.
FM: E1P1 + E2P1 + E3P1 + E4P1 = 30
j) Días de trabajo en el pozo 2
ser 30 días.
FM: E1P2 + E2P2 + E3P2 + E4P2 = 30
k) Días de trabajo en el pozo 3
ser 30 días.
FM: E1P3 + E2P3 + E3P3 + E4P3 = 30
l) Restricciones lógicas
E1P1, E1P2, E1P3, E2P1, E2P2, E2P3, E3P1, E3P2, E3P3, E4P1, E4P2 y E4P3 >= 0 y enteros

Minimizar 32E1P1 + 45E1P2 + 42E1P3 + 39E2P1 + 52E2P2 + 55E2P3 + 39E3P1 + 50E3P2 + 51E3P3
+ 55E4P1 + 70E4P2 + 65E4P3
Sujeto a:
90E1P1 + 65E2P1 + 50E3P1 +90E4P1 = 2500
70E1P2 + 80E2P2 + 70E3P2 +72E4P2 = 2300
78E1P3 + 65E2P3 + 85E3P3 +58E4P3 = 2250
E1P1 + E1P2 + E1P3 <= 25
E2P1 + E2P2 + E2P3 <= 28
E3P1 + E3P2 + E3P3 <= 28
E4P1 + E4P2 + E4P3 <= 29
E4P1 + E4P2 + E4P3 >=10
E1P1 + E2P1 + E3P1 + E4P1 = 30
E1P2 + E2P2 + E3P2 + E4P2 = 30
E1P3 + E2P3 + E3P3 + E4P3 = 30
E1P1, E1P2, E1P3, E2P1, E2P2, E2P3, E3P1, E3P2, E3P3, E4P1, E4P2 y E4P3 >= 0 y enteros
Donde

3.3.5. Problema de producción de la compañía Guantes de Acero Co.
La compañía Cueros de Acero Co. produce guantes y correas de seguridad para minería. La
materia prima para los guantes cuesta S/. 2,0 por unidad, mientras que la materia prima para
cada correa de seguridad cuesta 2,5. Una correa de seguridad requiere dos horas de maquina de
obra en el departamento 1 y tres horas en el departamento 2. Mientras que un guante requiere
cuatro horas en el departamento 1 y dos horas en el departamento 2. El jornal por hora en ambos
departamentos es de S/. 2,0. Ambos productos se venden a S/. 18,0 y el número de horas de
mano de hora disponibles por semana en los departamentos es de 160 y 180 horas
respectivamente, Como gerente de producción determine la producción óptima de la compañía.
Solución:
a) Formulación del modelo matemático
G = El número de pares de guantes producido..
C= El número de unidades de correas producidos.

a) Utilidades producto de la venta de guantes
Utilidad = Costo de venta – Costo de producción
Utilidad = Costo de venta – (costo de materia prima + costo de maquina 1 + costo de maquina 2)
Utilidad = Costo de venta – (costo de materia prima + costo unitario de maquina 1 x horas utilizadas
de maquina 1 + costo unitario de maquina 2 x horas utilizadas de maquina 2)
Utilidad = S/. 18,0 – (S/.2,0 + 2,0 S/./h x 4h + 2,0 S/./h x2h)
Utilidad = S/. 4,0
b) Utilidades producto de la venta de correas de seguridad
Utilidad = S/. 18,0 – (S/.2,5 + 2,0 S/./h x2h + 2,0 S/./h x3h)
Utilidad = S/. 5,5
c) Horas máquina empleados para producir guantes y correas
Producto Máquina 1 Máquina 2
Guantes (par) 4 2
Correas 2 3
Total 160 180

FV: Maximizar las utilidades de la empresa

D: Maximizar (las utilidades generadas por la venta de guantes + las utilidades generadas por la venta
de correas)
FM: Maximizar 4G + 5,5C

a) Uso de la máquina 1
FV: El número de horas disponibles de la máquina 1 es de 160
D : (número de horas de máquina 1 empleados en los guantes + número de horas de taladrado
empleados en las correas) debe ser menor de 160 horas
FM: 4G + 2C <= 160
b) Uso de la máquina 2
2G + 3C <= 180
G y C >= 0 y enteros.

Maximizar 4G + 5,5C
Sujeto a:
4G + 2C <= 160
2G + 3C <= 180
G y C >= 0 y enteros.
Donde
G = El número de pares de guantes producido..
C= El número de unidades de correas producidos.
3.3.6. Problema de producción de artículos electrónicos

Una compañía de artículos electrónicos produce 3 líneas de productos que son: transistores,
micromódulos y circuitos armados y el centro de producción tiene cuatro áreas de proceso:
Área 1 Producción de transistores
Área 2 Ensamblaje de circuitos
Área 3 Control de transistores y micromódulos
Área 4 Prueba de circuitos y embalaje
La producción de un transistor requiere:
0.1 Horas - hombre en el área 1
0.5 horas - hombre en el área 3
S/. 70 en costos directos
La producción de un micromódulo requiere:
0.4 horas-hombre en el área 2
0.5 horas - hombre en el área 3
3 transistores

La producción de un circuito armado requiere:

0.1 horas-hombre en el área 2
0.5 horas – hombre en el área 4
1 transistor
3 micromódulos
Cada uno de los tres productos se pueden vender a 200, 800 y 2500 soles respectivamente
(transistores, micromódulos y circuitos armados). La cantidad de venta es ilimitada; si hay 200
horas-hombre disponibles en cada área de trabajo. Formule el modelo matemático para obtener
una ganancia máxima.
Solución:
T = Número de transistores producidos por la compañía
M = Número de micromódulos producidos por la compañía
C = Número de circuitos armados producidos por la compañía

Los datos del problema los podemos resumir en el cuadro siguiente:
Producto Horas - hombre Costo Precio de
directo S/. venta S/.
Área 1 Área 2 Área 3 Área 4
Transistores 0.1 0.5 70 200
Micromódulos 0.4 0.5 50 800
Circuitos 0.1 0.5 200 2500
armados
a) La producción de un micromódulo requiere 3 transistores
b) La producción de un circuito armado requiere 1 transistor y 3 micromódulos
c) Hay 200 horas-hombre disponibles en cada área de trabajo.
d) Utilidad en la venta de 01 transistor = S/. 200 - S/. 70 = S/. 130
e) Utilidad en la venta de 01 micromódulo = S/. 800 - S/.50 – 3 x S/. 70 = S/. 540
f) Utilidad en la venta de 01 circuito armado = S/. 2500 - S/.200 – 1 x S/. 70 – 3 x S/. 220 = S/. 1490

FV: Maximizar las utilidades de la compañía.
D : Mazimizar (utilidades por venta de transistores + utilidades por venta de micromódulos + utilidades
por venta de circuitos armados).
FM: Maximizar 130T + 540M + 1490C

a) Área 1 Producción de transistores
FV: El número de horas – hombres disponibles en el área 1 es de 200 horas – hombre
D : El número de horas – hombre disponibles para la producción de transistores debe ser menor o igual
a 200 horas – hombre
FM: 0.1T <= 200
b) Área 2 Ensamblaje de circuitos

D : (número de horas – hombre disponibles para la producción de micromódulos + número de horas –
hombre disponibles para la producción de circuitos armados) debe ser menor o igual a 200 horas –
hombre
FM: 0.4M + 0.1C <= 200
c) Área 3 Control de transistores y micromódulos
D : (número de horas – hombre disponibles para la producción de transistores + número de horas –
hombre disponibles para la producción de micromódulos) debe ser menor o igual a 200 horas – hombre
FM: 0.5T + 0.5M <= 200
d) Área 4 Prueba de circuitos y embalaje
D : El número de horas – hombre disponibles para la producción de circuitos armados debe ser menor
o igual a 200 horas – hombre
FM: 0.5C <= 200
e) Requerimiento de transistores en la producción de micromódulos
FV: La producción de un micromódulo requiere 3 transistores
D : El número de transistores debe ser tres veces mayor o igual que el número de micromódulos
FM: T >= 3M
T –3 M >= 0
f) Requerimiento de transistores en la producción de circuitos armados
FV: La producción de un circuito armado requiere 1 transistor y 3 micromódulos
D : El número de transistores debe ser diez veces mayor o igual que el número de circuitos armados
FM: T >=10 C
T –10 C >= 0
g) Requerimiento de micromódulos en la producción de circuitos armados
FV: La producción de un circuito armado requiere 3 micromódulos
D : El número de micromódulos debe ser tres veces mayor o igual que el número de circuitos armados
FM: M >= 3C
M – 3C >= 0
T, M y C >= 0

Maximizar 130T + 540M + 1490C
Sujeto a:
0.1T <= 200
0.4M + 0.1C <= 200
0.5T + 0.5M <= 200
0.5C <= 200
T –3 M >= 0
T –10 C >= 0
M – 3C >= 0
T, M y C >= 0
Donde
T = Número de transistores producidos por la compañía

M = Número de micromódulos producidos por la compañía
C = Número de circuitos armados producidos por la compañía
3.3.7. Problema de planeamiento de producción

Una compañía manufactura tres productos A, B y C. Cada unidad de producto A requiere de 1
hora de servicio de ingeniería, 8 horas de mano de obra directa y 4 libras de material; para
producir 1 unidad del producto B se requiere 3 horas de ingeniería. 3 horas de mano de obra
directa y 3 libras de material; cada unidad del producto C requiere de 2 horas de ingeniería, 4
horas de mano de obra directa y 2 libras de material se dispone de 80 horas de ingeniería. 800
horas de mano de obra y 300 libras de material cada mes. Las utilidades son como sigue:
PRODUCTO A PRODUCTO B PRODUCTO C

Ventas Utilidad Ventas Utilidad Ventas Utilidad
unitaria $ unitaria $ unitaria $
unidades unidades unidades
0-40 10 0-50 6 0-100 5
40-100 9 50-100 4 Más de 100 4
100-150 8 Más de 100 3
Más de 150 6
Formule un modelo de programación lineal para determinar el programa de producción que aporte
la máxima utilidad.
Solución:
A1 =Numero de unidades del producto A, producidas con una utilidad unitaria de $ 10.
B1 =Numero de unidades del producto B, producidas con una utilidad unitaria de $ 6.
C1 =Numero de unidades del producto C, producidas con una utilidad unitaria de $ 5.

a) Requerimiento de insumos
Producto Requerimiento
Horas servicio Horas mano Lb de material
ingeniería obra directa
A 1 8 4
B 3 3 3
B 2 4 2
Disponible 80 800 300
b) Utilidades

PRODUCTO A PRODUCTO B PRODUCTO C

Ventas Utilidad Ventas Utilidad Ventas Utilidad
unitaria $ unitaria $ unitaria $
unidades unidades unidades
0-40 10 0-50 6 0-100 5
40-100 9 50-100 4 Más de 100 4
100-150 8 Más de 100 3
Más de 150 6

FV: Maximizarlas utilidades de la empresa
D : Maximizar (utilidades por venta del producto A + utilidades por venta del producto B + utilidades por
venta del producto C)
FM: Maximizar 10A1 + 9A2 + 8A3 + 6A4 + 6B1 + 4B2 + 3B3 + 5C1 + 4C2

a) Disponibilidad de horas de servicio de ingeniería
FV: La cantidad total de horas de servicio de ingeniería disponibles es de 80horas.
D : ((horas de servicio de ingeniería empleados en el producto A + horas de servicio de ingeniería
empleados en el producto B + horas de servicio de ingeniería empleados en el producto C)) debe ser
menor o igual a 80 horas.
FM: A1 + A2 + A3 + A4 + 3B1 + 3B2 + 3B3 + 2C1 +2C2 <= 80
b) Disponibilidad de horas de mano de obra directa
FV: La cantidad total de horas de mano de obra directa disponibles es de 800 horas.
D : ((horas de mano de obra directa empleados en el producto A + horas de mano de obra directa
empleados en el producto B + horas de mano de obra directa empleados en el producto C)) debe ser
menor o igual a 800 horas.
FM: 8A1 + 8A2 + 8A3 + 8A4 + 3B1 + 3B2 + 3B3 + 4C1 +4C2 <= 800
c) Disponibilidad de libras de material
FV: La cantidad de libras de material disponibles es de 300 horas.
D : ((libras de material empleados en el producto A + libras de material empleados en el producto B +
libras de material empleados en el producto C)) debe ser menor o igual a 300 libras.
FM: 4A1 + 4A2 + 4A3 + 4A4 + 3B1 + 3B2 + 3B3 + 2C1 +2C2 <= 300
d) Utilidad unitaria en el producto A
FV: La utilidad unitaria del producto A es de la siguiente manera: <0, 40>= $10, <40, 100>= $9, <100,
150>= $8 y + de 150 = $6.
Nota: para construir las restricciones utilizaremos variables del tipo binario (0 o 1)
FM: A1 <= 40
A1 – 40Y1 >= 0
A2 – 60Y1 <= 0
A2 – 60Y2 >= 0
A3 – 50Y2 <= 0
A3 – 50Y3 >= 0
A4 – MY3 <= 0
e) Utilidad unitaria en el producto B
De manera similar a la restricción anterior
FM: B1 <= 50
B1 – 50U1 >= 0
B2 – 50U1 <= 0
B2 – 50U2 >= 0
B3 – MU3 <= 0
f) Utilidad unitaria en el producto A
g) De manera similar a la restricción anterior
FM: C1 <= 100
C1 – 100V1 >= 0
C2 – MV1 <= 0
A1,A2, A3, A4, B1, B2, B3, C1, C2 >= 0
Y1, Y2, Y3, Y4, U1, U2, U3, V1 binario
Maximizar 10A1 + 9A2 + 8A3 + 6A4 + 6B1 + 4B2 + 3B3 + 5C1 + 4C2
A1 + A2 + A3 + A4 + 3B1 + 3B2 + 3B3 + 2C1 +2C2 <= 80
8A1 + 8A2 + 8A3 + 8A4 + 3B1 + 3B2 + 3B3 + 4C1 +4C2 <= 800
4A1 + 4A2 + 4A3 + 4A4 + 3B1 + 3B2 + 3B3 + 2C1 +2C2 <= 300
A1 <= 40
A1 – 40Y1 >= 0
A2 – 60Y1 <= 0
A2 – 60Y2 >= 0
A3 – 50Y2 <= 0
A3 – 50Y3 >= 0
A4 – MY3 <= 0
B1 <= 50
B1 – 50U1 >= 0
B2 – 50U1 <= 0
B2 – 50U2 >= 0
B3 – MU3 <= 0
C1 <= 100
C1 – 100V1 >= 0
C2 – MV1 <= 0
A1,A2, A3, A4, B1, B2, B3, C1, C2 >= 0
Y1, Y2, Y3, Y4, U1, U2, U3, V1 binario
Donde


3.4. Modelos de programación lineal para problemas de transporte

3.4.1. Problema de transporte de concentrado
Una compañía de transporte de concentrados mineros dispone de $ 400 000 para comprar una
nueva flota y está considerando comprar tres tipos de vehículos. El vehículo A puede transportar
10 t y se espera que promedie 35 km/h. Su costo es de $ 8000. El vehículo B tiene una capacidad
de 20 t y se espera que promedie 30 km/h su costo es de $ 13000. El vehículo C es un modelo
modificado de B, tiene un sitio para que duerma un chofer, lo cual reduce su capacidad a 18 t y
eleva su costo a $ 15000.
El vehículo A requiere una tripulación de un hombre y si opera durante tres turnos por día, puede
trabajar un promedio de 18 horas por día. Los vehículos B y C requieren una tripulación de dos
hombres cada uno, pero mientras que B puede trabajar 18 horas por día en tres turnos, C puede
promediar 21 horas diarias. La compañía, que dispone de 150 chóferes al día, tendría muchas
dificultades para obtener tripulaciones adicionales. Las facilidades de mantenimiento son tales
que el número total de vehículos no puede exceder de 30. Formule un modelo matemático para
determinar cuántos vehículos de cada tipo deberán comprarse si la compañía desea maximizar su
capacidad de transporte en toneladas por kilómetro por día.
Solución:
A = Número de vehículos a comprar del tipo A
B = Número de vehículos a comprar del tipo B
C = Número de vehículos a comprar del tipo C

a. La compañía dispone de $ 400 000 para comprar una nueva flota
b. El vehículo A puede transportar 10 t y se espera que promedie 35 km/h. Su costo es de $ 8000.
c. El vehículo B tiene una capacidad de 20 t y se espera que promedie 30 km/h su costo es de $
13000.
d. El vehículo C es un modelo modificado de B, tiene un sitio para que duerma un chofer, lo cual
reduce su capacidad a 18 t y eleva su costo a $ 15000.
e. El vehículo A requiere una tripulación de un hombre y si opera durante tres turnos por día, puede
trabajar un promedio de 18 horas por día.
f. Los vehículos B y C requieren una tripulación de dos hombres cada uno, pero mientras que B
puede trabajar 18 horas por día en tres turnos, C puede promediar 21 horas diarias.
g. La compañía, que dispone de 150 chóferes al día, tendría muchas dificultades para obtener
tripulaciones adicionales.
h. Las facilidades de mantenimiento son tales que el número total de vehículos no puede exceder de
30.

FV: Maximizar la capacidad en toneladas-km por día de la compañía.
D : Maximizar (capacidad x km x horas diarias x unidades del vehículo A + capacidad x km x horas
diarias x unidades del vehículo B + capacidad x km x horas diarias x unidades del vehículo C).
FM: Maximizar 10 x 35 x 18 x A + 20 x 30 x 18 x B + 18 x 30 x 21 x C
Maximizar 6300A + 10800B + 11340 C


a) Disponibilidad de choferes
FV: La compañía dispone de 150 choferes por día.
D : (El número de choferes que se requiere para los vehículos del tipo A + el número de choferes que
se requiere para los vehículos del tipo B + el número de choferes que se requiere para los vehículos del
tipo C) debe ser menor o igual a 150.
FM: 3A + 6B + 6C <= 150
b) Disponibilidad de mantenimiento
FV: La capacidad de mantenimiento de la compañía es de 30 vehículos por día.
D : ((El número de vehículos del tipo A + El número de vehículos del tipo B + El número de vehículos
del tipo C) que pueden tener el servicio de mantenimiento por día debe ser un máximo de 30.
FM: A + B + C <= 30
c) Disponibilidad de inversión
FV: La compañía dispone de $ 400 000 para comprar una nueva flota
D : ((el costo de los vehículos de tipo A + el costo de los vehículos de tipo B + el costo de los vehículos
de tipo C) debe ser menor o igual a $ 400 000.
FM: 8000A + 13000B + 15000C <= 400 000
A, B, C >= 0

Maximizar 6300A + 10800B + 11340 C
Sujeto a:
3A + 6B + 6C <= 150 (disponibilidad de choferes)
A + B + C <= 30 (disponibilidad de mantenimiento)
8000A + 13000B + 15000C <= 400 000 (disponibilidad de inversión)
A, B, C >= 0
Donde
A = Número de vehículos a comprar del tipo A
B = Número de vehículos a comprar del tipo B
C = Número de vehículos a comprar del tipo C
3.5. Modelos de programación lineal para administración de cartera de valores

3.5.1. Problema de Inversiones Mineras Rinconada SAA
La gerencia general de Inversiones Mineras Rinconada SAA, está considerando invertir en seis prospectos
mineros, cada uno de ellos requiere una cierta cantidad de capital inicial. El asesor financiero de la empresa
luego de la evaluación de la información de cada prospecto, de la inversión inicial, del factor de riesgo
asociado (entre 0 y 1) y la recuperación anual, presenta la tabla siguiente:
CAPITAL
PROYECTO RIESGO DEVOLUCIÓN
INICIAL (US $)
P1 1 000 000 0.50 0.60
P2 2 000 000 0.40 0.45
P3 1 700 000 0.70 0.90
P4 2 500 000 0.65 0.75
P5 4 000 000 0.45 0.51

P6 2 500 000 0.75 1.20

El directorio de la empresa ha acordado que el riesgo total, obtenido al sumar los factores de
riesgo de cada proyecto aprobado, no debe exceder a 3.0. también, cuando mucho dos proyectos
pueden tener un factor de riesgo mayor a 0.6.
Se debe determinar en que proyectos de debe invertir el presupuesto de diez millones de dólares
que dispone para lograr la mayor recuperación anual posible.
Solución:
En el presente problema podemos elegir aceptar o rechazar cada una de las seis propuestas. Entonces
crearemos una variable entera para cada proyecto, de la manera siguiente:
1, si Inversiones Mineras Rinconada SAA debe invertir en el proyecto 1
P1
0, si Inversiones Mineras Rinconada SAA no debe invertir en el proyecto 1
P2
P3
P4
P5
P6

a. Evaluación de los proyectos:
CAPITAL INICIAL TASA DE

PROYECTO RIESGO
(US $) DEVOLUCIÓN
P1 1 000 000 0.50 0.60
P2 2 000 000 0.40 0.45
P3 1 700 000 0.70 0.90
P4 2 500 000 0.65 0.75
P5 4 000 000 0.45 0.51
P6 2 500 000 0.75 1.20
b. El riesgo total, obtenido al sumar los factores de riesgo de cada proyecto aprobado, no debe
exceder a 3.0.
c. Cuando mucho dos proyectos pueden tener un factor de riesgo mayor a 0.6.
d. Se dispone de un presupuesto de US $ 10 000 000.

FV: Maximizar el rendimiento total de las inversiones.
D: Maximizar (rendimiento del proyecto 1 + rendimiento del proyecto 2 + rendimiento del proyecto 3 +
rendimiento del proyecto 4 + rendimiento del proyecto 5 + rendimiento del proyecto 6)
FM: Maximizar 1 000 000 x 0.60P1 + 2 000 000 x 0.45P2 + 1 700 00 x 0.90P3 + 2 500 000 x 0.75P4 + 4
000 000 x 0.51P5 + 2 500 000 x 1.20P6
Maximizar 600 000P1 + 900 000P2 + 1 530 000P3 + 1 875 000P4 + 2 040 000P5 + 3 000 000P6

a) Flujo de efectivo anual
FV: Se dispone de 10 000 000 para invertir anualmente.
D: (Inversión en el proyecto 1 + Inversión en el proyecto 2 + Inversión en el proyecto 3 + Inversión en
el proyecto 4 + Inversión en el proyecto 5 + Inversión en el proyecto 6) debe ser menor o igual a 10 000
000.
FM: 1 000 000P1 + 2 000 000P2 + 1 700 00P3 + 2 500 000P4 + 4 000 000P5 + 2 500 000P6 <= 10 000
000
P1 + 2P2 + 1,7P3 + 2,5P4 + 4P5 + 2,5P6 <= 10
b) Riesgo total
FV: El riesgo total, obtenido al sumar los factores de riesgo de cada proyecto aprobado, no debe
exceder a 3.0.
D: (el riesgo del proyecto 1 + el riesgo del proyecto 2 + el riesgo del proyecto 3 + el riesgo del proyecto
4 + el riesgo del proyecto 5 + el riesgo del proyecto 6) debe ser menor o igual a 3.0.
FM: 0.5P1 + 0.4P2 + 0.7P3 + 0.65P4 + 0.45P5 + 07.5P6 <= 3.0
c) Riesgo de proyecto
FV: Cuando mucho dos proyectos pueden tener un factor de riesgo mayor a 0.6.
D: (proyecto 3 + proyecto 4 + proyecto 6) es menor o igual a 2.
FM: P3 + P4 + P6 <= 2
P1, P2, P3, P4, P5 y P6 binarios

Maximizar 600 000P1 + 900 000P2 + 1 530 000P3 + 1 875 000P4 + 2 040 000P5 + 3 000 000P6
Sujeto a:
P1 + 2P2 + 1,7P3 + 2,5P4 + 4P5 + 2,5P6 <= 10
0.5P1 + 0.4P2 + 0.7P3 + 0.65P4 + 0.45P5 + 07.5P6 <= 3.0
P3 + P4 + P6 <= 2
P1, P2, P3, P4, P5 y P6 binarios
3.5.2. Problema de inversión

Hoy es su día de suerte. Acaba de ganar $ 10000. Dedicara $ 4000 al pago de impuestos y
diversiones, pero ha decidido invertir los otros $ 6000. Al oír esta noticia, dos amigos la han
ofrecido una oportunidad de convertirse en socio en dos empresas distintas, cada una planeada
por uno de ellos. En ambos casos, la inversión incluye dedicar parte de su tiempo el siguiente
verano y dinero en efectivo.
Para ser un socio pleno en el caso del primer amigo debe invertir $ 5000 y 400 horas, su ganancia
estimada (sin tomar en cuenta el valor de su tiempo) seria de $ 4500. Las cifras correspondientes
para el segundo caso son $ 4000 y 500 horas, con una ganancia estimada igual a la anterior. Sin
embargo, ambos amigos son flexibles y le permitirán asociarse con cualquier fracción de
participación que quiera. Si elige una participación parcial, todas las cifras dadas para la sociedad
plena (inversión de tiempo y dinero, y la ganancia) se pueden multiplicar por esta fracción.

Como de todas formas usted busca un trabajo de verano interesante (máximo 600 horas), ha
decidido participar en una o ambas empresas en alguna combinación que maximice su ganancia
total estimada.
Formule un modelo matemático para encontrar la mejor combinación.
Solución:
A = La cantidad de dólares a invertir en el negocio del primer amigo.
B = La cantidad de dólares a invertir en el negocio del segundo amigo.

a. Acabo de ganar $ 10000. Dedicare $ 4000 al pago de impuestos y diversiones, pero he decidido
invertir los otros $ 6000.
b. Un primer amigo desea que invierta $ 5000 y 400 horas en su negocio, la ganancia estimada (sin
tomar en cuenta el valor de su tiempo) seria de $ 4500.
c. Un segundo amigo me solicita $ 4000 y 500 horas, con una ganancia estimada igual a la anterior.
d. Ambos amigos son flexibles y me permitirán asociarme con cualquier fracción de participación que
quiera. Si elijo una participación parcial, todas las cifras dadas para la sociedad plena (inversión de
tiempo y dinero, y la ganancia) se pueden multiplicar por esta fracción.
e. En verano dispondré de un máximo de 600 horas para trabajo.

FV: Maximizar la ganancia total de mis inversiones.
D : Maximizar (la ganancia en el negocio de mi primer amigo + la ganancia en el negocio de mi segundo
amigo).
FM: Maximizar A x 4500/5000 + B x 4500/4000
Maximizar 0.9A + 1.125B

a) Disponibilidad de $ 6000 para invertir
FV: La disponibilidad de capital para invertir es de $ 6000.
D : (La inversión en el negocio del primer amigo + La inversión en el negocio del segundo amigo) debe
ser menor o igual a $6000.
FM: A + B <= 6000
b) Inversión en el negocio del primer amigo
FV: El negocio del primer amigo necesita una inversión de $ 5000.
FM: A <= 5000
c) Inversión en el negocio del segundo amigo
FV: El negocio del segundo amigo necesita una inversión de $ 4000.
FM: B <= 4000
d) Disponibilidad de horas de trabajo
FV: Dispongo de 600 h de trabajo para el verano
D : (El número de horas de trabajo en el negocio de mi primer amigo + El número de horas de trabajo
en el negocio de mi segundo amigo) debe ser menor o igual a 600 horas.
FM: A x 400/5000 + B x 500/4000 <= 600
0.08A + 0.125B <= 600

A y B >= 0

Maximizar 0.9A + 1.125B
Sujeto a:
A + B <= 6000
A <= 5000
B <= 4000
0.08A + 0.125B <= 600
A y B >= 0
Donde
A = La cantidad de dólares a invertir en el negocio del primer amigo.
B = La cantidad de dólares a invertir en el negocio del segundo amigo.
3.6. Modelos de programación lineal para problemas de mezclas

3.6.1. Problema de mezcla de Metalco Company
Metalco Company desea hacer una nueva aleación con 40% de aluminio, 35% de zinc y 25% de plomo a
partir de varias aleaciones posibles que tienen las siguientes propiedades:
Aleación
Propiedad
1 2 3 4 5
Porcentaje de aluminio 60 25 45 20 50
Porcentaje de zinc 10 15 45 50 40
Porcentaje de plomo 30 60 10 30 10
Costo ($/libra) 77 70 88 84 94
El objetivo es determinar las proporciones de estas aleaciones que deben mezclarse para producir
la nueva aleación a un costo mínimo.
Solución:
A1 = Número de libras de la aleación 1 utilizados para preparar 1 lb de la nueva aleación.

a. Preparar una aleación con 40% de aluminio, 35% de zinc y 25% de plomo.
b. Características de las aleaciones a utilizar:
Aleación
Propiedad
1 2 3 4 5
Porcentaje de aluminio 60 25 45 20 50
Porcentaje de zinc 10 15 45 50 40

Porcentaje de plomo 30 60 10 30 10
Costo ($/libra) 77 70 88 84 94

FV : Minimizar el costo de producción de 1 libra de aleación.
D : Minimizar (costo de la aleación 1 + costo de la aleación 2 + costo de la aleación 3 + costo de la
aleación 4 + costo de la aleación 5).
FM : Minimizar 77A1 + 70A2 + 88A3 + 84A4 + 94A5

a) Porcentaje de aluminio en la nueva aleación
FV: El porcentaje de aluminio en la nueva aleación es de 40%.
D : (Aluminio procedente de la aleación 1 + Aluminio procedente de la aleación 2 + Aluminio procedente
de la aleación 3 + Aluminio procedente de la aleación 4 + Aluminio procedente de la aleación 5 ) debe
ser el 40% de la nueva aleación.
FM: 0.6A1 + 0.25A2 + 0.45A3 + 0.2A4 + 0.5A5 = 0.4
b) Porcentaje de zinc en la nueva aleación
FV: El porcentaje de zinc en la nueva aleación es de 35%.
D : (Zinc procedente de la aleación 1 + Zinc procedente de la aleación 2 + Zinc procedente de la
aleación 3 + Zinc procedente de la aleación 4 + Zinc procedente de la aleación 5 ) debe ser el 35% de la
nueva aleación.
FM: 0.1A1 + 0.15A2 + 0.45A3 + 0.5A4 + 0.4A5 = 0.35
c) Porcentaje de plomo en la nueva aleación
FV: El porcentaje de plomo en la nueva aleación es de 25%.
D : (Plomo procedente de la aleación 1 + Plomo procedente de la aleación 2 + Plomo procedente de la
aleación 3 + Plomo procedente de la aleación 4 + Plomo procedente de la aleación 5 ) debe ser el 40%
de la nueva aleación.
FM: 0.3A1 + 0.6A2 + 0.1A3 + 0.3A4 + 0.1A5 = 0.25
d) Balance de materia en la nueva aleación
FV: La suma de los componentes debe ser igual a 1 libra
D : (Aleación 1 + aleación 2 + aleación 3 + aleación 4 + aleación 5 ) debe ser igual a 1 libra.
FM: A1 + A2 + A3 + A4 + A5 = 1
A1, A2, A3, A4 y A5 >= 0

Minimizar 77A1 + 70A2 + 88A3 + 84A4 + 94A5
Sujeto a:
0.6A1 + 0.25A2 + 0.45A3 + 0.2A4 + 0.5A5 = 0.4 (porcentaje de aluminio en la nueva aleación)
0.1A1 + 0.15A2 + 0.45A3 + 0.5A4 + 0.4A5 = 0.35 (porcentaje de zinc en la nueva aleación)
0.3A1 + 0.6A2 + 0.1A3 + 0.3A4 + 0.1A5 = 0.25 (porcentaje de plomo en la nueva aleación)
A1 + A2 + A3 + A4 + A5 = 1 (balance de materia)
A1, A2, A3, A4 y A5 >= 0
Donde

3.6.2. Problema de mezcla de Save It Co.

La Save It Company opera un centro de reciclado que recoge cuatro tipos de materiales de desechos
sólidos y los trata para amalgamarlos en un producto que pueda lanzarse al mercado. El tratamiento y el
amalgamado son dos procesos diferentes. Se pueden obtener tres grados diferentes de este producto (vea
la primera columna de la tabla 1), según la mezcla de materiales que se use. Aunque existe alguna
flexibilidad para esta mezcla en cada grado, los estándares de calidad especifican una cantidad minina y
una máxima de la proporción de los materiales permitidos en ese grado (la proporción es el peso del
material expresado como un porcentaje del peso total del producto de ese grado) Para los dos grados más
altos se especifica un porcentaje fijo de uno de los materiales. Estas especificaciones se presentan en la
tabla 1 junto con el costo de amalgamado y el precio de venta de cada grado.
Tabla 1. Datos de productos de la Save It Company
Amalgamado,
Precio de venta
Grado Especificación costo ($) por
($) por libra
libra
Material 1: no más de 30% del total
Material 2: no menos del 40% del total
A 3.00 8.50
Material 3: no más del 50% del total
Material 4: exactamente 20% del total
B Material 2: no menos del 10% del total 2.50 7.00
C Material 1: no más de 70% del total 2.00 5.50
El centro de reciclado recoge los materiales de desecho solido de ciertas fuentes habituales por lo que casi
siempre puede mantener una tasa de producción estable para tratarlos, en la tabla 2 se muestran las
cantidades disponibles para la recolección y tratamiento semanal, al igual que el costo de proceso de cada
tipo de material.
La Save It Company es propiedad de Green Earth, una organización dedicada a asuntos ecológicos, por lo
que las ganancias se usan para apoyar las actividades de Green Earth. Esta organización ha logrado
contribuciones y apoyos por la cantidad de 30 000 dólares semanales, que deben usarse solo para cubrir el
costo de tratamiento completo de los desechos sólidos. El consejo directivo de Green Earth ha girado
instrucciones a la administración de Save It Co. Para que divida este dinero entre los materiales, de manera
tal que se recolecte y se trate al menos la mitad de la cantidad disponible de cada tipo de material. Estas
restricciones adicionales se enumeran en la tabla 2.
Tabla 2. Datos de los materiales de desechos sólidos de Save It Company
Libras por Costo del
Material semana tratamiento ($) Restricciones adicionales
disponible por libra
1 3000 3.00 1. De cada material debe
recolectarse y tratarse al
2 2000 6.00 menos la mitad de las libras
3 4000 4.00 disponibles por semana.
2. Deben usarse $ 30 000
4 1000 5.00 semanales para tratar estos
materiales.
Con las restricciones especificadas en las tablas 1 y 2, la administración desea determinar la cantidad que
debe producirse de cada grado y la mezcla exacta de materiales que usara para cada uno, de manera que
maximice la ganancia semanal neta – ingresos totales por ventas menos costo total del amalgamado -
independiente del costo de tratamiento fijo de 30 000 dólares por semana que será cubierto por donaciones.

Solución:
X1A = Número total de libras del material 1 asignadas al producto grado A por semana.
X1B = Número total de libras del material 1 asignadas al producto grado B por semana.
X1C = Número total de libras del material 1 asignadas al producto grado C por semana.

a. Datos de productos de la Save It Company
Amalgamado Precio de
Ganancia ($)
Grado Especificación , costo ($) venta ($) por
por libra
por libra libra
Material 2: no menos del 40% del total
A 3.00 8.50 5.50
Material 3: no más del 50% del total
B Material 2: no menos del 10% del total 2.50 7.00 4.50
C Material 1: no más de 70% del total 2.00 5.50 3.50
b. Datos de los materiales de desechos sólidos de Save It Company

Libras por Costo del
Material semana tratamiento ($) Restricciones adicionales
disponible por libra
1 3000 3.00 1. De cada material debe
recolectarse y tratarse
2 2000 6.00 al menos la mitad de
3 4000 4.00 las libras disponibles
por semana.
2. Deben usarse $ 30 000
4 1000 5.00 semanales para tratar estos
materiales.

FV: Maximizar la ganancia semanal neta.
D: Maximizar la ganancia semanal neta por venta del (material grado A + material grado B + material
grado A +)
FM: Maximizar 5.50 (X1A + X2A + X3A + X4A) + 4.50 (X1B + X2B + X3B + X4B) + 3.50 (X1C + X2C + X3C + X4C).

a) Especificaciones de mezcla
FV: El contenido del material 1 en el producto de grado A no debe ser más del 30% del total.
FM: X1A <= 0.30 (X1A + X2A + X3A + X4A).
Operando tenemos:
0.70X1A – 0.30X2A – 0.30X3A – 0.30X4A <= 0
De manera similar, tenemos:
- 0.40X1A + 0.60X2A – 0.40X3A – 0.40X4A >= 0
- 0.50X1A – 0.50X2A + 0.50X3A – 0.50X4A <= 0
- 0.20X1A – 0.20X2A – 0.20X3A + 0.80X4A = 0
0.50X1B – 0.50X2B + 0.50X3B – 0.50X4B <= 0
- 0.10X1B + 0.90X2B - 0.10X3B – 0.10X4B >= 0
- 0.10X1B - 0.10X2B - 0.10X3B + 0.90X4B = 0
0.30X1C - 0.70X2C - 0.70X3C – 0.70X4C <= 0
b) Disponibilidad de materiales
FV: Se dispone de 3000 libras de material 1 semanalmente.
D: Se dispone de 3000 libras de material1 para (producto de grado A + producto de grado B +
producto de grado C).
FM: X1A + X1B + X1C <= 3000
X2A + X2B + X2C <= 2000
X3A + X3B + X3C <= 4000
X4A + X4B + X4C <= 1000
c) Cantidades tratadas
FV: Se debe tratar semanalmente al menos la mitad de las libras disponibles de material 1.
D: Se debe tratar semanalmente al menos la mitad de las libras disponibles de material 1 para
(producto de grado A + producto de grado B + producto de grado C).
FM: X1A + X1B + X1C >= 1500
X2A + X2B + X2C >= 1000
X3A + X3B + X3C >= 2000
X4A + X4B + X4C >= 500
d) Restricciones sobre el costo de tratamiento
FV: Debe usarse $ 30 000 semanales para tratar los materiales
D: El costo de tratamiento del ( material 1 + material 2 + material 2 + material 4) debe ser $ 30 000
semanales.
FM: 3.00 (X1A + X1B + X1C) + 6.00 (X2A + X2B + X2C) + 4.00 (X3A + X3B + X3C) + 5.00 (X4A + X4B + X4C) = 30
000
X1A, X2A, X3A , X4A, X1B , X2B , X3B , X4B , X1C , X2C , X3C y X4C >= 0

Maximizar 5.50 (X1A + X2A + X3A + X4A) + 4.50 (X1B + X2B + X3B + X4B) + 3.50 (X1C + X2C + X3C + X4C)

Sujeto a:
0.70X1A – 0.30X2A – 0.30X3A – 0.30X4A <= 0
- 0.40X1A + 0.60X2A – 0.40X3A – 0.40X4A >= 0
- 0.50X1A – 0.50X2A + 0.50X3A – 0.50X4A <= 0
- 0.20X1A – 0.20X2A – 0.20X3A + 0.80X4A = 0
0.50X1B – 0.50X2B + 0.50X3B – 0.50X4B <= 0
- 0.10X1B + 0.90X2B - 0.10X3B – 0.10X4B >= 0
- 0.10X1B - 0.10X2B - 0.10X3B + 0.90X4B = 0
0.30X1C - 0.70X2C - 0.70X3C – 0.70X4C <= 0
X1A + X1B + X1C <= 3000
X2A + X2B + X2C <= 2000
X3A + X3B + X3C <= 4000
X4A + X4B + X4C <= 1000
X1A + X1B + X1C >= 1500
X2A + X2B + X2C >= 1000
X3A + X3B + X3C >= 2000
X4A + X4B + X4C >= 500
3.00 (X1A + X1B + X1C) + 6.00 (X2A + X2B + X2C) + 4.00 (X3A + X3B + X3C) + 5.00 (X4A + X4B + X4C) = 30
000
X1A, X2A, X3A , X4A, X1B , X2B , X3B , X4B , X1C , X2C , X3C y X4C >= 0
Donde
3.7. Modelos de programación lineal para planeación de producción agregada

3.7.1. Problema de asignación de aviones a rutas de transporte
Hay un problema de asignación de aviones a cuatro rutas, que se muestra en los siguientes datos:
Tipo de Capacidad Cantidad Cantidad de viajes diarios en la ruta

avión (pasajeros) de aviones 1 2 3 4
1 50 5 3 2 2 1
2 30 8 4 3 3 2
3 20 10 5 5 4 2
Cantidad diaria de clientes 1000 2000 900 1200
Los costos asociados, incluyendo las penalizaciones por perder clientes por falta de espacio son:
Costo de operación (US $) por viaje en ruta
Tipo de avión
1 2 3 4
1 1000 1100 1200 1500
2 800 900 1000 1000
3 600 800 800 900
Penalización ($) por
40 50 45 70
cliente perdido
Formule un modelo matemático para determinar la asignación optima de aviones a rutas y la
cantidad asociada de viajes.
Solución:
A11 = Número de aviones del tipo 1 destinados a la ruta 1 diariamente.
N1 = Número de clientes no transportados en la ruta 1.
Tipo de Capacidad Cantidad de Cantidad de viajes diarios en la ruta

avión (pasajeros) aviones 1 2 3 4
1 50 5 3 2 2 1
2 30 8 4 3 3 2
3 20 10 5 5 4 2
Cantidad diaria de clientes 1000 2000 900 1200
Costo de operación (US $) por viaje en ruta

Tipo de avión
1 2 3 4
1 1000 1100 1200 1500
2 800 900 1000 1000
3 600 800 800 900
Penalización ($) por cliente 40 50 45 70

perdido

FV: Minimizar el costo de operación de los aviones y la penalización por cliente perdido.
D: Minimizar (costo de operación del avión tipo 1 destinado a la ruta 1 + costo de operación del avión
tipo 1 destinado a la ruta 2 + costo de operación del avión tipo 1 destinado a la ruta 3 + costo de
operación del avión tipo 1 destinado a la ruta 4 + costo de operación del avión tipo 2 destinado a la ruta
1 + costo de operación del avión tipo 2 destinado a la ruta 2 + costo de operación del avión tipo 2
destinado a la ruta 3 + costo de operación del avión tipo 2 destinado a la ruta 4 + costo de operación del
avión tipo 3 destinado a la ruta 1 + costo de operación del avión tipo 3 destinado a la ruta 2 + costo de
operación del avión tipo 3 destinado a la ruta 3 + costo de operación del avión tipo 3 destinado a la ruta
4) + (penalización por clientes no transportados en la ruta 1 + penalización por clientes no transportados
en la ruta 2 + penalización por clientes no transportados en la ruta 3 + penalización por clientes no
transportados en la ruta 4)
FM: Minimizar 3 x 1000A11 + 2 x 1100A12 + 2 x 1200A13 + 1 x 1500A14 + 4 x 800A21 + 3 x 900A22 +
3 x 1000A23 + 2 x 1000A24 + 5 x 600A31 + 5 x 800A32 +4 x 800A33 + 2 x 900A34 + 40N1 + 50N2 +
45N3 + 70N4
Minimizar 3000A11 + 2200A12 + 2400A13 + 1500A14 + 3200A21 + 2700A22 + 3000A23 + 2000A24
+3000A31 + 4000A32 +3200A33 + 1800A34 + 40N1 + 50N2 + 45N3 + 70N4

a) Requerimiento de pasajeros a transportar en la ruta 1
FV: La cantidad diaria de pasajeros a transportar en la ruta 1 es de 1000 clientes.
D: (cantidad de clientes transportados en aviones tipo 1 + cantidad de clientes transportados en
aviones tipo 2 + cantidad de clientes transportados en aviones tipo 3) es mayor o igual a 1000 clientes.
FM: 50 x 3A11 + 30 x 4A21 + 20 x 5A31 >= 1000
150A11 + 120A21 + 100A31 >= 1000
De manera similar para los aviones tipo, tipo 3 y tipo 4.
100A12 + 90A22 + 100A32 >= 2000
100A13 + 90A23 + 80A33 >= 900
50A14 + 60A24 + 40A34 >= 1200
b) Disponibilidad de aviones de la compañía
FV: La compañía tiene 5 aviones del tipo 1.
D: (el número de aviones de tipo 1 destinados a la ruta 1 + el número de aviones de tipo 1 destinados
a la ruta 2 + el número de aviones de tipo 1 destinados a la ruta 3 + el número de aviones de tipo 1
destinados a la ruta 4) debe ser menor o igual a 5.
FM: A11 + A12 + A13 + A14 <= 5
De manera similar para los aviones de tipo 2 y 3
A21 + A22 + A23 + A24 <= 8
A31 + A32 + A33 + A34 <= 10
c) Balance de pasajeros en las rutas
FV: el numero de pasajeros a transportar en la ruta 1 debe ser igual a 1000..
FM: N1 + 150A11 + 120A21 + 100A31 = 1000
De manera similar para las rutas 2, 3 y 4
N2 + 100A12 + 90A22 + 100A32 = 2000
N3 + 100A13 + 90A23 + 80A33 = 900
N4 + 50A14 + 60A24 + 40A34 = 1200
A11, A12, A13, A14, A21, A22, A23, A24, A31, A32, A33, A34, N1, N2, N3 y N4 >= 0

Minimizar 3000A11 + 2200A12 + 2400A13 + 1500A14 + 3200A21 + 2700A22 + 3000A23 + 2000A24
+3000A31 + 4000A32 +3200A33 + 1800A34 + 40N1 + 50N2 + 45N3 + 70N4
Sujeto a:
150A11 + 120A21 + 100A31 >= 1000
100A12 + 90A22 + 100A32 >= 2000
100A13 + 90A23 + 80A33 >= 900
50A14 + 60A24 + 40A34 >= 1200
A11 + A12 + A13 + A14 <= 5
A21 + A22 + A23 + A24 <= 8
A31 + A32 + A33 + A34 <= 10
N1 + 150A11 + 120A21 + 100A31 = 1000
N2 + 100A12 + 90A22 + 100A32 = 2000
N3 + 100A13 + 90A23 + 80A33 = 900
N4 + 50A14 + 60A24 + 40A34 = 1200
A11, A12, A13, A14, A21, A22, A23, A24, A31, A32, A33, A34, N1, N2, N3 y N4 >= 0
Donde
3.7.2. Problema de distribución de carga

Un avión de carga tiene tres compartimientos para almacenar: delantero, central y trasero. Estos
compartimientos tienen límite de capacidad tanto de peso como de espacio. Los datos se resumen a
continuación:
Compartimiento Capacidad de Capacidad de
peso (ton) espacio (ft3)
Delantero 12 7000
Central 18 9000
Trasero 10 5000

Más aun, para mantener el avión balanceado, el peso de la carga en los respectivos
compartimientos debe ser proporcional a su capacidad.
Se tienen ofertas para transportar cuatro cargamentos en un vuelo próximo ya que se cuenta con
espacio:
Carga Peso Volumen Ganancia
(ton) (ft3/ton) ($/ton)
1 20 500 320
2 16 700 400
3 25 600 360
4 13 400 290
Se puede aceptar cualquier fracción de estas cargas. El objetivo es determinar cual cantidad de
cada carga debe aceptarse (si se acepta) y como distribuirla en los compartimientos para
maximizarla ganancia del vuelo.
Solución:
C1D = Número de toneladas de la carga 1 a ser transportado en el almacén delantero
C1C = Número de toneladas de la carga 1 a ser transportado en el almacén central
C1T = Número de toneladas de la carga 1 a ser transportado en el almacén trasero

a. Las capacidades de peso y volumen de los compartimientos del avión son:
Compartimiento Capacidad de Capacidad de
peso (ton) espacio (ft3)
Delantero 12 7000
Central 18 9000
Trasero 10 5000
b. Se tienen ofertas para transportar cuatro cargamentos en un vuelo próximo ya que se cuenta con
espacio:
Carga Peso (ton) Volumen (ft3/ton) Ganancia ($/ton)
1 20 500 320
2 16 700 400
3 25 600 360
4 13 400 290

c. Se puede aceptar cualquier fracción de estas cargas.

FV: Maximizar la ganancia por transportar carga.
D : Maximizar la (ganancia por transportar la carga 1 + ganancia por transportar la carga 2 + ganancia
por transportar la carga 3 + ganancia por transportar la carga 4).
FM: Maximizar 320C1D + 320C1C + 320C1T +400C2D + 400C2C + 400C2T + 360C3D + 360C3C +
360C3T + 290C4D + 290C4C + 290C4T

a) Capacidad de peso del compartimiento delantero
FV: La capacidad de peso del compartimiento delantero es de 12 toneladas.
D : (El número de toneladas de la carga 1 + El número de toneladas de la carga 2 + El número de
toneladas de la carga 3 + El número de toneladas de la carga 4) a ser transportado en el
compartimiento delantero debe ser de 12 tonelada.
FM: C1D + C2D + C3D + C4D <= 12
De manera similar para los compartimientos central y trasero:
C1C + C2C + C3C + C4C <= 18
C1T + C2T + C3T + C4T <= 10
b) apacidad de volumen del compartimiento delantero
FV: La capacidad de volumen del compartimiento delantero es de 7000 pies cúbicos.
D : (El volumen de la carga 1 + El volumen de la carga 2 + El volumen de la carga 3 + El volumen de la
carga 4) a ser transportado en el compartimiento delantero debe ser de 7000 pies cúbicos
FM: 500C1D + 700C2D + 600C3D + 400C4D <= 7000
De manera similar para los compartimientos central y trasero:
500C1C + 700C2C + 600C3C + 400C4C <= 9000
500C1T + 700C2T + 600C3T + 400C4T <= 5000
c) Balance de peso de la carga 1
FV: El peso de la carga 1 es de 20 toneladas.
D : (el peso de la carga 1 a ser transportado en el compartimiento delantero + peso de la carga 1 a ser
transportado en el compartimiento central + peso de la carga 1 a ser transportado en el compartimiento
trasero) debe ser menor o igual a 20 toneladas.
FM: C1D + C1C + C1T <= 20
De manera similar para las cargas 2, 3 y 4
C2D + C2C + C2T <= 16
C3D + C3C + C3T <= 25
C4D + C4C + C4T <= 13
C1D, C1C, C1T, C2D, C2C, C2T, C3D, C3C, C3T, C4D, C4C y C4T >= 0

Maximizar 320C1D + 320C1C + 320C1T +400C2D + 400C2C + 400C2T + 360C3D + 360C3C + 360C3T
+ 290C4D + 290C4C + 290C4T
Sujeto a:
C1D + C2D + C3D + C4D <= 12
C1C + C2C + C3C + C4C <= 18

C1T + C2T + C3T + C4T <= 10

500C1D + 700C2D + 600C3D + 400C4D <= 7000
500C1C + 700C2C + 600C3C + 400C4C <= 9000
500C1T + 700C2T + 600C3T + 400C4T <= 5000
C1D + C1C + C1T <= 20
C2D + C2C + C2T <= 16
C3D + C3C + C3T <= 25
C4D + C4C + C4T <= 13
C1D, C1C, C1T, C2D, C2C, C2T, C3D, C3C, C3T, C4D, C4C y C4T >= 0
Donde
ESTUDIOS DE CASO

CAPITULO IV
SOLUCIÓN A PROBLEMAS DE PROGRAMACIÓN LINEAL
USANDO SOFTWARE
USO DE SOLVER DE EXCEL

En esta sección, se utiliza el software Excel de Microsoft Office para resolver y analizar el
problema de programación lineal.
El Sindicato Minero Pacococha S.A. viene soportando un incesante incremento en sus costos de producción,
por lo tanto urge optimizar el uso de sus recursos. La gerencia ha determinado explotar las vetas
Colquechaca y 10 de mayo, para ello debemos satisfacer algunas restricciones referentes a las leyes y la
capacidad de la planta concentradora:
Leyes
Costo Tonelaje a
Vetas Ag
Pb (%) $/ton extraer
(onz/ton)
Colquechaca 4 3,5 7,0 Xc
10 de mayo 16 1,15 9,0 Xm
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /ton; precio del plomo
0,70 $/lb; capacidad de la planta concentradora: 95 ton/día.
Como gerente de producción, formule un modelo para determinar el tonelaje a extraer de
cada veta.
Cuya formulación dio el siguiente modelo matemático:
Sujeto a:
Xc + Xm <= 95
- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0 y enteros
La única dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy
fácil. Por supuesto, hay infinidad de maneras de hacerlo, aquí propongo una.

PROCEDIMIENTO DE SOLUCIÓN
Se activa Excel y en una hoja...
 Se ubican las celdas que se corresponderán con el valor de las variables de decisión; en
éste caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las demás (ver
captura abajo). Se ubica también, las celdas que contendrán los coeficientes de las
variables de decisión, B4 y C4, y se llenan con sus respectivos valores, 126,9 y 328,71.
Aunque éste último paso, se podría omitir y dejar los coeficientes definidos en la celda de
la función objetivo, así es mejor para los análisis de sensibilidad y para que la hoja quede
portable para otro programa.
 Se ubica la celda que se corresponderá con la función objetivo (celda objetivo), la B3. En
ella se escribe la función que sea, en éste caso, será el coeficiente de X1 (en B4) por el
valor actual de Xc (en B6) mas el coeficiente de Xm (en C4) por el valor actual de Xm (en
C6) o sea: = $B$4*$B$6+$C$4*$C$6
 Coeficientes para la primera restricción: los podemos escribir en la misma columna de las
variables de decisión; en las celdas B7 y C7, con los valores 2 y 1, seguido del sentido de
la desigualdad (<=) y de su correspondiente RHS: 230. A la derecha ubicaremos el valor
actual de consumo de la restricción, ella se escribirá en función de las variables de
decisión y de los coeficientes de la restricción. Esta celda, la utilizará Solver como la
real restricción, cuando le digamos que el valor de ésta celda no pueda sobrepasar la de
su correspondiente RHS. De nuevo será el valor del coeficiente por el de la variable: =
B7*$B$6+C7*$C$6. Notese que ahora B7 y C7 no tienen el signo $. Pues es que luego
que se haya escrito ésta celda, se podrá arrastrar hacia abajo para que Excel escriba la
fórmula por nosotros (la pereza!), pero tome los valores relativos a los coeficientes que le
corresponda a los mismos valores de las variables de decisión. Se repite los pasos
anteriores para las otras restricciones, pero ahora la fórmula será: = B8*$B$6+C8*$C$6 y
= B9*$B$6+C9*$C$6.
El resto del formato es para darle una presentación más bonita a la hoja. Ahora a resolverlo! Al
hacer clic en Herramientas, Solver se tendrá una pantalla como la siguiente. Lo primero que hay
que hacer es especificar la celda objetivo y el propósito: maximizar. Se escribe B3 (o $B3 ó B$3 ó
$B$3 como sea, da igual), en el recuadro "cambiando las celdas", se hace un clic en la flechita
roja, para poder barrer las celdas B6 y C6; lo mismo da si se escriben directamente los nombres.

Y ahora para las restricciones: se hace clic en agregar...
En F7 está la primera restricción, como se puede ver en la captura. Se especifica el sentido de la

restricción <=, >= ó =. Aquí también se puede especificar el tipo de variable, por defecto es
continua, pero se puede escoger "Int" para entera o "Bin" para binaria. En el recuadro de la
derecha establecemos la cota. Aquí podemos escribir 95 pero mejor escribimos $E$7 para que
quede direccionado a la celda que contiene el 95, y después lo podríamos cambiar y volver a
encontrar la respuesta a manera de análisis de sensibilidad.
Se repite éste paso para las otras dos restricciones.
La condición de no negatividad hay que incluirla manualmente, así:
El cuadro de diálogo debe lucir así:

Y listo! Se hace clic en resolver y ya. Parece un poco largo en comparación con los otros
paquetes de programación lineal, pero esto se hará sólo una vez, para los próximos programas se
podrá utilizar la misma hoja cambiando los coeficientes. Sin embargo, como se puede notar, la
flexibilidad de modelamiento es muy grande.
Los resultados para el Sindicato Minero Pacococha en la forma de un plan de producción semanal
son los siguientes:
Cantidad de mineral de la veta Colquechaca por producir = 63,33 toneladas
Cantidad de mineral de la veta 10 de Mayo por producir = 31,67 toneladas
Margen de ganancia semanal = $ 18 446,15
USO DE SOLVER DE WinQSB

En esta sección, se utiliza el software WinQSB para resolver y analizar el problema de
programación lineal continua.
Leyes
Costo Tonelaje a
Vetas Ag
(onz/ton)
10 de mayo 16 1,15 9,0 Xm

cada veta.
Sujeto a:
Xc + Xm <= 95
- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0
PROCEDIMIENTO DE SOLUCIÓN:
1. En la barra de tareas de la parte inferior de la pantalla, abrir el menú Inicio y clic en el menú
Programas.
2. Seleccione el menú WinQSB y haga clic en el botón Linear and Integer Programming.
3. Tendremos la presentación del programa WinQSB

4. Luego tendremos la interface del programa y desde el menú seleccionaremos: File | New
Problem
5. Se presentara una ventana donde colocaremos el nombre del problema, en nuestro caso
Sindicato Minero Pacococha y el numero de variables y restricciones de nuestro problema:
2 y 3 respectivamente, a continuación seleccionaremos el criterio del objetivo, el tipo de
variable y el formato de entrada de datos
y pulsaremos OK.
6. En la nueva ventana que se presenta ingresaremos los datos del problema:
Podemos editar el nombre de las variables y de las restricciones

7. En la barra de menú, seleccionaremos el icono para procesar los datos
8. WinQSB procesara los datos, presentándonos la siguiente ventana:
son los siguientes:
9. Si deseamos observar la gráfica, seleccionaremos el icono y se presentara la siguiente

ventana:

10. WinQSB presentara el siguiente gráfico:

USO DE LINDO
En esta sección, se utiliza el software LINDO para resolver y analizar el problema de
programación lineal continua.
LINDO (Linear Interactive Discrete Optimization) es una herramienta que fue diseñada por Linus
Shorage en 1985 para resolver problemas de programación lineal, entera y cuadrática
SINTAXIS DEL MODELO LINDO
1. Todos los modelos empiezan con el comando MAX o MIN seguido de la función objetivo que
debe ser del tipo ctx.
2. Los nombres de las variables pueden contener a lo sumo 8 caracteres
3. Los nombres de las restricciones deben terminar con un paréntesis y pueden contener a lo
sumo 8 caracteres
4. Se pueden usar los operadores +, -, =, > (equivale a >=), < (equivale a <=)
5. No reconoce la situación (2+5-4)*X1, debemos poner 3 X1 ni tampoco 2(x1+x2) hay que
escribir 2x1+2x2
6. Los comentarios comienzan con el signo de exclamación ¡
7. Podemos utilizar más de una línea para escribir la función objetivo o las restricciones
8. No distingue entre mayúsculas y minúsculas
9. En el lado derecho de las restricciones (denotado por RHS) sólo pueden aparecer valores
numéricos
10. En el lado izquierdo de las restricciones sólo pueden aparecer las variables y sus coeficientes
11. Se supone que todas las variables son no negativas, por eso no se introducen las
restricciones de no negatividad
12. El esquema que se sigue es:
MAX <función objetivo>
SUBJECT TO (st)
Restriccion1)
…
Restricción m)
END
13. Si queremos indicar que alguna variable no tiene restricción de signo, que es entera, binaria,
etc, tenemos una serie de comandos que se utilizan después de END
- FREE <variable> se usa si variable no tiene restricción de signo
- GIN <variable> se usa si variable sólo toma valores enteros no negativos
- INT <variable> se usa si variable es binaria
- SLB <variable> <VALOR> se usa si variable está acotada inferiormente por valor
- SUB <variable> <VALOR> se usa si variable está acotada superiormente por valor

Leyes
Costo Tonelaje a
Vetas Ag
(onz/ton)
10 de mayo 16 1,15 9,0 Xm
cada veta.
Sujeto a:
Xc + Xm <= 95
- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0
PROCEDIMIENTO DE SOLUCIÓN:
11. En la barra de tareas de la parte inferior de la pantalla, abrir el menú Inicio y haga clic en el
menú Programas.
12. Seleccione el menú LINDO 6.1 y haga clic en el botón Windows32.
13. Luego tendremos la interface del programa y una pantalla <untitled>.

14. En la pantalla <untitled> escribiremos nuestro modelo
15. A continuación guardaremos nuestro modelo seleccionando: File | Save As
16. En la pantalla Save As: en File Name: ingresaremos el nombre que deseemos para el
modelo, en este caso CaseChemicals.ltx y en Directories podremos seleccionar el fichero
donde guardarlo

17. Para procesar el modelo, seleccionaremos : Solve | Solve
18. A continuación se presentará la ventana LINDO preguntándonos, si deseamos realizar un

análisis de sensibilidad?:
19. Luego tendremos la ventana LINDO Solver Status, que nos indicara las características de la
solución:
20. LINDO procesara los datos, presentándonos el siguiente reporte:

son los siguientes:

CAPITULO IV
ANÁLISIS DE SENSIBILIDAD USANDO SOFTWARE:
EL PROBLEMA DE PLANEACIÓN DE PRODUCCIÓN DE CASE CHEMICALS

empresas que compran estos solventes los usan para disolver ciertas sustancias tóxicas que se
producen durante procesos de fabricación particulares. La planta opera 40 horas a la semana y
emplea a cinco trabajadores de tiempo completo y a dos de tiempo parcial, que trabajan 15 horas
a la semana. Estas personas operan las siete máquinas que mezclan ciertos químicos para
producir cada solvente. Los productos salen del departamento de mezclado para ser refinados en
el departamento de purificación, que actualmente tiene siete purificadores y emplea a seis
trabajadores de tiempo completo y a uno de tiempo parcial, que trabaja 10 horas a la semana.
Case Chemicals tiene una provisión casi ilimitada de la materia prima que necesita para producir
los dos solventes. Case Chemicals puede vender cualquier cantidad de CS-01, pero la demanda
del producto más especializado, CS-02, está limitada a lo más a 120 000 galones por semana.
El departamento de contabilidad estima un margen de ganancias de $0,30 por galón de CS-01 y
de $0,50 por galón de CS-02, esto es, $300 por mil galones de CS-01 y $500 por mil galones de
CS-02.
Como gerente de producción, usted desea determinar el plan de producción semanal óptimo para
Case Chemicals. ¿Qué cantidad de cada solvente debe producir Case Chemícals para
maximizar la ganancia?
Formulando el modelo matemático, tenemos:
Maximizar 300 CS1 + 500 CS2
Dependiendo de: 2 CS1 + CS2 ≤ 230
CS1 + 2 CS2 ≤ 250
CS2 ≤ 120
CS1, CS2 ≥ 0
Donde: CS1 = El número de miles de galones de CS-01 por producir semanalmente
CS2 = El número de miles de galones de CS-02 por producir semanalmente
CONCEPTOS BÁSICOS EN ANÁLISIS DE SENSIBILIDAD
El Análisis de Sensibilidad se utiliza para examinar los efectos de cambios en tres áreas
diferenciadas del problema:
1. Los coeficientes de la función objetivo (Coeficientes Objetivo). Los cambios en los

coeficientes objetivo NO afectan la forma de la región factible, por lo que no afectaran a
la solución optima (aunque si al valor de la función objetivo).
2. Los coeficientes tecnológicos (aquellos coeficientes que afectan a las variables de las
restricciones, situados a la izquierda de la desigualdad). Los cambios en estos
coeficientes provocaran cambios sustanciales en la forma de la región factible.
3. Los recursos disponibles (los términos independientes de cada restricción, situados a la
derecha de la desigualdad). Intuitivamente (para 2 variables), los cambios en el RHS
suponen desplazamientos paralelos de las rectas asociadas a las restricciones, lo cual
hará variar la forma de la región factible y, con ello, a la solución optima.
1. ANÁLISIS DE SENSIBILIDAD CON EXCEL

El primer paso será plantear el modelo en la hoja de cálculo:
Activando la función Solver de Excel, tendremos:
Activemos Adoptar modelo lineal en la ventana Opciones de Solver:

Haciendo clic en el botón Resolver, obtendremos la ventana Resultados de Solver, donde

elegiremos Respuesta y Sensibilidad en Informes:
Excel resolverá el modelo matemático:
Nos presentará el siguiente Informe de respuestas:

Su interpretación es inmediata: la solución óptima sería un plan de producción semanal de 70000

galones de CS-01, 90000 galones de CS-02 y tendremos un margen de ganancia semanal de $
66000.
Excel, también nos presentará el siguiente Informe de sensibilidad:
Después de formular y resolver un problema de programación lineal, un gerente debe hacerse un

numero de preguntas importantes de la forma: “¿Qué sucede si …..?”. Por ejemplo:
1. Supongamos que, debido a una competencia reciente en el mercado por CS-01, la gerencia de
Case Chemicals ha decidido disminuir el precio de venta de su producto en $ 25 por cada 1
000 galones. Este cambio disminuye el coeficiente de ganancia de CS-01 de 300 dólares por
mil galones a 275 dólares. ¿Cómo afecta este cambio el plan de producción?

2. Supongamos que cada uno de los dos empleados de tiempo parcial del departamento de
mezclado de Case Chemicals trabaja 10 horas en vez de 15 a la semana. Este cambio
reduce las horas disponibles de mano de obra en el departamento de mezclado de 230 a
220. ¿Cómo afecta este cambio el plan de producción y la ganancia óptima?
Estas preguntas tienen que ver con el tópico del análisis de sensibilidad. Usted, gerente, se
pregunta qué tan sensibles son la solución óptima y el valor de la función objetivo con respecto a
los cambios en los datos del problema, es decir, los coeficientes en la función objetivo y las
restricciones. ¿Qué tanto impacto tendrá en la solución un cambio en cualquiera de los datos?
Para dicho análisis, utilizaremos el Informe de sensibilidad de Excel.
ANÁLISIS DE SENSIBILIDAD DE LOS COEFICIENTES DE LA FUNCIÓN OBJETIVO

Análisis de sensibilidad del coeficiente de la función objetivo para CS1
Basándose en la solución óptima obtenida, la compañía ha estado produciendo 70 mil galones de
CS-01 y 90 mil galones de CS-02. Debido a una competencia reciente en el mercado por CS-01,
la gerencia ha decidido disminuir el precio de venta de CS-01 en $25 por mil galones. ¿Cómo
debería cambiar el plan de producción para CS-01 y CS-02?
El primer paso para responder esta pregunta es darse cuenta de que una disminución de $25 en
el precio de venta de cada mil galones de CS-01 tiene como resultado una disminución
correspondiente en el margen de ganancia de CS-01 de $300 a $275. La pregunta a formularse
es: ¿qué sucede con la solución óptima anterior para CS1 = 70 y CS2 = 90 cuando el coeficiente
de CS1 en la función objetivo disminuye de 300 a 275?
Una forma de contestar esta pregunta es resolver el problema después de cambiar el coeficiente
de CS1 en la función objetivo a 275. Sin embargo, el análisis de sensibilidad le permite responder
ésta y otras preguntas relacionadas sin tener que resolver el problema cada vez que se hace
una pregunta similar.
En el Informe de sensibilidad de Excel, obtenemos el intervalo de sensibilidad de los coeficientes
de objetivo y de los recursos disponibles:
Podemos ver que el intervalo de sensibilidad del coeficiente CS1 es <250, 1000> 3. Esto significa
que si todos los demás datos permanecen inalterados y el coeficiente de CS1 de la función
objetivo permanece en el intervalo <250, 1000>, la solución actual de CS1 = 70 y CS2 = 90 sigue
siendo óptima.
Ahora puede responder la pregunta original de cómo cambiar el plan de producción de Case
Chemicals cuando el precio de CS-01 disminuye en $25 por mil galones. Aunque esta
disminución ocasiona que el coeficiente de CS1 disminuya de su valor actual de 300 a 275, este
nuevo valor de 275 está dentro del intervalo <250, 1000>. Por tanto, la solución óptima anterior
3
El valor minimo del intervalo, se obtiene realizando $F$9 – $H$9 y el valor máximo: $F$9 + $G$9
sigue siendo óptima, es decir, Case Chemicals no debería cambiar su plan de producción de 70
mil galones de CS-01 y 90 mil galones de CS-02 a la semana. Sin embargo, el margen de
ganancia semanal cambia:
Nuevo margen de ganancia = 275 CS1 + 500 CS2
= 275(70) + 500(90)
= 64 250
Esto es, su margen de ganancia semanal disminuye a $64 250.
Análisis de sensibilidad del coeficiente de la función objetivo para CS2
Puede conducir un análisis similar sobre el coeficiente de ganancia de CS2 del ejemplo,
asumiendo que el coeficiente de CS1 permanece inalterado en su valor original de 300. Considere
el coeficiente de CS2 de la función objetivo como una variable y conociendo el intervalo de
sensibilidad de <150, 600>. Tenemos que, si todos los demás datos permanecen inalterados, la
solución óptima actual CS1 = 70 y CS2 = 90 sigue siendo óptima, siempre que la ganancia por
vender cada mil galones de CS-02 esté dentro del intervalo <150, 600>. El tamaño de este
intervalo indica qué tan sensible es la solución óptima a su coeficiente.
ANÁLISIS DE SENSIBILIDAD DE LOS VALORES DEL LADO DERECHO DE LAS

RESTRICCIONES (RECURSOS DISPONIBLES, RHS)
Usted puede aplicar el análisis de sensibilidad no sólo a los cambios en los coeficientes de la
función objetivo, sino también a los cambios en los valores del lado derecho de las restricciones
(recursos disponibles). Por ejemplo, como gerente de producción de Case Chemicals, puede
estar interesado en cualquiera de las siguientes preguntas.
1. Ante los posibles recortes de presupuesto por parte de la administración superior, usted desea
saber: ¿qué sucede con el margen de ganancia de Case Chemicals si cada uno de los dos
empleados de tiempo parcial del departamento de mezclado trabaja 10 horas (en vez de 15) a
la semana?
2. Al observar que todas las horas disponibles de mano de obra del departamento de mezclado
se utilizan según el plan de producción actual, ¿se incrementará el margen de ganancia si las
horas disponibles aumentan al hacer que uno de los empleados de tiempo parcial trabaje de
tiempo completo y se prescinde del otro?
3. Como una alternativa a la pregunta 2, ¿en cuánto se incrementaría el margen de ganancia si
se contratara un trabajador adicional de tiempo completo en el departamento de purificación?
Cada una de estas preguntas puede reformularse de la siguiente forma general:
¿Qué le sucede al valor óptimo de la función objetivo de un programa lineal cuando uno de los
valores del lado derecho de una restricción (recursos disponibles) se modifica y los otros datos del
problema permanecen inalterados?
Una forma de responder este tipo de pregunta es solucionar un nuevo problema de programación
lineal en el que se modifique el valor de interés del lado derecho, y todo lo demás sea igual. Sin
embargo, las técnicas presentadas a continuación le permiten responder tales preguntas sin tener
que resolver todo el problema.
Análisis de sensibilidad del valor del lado derecho de la restricción (1): Proceso de
mezclado

De los resultados del Informe de sensibilidad de Excel, puede concluirse que, mientras el valor del
lado derecho de la restricción (1) permanece dentro del intervalo de <140, 500>, la solución
óptima y el margen de ganancia cambian.
El cambio del margen de ganancia total, puede calcularse utilizando el valor del precio sombra,
o precio dual, de la restricción, que es 33,33333.
Esto significa que por cada hora adicional de mano de obra disponible en el departamento de
mezclado por encima del valor actual de 230 y hasta 500 horas, el margen de ganancia
corporativo se incrementa en $33.33.
Observe que el precio sombra de 33,3333 también indica que cada recorte de hora del actual
nivel de 230 hasta 140 tiene como resultado una pérdida de $33.33 en el margen de ganancia.
Con esta información, podemos responder las preguntas planteadas:
1. ¿Qué sucede con el margen de ganancia de Case Chemicals si cada uno de los dos
empleados de tiempo parcial del departamento de mezclado trabaja 10 horas (en vez de 15)
a la semana (es decir, si el valor Id de la restricción (1) disminuye a 220 de su valor actual de
230)?
Como este cambio está dentro del intervalo <140, 500>, cada hora perdida disminuye el
margen de ganancia en el precio sombra:
Utilizando la ecuación:
Nuevo margen de ganancia = (Viejo margen de ganancia) + (Precio sombra) x
(Incremento en horas de mano de obra)
Tenemos:
= 66 000 + 33,3333 x (220 – 230)
= $ 65 667
2. ¿Qué sucede con el margen de ganancia si uno de los empleados de tiempo parcial del
departamento de mezclado trabaja tiempo completo y se prescinde del otro (es decir, el valor
del lado derecho de la restricción (1) se incremento a 240?
Como este cambio está dentro del intervalo <140,500>, el margen de ganancia se incrementa
en la proporción del precio sombra, es decir:
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x
(incremento en horas de mano de obra)
= 66 000 + 33,3333 x (240 – 230)
= $66 333,33

Análisis de sensibilidad del valor del lado derecho de la restricción (2): Proceso de
refinación
Usando la misma lógica, descubrirá que, mientras este valor del lado derecho permanezca en el
intervalo <115, 295>, la solución óptima estará determinada por la intersección de las
restricciones (1) y (2). Podemos observar que el precio sombra, o precio dual, del recurso es
de 233,33.
Por cada hora adicional de mano de obra disponible en el departamento de purificación arriba del
valor actual de 250 y hasta 295 horas, el margen de ganancia se incrementa en $233,33. De
manera similar, cada recorte de hora del actual nivel de 250 hasta 115 horas tiene como resultado
una pérdida de $233,33 en el margen de ganancia.
Ya podemos responder la pregunta planteada al principio de esta sección, que se repiten aquí:
3. ¿Qué sucede con el margen de ganancia si se contrata un trabajador adicional de tiempo
completo en el departamento de purificación (esto es, si el valor del Iado derecho de la
restricción (2) se incremento a 290 de su valor actual de 250)?
Como este cambio está dentro del intervalo <115, 295>, cada hora ganada incrementa el
margen de ganancia en el precio sombra:
Nuevo margen de ganancia = (viejo margen de ganancia) - (precio sombra) x
(incremento en horas de mano de obra)
= 66 000 + 233,33 x (290 – 250)
= $75 333,33
ANÁLISIS PARAMÉTRICO DE LOS RECURSOS DISPONIBLES (VALORES DEL LADO
DERECHO)
Con el análisis de sensibilidad, usted está preparado para responder ciertas preguntas del tipo
"¿Qué sucede si ... ?', siempre y cuando los cambios en los coeficientes estén dentro del intervalo
de sensibilidad. Sin embargo, ¿qué sucede si esos cambios están fuera del intervalo? Por
ejemplo, como gerente de Case Chemicals, podría enfrentarse con una de las siguientes
preguntas (pero no ambas simultáneamente):
1. ¿Qué sucede con la ganancia semanal si el departamento de mezclado se reduce a dos
trabajadores de tiempo completo y uno de tiempo parcial de 30 horas a la semana?
2. ¿Qué le sucede al margen de ganancia semanal si el departamento de purificación se
amplía a nueve purificadores con nueve trabajadores de tiempo completo?
El primer paso es darse cuenta de que ambas preguntas tienen que ver con cambios en los
valores del lado derecho. Estas preguntas pueden reformularse de la siguiente manera:
1. ¿Qué le sucede al margen de ganancia semanal óptimo si el valor del lado derecho de la
restricción (1) disminuye de su valor actual de 230 a 110 (dos trabajadores de tiempo
completo de 40 horas semanales y uno de tiempo parcial de 30 horas a la semana)?
2. ¿Qué le sucede al margen de ganancia semanal óptimo si el valor del lado derecho de la
restricción (2) se incremento de su valor actual de 250 a 360 (nueve trabajadores de
tiempo completo de 40 horas semanales)?
Observe que el nuevo valor de 120 para el Iado derecho en la pregunta 1 está fuera del intervalo
de sensibilidad <140,500> calculado para la restricción (1). De manera similar, el nuevo valor de
360 para el Iado derecho en la pregunta 2 está fuera del intervalo de sensibilidad <115,295> para
la restricción (2). Para responder las preguntas relativas a los valores del Iado derecho, fuera del
intervalo de sensibilidad, se realiza de nuevo los cálculos con el nuevo valor del lado derecho de
la restricción (1).

En otras palabras, si el número de horas en el departamento de mezclado se reduce a 110, el

margen de ganancia semanal cae de $66 000 a $55 000. Esta información debería usarse junto
con otros factores al tomar una decisión gerencial.
Para responder la pregunta 2, necesita un análisis similar para el valor del lado derecho de la
restricción (2):
En otras palabras, si el número de horas en el departamento de purificación se incremento a 360,

el margen de ganancia semanal se incremento de $66 000 a $76 500. Esta información debería
usarse junto con otros factores al tomar una decisión gerencial. Por ejemplo observe que puede
obtenerse el mismo margen de ganancia de $76 500 si el valor del lado derecho de la restricción
(2) es de 295. La gerencia podría obtener este valor con siete trabajadores de tiempo completo y
uno de tiempo parcial de 15 horas a la semana. Por tanto, tal vez no sea necesario contratar
nueve trabajadores de tiempo completo.
2. ANÁLISIS DE SENSIBILIDAD CON LINDO

Utilizamos el software LINDO para resolver el modelo matemático:
Obtenemos el siguiente resultado:

Con los resultados, podremos realizar un análisis similar al realizado con los Informes de Excel.
3. ANÁLISIS DE SENSIBILIDAD CON WinQSB

Al usar el software WinQSB, obtendríamos el siguiente reporte:

De manera similar al análisis con Excel, podemos trabajar con el reporte de WinQSB.
CONCLUSIÓN
En esta sección, usted ha aprendido a preguntar y contestar preguntas relativas a qué tan
sensibles son la solución óptima y el valor de la función objetivo en uno de los coeficientes de la
función objetivo o en valores del lado derecho. Tales preguntas son de particular importancia para
gerentes que deben tomar decisiones cuando los datos para un problema están sujetos a cambios
o incertidumbre.
REFERENCIA BIBLIOGRÁFICA
Kamlesh Mathur, Daniel Solow, INVESTIGACIÓN DE OPERACIONES, Edit.Prentice hall
Hispanoamericana S.A., México, 1996.

PACOCOCHA
Leyes
Costo Tonelaje a
Vetas Ag
(onz/ton)
10 de mayo 16 1,15 9,0 Xm
Otros datos que debemos considerar son: el precio de la plata: $ 20,0 /ton; precio del plomo 0,70
$/lb; capacidad de la planta concentradora: 95 ton/día.
Como gerente de producción, formule un modelo para determinar el tonelaje a extraer de cada
veta.
Formulación matemática del modelo
Sujeto a:
Xc + Xm <= 95

- Xc + 5 Xm >= 0
- Xc + 2 Xm <= 0
Xc y Xm >= 0
Fuente: Selvino Paz, “PERT – CPM una alternativa en problemas mineros”, UNI, Lima Perú,
Conceptos Básicos en Análisis de Sensibilidad
El Análisis de Sensibilidad se utiliza para examinar los efectos de cambios en tres áreas
diferenciadas del problema:
4. Los coeficientes de la función objetivo (Coeficiente Objetivo). Los cambios en los
coeficientes objetivo NO afectan la forma de la región factible, por lo que no afectaran a
la solución optima (aunque si al valor de la función objetivo).
5. Los coeficientes tecnológicos (aquellos coeficientes que afectan a las variables de las
restricciones, situados a la izquierda de la desigualdad). Los cambios en estos
coeficientes provocaran cambios sustanciales en la forma de la región factible.
6. Los recursos disponibles (los términos independientes de cada restricción, situados a la
derecha de la desigualdad). Intuitivamente (para 2 variables), los cambios en el RHS
suponen desplazamientos paralelos de las rectas asociadas a las restricciones, lo cual
hará variar la forma de la región factible y, con ello, a la solución optima.
ANÁLISIS DE SENSIBILIDAD CON EXCEL

El primer paso será plantear el modelo en la hoja de cálculo:
Activando la función Solver de Excel, tendremos:

Activemos Adoptar modelo lineal en la ventana Opciones de Solver:
Haciendo clic en el botón Resolver, obtendremos la ventana Resultados de Solver, donde

elegiremos Respuesta y Sensibilidad en Informes:
Excel nos dará el siguiente Informe de respuestas:

Una vez identificados los componentes del informe, su interpretación es casi inmediata:
La veta Colquechaca debe producir 63,33 ton de mineral y la veta 10 de mayo 31,67 ton; para
una ganancia máxima de $ 18 446,15.
Después de formular y resolver un problema de programación lineal, un gerente debe hacerse un
numero de preguntas importantes de la forma: “¿Qué sucede si …..?”. Por ejemplo:
1. ¿Qué le sucede a la solución óptima y al valor de la función objetivo correspondiente si un
coeficiente particular de la función objetivo se modifica? Por ejemplo, supongamos que,
debido a una sobreoferta de plata en el mercado mundial la cotización de la plata baja a $
10,0 /onz. Este cambio disminuye el coeficiente de ganancia de Xc de $126,9 a $ $86,9 y Xm
de $328,71 a $ 168,71. ¿Cómo afecta este cambio en el coeficiente de la función objetivo el
plan de producción?
2. ¿Qué sucede con la solución óptima y con el valor de la función objetivo correspondiente si se
modifica un valor particular del extremo derecho de las restricciones? Por ejemplo, durante
un mes existen problemas con el área de molienda de la planta concentradora y solo trabaja
al 80% de su capacidad total. Este cambio reduce la capacidad de la planta de 95 ton/día a
76 ton/día. ¿Cómo afecta este cambio en el valor del extremo derecho de la capacidad de la
planta concentradora el plan de producción y la ganancia óptima?
Estas preguntas tienen que ver con el tópico del análisis de sensibilidad. Usted, gerente, se
pregunta qué tan sensibles son la solución óptima y el valor de la función objetivo con respecto a
los cambios en los datos del problema, es decir, los coeficientes en la función objetivo y las
restricciones. ¿Qué tanto impacto tendrá en la solución un cambio en cualquiera de los datos?
Estas preguntas de sensibilidad son importantes para un gerente porque los datos del problema a
menudo tienen que estimarse y por tanto están sujetos a inexactitudes. Antes de implantar la
solución obtenida de un programa lineal, es ventajoso para el gerente saber lo que podría suceder
si las estimaciones de los datos son ligeramente inexactas. El análisis de sensibilidad indica qué
coeficientes afectan más significativamente la solución óptima.
Para dicho análisis, Excel también nos proporcionará el Informe de sensibilidad:

Podemos utilizar el informe de sensibilidad, adjuntando algunos cálculos:
Análisis de sensibilidad de los coeficientes de la función objetivo

Análisis de sensibilidad de los coeficientes de la función objetivo para Xc y Xm
Basándose en la solución óptima obtenida, la veta Colquechaca ha estado produciendo 63,33 ton
de mineral y la veta 10 de mayo 31,67 ton.
Debido a una sobreoferta de plata en el mercado mundial la cotización de la plata baja a $ 10,0
/onz. ¿Cómo debería cambiar el plan de producción para las vetas Colquechaca y 10 de mayo?
El primer paso para responder esta pregunta es darse cuenta de que una disminución de $10 en
la cotización de la plata tiene como resultado una disminución correspondiente en el margen de
ganancia de la veta Colquechaca de $126,9 a $ $86,9 y de $328,71 a 168,71 en la veta 10 de
mayo. La pregunta a formularse es: ¿qué sucede con la solución óptima anterior para Xc = 63,33
y Xm = 31,67 cuando el coeficiente de Xc en la función objetivo disminuye de 126,9 a 86,9 y el
coeficiente Xm disminuye de $328,71 a $ 168,71?.
Una forma de contestar esta pregunta es resolver el problema después de cambiar el coeficiente
de Xc y Xm en la función objetivo a 86,9 y 168,71. Sin embargo, el análisis de sensibilidad le
permite responder ésta y otras preguntas relacionadas sin tener que resolver el problema cada
vez que se hace una pregunta similar.
En el Informe de sensibilidad de Excel, podemos ver que el intervalo de sensibilidad del
coeficiente Xc es [-164,355 , 328,71] y el intervalo de sensibilidad del coeficiente Xm es [126,9 ,
M]. Esto significa que si todos los demás datos permanecen inalterados, entonces mientras el
coeficiente de Xc de la función objetivo permanezca en el intervalo [-164,355 , 328,71] y el
coeficiente Xm en el intervalo [126,9 , M] , la solución actual de Xc = 63,33 y Xm = 31,67 sigue
siendo óptima. El valor de la función objetivo en este punto, sin embargo, cambia. El tamaño de
este intervalo indica qué tan sensible es la solución óptima a su coeficiente. Por ejemplo, un
intervalo para Xc de [110,5, 150,5] indicaría que la solución óptima es más sensible a un cambio
en este coeficiente de función objetivo que el intervalo anterior de [-164,355 , 328,71].
Ahora puede responder la pregunta original de cómo cambiar el plan de producción de Pacococha
cuando el precio de la plata disminuye en $10 por onza. Aunque esta disminución ocasiona que
el coeficiente de Xc disminuya de su valor actual de $126,9 a $86,9, este nuevo valor de 86,9
está dentro del intervalo [-164,355 , 328,71] calculado en el análisis de sensibilidad; de la misma
manera el nuevo valor de 168,71 para el coeficiente Xm está dentro del intervalo [126,9 , M]. Por
tanto, la solución óptima anterior sigue siendo óptima, es decir, la veta Colquechaca debe
producir 63,33 ton de mineral y la veta 10 de mayo 31,67 ton.
Sin embargo, el margen de ganancia cambia:
Nuevo margen de ganancia = 86,9 Xc + 168,71 Xm
= 86.9 (63,33) + 168.71(31,67)
= 10 846,42
Esto es, su margen de ganancia disminuye a $7 599,73.
Conclusión: Si todos los demás datos permanecen inalterados, la solución óptima actual Xc =
63,33 y Xm = 31,67 sigue siendo óptima, siempre que las variaciones de los coeficientes estén
dentro de los intervalos proporcionados por el análisis de sensibilidad. El tamaño de este
intervalo indica qué tan sensible es la solución óptima a su coeficiente.
Análisis de sensibilidad de los valores del lado derecho (recursos)
Usted puede aplicar el análisis de sensibilidad no sólo a los cambios en los coeficientes de la
función objetivo, sino también a los cambios en los valores del lado derecho de las restricciones
(recursos). Por ejemplo, como gerente de producción de Pacococha, puede estar interesado en
cualquiera de las siguientes preguntas.
4. Ante la existencia de problemas en el área de molienda de la planta concentradora que viene
trabajando al 80% de su capacidad total. Y por ende la reducción de la capacidad de la planta
de 95 ton/día a 76 ton/día. ¿en cuanto disminuirá el margen de ganancia?
Podemos formular la pregunta de la siguiente forma general:
¿Qué le sucede al valor óptimo de la función objetivo de un programa lineal cuando uno de los
valores del lado derecho de una restricción se modifica y los otros datos del problema
permanecen inalterados?
Una forma de responder este tipo de pregunta es solucionar un nuevo problema de programación
lineal en el que se modifique el valor de interés del lado derecho, y todo lo demás sea igual. Sin
embargo, las técnicas presentadas a continuación le permiten responder tales preguntas sin tener
que resolver todo el problema.
Análisis de sensibilidad del valor del lado derecho de la restricción
De los resultados del Informe de sensibilidad de Excel, puede concluirse que, si no cambian otros
datos del problema, entonces, mientras el valor del lado derecho de la restricción (1) permanece
dentro del intervalo de [0 , M], la solución óptima sigue siendo la misma. Sin embargo, incluso
dentro de este intervalo, los valores específicos de las variables en la solución óptima cambian.
Hasta ahora usted ha visto cómo cambia la solución óptima. Como gerente de Pacococha
también debería estar interesado en lo que le sucede a la ganancia total, esto es, lo que le sucede
al valor de la función objetivo en la solución óptima al cambiar el valor Id de la restricción (1).
Podemos observar que el precio sombra, o precio dual, del recurso es de 194,17.
Esto significa que por cada tonelada adicional de capacidad de planta concentradora disponible
por encima del valor actual de 95 el margen de ganancia corporativo se incrementará en $194,17.
Observe que el precio sombra de 194,17 también indica que cada recorte de hora del actual nivel
de 95 tiene como resultado una pérdida de $194,17en el margen de ganancia.
Conociendo el precio sombra de la restricción, ya puede responder la pregunta planteada:
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra)*
(incremento en toneladas de capacidad de tratamiento)

= 18 446,15 + 194,17(76 - 95)
= $14 756,92
Análisis paramétrico de los valores del lado derecho
Con el análisis de sensibilidad, usted está equipado para responder ciertas preguntas del tipo
"¿Qué sucede si ... ?', siempre y cuando los cambios en los coeficientes estén dentro del
intervalo de sensibilidad. Sin embargo, ¿qué sucede si esos cambios están fuera del
intervalo?.
Para responder preguntas relativas a los valores del Id fuera del intervalo de sensibilidad, se
realiza cálculos con el nuevo valor del ld de la restricción.
ANÁLISIS DE SENSIBILIDAD CON LINDO
Con el software LINDO obtendríamos el siguiente resultado:
Con los resultados, podremos realizar una análisis similar al realizado con los Informes de Excel.
ANÁLISIS DE SENSIBILIDAD CON WinQSB

Al usar el software WinQSB, obtendríamos el siguiente reporte:

De manera similar al análisis con Excel, podemos trabajar con el reporte de WinQSB.
CONCLUSIÓN
En esta sección, usted ha aprendido a preguntar y contestar preguntas relativas a qué tan
sensibles son la solución óptima y el valor de la función objetivo en uno de los coeficientes de la
función objetivo o en valores del lado derecho. Tales preguntas son de particular importancia para
gerentes que deben tomar decisiones cuando los datos para un problema están sujetos a cambios
o incertidumbre.
REFERENCIA BIBLIOGRÁFICA
Kamlesh Mathur, Daniel Solow, INVESTIGACIÓN DE OPERACIONES, Edit.Prentice hall
Hispanoamericana S.A., México, 1996.
EJEMPLOS DE ANÁLISIS DE SENSIBILIDAD USANDO SOFTWARE

1. Steel Company produce tres tamaños de tubos: A, B y C, que son vendidos, respectivamente
en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se requieren 0,5 minutos de tiempo
de procesamiento sobre un tipo particular de maquina de modelado. Cada pie de tubo B
requiere 0,45 minutos y cada pie del tubo C requiere 0,6 minutos. Después de la producción,
cada pie de tubo, sin importar el tipo, requiere 1 onza de material de soldar. El costo total se
estima en $3, $4 y $4 por pie de los tubos A, B y C, respectivamente.
Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente grandes que
totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como solo se
dispone de 40 horas de tiempo de maquina esta semana y solo se tienen en inventario 5500
onzas de material de soldar, el departamento de producción no podrá satisfacer esta
demanda, que requiere un total de 97 horas de tiempo de maquina y 11000 onzas de material
de soldar. No se espera que continúe este nivel de demanda. En vez de expandir la
capacidad de las instalaciones de producción, la gerencia de MTV Steel esta considerando la
compra de algunos de estos tubos a proveedores de Japón a un costo de entrega de $6 por
pie de tubo A, $6 por pie de tubo B y $7 por pie del tubo C. estos diversos datos se resumen
en la tabla. Como gerente del departamento de producción, se le ha pedido hacer
recomendaciones respecto a la cantidad de producción de cada tipo de tubo y la cantidad de
compra a Japón para satisfacer la demanda y maximizar las ganancias de la compañía.
TIPO PRECIO DEMANDA TIEMPO DE MATERIAL COSTO DE COSTO DE

DE VENTA (pie) MAQUINA PARA PRODUCCIÓ COMPRA
($/pie) (min/pie) SOLDAR N ($/pie) ($/pie)
(oz/pie)

A 10 2 000 0,50 1 3 6
B 12 4 000 0,45 1 4 6
C 9 5 000 0,60 1 4 7
Cantidad disponible 40 5 500 oz
El modelo matemático para el problema es:
Maximizar ganancia = 7AP + 8BP + 5CP + 4AJ + 6BJ + 2CJ
Dependiendo de:
Restricciones de demanda
AP + AJ = 2 000 (demanda A)
BP + BJ = 4 000 (demanda B)
CP + CJ = 5 000 (demanda C)
Restricciones de recursos
0,5AP + 0,45BP + 0,6CP <= 2 400 (tiempo de maquina)
AP + BP + CP <= 5 500 (material para
soldar)
Restricciones lógicas
AP, BP, CP, AJ, BJ, CJ >= 0
Utilice el software WinQSB para responder a las preguntas siguientes:
a) ¿Cuál es el plan de producción/adquisición óptimo para la MTV Steel?
MTV Steel debe producir 2,000 pies de tubo A y 2,333.33 pies de tubo C; debe comprar de sus
proveedores del Japón 4,000 pies de tubo B y 2,666,67 pies de tubo C para cumplir con sus
pedidos. La venta de estos productos le va a reportar $ 55,000 de ganancia.
b) ¿Cuáles de las dos restricciones de recursos son acotantes4?
4
Acotante es sinónimo de limitante.
Solo la restricción para el recurso tiempo de máquina es limitante, debido a que su variable de
holgura (Snack o Surplus) tiene valor de cero.
c) Si pudiera obtener más material para soldar o más tiempo de máquina, pero no ambas cosas,
¿Cuál escogería? Explique.
Escogería el tiempo de máquina, pues es un recurso limitado, mientras que aún tenemos 1 666,67
onzas de material para soldar.
d) Los japoneses acaban de aumentar el precio de sus tubos tipo C de $7 a $8 por pie. ¿de qué
manera cambia el plan de producción/adquisición actual? (Si no puede hacerlo, obtenga la
respuesta resolviendo un modelo apropiadamente modificado).
El incremento del precio, disminuye nuestra ganancia en el tubo C comprado a $1,0, cuyo valor
queda fuera del intervalo de sensibilidad <1.4 – 2.333>. Se debe volver a resolver el problema con
las nuevas condiciones:
El nuevo plan de producción optimo es producir 4,000 pies de tubo C y comprar de sus
proveedores del Japón 2,000 pies de tubo A; 4,000 pies de tubo B y 1,000 pies de tubo C para
cumplir con sus pedidos. La venta de estos productos le va a reportar una ganancia de $ 53,000
e) La compañía desea aumentar sus ganancias a $ 57 500. ¿Cuántas horas más de tiempo
maquina se necesitan para lograr este objetivo? (Si no puede hacerlo, obtenga la respuesta
resolviendo un modelo apropiadamente modificado).
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x (incremento en horas
de mano de obra)
(incremento en horas de mano de obra) = [(nuevo margen de ganancia) – (viejo margen de
ganancia)]/(precio sombra)
incremento en horas de mano de obra = ($57,500 - $55,000)/$5,0/h) = 500 min = 8,33 h.
Comprobando con el software tenemos:

f) La compañía puede vender su material para soldar con una ganancia de $ 32 por libra.
¿Cuánto deberá vender? Explique.
2. HiDec produce dos modelos de artículos electrónicos, donde se usan resistores, capacitores y chips. La
tabla siguiente es un resumen de lo datos de este caso.
Requerimientos del recursos por unidad
Recurso Modelo I Modelo 2 Disponibilidad
(unidades) (unidades) máxima (unidades)
Resistor 2 3 1 200
Capacitor 2 1 1 000
Chips 0 4 800
Utilidad ($) 3 4
El modelo matemático es el siguiente:

Maximizar 3M1 + 4M2
Sujeto a:
2M1 + 3M2 <= 1 200 (disponibilidad de resistores)
2M1 + M2 <= 1 000 (disponibilidad de capacitores)
4M2 <= 800 (disponibilidad de chips)
M1, M2 >= 0
Utilice el software WinQSB para responder a las preguntas siguientes:
a. Determine la solución óptima con WinQSB

HiDec debe producir 450 unidades de M1 y 100 unidades de M2 para obtener una ganancia de S/.
1 750,00.
b. En función de la utilidad óptima, determine el valor de un resistor. De un capacitor. De
un chip.
El valor de los elementos está determinado por el precio sombra de cada uno de ellos, para un
resistor es S/. 1,25, para un capacitor S/. 0,25 y para un chip es 0.
c. Si la cantidad disponible de resistores aumenta a 1 300 unidades, ¿Qué sucede?
Podemos observar que el recurso resistor posee un intervalo de <1 000, 1 400> y 1 300 se
encuentra dentro del rango, por lo tanto, podemos calcular la variación de la ganancia óptima:
(Nuevo valor de z) = (valor original de z) + (precio sombra) x (cambio en el valor del lado derecho)
z = 1 750,00 + (1,25) x (1 300-1 200) = S/. 1 875,0
d. Si se reduce la cantidad de chips disponible a 350 unidades, ¿Podría usted determinar
la solución óptima nueva en forma directa a partir de la información? Explique por qué.
El valor de 350 no se encuentra dentro del intervalo <400, M>, por lo tanto, debemos volver a
calcular la producción óptima con el nuevo valor.
Con el cambio de valor del recurso chips, HiDec debe producir 456 unidades de M1 y 87 unidades
de M2 para obtener una ganancia de S/. 1 716,0.
e. Si la disponibilidad de los capacitores se limita por el intervalo de aplicabilidad
calculado en b), determine el intervalo correspondiente de utilidad óptima y los intervalos
correspondientes de la cantidad de unidades a producir de los modelos 1 y 2 .
Para responder, utilizaremos el análisis paramétrico de WinQSB

Del gráfico, podemos deducir que para el intervalo de los capacitores <800, 1 200>, el intervalo
del margen de ganancia es <1 700, 1 800>.
Para calcular el valor los intervalos correspondientes a la cantidad de unidades a producir de los
modelos 1 y 2, realizaremos nuevos cálculos son los valores extremos del intervalo <800, 1 200>:
El intervalo para M1 será <300, 600> y para M2 <0, 200>.

f. Un nuevo contratista ofrece vender a HiDec mas resistores a 40 centavos cada uno,
pero solo si HiDec compra un mínimo de 500 unidades. ¿debe aceptar la oferta HiDec?
Volvemos a calcular con 1 700 resistores:

Observamos que la ganancia se incrementa en S/. 250,0 (2 000,0 – 1 750,0) y el gasto sería de
S/. 200,0 (500 unidades x $0,4/unidad), por lo tanto, es recomendable realizar la compra.
3. Toyco arma tres juguetes: trenes, camiones y coches, con tres operaciones. Los límites de
tiempo disponible para las tres operaciones son 430, 460 y 420 minutos, respectivamente, y
las utilidades por tren, camión y coche de juguete son $3, $2 y $5, respectivamente. Los
tiempos de armado por tren, en las tres operaciones son 1, 3 y 1 minutos, respectivamente.
Los tiempos respectivos por camión y por coche son (2, 0, 4) y (1, 2, 0) minutos (un tiempo de
cero indica que no se usa la operación). Si x 1, x 2 y x 3 representan la cantidad diaria de
unidades armadas de trenes, camiones y coches. El modelo matemático formulado será:
Maximizar z = 3x1 + 2x2 + 5x3
Sujeto a:
x1 + 2x2 + x3 <= 430 (Operación 1)
3x1 + 2x3 <= 460 (Operación 2)
x1 + 4x2 <= 420 (Operación 3)
x 1, x 2, x 3 >= 0
a) Determine la solución óptima del problema usando WinQSB.
Toyco debe producir 100 unidades de camiones y 230 unidades de coches para obtener una
ganancia de S/. 1 350,00.
b) Si usted pudiera redistribuir la capacidad en exceso de la operación 3 de 20 minutos,
¿Cuál de las dos operaciones (1 ó 2) escogería?
Los minutos no utilizados en la operación 3 son 20 minutos, el valor de los mismos es:
Operación 1 = 20 minutos x $1/minuto = $20
Operación 2 = 20 minutos x $2/minuto = $40
Asignaría los 20 minutos a la operación 2, lo que permitiría aumentar mi margen de ganancia en
$40,0.

c) Suponga que para los trenes de juguete el tiempo por unidad de operación 2 se puede
reducir de 3 minutos a cuando mucho 1,25 minutos. ¿Cuánto debe reducirse el tiempo por
unidad de la operación 1 para hacer que los trenes de juguete sean apenas rentables?
La variación sucede en el lado izquierdo de la restricción 2, observemos el nuevo modelo
planteado y su solución:
El plan de producción óptimo y el margen de ganancia se mantienen; el coeficiente 1 de la

restricción 1 (operación 1) lo haremos variar, hasta que la solución nos reporte producción de
trenes:
Tiempo por Unidades de Unidades de Unidades de Margen de

unidad de trenes camiones coches ganancia
operación 1
0,9 0 100 230 1 350,0
0,8 0 100 230 1 350,0
0,7 0 100 230 1 350,0
0,6 0 100 230 1 350,0
0,5 0 100 230 1 350,0
0,4 13,7931 101,5517 221,379 1 351, 379
Acercamos el valor del tiempo a 0,5 (0,4999999), para hallar la nueva producción óptima.

Toyco puede producir 16 unidades de trenes, 101 unidades de camiones y 220 unidades de
coches para obtener una ganancia de S/. 1 350,00, cuando el tiempo por unidad de operación 2
se reduzca a 1,25 minutos y el tiempo por unidad de operación 1 sea menor de 0,5 minutos.
d) Suponga que Toyco estudia la posibilidad de introducir un cuarto juguete: carro de
bomberos. En el armado no se usa la operación 1. Sus tiempos de armado por unidad en
las operaciones 2 y 3, son 1 y 3 minutos respectivamente. La utilidad por unidad es $4.
¿Aconsejaría usted a Toyco que introdujera este nuevo producto?
El nuevo modelo matemático será:
Maximizar z = 3x1 + 2x2 + 5x3 + 4x4
Sujeto a:
x1 + 2x2 + x3 <= 430 (Operación 1)
3x1 + 2x3 + x4 <= 460 (Operación 2)
x1 + 4x2 + 3x4 <= 420 (Operación 3)
x1, x2, x3, x4 >= 0
La solución del modelo matemático con WinQSB, nos reporta:
La diferencia de utilidades es solo S/. 10,0. No aconsejaría la introducción del nuevo producto,
e) Suponga que todo tiempo adicional para la operación 1, respecto a su capacidad actual de
430 minutos diarios, se debe hacer en tiempo extra, a $50 por hora. El costo por hora
incluye tanto la mano de obra como el funcionamiento de la maquina. ¿hay ventajas
económicas de recurrir al tiempo extra para la operación 1?
Del análisis paramétrico de la restricción 1 (operación 1):

Solo habrá incremento en el margen de ganancia de S/.10 (S/.1 350 a S/.1 360), incrementando
los minutos de 430 a 440; luego así se incrementen más minutos, no habrá incremento en el
margen de ganancia (ver gráfica).
f) Suponga que el trabajador de la operación 2 conviene en trabajar 2 horas de tiempo
extraordinario diarias a $45 por hora. Además el costo de la operación misma es $ 10 por
hora. ¿Cuál es el efecto de esta actividad sobre la utilidad diaria?
En la operación 2, con el incremento de 2 horas extras o sea 120 minutos, el total sería de 580
minutos que se encuentra dentro del intervalo <440, 860>, por lo tanto el incremento en las
ganancias sería de $2 x 240 = $480,0 y los gastos serían de 2 x ($45,0 + $10,0) = $110,0, dando
un saldo positivo de $370 ($480 - $110).
g) ¿Vale la pena usar tiempo extra para la operación 3?
El análisis paramétrico para la operación 3 es:

Observamos que el margen de ganancia no se incrementa, a pesar de incrementar los minutos de

operación, por lo tanto no vale la pena usar tiempo extra.
h) Suponga que aumenta la disponibilidad diaria de la operación 1 a 440 minutos. Todo
tiempo extra incurrido en exceso de la capacidad máxima actual costara $40 por hora.
¿Qué sucede con la solución optima hallada?
Analizando el reporte de análisis paramétrico para la operación 1:
El nuevo margen de ganancia es de $1 360,0, $10 más que el anterior; los 10 minutos
adicionales cuestan $6,67, tendríamos un incremento de ganancia efectivo de $3,33.
i) Suponga que disminuye la disponibilidad de la operación 2 en 15 minutos diarios, y que el
costo por hora de la operación durante el tiempo normal es $30. ¿Vale la pena disminuir la
disponibilidad de la operación 2?
La disminución a 445 minutos, está dentro del intervalo <440, 860>, por lo tanto una disminución
de 15 minutos nos disminuiría el margen de ganancia en $2 x 15 = $30,0, de la misma manera el
ahorro sería de $7,5, ocasionando una pérdida de $22,5. No vale la pena disminuir la
disponibilidad de la operación 2.
4. Cauchos Perú, fabrica tres productos de caucho: Airtex (material esponjoso), Extendex (material
elástico) y Resistex (material rígido). Los tres productos requieren los mismos tres polímeros químicos
y una base. La cantidad de cada ingrediente usada por libra del producto final se muestra en a tabla:
PRODUCTO Ingrediente (oz/lb de producto)
Polímero A Polímero B Polímero C Base
Airtex 4 2 4 5
Extendex 2 2 3 8
Resistex 5 3 5 2

Cauchos Peru, tiene el compromiso de producir al menos 1200 libras de Airtex, 500 libras de
Extendex y 300 libras de Resistex para la próxima semana, pero la gerencia de la compañía
sabe que puede vender mas de cada uno de los tres productos. Los inventarios actuales de
los ingredientes son 500 libras del polímero A, 425 libras del polímero B, 650 libras del
polímero C y 1100 libras de la base. Cada libra de Airtex produce a la compañía una ganancia
de $/.7, cada libra de Extendex una ganancia de $6,5 y cada libra de Resistex una ganancia
de $6.
El modelo matemático planteado es:
Maximizar ganancia = 7A+ 6,5E + 6R
Sujeto a:
Restricciones de recursos
4A + 2E + 5R <= 8000 (polímero A en onzas)
2A + 2E + 3R <= 6800 (polímero B en onzas)
4A + 3E + 5R <= 10400 (polímero C en onzas)
5A + 8E + 2R <= 17600 (base en onzas)
A >= 1200 (Airtex en libras)
E >= 500 (Extendex en libras)
R >= 300 (Resistex en libras)
A, E, R >= 0
Utilice el resultado del uso de software, Solver de Excel para responder a las siguientes
preguntas:
a. ¿Cuál es el plan de producción óptimo?
Cauchos Perú debe producir 1 200 lb de Airtex, 850 lb de Extendex y 300 lb de Resistex. La venta
de estos productos le va a reportar $ 15 725 de ganancia.
b. ¿Cuáles de las cuatro restricciones son acotantes?

Solo la restricción para el recurso polímero A es limitante, debido a que su variable de holgura
(Snack o Surplus) tiene valor de cero.
c. Con el plan de producción actual, ¿para cuál de los tres productos se puede cumplir con
una demanda adicional de 5%? Explique
d. Si usted pudiera obtener cantidades adicionales de únicamente uno de los tres polímeros
¿Cuál de ellos recomendaría? Explique.
Solicitaría cantidades adicionales del polímero A.
e. La compañía desea aumentar sus ganancias a $18 000 adquiriendo más cantidad del
polímero A ¿Cuánto más del polímero A se necesita? Explique.
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x (incremento en
polímero A)
(incremento en polímero A) = [(nuevo margen de ganancia) – (viejo margen de ganancia)]/(precio
sombra)
incremento en polímero A = ($18,000 - $15,725)/$3,25/oz) = 700 oz..
Comprobando con el software tenemos:
f. Si la demanda de Airtex aumenta en 2%, ¿Cuál es el nuevo plan de producción óptimo?

Explique
La demanda de Airtex, seria 1224 lb,

g. ¿Qué coeficiente o coeficientes de ganancia podrían duplicarse, mientras se mantienen

fijos todos los demás coeficientes, sin que se afecte el plan de producción optimo?
Explique.
En el producto Airtex, sí duplicamos la ganancia de $7 a $14, este nuevo valor sale del rango de
variación de coeficiente de ganancia de [0 , 13].
En el producto Extendex, sí duplicamos la ganancia de $6,5 a $13, este nuevo valor se encuentra
dentro del rango de variación de coeficiente de ganancia de [3,5 , M].
En el producto Resistex, sí duplicamos la ganancia de $6 a $24, este nuevo valor se encuentra
dentro del rango de variación de coeficiente de ganancia de [0 , 16,25].
En conclusión, podemos duplicar el coeficiente de ganancia de Extendex y Resistex.
h. La ganancia de Extendex acaba de disminuir en 20%. ¿Cuál es el nuevo plan de
producción y la ganancia total? Explique.
La nueva ganancia en el producto Extendex, sería de $5,2, este nuevo valor esta dentro del
rango de variación de coeficiente de ganancia de [3,5 ,M]. Por lo tanto, se conserva el plan de
producción obtenido, con la ganancia de $ 14 620.
i. El compromiso de producir 300 lbs de Resistex acaba de caer en 10%. ¿Qué le sucede a la
ganancia optima? Explique

Cauchos Perú debe producir 1 200 lb de Airtex, 500 lb de Extendex y 270 lb de Resistex. La venta
de estos productos le va a reportar $ 13 270 de ganancia.
5. Mobil Oil del Peru, obtiene tres tipos de petróleo crudo de sus pozos de Talara, Loreto y
Ucayali. La gasolina obtenida de estos petróleos crudos se mezcla con dos aditivos para
obtener el producto final. Estos petróleos crudos y aditivos contienen azufre, plomo y fósforo,
como se muestra en la tabla. El costo de cada componente también se presenta. Debido a los
residuos e impurezas, cada galón de petróleo crudo de Talara resulta solo en 0,40 de galón de
producto final, que contiene 0,07% de azufre. De manera similar, cada galón de crudo de
Loreto produce 0,50 de galón de producto final que contiene 0,08% de sulfuro y cada galón de
crudo de Ucayali resulta en 0,30 de galón de producto final que contiene 0,10 de azufre. La
gerencia ha establecido las siguientes especificaciones para controlar las cantidades de
azufre, plomo y fósforo:
a. Cada galón debe tener a lo más 0,07% de azufre.
b. Cada galón debe tener entre 1,25 y 2,5 gramos de plomo.
c. Cada galón debe tener entre 0,0025 y 0,0045 gramos de fósforo.
d. La cantidad total de aditivos no puede exceder de 19% de la mezcla.
Petróleos crudos Aditivos
Talara Loreto Ucayali 1 2
Azufre (%) 0,07 0,08 0,10 - -
Plomo (g/gal) - - - 7 6
Fósforo (g/gal) - - - 0,025 0,02
Costo 8$/gal) 0,55 0,47 0,33 0,08 0,12
Minimizar 0,55T + 0,47L + 0,33U + 0,08A1 + 0,12A2
Sujeto a:
Restricciones de producción
0,35T + 0,40L + 0,30U + A1 + A2 = 1
Restricciones de composición de mezclado
0,000245T + 0,00032L + 0,0003U <= 0,0007 (azufre)
7A1 + 6A2 <= 2,50 (limite superior en
plomo)
7A1 + 6A2 >= 1,25 (limite inferior en
plomo)
0,025A1 + 0,02A2 <= 0,0045 (limite superior en fósforo)

0,025A1 + 0,02A2 >= 0,0025 (limite inferior en fósforo)

A1 + A2 <= 0,19 (limite superior en
aditivos)
T, L, U, A1, A2 >= 0
Utilice el resultado del uso de software WinQSB para responder a las siguientes preguntas:
Mobil Oil del Perú debe mezclar 1,375 gal de petróleo crudo de sus pozos de Loreto con 0,8667
gal de petróleo crudo de sus pozos de Ucayali con 014 gal de Aditivo 1 y 0,05 gal de Aditivo 2.
Con un costo de 0,9495 $/gal de producto final.
b. Identifique que ingredientes (azufre, plomo y fósforo) están en su límite permitido.
Los elementos que están en sus límites permisibles son: Azufre y Fósforo en su límite superior.
c. Analice el efecto de los aumentos y disminuciones individuales en los costos de los tres
petróleos crudos antes de que las cantidades actuales de los ingredientes deban
cambiarse.
El precio del petróleo crudo procedente de Talara, puede fluctuar en el rango de [0,424, M] y no
alterarse la mezcla optima, si los otros precios no varían.
El precio del petróleo crudo procedente de Loreto, puede fluctuar en el rango de [0,4400 –
0,5657] y no alterarse la mezcla optima, si los otros precios no varían.
El precio del petróleo crudo procedente de Ucayali, puede fluctuar en el rango de [0,1146 –
0,3525] y no alterarse la mezcla optima, si los otros precios no varían.
d. Explique el impacto de los cambios en el contenido máximo de azufre sobre el costo de la
mezcla óptima.
e. Proporcione la mezcla óptima y el costo asociado si el precio del petróleo crudo Ucayali
aumenta en 10%.

f. Proporcione la mezcla óptima y el costo asociado si el límite sobre la cantidad total de

aditivos disminuye de 19% a 15%.
6. La comunidad de Ichu tiene 50 Has. De tierra en la que se puede plantar cualquier cantidad
de maíz, cebolla y lechuga. La siguiente tabla muestra la información relevante con respecto
a la producción, la ganancia neta y los requerimiento de agua para cada cultivo:
CULTIVO PRODUCCIÓN GANANCIA NETA AGUA

(Kg/Ha) (S/./Kg) REQUERIDA
(litros/kg)
Maíz 640 1,0 8,75
Cebolla 500 0,8 5,00
Lechuga 400 0,6 2,25
Dado que se tienen disponibles 100 000 litros de agua y que la comunidad se ha
comprometido a vender al menos 5 120 kg de maíz, se desarrollo el siguiente programa
lineal, en el que CN es el numero de Has. Que se van a plantar con maíz, SB es el numero de
Has. Que se van a plantar con cebolla y LT es el número de Has que se van a plantar con
lechuga:
Maximizar 640 CN + 400SB + 240LT
Sujeto a:
CN + SB + LT <= 50 (tierra)
5600CN + 2500SB + 900LT <= 100 000 (agua)
CN >= 8 (demanda de
maíz)
CN, SB, LT >= 0
a. ¿Cuántos kilogramos de cada cultivo serán cosechados?
Maíz = 8 Ha x 640 kg/Ha = 5 120 kg.

Cebolla = 10,875 Ha x 500 kg/Ha = 5 437,50 kg.

Lechuga = 31,125 Ha x 400 kg/Ha = 12 450 kg.

b. En la solución optima ¿cuánta agua y cuánta tierra no se utilizan? Explique
Agua= Se utiliza el 100% del recurso, pues el Slack o Surplus es 0.
Tierra = Se utiliza el 100% del recurso, pues el Slack o Surplus es 0.
c. ¿En qué cantidad tendría que disminuir la ganancia neta por kilogramo de lechuga antes
de que cambie la solución optima actual?
El rango de variación del coeficiente de ganancia de la lechuga es [144 , 276,129], entonces la
ganancia neta por lechuga puede disminuir hasta 144/400 = 0,36, sin cambiar la solución optima.
d. Con la misma cantidad de dinero la gerencia puede arrendar 10 Has. De terreno
adicionales para la estación o adquirir 13 000 litros de agua. ¿Cuál de las dos alternativas
recomendaría usted? Explique.
Terreno = 10 x 150 = S/. 1500
Agua = 13 000 x 0,1 = 1 300
Recomiendo adquirir agua, por tener menor costo.
e. La gerencia desea obtener una ganancia neta de $25 000. ¿Cuántos litros de agua se
necesitan para lograr esta meta, suponiendo que la cantidad de tierra es la misma?
Nuevo margen de ganancia = (viejo margen de ganancia) + (precio sombra) x (incremento en
agua)
(incremento en agua) = [(nuevo margen de ganancia) – (viejo margen de ganancia)]/(precio
sombra)
incremento en agua = ($25 000 - $16 940)/$0,1/l) = 80 600 litros.
f. La gerencia acaba de recibir la oferta de arrendar su tierra para la temporada a $/. 200 por
Ha. ¿Cuántas Has. Si lo hace, deberá arrendar? Explique
Debe arrendar todo, pues le ofrecen $200 y su Shadow Price es $150.
7. la compañía Muñani Cueros SRL fabrica guantes, correas y mochillas para minería. En la fabricación
de los tres productos se necesita cuero, metal y materiales sintéticos, y el cuero es la materia prima
limitante. En el proceso de producción se usan dos clases de mano de obra calificada: costura y
acabado. La tabla siguiente muestra la disponibilidad de los recursos, su uso en los tres productos y las
utilidades por unidad.
Requerimiento del recurso por unidad
Recurso Disponibilidad
Guante Correa Mochila
diaria
Cuero (pie2) 2 1 3 42
Costura (h) 2 1 2 40
Acabado (h) 1 0.5 1 45
Utilidad (S/.) 24 22 45
El modelo matemático formulado es:
Maximizar 24G + 22C+ 45M
Sujeto a:
2G + 1C + 3M <= 42 (disponibilidad de pie2 de cuero)
2G + 1C + 2M <= 40 (disponibilidad de horas de costura)
1G + 0,5C + 1M <= 45 (disponibilidad de horas de acabado)
G, C, M >= 0
Determine la solución óptima con WinQSB

Muñani Cueros SRL, debe producir 36 unidades de correas y 2 unidades de mochillas

para obtener una ganancia diaria de S/. 882,0.
A continuación comente como influyen los cambios siguientes en los recursos:
a. El cuero disponible aumenta a 45 pie 2 (1pto).
Podemos observar que el recurso cuero posee un intervalo de [40 , 60] y 45 se
encuentra dentro del rango, por lo tanto, podemos calcular la variación de la ganancia
optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado
derecho)
z = 882,0 + (1,0)x(45-42) = S/. 885,0
b. El cuero disminuye a 1 pie 2 (1pto).
El valor de 1 no se encuentra dentro del intervalo [40 , 60], por lo tanto, debemos volver
a calcular la producción óptima con el nuevo valor.
Con el cambio de valor del recurso cuero, Muñani Cueros SRL, debe producir 1 correa
para obtener una ganancia diaria de S/. 22,0.
c. Las horas disponibles de costura cambian a 38 (1pto).
El recurso costura posee un intervalo de [28 , 42] y 38 se encuentra dentro del rango,
por lo tanto, podemos calcular la variación de la ganancia optima:
derecho)
z = 882,0 + (21,0)x(38-40) = 882,6 – 42,0 = S/. 840,0
d. Las horas disponibles de costura cambian a 46 (1pto).

El valor de 46 no se encuentra dentro del intervalo [28 , 42], por lo tanto, debemos volver
Con el cambio de valor del recurso costura, Muñani Cueros SRL, debe producir 42
correas para obtener una ganancia diaria de S/. 924,0.
e. Las horas disponibles de acabado disminuyen a 15 (1pto).
El valor de 15 no se encuentra dentro del intervalo [20 , M], por lo tanto, debemos volver
Con el cambio de valor del recurso acabado, Muñani Cueros SRL, debe producir 6
correas y 12 mochilas para obtener una ganancia diaria de S/. 672,0.
f. Las horas disponibles de acabado aumentan a 50 (1pto).
El recurso acabado posee un intervalo de [20 , M] y 50 se encuentra dentro del rango,
por lo tanto, podemos calcular la variación de la ganancia optima:
derecho)
z = 882,0 + (0,0)x(50-45) = 882,0 + 0,0 = S/. 882,0
g. ¿Recomendaría usted contratar un costurero mas a S/.15 por hora? (1pto).
Si observamos el precio sombra del recurso costura es de S/. 21,0 mayor que S/. 15,0,
por lo tanto, recomendamos contratar un nuevo costurero por hora.
8. Gapco tiene un presupuesto diario de 320 horas de mano de obra y 350 unidades de materia
prima, para fabricar dos productos. Si es necesario, la empresa puede emplear hasta 10 horas
de tiempo extra de mano de obra, con un costo adicional de $2 por hora. Se necesita 1 hora
de mano de obra y 3 unidades de materia prima para producir una unidad de producto 1, y 2
horas de mano de obra y 1 unidad de materia prima para producir una unidad de producto 2.
la utilidad por unidad de producto 1 es de $10, y la del producto 2 es $12. Sean x 1 y x 2 las

cantidades diarias fabricada de productos 1 y 2 respectivamente. y x 3 las horas diarias de

tiempo extra usadas. El modelo matemático formulado será:
Maximizar 10x1 + 12x2 – 2x3
Sujeto a:
x1 + 2x2 – x3 <= 320 (Horas de mano de obra)
3x1 + x2 <= 350 (Materia prima)
x3 <= 10 (Tiempo extra)
x1, x2, x3 <= 0
a) Determine la solución óptima del problema usando Solver de Excel
La producción diaria de Gapco debe ser de 74 unidades del producto 1 y 128 unidades del
producto 2, debe usar 10 horas de tiempo extra y tendrá una ganancia de $ 2 256,0.
b) Actualmente, Gapco paga $2 adicionales por hora de tiempo extra. ¿Cuánto es lo máximo
que puede pagar la empresa? (1 pto).
Si observamos el rango del coeficiente de x3 [-5,2 , M], podemos deducir que el monto máximo
que podemos pagar es de $5,2 sin alterar la solución óptima hallada. El nuevo valor de z será Z =
10(74) + 12(128) – 5,2(10) = $ 2 224,0.
c) Si Gapco puede adquirir 100 unidades diarias más de materia prima a $1,50 cada una.
¿Aconsejaría usted que lo hiciera? ¿Y si el costo de la materia prima fuera $2 por unidad?
(1 pto).
Las unidades diarias de materia prima serán 350,0 + 100,0 = 450,0 cuyo valor se encuentra
dentro del intervalo [165 , 990] y el precio sombra es $ 1,6 por unidad de materia prima, por lo
tanto, se aconseja adquirir hasta un costo máximo de $1,6, por encima de este costo no se debe
adquirir.
d) Suponga que Gapco puede adquirir cuando mucho 200 unidades adicionales de materia
prima por día. Determine la solución óptima asociada (1,5 ptos).
Las unidades diarias de materia prima serán 350,0 + 200,0 = 550,0 cuyo valor se encuentra
dentro del intervalo [165 , 990], por lo tanto, podemos calcular la variación de la ganancia optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado derecho)
z = 2 256,0 + (1,6)x(200,0) = $ 2576,0. Para calcular la solución óptima empleamos WinQSB.

e) Suponga que Gapco no puede usar más de 8 horas diarias de tiempo extra. ¿la solución
óptima inicial hallada es todavía correcta? (1,5 ptos).
El valor de 8 se encuentra dentro del intervalo [0 , 380], por lo tanto, podemos calcular la variación
de la ganancia optima:
(Nuevo valor de z) = (valor original de z) + (precio sombra)x(cambio en el valor del lado derecho)
z = 2 256,0 + (3,2)x(8-10) = $ 2249,6. Para calcular la solución óptima empleamos WinQSB.
La producción diaria de Gapco debe ser de 74,4 unidades del producto 1 y 126,8 unidades del
9. Una compañía minera opera tres minas. El mineral obtenido en cada una se separa en dos
calidades antes de su distribución. Las capacidades de producción diarias de cada mina, así como sus
costos de operación diarios, son los siguientes:
Mineral de alta Mineral de baja Costo de operación
calidad (ton/día) calidad (ton/día) (dólares/día)

Mina 1 40 40 20 000
Mina 2 60 40 22 000
Mina 3 10 60 18 000
La compañía se ha comprometido a entregar 540 toneladas de mineral de alta calidad y 650
de baja calidad en el plazo de una semana. Los contratos firmados le garantizan la paga del
día completo por cada día o fracción que la mina está abierta.
Minimizar 20 000 M1 + 22 000 M2 + 18 000 M3
Sujeto a:
40 M1 + 60 M2 + 10 M3 >= 540
40 M1 + 40 M2 +60 M3 >= 650
M1 <= 7
M2 <= 7
M3 <= 7
M1, M2 y M3 >= 0
Donde:
La mina 1 debe trabajar 1,75 días, la mina 2 de trabajar 7 días y la mina 3 debe trabajar 5 días,
con un costo mínimo de producción de $ 279 000.
b. ¿Cuáles de las cinco restricciones son acotantes y que significan?
Las restricciones 1, 2 y 4 son acotantes, en el caso de las restricciones 1 y 2 significa que se ha

producido lo solicitado en un 100%, en el caso de la restricción 4 significa que se trabaja los 7
días de la semana.
c. ¿Si el costo de producción de la Mina 1 disminuye a US$ 18 000 / día, Que sucede con el
plan de producción óptimo? Explique.

El rango de variación de la variable M1 es <$18 250, $72 000>, como $18 000, se encuentra
fuera de este rango, se debe volver a calcular la producción óptima:
La mina 1 debe trabajar 7 días, la mina 2 de trabajar 3,7 días y la mina 3 debe trabajar 3,7 días,
con un costo mínimo de producción de $ 274 187,5.
d. Si la compañía desea disminuir sus costos de operación a US $ 250 000 / semana y
debe disminuir la producción de la Mina 2 ¿Cuántos días debe dejar de producir?
Explique.
La función objetivo es:
z = 20 000 M1 + 22 000 M3 + 18 000 M3, con el resultado de a) y la disminución del costo de
operación tenemos:
z = 25 000 = 20 000 (1,75) + 18 000 (M2) + 18 000 (5), donde M2 = 5,681 días, entonces la mina
2 debe dejar de producir 7 – 5,681 = 1,319 días.
e. Si la compañía recibe un pedido de 700 ton de mineral de baja calidad para la próxima
semana ¿Cuál es el nuevo costo de operación de la compañía? Explique.
El pedido de 700 ton de mineral de baja ley se encuentra dentro del rango <400 , 750>, por lo
que, para calcular el nuevo costo de operación podemos utilizar el valor de 260 como precio
sombra, entonces:
Nuevo margen de ganancia = (viejo margen de ganancia) – (precio sombra) x (incremento en
tonelaje)

= 279 000 – (260)(650 – 700) = $292 000.

10. Una compañía de transporte de concentrado de mineral tiene 10 camiones con capacidad de
20 toneladas y 5 camiones de 15 toneladas de capacidad. Los camiones grandes tienen
costos de operación de $ 0,30/Km y los mas pequeños de $0,25/km. La próxima semana, la
compañía debe transportar 200 toneladas de concentrado de plomo para un recorrido de 800
km. La posibilidad de otros compromisos impone que por cada dos camiones medianos
mantenidos en reserva debe quedarse por lo menos uno de los grandes.
Minimizar 240 CG + 200 CM
Sujeto a:
20 CG + 15 CM = 200
CG –2 CM <= 0
CG <= 10
CM <= 5
CG y CM >= 0 y enteros
Donde:
Utilice el resultado del uso de software, WinQSB para responder a las siguientes preguntas:
a) ¿Cual es el número óptimo de camiones de ambas clases que deben movilizarse para
transportar el concentrado?
Se utilizaran para el transporte del concentrado 7 camiones grandes y 4 camiones medianos, con
un costo de $ 2 480.
b) ¿Qué sucede con el número óptimo de camiones, Si el costo de operación de los
camiones grandes se incrementa en un 10%? Explique.
El nuevo costo de transporte para los camiones grandes, sería: $ 240 x 1,1 = $ 264, calculando
con este nuevo costo, tenemos:

Observamos que el plan de transporte se mantiene, incrementándose el costo a $ 2 648.

c) Si tres camiones grandes son enviados a otro proyecto ¿Qué sucede con el transporte del
concentrado? Explique.
Tenemos 10 camiones, de los cuales solo se utiliza 7 camiones, podemos enviar los 3 camiones
que tenemos en stand by.
d) Si de la demanda del transporte de concentrado sube a 250 toneladas. ¿En que porcentaje
se incrementa el costo de operación? Explique.
Utilizando el precio sombra de la restricción 1, tenemos:
Nuevo margen de ganancia = (viejo margen de ganancia) – (precio sombra) x (incremento en
tonelaje)
= 2 480 + 13,3333 x (250 – 200) = $ 3146, 665
Entonces el costo de producción, se incrementa en (3 146,665 – 2 480)x100 / (2 480) = 26,88%.
e) Si dos camiones medianos sufren desperfectos y no pueden operar ¿Qué sucede con el
transporte del concentrado? Explique.
No podemos cumplir con la programación, pues solo podríamos reemplazar 1 camión, faltando 1.

CAPITULO V
PROBLEMAS DE REDES DE DISTRIBUCIÓN: TRANSPORTACIÓN,
ASIGNACIÓN Y TRANSBORDO
Muchos problemas, cuando se les formula, muestran una estructura especial en sus restricciones
o en su función objetivo. Mediante el diseño de procedimientos de solución (algoritmos) para
aprovechar la estructura especial, es posible resolver problemas de una manera más eficiente
que si se estuviera en cualquier otra circunstancia. Este capítulo presenta uno de los problemas
de tal tipo, problemas de redes de distribución.
¿QUÉ ES UNA RED DE DISTRIBUCIÓN?
Una clase de problemas que tiene una estructura especial en sus restricciones cuando se le
formula de manera matemática tiene que ver con la distribución de bienes. Por lo general, estos
bienes deben ser enviados desde puntos de suministro conocidos (fábricas, plantas, etcétera)
hasta puntos de demanda conocidos (clientes, tiendas detallistas, etcétera), posiblemente a través
de puntos intermedios (almacenes regionales y/o de campo, por ejemplo). El objetivo general
consiste en hallar el mejor plan de distribución, es decir, la cantidad que se debe enviar por cada
una de las rutas desde los puntos de suministro, a través de los puntos intermedios, hasta los
puntos de demanda. Con el término "mejor" se entiende un plan que minimice los costos totales
de envío, produzca la mayor ganancia u optimice algún otro objetivo corporativo especificado por
la gerencia. También es necesario satisfacer ciertas restricciones:
1. No enviar más de la capacidad especificada desde cada punto de suministro.
2. Enviar bienes solamente por las rutas válidas.
3. Cumplir (o exceder) los requerimientos de bienes en los puntos de demanda.
Un problema de este tipo es un problema de redes de distribución. Una característica favorable
de esta clase de problema es que muchos aspectos pueden representarse de manera concisa
mediante un diagrama, conocido como red de distribución. Una red de distribución consiste en
una colección finita de círculos, llamados nodos, cada uno de los cuales representa una planta,
un almacén o una tienda al menudeo. Los nodos desde los cuales se van a enviar los bienes
(como fábricas y plantas) son nodos de suministro. Los nodos que van a recibir los bienes en
cumplimiento de una demanda conocida (como las tiendas detallistas) se conocen como nodos
de demanda. Los nodos que reciben bienes de otros nodos para su redistribución (como el caso
de los almacenes) se conocen como nodos de transbordo o nodos intermedios.
Las parejas de nodos seleccionados de una red están conectadas mediante una flecha, conocida
como arco, que representa una ruta de envío válida desde el nodo de origen al nodo de destino,
según lo indica la dirección en la que apunta la flecha (véase la figura 1). La representación de la

red puede contener varios datos del problema. Por ejemplo, el número colocado al lado de cada
nodo de suministro de la figura 1 representa la capacidad de dicho nodo de suministro; es decir, el
número máximo de unidades que pueden ser enviadas desde ese nodo. Por ejemplo, la planta
representada por el nodo 1 de la figura 1 puede enviar hasta 1000 unidades. Similarmente, el
número colocado junto a cada nodo de demanda en la figura 1 representa la demanda en dicho
nodo; esto es, el número mínimo de unidades que necesita recibir ese nodo para cumplir la
demanda en él. Por ejemplo, la demanda en la tienda detallista representada por el nodo 6 es de
700 unidades. Cada arco puede, también, tener un número asociado a él. Por ejemplo, el
número que se encuentra encima de los arcos de la figura 1, representa el costo de envío de una
unidad entre los dos nodos conectados por ese arco. El costo de envío de una unidad desde el
nodo 1 al nodo 4 es 4 (que pueden ser $4, $400 o, incluso, $4000). En la red también se puede
incluir otro tipo de información sobre el problema, como podría ser el número máximo de
unidades que se pueden enviar a lo largo de un arco dado.
Figura 1. Una red de distribución general
EL PROBLEMA DE TRANSPORTACIÓN
En la presente sección, usted aprenderá acerca de una clase específica de problemas de
distribución comunes a muchas empresas: cómo enviar bienes terminados, de la manera menos
costosa posible, directamente desde las plantas hasta las tiendas detallistas, sin que haya
almacenes intermedios. A este problema de distribución se le conoce como problema de
transportación. El problema de Cosmic Computer Company (CCC) es un ejemplo de problema de
transportación.
EL PROBLEMA DE TRANSPORTACIÓN DE CCC.- CCC posee tres plantas de ensamblado de
microcomputadoras. La que se encuentra localizada en San Francisco tiene una capacidad de
producción mensual de 1700 unidades, la que está localizada en Los Ángeles tiene una capacidad
de producción mensual de 2000 unidades y la de Phoenix tiene una capacidad de producción
mensual de 1700 unidades. Las microcomputadoras son vendidas a través de tiendas al
menudeo. Para el mes siguiente, la tienda que se encuentra en San Diego ha hecho un pedido de
1700 unidades, la que está en Barstow tiene un pedido de 1000 unidades, la de Tucson ha pedido
1500 unidades y la situada en Dallas tiene un pedido de 1200 unidades. El costo de envío de una
microcomputadora desde cada planta de ensamblado a cada una de las diferentes tiendas
detallistas se presenta en la tabla 1. Como gerente de distribución, usted desea formular un
modelo matemático para encontrar el programa de envíos de menor costo.
Tabla 1. Costos de embarque ($/maquina) de plantas a tiendas

TIENDAS
PLANTAS SAN DIEGO BARSTOW TUCSON DALLAS
San francisco 5 3 2 6
Los Angeles 4 7 8 10
Phoenix 6 5 3 8
Figura 2. La red de distribución de CCC
FORMULACIÓN MATEMÁTICA DEL PROBLEMA

Minimizar (5xss + 3xsb + 2xst, + 6xsd) +
(4xls + 7xlb + 8xlt+ 10xld) +
(6xps + 5xpb + 3xpt + 8xpd)
Dependiendo de:
RESTRICCIONES DE CAPACIDAD
xss + xsb + xst, + xss = 1 700 (San Francisco)
xls + xlb + xlt + xld = 2 000 (Los Ángeles)
xps + xpb + xpt + xpd = 1 700 (Phoenix)
RESTRICCIONES DE DEMANDA
xss + xls + xps = 1 700 (San Diego)
xsb + xlb + xpb = 1 000 (Barstow)
xsi + xlt + xpt = 1 500 (Tucson)
xsd + xld + xpd = 1 200 (Dallas)
RESTRICCIONES LÓGICAS

Xss, xsb, xst, xsd, xls, xlb, xlt, xld, xps, xpb, xpt, xpd > 0 y enteras
USO DE LA COMPUTADORA
En la presente sección, aprenderá cómo es utilizado el software winQSB para resolver problemas
de transportación.
1. Elija la opción Network Modelling
2. Seleccione la opción Transportation Problem
3. Ingrese la información del problema:
1. La solución optima es:
La primera parte del informe trata sobre la planta localizada en San Francisco (Source 1), la
segunda sección de dicho informe trata sobre la planta situada en Los Ángeles (Source 2) y la
tercera sección trata sobre la planta de Phoenix (Source 3).
De la columna “Shipment”, se puede ver que es óptimo embarcar 700 computadoras desde San
Francisco a Barstow, 1 000 a Dallas y ninguna a San Diego ni a Tucson. De la misma manera, es
óptimo enviar 1700 computadoras de Los Ángeles a San Diego, 300 a Barstow y ninguna a Dallas
ni a Tucson. De la misma columna de la tercera sección del informe, es óptimo enviar 200
computadoras desde Phoenix a Dallas, 1500 a Tucson y ninguna a San Diego ni a Barstow.
La columna etiquetada “Unit Cost” en el informe representa el costo de transportación original por
cada unidad embarcada desde la correspondiente planta a la tienda al menudeo. La columna
etiquetada '”Total Cost” es el costo total del envío del número de unidades de la columna
etiquetada con el término “Shipment” en esa celda, es decir 'Shipment' * 'Unit Cost'.
El costo total de embarque es de $23 100.
22. Una empresa contratista tiene que acarrear grava a tres construcciones. Puede comprar
hasta 18 toneladas en una cantera al norte de la ciudad y 14 toneladas en otra al sur.
Necesita 10, 5 y 10 toneladas en las respectivas construcciones 1, 2 y 3. El precio de compra
por tonelada en cada cantera y los costos de acarreo son los siguientes:
Costo por tonelada acarreada ($) Precio por
Cantera tonela
1 2 3 da
Norte 30 60 50 100
Sur 60 30 40 120
La empresa contratista desea determinar cuantas toneladas de grava debe acarrear de cada
cantera a cada construcción de manera que se minimice el costo total de compra y acarreo
de la grava.
a. Dibuje la representación de red para este problema. (2puntos)
b. Formule el modelo de programación lineal. (6 puntos)

N1 = el número de toneladas de grava a transportar desde la cantera Norte a la construcción 1
S1 = el número de toneladas de grava a transportar desde la cantera Sur a la construcción 1

FV: Minimizar el costo de transporte de grava de las canteras a las construcciones.
D : Minimizar (costo de transporte de grava de las canteras Norte y Sur a las construcciones 1,2 y 3)
FM: Minimizar 30N1 +60N2 + 50N3 +60S1 + 30S2 + 40S3.
f) Restricciones de Capacidad de producción
N1 + N2 + N3 <= 18 (Cantera Norte)
S1 + S2 + S3 <= 14 (Cantera Sur)
g) Restricciones de demanda
N1 + S1 = 10 (Construcción 1)
N1, N2, N3, S1, S2 y S3
3Minimizar 30N1 +60N2 + 50N3 +60S1 + 30S2 + 40S3.
Dependiendo de:
Restricciones de capacidad
N1 + N2 + N3 <= 18 (Cantera Norte)
S1 + S2 + S3 <= 14 (Cantera Sur)

N1, N2, N3, S1, S2 y S3 > 0 y enteras
23. Un fabricante de muebles tiene tres plantas que requieren semanalmente 500, 700 y 600
toneladas de madera. El fabricante puede comprar la madera a 3 compañías madereras. Los
primeros dos fabricantes de madera tienen virtualmente un suministro ilimitado, mientras que
por compromisos, el tercer fabricante no puede surtir más de 500 toneladas pos semana. El
primer fabricante de madera usa el ferrocarril como medio de transporte y no hay límite de
peso que pueda enviar a las fábricas de muebles. Por otra parte, las otras dos compañías
madereras usan camiones, lo cual limita a 200 toneladas el peso máximo que pueden enviar
a cualquiera de las fábricas de muebles. En la siguiente tabla se da el costo de transporte de
las compañías madereras a las fabricas de muebles ($/ton):
Compañía Fábrica de muebles

maderera 1 2 3
1 2 3 5
2 2.5 4 4.8
3 3 3.6 3.2
Formular este problema como un programa lineal.
Solución
Antes de formular el modelo, dibujaremos un diagrama de redes que nos ayude a visualizar la
información y los datos del problema:

XC1F1 = El numero de toneladas de madera transportadas de la compañía maderera 1 a la fábrica de
muebles 1 por semana.


a) Un fabricante de muebles tiene tres plantas que requieren semanalmente 500, 700 y 600 toneladas
de madera.
b) El fabricante puede comprar la madera a 3 compañías madereras. Los primeros dos fabricantes de
madera tienen virtualmente un suministro ilimitado, mientras que por compromisos, el tercer
fabricante no puede surtir más de 500 toneladas por semana.
c) El primer fabricante de madera usa el ferrocarril como medio de transporte y no hay límite de peso
que pueda enviar a las fábricas de muebles.
d) Las otras dos compañías madereras usan camiones, lo cual limita a 200 toneladas el peso máximo
que pueden enviar a cualquiera de las fábricas de muebles.
e) Costo de transporte de las compañías madereras a las fabricas de muebles ($/ton):
Compañía Fábrica de muebles

maderera 1 2 3
1 2 3 5
2 2.5 4 4.8
3 3 3.6 3.2

FV: Minimizar el costo de transporte de madera de las compañías madereras a las fábricas de muebles.
D: Minimizar el costo de transporte de (la compañía maderera 1 a la fábrica de muebles 1 + la
compañía maderera 1 a la fábrica de muebles 2 + la compañía maderera 1 a la fábrica de muebles 3 +
la compañía maderera 2 a la fábrica de muebles 1 + la compañía maderera 2 a la fábrica de muebles 2
+ la compañía maderera 2 a la fábrica de muebles 3 + la compañía maderera 3 a la fábrica de muebles
1 + la compañía maderera 3 a la fábrica de muebles 2 + la compañía maderera 3 a la fábrica de
muebles 3)
FM: Minimizar 2XC1F1 + 3XC1F2 + 5XC1F3 + 2.5XC2F1 + 4XC2F2 + 4.8XC2F3 + 3XC3F1 + 3.6XC3F2 + 3.2XC3F3

a) Restricciones de disponibilidad de madera
FV: La compañía maderera 1 tiene una capacidad de suministro de madera ilimitada.
D: (El suministro de madera a la fábrica de muebles 1 + El suministro de madera a la fábrica de muebles
2 + El suministro de madera a la fábrica de muebles 3) es ilimitada
FM: XC1F1 + XC1F2 + XC1F3 <= M
Donde M significa una cantidad sin límite o una cantidad muy grande.

De manera similar para las compañías madereras 2 y 3:

XC2F1 + XC2F2 + XC2F3 <= M
XC3F1 + XC3F2 + XC3F3 <= 500
b) Restricciones de requerimiento de madera

FV: La fábrica de muebles 1 requiere 500 toneladas de madera semanalmente.
D: (El suministro de madera de la compañía maderera 1 + El suministro de madera de la compañía
maderera 2 + El suministro de madera de la compañía maderera 3) debe ser de 500 toneladas de
madera semanalmente.
FM: XC1F1 + XC2F1 + XC3F1 <= 500
De manera similar para las fabricas de muebles 2 y 3:
XC1F2 + XC2F2 + XC3F2 <= 700
XC1F3 + XC2F3 + XC3F3 <= 600
c) Restricciones de capacidad de transporte de madera
FV: La compañía maderera 1 usa el ferrocarril como medio de transporte y no hay límite de peso que
pueda enviar a las fábricas de muebles.
D: El suministro de madera de la compañía maderera 1 a la fábrica de muebles 1 puede ser ilimitada.
FM: XC1F1 <= M, XC1F2 <= M, XC1F3 <= M
De manera similar para las compañías madereras 2 y 3:
XC2F1 <= 200, XC2F2 <= 200, XC2F3 <= 200
XC3F1 <= 200, XC3F2 <= 200, XC3F3 <= 200
XC1F1, XC1F2 , XC1F3 , XC2F1 , XC2F2 , XC2F3 , XC3F1 , XC3F2 y XC3F3 >= 0

Minimizar 2XC1F1 + 3XC1F2 + 5XC1F3 + 2.5XC2F1 + 4XC2F2 + 4.8XC2F3 + 3XC3F1 + 3.6XC3F2 + 3.2XC3F3
Sujeto a:
XC1F1 + XC1F2 + XC1F3 <= M
XC2F1 + XC2F2 + XC2F3 <= M
XC3F1 + XC3F2 + XC3F3 <= 500
XC1F1 + XC2F1 + XC3F1 <= 500
XC1F2 + XC2F2 + XC3F2 <= 700
XC1F3 + XC2F3 + XC3F3 <= 600
XC1F1 <= M
XC1F2 <= M
XC1F3 <= M
XC2F1 <= 200
XC2F2 <= 200
XC2F3 <= 200
XC3F1 <= 200
XC3F2 <= 200
XC3F3 <= 200
XC1F1, XC1F2 , XC1F3 , XC2F1 , XC2F2 , XC2F3 , XC3F1 , XC3F2 y XC3F3 >= 0

Donde:
M significa una cantidad sin límite o una cantidad muy grande.
EL PROBLEMA DE ASIGNACIÓN
En muchos problemas de decisión es necesario asignar un elemento a un grupo (como una
maquina, un empleado, etc.) a un elemento de un segundo grupo (como una tarea, un proyecto,
etc.). Considere, por ejemplo, asignar trabajaos a maquinas en una planta industrial, asignar
representantes de ventas a territorios o asignar investigadores a proyectos.
Al hacerse una asignación, a menudo debe cumplirse dos condiciones:
1. cada elemento del primer grupo debe asignarse a exactamente un elemento del segundo
grupo.
2. cada elemento del segundo grupo debe asignarse a exactamente un elemento del primer
grupo.
Debido a que cada pareja asignada existe un “costo” asociado, por ejemplo, la cantidad de tiempo
que toma una tarea asignada a una maquina particular, el objetivo es elegir asignaciones que
minimicen el costo total.
Para satisfacer estas dos condiciones de asignación, el numero de elementos de cada grupo debe
ser el mismo. Un problema de este tipo se denomina problema de asignación equilibrado.
EL PROBLEMA DE ASIGNACIÓN DE CONTAINERS INC. Containers,Inc., fabrica contenedores
de muchos tamaños y formas. Recientemente ha recibido pedidos para producir diversas
cantidades de contenedores de cocinas de cinco diferentes tamaños. Cada tamaño de
contenedor puede producirse en cualquiera de cuatro máquinas. Debido a las distintas
tecnologías y tiempos de disposición, el número total de horas, incluyendo el tiempo de
disposición, necesarias para procesar cada tamaño de contenedor en cada máquina varía, como
se muestra en la tabla 2. En la tabla, el tamaño del contenedor se indica en la primera columna
mediante su altura y diámetro en pulgadas.
Adecuar una máquina para que cambie el tamaño de un contenedor toma largo tiempo, así que la
gerencia ha decidido que cada máquina producirá contenedores de un solo tamaño. Por tanto,
sólo se producirán cuatro de los cinco tamaños en las cuatro máquinas disponibles dentro de la
fecha límite asignado. Como los ingresos por cada tamaño de contenedor son aproximadamente
iguales, la gerencia de Containers, Inc., es indiferente en cuanto a cuál de los cinco pedidos no
satisfacer. Como gerente del departamento de producción, se le ha pedido determinar cuáles

cuatro de los cinco pedidos aceptar y desarrollar un plan de producción que minimice el tiempo de
procesamiento total para satisfacer esos pedidos.
En este problema, puede reconocerlas características de un problema de asignación. Tiene que
asignar un elemento de un grupo, esto es, un pedido de uno de los cinco tamaños, a un elemento
de un segundo grupo, es decir, las máquinas. En este caso, el problema es desequilibrado porque
hay cinco pedidos para sólo cuatro máquinas. Para resolver este problema, se puede hacer lo
siguiente:
1. Añada tantos elementos figurados a uno de los grupos como sea necesario para igualar el
tamaño de los dos grupos.
2. Por cada elemento figurado, identifique un costo apropiado asociado con la asignación de
cada elemento del otro grupo a este elemento figurado.
En cuanto al problema de Containers, Inc., es necesario añadir una máquina figurada. Ahora hay
cinco pedidos y cinco máquinas, dando como resultado un problema de asignación equilibrado.
Recuerde que la máquina 5, de hecho, no existe. Los contenedores asignados a esta máquina no
son producidos y por tanto, no contribuyen en nada al tiempo total de procesamiento. Los datos
para el problema de asignación se muestran en la tabla 3.
Tabla 2. Tiempo total de procesamiento (hr) para producir cada tamaño de contenedor en cada
maquina
TAMAÑO DEL MAQUINA
CONTENEDOR 1 2 3 4
3X4 25 20 28 30
4X6 24 22 25 23
6X8 30 30 28 25
8 X 12 38 32 30 30
12 X 18 40 40 28 30
Tabla 3. Tiempo total de procesamiento (hr) para producir cada tamaño de contenedor en cada
maquina incluyendo la maquina figurada 5
TAMAÑO MAQUINA
CONTENEDOR 1 2 3 4 5
3X4 25 20 28 30 0
4X6 24 22 25 23 0
6X8 30 30 28 25 0
8 X 12 38 32 30 30 0
12 X 18 40 40 28 30 0
Figura 3. Representación de la red del problema de asignación


Minimizar 25x11 + 20x12 + 28x13 + 30x14 + 0x15 +
24x 21 + 22x22 + 25x23 + 23x24 + 0x25 +
30x31 + 30x32 + 28x33 + 25x34 + 0x35 +
38X41 + 32x42 + 30X43 + 30X44 + 0x45 +
40x51 + 40x52 + 28x53 + 30x54 + 0x55
Dependiendo de:
RESTRICCIONES DE ASIGNACIÓN DE PEDIDO
x11 + x12 + x13 + x14 + x15 = 1 (Orden 1)
x21 + x22 + x23 + x24 + x25 = 1 (Orden 2)
x31 + x32 + x33 + x34 + x35 = 1 (Orden 3)
x41 + x42 + x43 + x44 + x45 = 1 (Orden 4)
x51 + x52 + x53 + x54 + x55 = 1 (Orden 5)
RESTRICCIONES DE ASIGNACIÓN DE MÁQUINA
X11 + x21 + x31 + x41 + 51 = 1 (Máquina 1)
X12 + x22 + x32 + x42 + 52 = 1 (Máquina 2)
X13 + x23 + x33 + x43 + 53 = 1 (Máquina 1)
X14 + x24 + x34 + x44 + 54 = 1 (Máquina 1)
X15 + x25 + x35 + x45 + 55 = 1 (Máquina 1)
Todas las variables deben ser variables enteras 0-1

SOLUCIÓN POR COMPUTADORA
En la presente sección, aprenderá cómo es utilizado el software winQSB para resolver problemas
de asignacion
1. Elija la opción Network Modelling
2. Seleccione la opción Assignment Problem
Como resultado se tiene un tiempo total de procesamiento de 97 horas. Observe que el pedido 4
no esta satisfecho porque se le asigno la maquina figurada 5.
42. Arthur J. Big and Company es una compañía de contabilidad que tiene un especialista en
impuestos en cada una de sus oficinas en Washington, D.C., Cleveland, Louisville y Atlanta.
La oficina central ha recibido una solicitud para un especialista en impuestos de cada uno de
sus clientes de Columbus, Nashville, Charleston y Pittsburg. Los costos de viajes son
proporcionales a las distancias, que se dan (en millas) en la siguiente tabla:
Hacia
Desde Columbus Nashville Charleston Pittsburgh
Washington 431 659 342 247
Cleveland 140 533 248 129
Louisville 214 174 259 393
Atlanta 585 246 501 683
a. Dibuje una red de distribución que indique los suministros, demandas y otros datos
relevantes apropiados (2 ptos).

b. Como socio general de la compañía, formule un modelo matemático para determinar como
enviar un especialista a cada ciudad para minimizar los costos totales de viaje (4 ptos).
Minimizar 431WCo + 659WN + 342WCh + 247WP + 140 CCo + 533 CN + 248 CCh + 129CP +
214LCo + 174LN + 259LCh + 393LP + 585ACo + 246AN + 501Ach + 683AP
Sujeto a:
Restricciones de disponibilidad
WCo + WN + WCh + WP = 1
CCo + CN + CCh + CP = 1
LCo + LN + LCh + LP = 1
ACo + AN + ACh + AP = 1
WCo + CCo + LCo + ACo = 1
WN + CN+ LN + AN = 1
WCh + CCh + LCh + ACh = 1
WP+ CP + LP + AP = 1
WCo, WN, WCh, WP, CCo, CN, CCh, CP, LCo, LN, LCh, LP, ACo, AN, Ac y, AP >= 0 y
enteros.
41. Mining Machinery Inc. renta equipo especializado de perforación a empresas mineras.
Actualmente hay tres perforadoras Jumbo ubicadas en Lima, dos en Arequipa y tres en
Cajamarca. Hay un centro minero en Puno que requieren cuatro maquinas. En centros
mineros de Ancash y Cerro de Pasco se necesita en cada uno dos máquinas. El costo en
dólares de enviar una máquina de cada ciudad a cada centro minero se muestra en la
siguiente tabla:
HACIA
DESDE Cerro de Ancash Puno
Pasco
Lima 900 1000 1600

Arequipa 1400 1500 1000

Cajamarca 1200 1400 2500
a) (2 ptos) Dibuje una red de distribución que indique los suministros, demandas y otros
datos relevantes apropiados (cuando sea adecuado, añada nodos y arcos figurados para
obtener un problema equilibrado).
b) (4 ptos) Formule un modelo matemático para determinar cuantas maquinas deberían enviarse
desde cada ciudad a cada centro minero para incurrir en el mínimo costo.
LCp = el número de perforadoras enviadas de Lima a Cerro de Pasco
LAn = el número de perforadoras enviadas de Lima a Ancash
LP = el número de perforadoras enviadas de Lima a Puno
ACp = el número de perforadoras enviadas de Arequipa a Cerro de Pasco
AAn = el número de perforadoras enviadas de Arequipa a Ancash
AP = el número de perforadoras enviadas de Arequipa a Puno
CCp = el número de perforadoras enviadas de Cajamarca a Cerro de Pasco
Can = el número de perforadoras enviadas de Cajamarca a Ancash
CP = el número de perforadoras enviadas de Cajamarca a Puno
Son mostradas en la tabla
FV: Minimizar el costo de enviar las perforadoras a los Centros Mineros
D : Minimizar (costo de envío de Lima a Cerro de Pasco + costo de envío de Lima a Ancash + costo
de envío de Lima a Puno + costo de envío de Arequipa a Cerro de Pasco + costo de envío de
Arequipa a Ancash + costo de envío de Arequipa a Puno + costo de envío de Cajamarca a Cerro
de Pasco + costo de envío de Cajamarca a Ancash + costo de envío de Cajamarca a Puno )
FM: Minimizar 900LCp + 1000 LAn + 1600LP + 1400ACp + 1500AAn + 1000AP + 1200CCp + 1400CAn
+ 2500CP
e) Existencia de perforadoras en Lima
FV: El número de perforadoras existentes en Lima es 3
D : (perforadoras a enviar a Cerro de Pasco + perforadoras a enviar a Ancash + perforadoras a enviar
a Puno) igual a 3
FM: LCp + LAn + LP = 3
f) Existencia de perforadoras en Arequipa y Cajamarca

Existencia de perforadoras en Arequipa
FM: ACp + AAn + AP = 2
Existencia de perforadoras en Cajamarca
FM: CCp + CAn + CP = 3
g) Demanda de perforadoras en Cerro de Pasco
FV: El número de perforadoras que debe decepcionarse en Cerro de Pasco e 2
D : (perforadoras a enviar de Lima + perforadoras a enviar de Arequipa + perforadoras a enviar de
Cajamarca) igual a 2
FM: LCp + ACp + CCp = 2
h) Demanda de perforadoras en Ancash y Puno
Demanda de perforadoras en Ancash
FM: LAn + AAn + CAn = 2
Demanda de perforadoras en Puno
FM: LP + AP + CP = 4
i) Restricciones lógicas
LCp, LAn, LP, ACp, AAn, AP, CCp, CAn y CP >= 0 y enteros.
Minimizar 900LCp + 1000 LAn + 1600LP + 1400ACp + 1500AAn + 1000AP + 1200CCp + 1400CAn
+ 2500CP
Sujeto a:
Restricciones de disponibilidad
LCp + LAn + LP = 3
ACp + AAn + AP = 2
CCp + CAn + CP = 3
LCp + ACp + CCp = 2
LAn + AAn + CAn = 2
LP + AP + CP = 4
LCp, LAn, LP, ACp, AAn, AP, CCp, CAn y CP >= 0 y enteros.
24. La compañía Estructuras Mineras SA compró tres máquinas nuevas de diferentes tipos.
Existen cuatro sitios disponibles dentro del taller en donde se podría instalar una máquina.
Algunos de ellos son más adecuados que otros para ciertas máquinas en particular por su
cercanía a los centros de trabajo que tendrían un flujo intenso de trabajo hacia y desde estas
máquinas (No habrá flujos de trabajos entre las nuevas máquinas) Por tanto, el objetivo es
asignar las nuevas máquinas a los lugares disponibles de manera que se minimice el costo
total de manejo de materiales.
En la tabla se muestra el costo estimado por unidad de tiempo de manejo de los materiales
en cuestión, con cada una de las máquinas en los sitios respectivos. El lugar 2 no se
considera adecuado para la máquina 2 por lo que no se proporciona un costo para este caso.
Ubicación
1 2 3 4

Máquina 1 13 16 12 11
Máquina 2 15 - 13 20
Máquina 3 5 7 10 6
Asigne las máquinas a sus nuevas ubicaciones, buscando un costo mínimo de manejo de
materiales.
a. Dibuje la representación de red para este problema. (2 puntos)
b. Formule el modelo de programación lineal. (6 puntos)

M1U1 = Asignación de la maquina 1 a la ubicación 1
M1U2 = Asignación de la maquina 1 a la ubicación2
M3U2 = Asignación de la maquina 3 a la ubicación2

FV: Minimizar el costo de asignación de las maquinas a sus lugares de ubicación.
D : Minimizar (costo de asignación de las maquinas 1, 2 y 3 a sus lugares de ubicación 1,2, 3 y 4)
FM: Minimizar 13M1U1 + 16M1U2 +12M1U3 + 11M1U4 + 15M2U1 + 13M2U3 + 20M2U4 + 5M3U1
+7M3U2 +10M3U3 + 6M3U4

a) Restricciones de Maquinas
M1U1 + M1U2 + M1U3 + M1U4 = 1
M2U1 + M2U3 + M2U4 = 1
M3U1 + M3U2 + M3U3 + M3U4 = 1
b) Restricciones de Ubicaciones
M1U1 + M2U1 + M3U1 = 1
M1U2 + M3U2 = 1
M1U3 + M2U3 + M3U3 = 1
M1U4 + M2U4 + M3U4 = 1
M1U1, M1U2, M1U3, M1U4, M2U1, M2U3, M2U4, M3U1, M3U2, M3U3 Y M3U4 de tipo binario
Minimizar 13M1U1 + 16M1U2 +12M1U3 + 11M1U4 + 15M2U1 + 13M2U3 + 20M2U4 + 5M3U1
+7M3U2 +10M3U3 + 6M3U4
Dependiendo de:
M1U1 + M1U2 + M1U3 + M1U4 = 1
M2U1 + M2U3 + M2U4 = 1
M3U1 + M3U2 + M3U3 + M3U4 = 1
M1U1 + M2U1 + M3U1 = 1
M1U2 + M3U2 = 1
M1U3 + M2U3 + M3U3 = 1
M1U4 + M2U4 + M3U4 = 1
M1U1, M1U2, M1U3, M1U4, M2U1, M2U3, M2U4, M3U1, M3U2, M3U3 Y M3U4 de tipo binario
EL PROBLEMA DE TRANSBORDO
PROBLEMA DE DISTRIBUCIÓN DE MEDICAL TECHNOLOGIES, INC. Medical Technologies,
Inc. (MTI), es una empresa fabricante y distribuidora internacional de equipo de rayos X de alta
resolución que se utiliza en hospitales. La planta que tienen en Paris, Texas, puede producir hasta
100 máquinas por año; la que se encuentra en Davenport, Iowa, produce hasta 200 máquinas y la
planta de Springfield, Oregon, puede producir hasta 150 máquinas. Para el año siguiente, sus
clientes en Japón han pedido 120 máquinas, los de Corea del Sur ordenaron 80 máquinas, los de
Nueva Zelanda 70 y los de Australia 110 máquinas.
El equipo producido en Texas y en Iowa puede ser enviado a los almacenes regionales situados
en Hungría y/o en Hawai. Los almacenes regionales, a su vez, pueden enviar a cualquiera de los
almacenes de campo situados en Fiji y en las Filipinas. Ninguno de los almacenes regionales
almacena máquinas en inventario, por consiguiente deben enviar todas las máquinas que reciben.
Los clientes de Corea del Sur y de Nueva Zelanda pueden recibir máquinas de cualquiera de los
almacenes de campo. Sin embargo, debido a los tratados de comercio internacionales, los
clientes del Japón deben obtener sus máquinas exclusivamente de las Filipinas, y los de Australia
deben recibir las suyas solamente de las Fiji. Los costos de envío por máquina desde las plantas
a los almacenes regionales, a los almacenes de campo y, finalmente, a los clientes se dan En las
tablas 4, 5 y 6, respectivamente. Como gerente de distribución, se le ha pedido a usted que
determine el plan de embarque con el mínimo costo total.
Tabla 4. Costos de embarque ($/maquina) de plantas a almacenes regionales
ALMACENES REGIONALES
PLANTAS HUNGRIA HAWAI
Texas 200 400

Iowa 300 400

Oregon N/A 500
Tabla 5. Costos de embarque ($/maquina) de almacenes regionales a almacenes de campo
ALMACENES REGIONALES FILIPINAS FIJI
Hungría 800 600
Hawai 700 400
Tabla 6. Costos de embarque de almacenes de campo a clientes
ALMACENES CLIENTES
DE CAMPO JAPÓN COREA DEL SUR NUEVA ZELANDA AUSTRALIA
Filipinas 700 600 800 N/A
Fiji N/A 700 500 600
El primer paso en la formulación matemática de este problema consiste en trazar una red que
represente el flujo de productos desde las plantas, a través de los almacenes, hasta los clientes.
La red debe contener once nodos, uno para cada una de las tres plantas, los dos almacenes
regionales, los dos almacenes de campo y los cuatro clientes, de la forma en que se ilustra en la
figura 4. Debe haber un arco que conecte una pareja de nodos, siempre y cuando sea posible
enviar máquinas directamente desde el nodo de origen al de destino, según está especificado en
la descripción del problema. Por ejemplo, debido a que la planta de Oregon solamente puede
hacer envíos al almacén regional de Hawai, deberá haber un arco que vaya desde el nodo
correspondiente a la planta de Oregon al nodo correspondiente al almacén regional de Hawai,
pero no al correspondiente al de Hungría. En la figura 4 se muestran también los arcos, junto con
los correspondientes costos unitarios de envío. La red de la figura incluye también la capacidad
de cada planta y la demanda de los clientes al lado de los correspondientes nodos de suministro y
demanda, respectivamente.
Figura 4. Red de distribución del problema del MTI


Minimizar 2x14+ 4x15 + 3x24 + 4x25 + 5x35 + 8x46 + 6x 47 + 7x56 + 4x57 +
7x68+ 6x69 + 8x6,10 + 7x79 + 5x7,10 + 6x7,11
Dependiendo de:
RESTRICCIONES DE SUMINISTRO
x14 + x15 = 100 (capacidad en Paris, Texas) (1)
x24 + x25 = 200 (capacidad en Davenport, Iowa) (2)
x35 = 150 (capacidad en Springfield, Oregon) (3)
RESTRICCIONES DE ALMACÉN REGIONAL
x46 + x47 - x14 - x24 = 0 (equilibrio en Hungría) (4)
x56 + x57 - x15 - x25 - x35 = 0 (equilibrio en Hawai) (5)
RESTRICCIONES DE ALMACÉN DE CAMPO
x68 + x69 + x6,10 - x46 – x56 = 0 (equilibrio en Filipinas) (6)
x79 + x7,10 - x7,11 – x47 - x57 = 0 (equilibrio en Islas Fiji) (7)
RESTRICCIONES DE DEMANDA
x68 = 120 (demanda en Japón) (8)
x69 + x79 = 80 (demanda en Corea del Sur) (9)
x6,10 + x7,10 = 70 (demanda en Nueva Zelanda) (10)
x7,11 = 110 (demanda en Australia) (11)
Todas las variables > 0 y enteras (12)
SOLUCIÓN POR COMPUTADORA
En la presente sección, aprenderá cómo es utilizado el software LINDO 6,0 para resolver
problemas de trasbordo:

La solución optima, podemos observarla en las siguientes tablas:

Tabla 7. Plan de embarque de plantas a almacenes regionales
PLANTAS HUNGRÍA HAWAI
Texas 100 0
Iowa 0 200

Oregon N/A 80
Tabla 8. Plan de embarque de almacenes regionales a almacenes de campo
ALMACENES REGIONALES FILIPINAS FIJI
Hungría 100 0
Hawai 20 260
Tabla 9. Plan de embarque de almacenes de campo a clientes
ALMACENES CLIENTES
DE CAMPO JAPÓN COREA DEL SUR NUEVA ZELANDA AUSTRALIA
Filipinas 120 0 0 N/A
Fiji N/A 80 70 110
El costo total es de $ 579 000.
Resumen del problema de transbordo
El problema de transbordo es un problema de red de distribución que involucro nodos de
suministro, transbordo y demanda. Los arcos que conectan las parejas de estos nodos tienen
capacidades en forma de límites inferiores y superiores sobre las cantidades embarcadas a lo
largo de esos arcos. Cuando los nodos tienen capacidades, sin embargo, es necesario crear una
red modificada que pueda resolverse mediante un programa de computadora. Las capacidades
en los nodos en la red original se transforman en capacidades en los arcos en la red modificada.

CAPITULO VI
ADMINISTRACIÓN DE PROYECTOS:
PERT - CPM
En este capítulo se presenta una técnica de la ciencia administrativa que ayuda a comprobar y
controlar un proyecto que involucra numerosas tareas interrelacionadas. La supervisión de estos
proyectos requiere muchas habilidades administrativas, una de las cuales es mantener el proyecto
acorde a un programa. La ciencia de la administración puede ayudar a esto proporcionando
respuestas a preguntas como:
1. ¿Cuándo sería lo más pronto que el proyecto pudiera estar terminado?
2. Para cumplir con este tiempo de conclusión, ¿qué tareas son críticas, en el sentido de
que un retraso en cualquiera de esas tareas provoca un retraso en la conclusión de todo
el proyecto?
3. ¿Es posible acelerar ciertas tareas para terminar todo el proyecto más pronto? Si es así,
¿qué tareas serían éstas y cuál sería el costo adicional?
Cuando un proyecto implica unas cuantas tareas, las respuestas a estas preguntas a menudo
pueden encontrarse con poco esfuerzo. Sin embargo, cuando la planeación de un proyecto
implica cientos o miles de tareas interrelacionadas que deben ser realizadas por distintas
personas, las herramientas de la ciencia de la administración presentadas en este capítulo
proporcionan una forma sistemática no sólo de responder estas preguntas, sino también dar
seguimiento al proyecto a lo largo de su duración.
Las técnicas de administración de proyecto presentadas en este capítulo fueron desarrolladas
independientemente por dos equipos de investigadores a mediados de los años cincuenta.
Dupont Company creó la primera técnica, llamada Método de ruta crítica (CPM)5, para
administrar proyectos en los que el tiempo requerido para completar las tareas individuales se
conocía con relativa certeza. La Marina de los EE.UU. desarrolló la segunda técnica, denominada
la Técnica de evaluación y revisión de proyecto (PERT) 6, para administrar el proyecto de
misiles Polaris, que implicaba aproximadamente 500 tareas y varios miles de subcontratistas. El
tiempo requerido para completar muchas de esas tareas era incierto. Estas dos técnicas son
similares excepto que CPM se utiliza para administrar proyectos que implican tiempos de tarea
determinados y PERT se usa para aquellos que implican tiempos probables de tarea.
DESARROLLO DE LA RED DE PROYECTOS
5
Método utilizado para administrar proyectos en que los tiempos requeridos para terminar las tareas
individuales se conocen con relativa certeza.
6
Método utilizado para administrar proyectos en los que los tiempos requeridos para completar las tareas
individuales son inciertos.
CAPITULO II: CONSTRUCCION DE MODELOS DETERMINISTICOS
Para ilustrar cómo se aplican las técnicas de administración de proyectos a la verificación de un

proyecto, considere el enfrentado por la Gerencia de Operaciones de Santa Rosa Mining. Que
encomienda a sus ingenieros realizar un proyecto de desarrollo y preparación de una veta, con
minerales de Plomo, Zinc y Cobre, para explotar mediante el método de subniveles.
Puede determinar el tiempo de conclusión siguiendo los siguientes pasos:
a) Identifique las tareas individuales que componen el proyecto.
b) Obtenga una estimación del tiempo de conclusión de cada tarea.
c) Identifique las relaciones de tiempo entre las tareas. ¿Qué tareas deben concluirse antes de
que otras puedan iniciarse?
d) Dibuje un diagrama de red de proyecto para reflejar la información de los pasos a y b.
Fig 1. Desarrollo y preparación para explotación por subniveles

Identificación de las tareas individuales
Los proyectos terminados consisten en diversas tareas individuales. Para comprobar los
proyectos, primero debe identificar esas tareas. Éstas pueden variar tanto en el tiempo requerido
para concluirlas como en su complejidad. Las tareas complejas pueden considerarse como
proyectos que en sí mismos necesitan verificación al ser divididos en subtareas. Por ejemplo, en
el diseño de una lanzadera espacial, una de las tareas es desarrollar sistemas de computación a
bordo. Como esta tarea es en sí misma un proyecto importante, puede dividirla en subtareas
consistentes en desarrollar sistemas de computación para salvamento, control de motor y
recolección y transmisión de datos. Aunque no existe una forma única de decidir qué tan grande
o pequeña debe ser una tarea, existen algunas pautas a seguir:
1. Cada tarea debe tener un comienzo y un final claros en el contexto del proyecto.
2. La terminación de cada tarea debe ser necesaria para la conclusión del proyecto y debe
representar un hito en el progreso del proyecto.
3. El tamaño de una tarea debe estar en proporción con el control que usted pueda ejercer.
4. Debe haber alguna(s) persona(s) responsables de la conclusión de cada tarea individual.
Sobre la base de estas pautas usted, como Gerente de operaciones de Santa Rosa Mining. Debe
identificar las tareas que estén bajo su control y que deben completarse para que el proyecto sea
exitoso.
Tabla 1 Lista de tareas

Aun cuando el orden de las tareas de esta tabla es indiferente, es importante incluir todas las
tareas relevantes desde el principio. Si surgen tareas inesperadas en el curso del proyecto,
pueden ocurrir retrasos por la prisa en terminarlas.
Obtención de estimaciones de tiempo para cada tarea
Debe estar claro que el tiempo total que lleva completar todo el proyecto depende, de alguna
manera, en cuánto tiempo lleva realizar cada tarea individual. Por tanto, se hace necesario
obtener algunas estimaciones de la cantidad de tiempo requerida para completar cada tarea.
Puede desarrollarse una estimación haciendo lo siguiente:
1. Confiando en experiencias pasadas en proyectos similares.
2. Consultando con las personas a cargo de cada tarea individual.
3. Usando datos anteriores.
Suponga que ha obtenido las estimaciones de tiempo para las tareas de este proyecto particular
después de consultar a los miembros apropiados de cada departamento de mina.
Tabla 2 Estimación de tiempo para las tareas
Para este proyecto, puede sentir que el tiempo requerido para concluir cada tarea se conoce
bastante bien sin ninguna variabilidad significativa. Otros proyectos implican tareas cuyo tiempo
de conclusión es incierto o debe estimarse con una cantidad significativa de incertidumbre.
Creación de la tabla de precedencia para el proyecto
Como se observó anteriormente, la cantidad de tiempo que toma terminar un proyecto completo
se basa en los tiempos de conclusión de las tareas individuales. Sin embargo, el tiempo de
conclusión total no es igual a la suma de los tiempos de las tareas individuales porque algunas
tareas pueden realizarse simultáneamente. Otras tareas, sin embargo, no pueden comenzar
hasta que ciertas tareas anteriores no hayan sido concluidas. Para determinar la cantidad de
tiempo mínima requerida para concluir el proyecto total, debe primero comprender cómo se
relacionan las tareas individuales entre sí. Debe identificar qué tarea(s) debe(n) terminarse antes
de que otra tarea comience.
La lista de predecesoras inmediatas de una tarea particular de interés incluye aquellas tareas que:
 deben terminarse antes de que la tarea de interés pueda comenzar y
 no dependen para su inicio de la conclusión de cualquier otra tarea inmediatamente
predecesora de esta lista.
De todas las tareas que deben terminarse antes de que pueda iniciarse una tarea dada, usted
necesita identificar sólo las tareas inmediatamente predecesoras7. Hacerlo requiere conocer el
proyecto particular y la forma en que las tareas están relacionadas
Tabla 3 Tabla de precedencia8 para las tareas
Trazo de la red de proyectos

Recuerde que uno de los objetivos principales de la administración de proyecto es determinar la
cantidad mínima de tiempo requerido para terminar todo el proyecto. La identificación de las
relaciones de precedencia entre las tareas individuales, como en la tabla 3, es un primer paso en
esa dirección. Una comprensión todavía mejor de estas relaciones puede obtenerse convirtiendo
la información de precedencia en una red de proyecto9. Una red consiste en una colección finita
de nodos y arcos. Un arco es una flecha que conecta un nodo con otro.
En la administración de proyecto, los nodos y arcos de la red de proyecto tienen un significado
especial en el contexto del problema específico, dependiendo de cuál de los siguientes enfoques
estándar be utilice:
1. Representación de actividad en arco 10: en este enfoque, cada arco corresponde a una
de las actividades: los nodos que están conectados por ese arco representan el inicio y fin
de esa actividad.
7
Una tarea que debe concluirse antes de que la tarea de interés pueda iniciarse y que no depende para su
inicio de la conclusión de cualquier otra tarea inmediatamente predecesora de esta lista.
8
Una tabla que enumera las predecesoras inmediatas para cada tarea.
9
Un diagrama de red que consiste en una colección finita de nodos y arcos usados para representar las
tareas y sus relaciones de precedencia en un proyecto.
10
Una convención usada en un diagrama de red de proyecto en la que cada arco corresponde a una de las
actividades y los dos nodos conectados por ese arco representan el inicio y fin de esa actividad.
2. Representación de actividad en nodo 11: en este enfoque, cada nodo representa una de
las tareas (o actividad); un arco conecta dos nodos si un nodo corresponde a una tarea
inmediatamente predecesora del otro nodo.
Puede adaptarse cualquier enfoque para dibujar la red de proyecto. Del siguiente procedimiento
de solución depende cuál se elija. Sólo asegúrese de que el paquete de computadora disponible
para la administración del proyecto puede manejar el enfoque elegido para trazar la red del
proyecto.
Gráficamente la actividad se representa mediante dos figuras:
ARCO
Orientando de izquierda a derecha, significa la ejecución del trabajo. La longitud del arco no es
vectorial y no siempre es recto.
NODOS
A estos se les denomina sucesos, eventos o nudos, inicial y final respectivamente, indican el inicio y la
finalización de la actividad y sirve como punto de control de la ejecución de los trabajos. Una actividad debe
estar terminada para que la subsiguiente pueda empezar.
Ejemplos:
Fig. 2 Fig. 3
En la figura 1 se puede observar que el arco no tiene un sentido vectorial, sino que es
simplemente una progresión de tiempo .En la figura 2 se muestra que todas las actividades tienen
sus sucesos iniciales y finales, siendo que el suceso final de la actividad precedente es el mismo
suceso inicial de la subsiguiente - Además puede distinguirse que el primer suceso inicial del
proyecto no posee una actividad que la preceda y el ultimo suceso final no tiene una tarea que la
subsiga.
ARCO FICTICIO
Se indica por medio de un arco de trazos, que se denomina también "dummy", sirve para denotar
una relación de precedencia entre dos actividades, pero no por que necesariamente requiere un
trabajo previo, ni tiempo, sino por instancias especiales.
Fig. 4
11
Una convención usada en un diagrama de red de proyecto en la que cada nodo representa una tarea, y un
arco conecta dos nodos si un nodo corresponde a una tarea inmediatamente predecesora del otro nodo.
En la figura 4 que representa el proceso para la explotación de un tajeo , donde el mineral

requiere ser sometido antes a un análisis para luego ser acarreando al shut y transportado a la
planta, se puede observar un caso típico de una flecha ficticia, que indica la precedencia del
muestreo y resultado del análisis para su acarreo posterior, con el fin de evitar una dilución.
RED DE PROYECTO
La red de proyecto sirve como base a la programación por camino crítico y señala con toda
precisión la secuencia de las actividades, su interrelación, etc.
Fig. 5 labores Nv. 2510

Nota: Nominación de galerías con letras.
Fig. 6 Red para el Nv 2510

La figura 5 representa un proyecto de excavación de labores subterráneas para la preparación del
Nv 2510; representando mediante le red de proyecto se tiene la fig. 6.
La enumeración de los sucesos, es otro sistema para la identificación de las actividades, la misma
que facilita los cálculos manuales y en computadora. Normalmente es conveniente enumerar en
forma secuencial.
En la red de proyecto indicado en la fig. 6 las actividades enumeradas son:
Actividad A ----- (1 , 2) Actividad G ----- (6 , 9)
Actividad B ---- (2 , 3) Actividad H ----- (9 , 10)
Actividad C ----- (3 , 4) Actividad I ----- (3 , 7)
Actividad D ----- (4 , 5) Actividad J ----- (7 , 8)
Actividad E ----- (5 , 6) Actividad K ----- (8 , 10)
Actividad F ----- (6 , 7)
En resumen, para dibujar una red de proyecto que refleje correctamente las relaciones de
precedencia usando la representación de actividad en arco, recuerde las siguientes pautas:
a) Construya la red secuencialmente, añadiendo un arco correspondiente a una actividad a la
vez, eligiendo un nodo terminal y preguntándose qué tarea(s) puede empezar entonces.
Recuerde que este nodo representa el punto en el tiempo en el que todas las actividades
correspondientes a los arcos que entran a ese nodo han sido concluidas.

b) Evite los ciclos en los que dos mismos nodos son conectados por más de un arco.
c) Cuando no exista ningún nodo que represente la conclusión de todas las predecesoras
inmediatas de la nueva tarea a ser añadida, considere la combinación de nodos, la adición de
actividades figuradas o de nodos (y actividades) figurados.
d) Al completarse, combine todos los nodos terminales sin arcos que salgan de ellos hacia un
solo nodo para representar el tiempo en que todo el proyecto se concluya.
e) Use la red de proyecto final para enumerar las predecesoras inmediatas de cada tarea;
después verifique que esas relaciones sean correctas, como se especifica en la tabla de
precedencia.
La red de proyectos para el proyecto de Santa Rosa Mining.
Fig. 7. Red de proyectos del proyecto Santa Rosa Mining Corp.

ADMINISTRACIÓN DE PROYECTOS USANDO TIEMPOS DETERMINÍSTICOS ( CPM)
En esta sección aprenderá cómo usar la red de proyecto junto con tiempos determinísticos para la
conclusión de tareas a fin de administrar proyectos respondiendo las siguientes preguntas:
1. ¿Qué tan pronto puede completarse todo el proyecto?
2. Para satisfacer este tiempo de conclusión,¿qué tareas son críticas, en el sentido de que un
retraso en cualquiera de esas tareas produciría un retraso en la conclusión de todo el
proyecto?
Cálculo del tiempo de terminación de proyecto
Los cálculos sistemáticos necesarios para determinar el tiempo de terminación más breve se
ilustran para el proyecto de Santa Rosa Mining Corp. Observe que el tiempo determinístico para
la conclusión de cada tarea se escribe junto al arco correspondiente a esa tarea en la figura.

Fig. 8 Tiempos de duración de cada actividad del proyecto Santa Rosa Mining
Para encontrar el tiempo de terminación más corto de todo el proyecto, proceda sistemáticamente
desde el principio, determinando lo siguiente para cada tarea:
1. El tiempo de inicio más temprano (IT) 12, esto es, el tiempo más inmediato en que esa
tarea puede iniciarse.
2. El tiempo de terminación más temprano (TT) 13, esto es, el tiempo más breve en el que
esa tarea puede concluir.
donde:
A : Actividad
i, j : Nodos
El tiempo de terminación más temprana de la tarea final es el tiempo más corto en el que todo el
proyecto puede completarse. (En el caso de que exista más de una tarea terminal, el tiempo de
conclusión más breve de todo el proyecto es el máximo de los tiempos mínimos de terminación
de todas esas tareas.)
Para calcular el tiempo de inicio más temprano para una tarea particular, recuerde el concepto de
las tareas predecesoras inmediatas, esto es, aquellas tareas que deben concluirse antes que la
tarea actual pueda iniciarse. Es necesario saber cuándo termina cada una de estas tareas
predecesoras:
Regla 1. Para calcular el tiempo de inicio más temprano de una tarea particular, debe
conocer los tiempos de terminación más tempranos de cada tarea predecesora inmediata.
Regla 2. El tiempo de inicio más temprano de una tarea de la que se conocen los tiempos
de terminación más tempranos de todas sus tareas predecesoras inmediatas es el máximo
de esos tiempos de terminación más tempranos.
Regla 3. Tiempo de terminación más temprano = (tiempo de inicio más temprano) +
(tiempo de tarea):
TT  IT  t
12
El tiempo mas cercano en que una tarea posiblemente puede inciarse.
13
El tiempo mas corto en el que una tarea posiblemente puede concluir.
Fig 9. Cálculo de los tiempos de inicio y terminación mas tempranos para el proyecto de Santa Rosa Mining
Pasos para calcular los tiempos de inicio y de terminación más tempranos
Paso 0. Identifique el nodo correspondiente al principio de todo el proyecto.
Calcule y escriba lo siguiente en el nodo inicial:
a. El tiempo de inicio más cercano, esto es, 0 (porque la tarea correspondiente
puede iniciarse inmediatamente).
b. El tiempo de terminación más breve de acuerdo con la regla 3, esto es:
Tiempo de terminación más breve
= (tiempo de inicio más inmediato) + (tiempo de tarea)
= 0 + (tiempo de tarea)
= tiempo de tarea
Paso 1. Seleccione cualquier nodo donde todos los arcos entrantes han sido etiquetados
con sus tiempos de inicio y de terminación más breves.
Paso 2. Para el nodo seleccionado en el paso 1, calcule y escriba lo siguiente junto a cada
arco saliente:
a. El tiempo de inicio más breve de acuerdo con la regla 2, esto es
Tiempo de inicio más inmediato = máximo de los tiempos de terminación
más breves de todos los arcos entrantes
b. El tiempo de terminación más breve de acuerdo con la regla 3, esto es
Tiempo de terminación más breve = (tiempo de inicio más inmediato) +
(tiempo de tarea)
Identificación de las tareas críticas
En esta sección, aprenderá cómo usar la red de proyecto junto con los tiempos de conclusión de
tareas individuales y los tiempos de inicio y terminación más tempranos calculados en 2.1 para
determinar qué tareas son críticas. Crítica significa que un retraso en cualquiera de esas tareas
ocasiona un retraso en todo el proyecto. Los retrasos del proyecto pueden ocasionar costos
adicionales, ingresos perdidos y/o incumplimiento de las obligaciones contractuales. Por ejemplo,
no terminar las labores de preparación e inicio de explotacion de Santa Rosa Mining Corp. a
tiempo puede ocasionar una pérdida sustancial en las ventas de concentrado para el periodo
planeado. Por tanto, como gerente, necesitará comprobar estas tareas críticas estrechamente
para ver que se terminen a tiempo a fin de que el proyecto entero se mantenga en lo programado.

Ahora puede ver que la forma más fácil de identificar las tareas críticas es iniciar al final de la red
y proceder hacia atrás, hacia el principio del proyecto, examinando cada tarea. Determinar cuáles
son críticas, entonces, requiere calcular lo siguiente para cada tarea:
1. El último tiempo de terminación (UT) 14 -es decir, lo más tarde que pueda concluirse una
tarea, mientras permita que el proyecto se complete lo más pronto posible, como se
determinó en la sección 2.1 para el proyecto de Santa Rosa Mining Corp.
2. El último tiempo de inicio (UI) 15 -es decir, lo más tarde que pueda iniciarse una tarea, de
tal forma que finalice en su último tiempo de terminación.
Cualquier actividad cuyo último tiempo de inicio sea igual que su tiempo de inicio más inmediato
calculado en la sección 2.1 es crítica. Esto se debe a que la única forma de mantener el proyecto
a tiempo es iniciar esta tarea exactamente en este tiempo común.
Para calcular el último tiempo de terminación para una tarea particular, observe que un retraso en
esta tarea particular afecta a todas las tareas sucesoras16, es decir, aquellas tareas para las que
una tarea es una predecesora, porque las tareas sucesoras no pueden comenzar sino hasta que
ésta esté terminada. Esta observación da pie a la siguiente regla, que se añade a las tres reglas
presentadas en la sección.2.1:
Regla 4. Para calcular el último tiempo de terminación de una tarea particular, debe
conocer los últimos tiempos de inicio de cada tarea sucesora inmediata.
Regla 5. Respecto a una tarea de la que se conocen los últimos tiempos de inicio de todas
sus tareas sucesoras inmediatas, el último tiempo de terminación de esa tarea es el mínimo
de los últimos tiempos de inicio de todas las tareas sucesoras inmediatas.
Regla 6. Último tiempo de inicio = (último tiempo de terminación) - (tiempo de tarea)
UI  UT  t
Fig. 10 Cálculo de los últimos tiempos de inicio y terminación para el proyecto de Santa Rosa Mining
Pasos para calcular los últimos tiempos de inicio y terminación
14
Lo más tarde que pueda concluirse una tarea, en tanto permita que el proyecto se complete lo más pronto
posible.
15
Lo más tarde que pueda iniciarse una tarea, pero finalizando dentro de su último tiempo de terminación.
16
Una tarea para la que la tarea de interés es una predecesora.

Paso 0. Identifique el nodo correspondiente al final de todo el proyecto. Calcule y escriba

lo siguiente dentro de cada arco entrante:
a. El último tiempo de terminación, que es el tiempo más breve de conclusión
del proyecto, según se determinó en la sección 2.2 (porque cualquier otro
retraso en estas tareas retrasaría todo el proyecto).
b. El último tiempo de inicio de acuerdo con la regla 6, es decir
Último tiempo de inicio = (último tiempo de terminación) - (tiempo de tarea)
= (tiempo de conclusión de proyecto) - (tiempo de
tarea)
Paso 1. Seleccione un nodo, cuyos arcos salientes hayan sido etiquetados todos con sus
últimos tiempos de inicio y terminación.
Paso 2. Para el nodo seleccionado en el paso 1, calcule y escriba lo siguiente junto a
cada arco entrante:
a. El último tiempo de terminación de acuerdo con la regla 5, es decir último
tiempo de inicio = mínimo de los últimos tiempos de inicio de todos los
arcos salientes
b. El último tiempo de inicio de acuerdo con la regla 6, es decir último tiempo
de inicio = (último tiempo de terminación) - (tiempo de tarea)
Habiendo hecho estos cálculos, ahora puede identificar las tareas críticas y no criticas. Para cada
tarea, calculemos la holgura (H)17 de las tareas:
H  UT  IT  t
Usando los cálculos de la figura 10 y calculando las holguras se llega al calendario de actividades
mostrado en la tabla 4
Tabla 4 Calendario de actividades y tareas cr´ticas para el proyecto de Santa Rosa Mining
Las holguras en esta tabla representan la cantidad de tiempo según la cual la tarea
correspondiente puede retrasarse sin retrasar todo el proyecto, suponiendo que todas las demas
tareas se realizan a tiempo. Por ejemplo la Chimenea o coladero de mineral puede comenzar
hasta 89 dias tarde sin retrasar el proyecto.
Tarea crítica es una tarea cuyo tiempo de retraso es 0, lo que indica que cualquier retraso en esta
tarea ocasionara un retraso en la conclusion de todo el proyecto. En el ejemplo son tareas críticas
las tareas E, H, I, J, K, K, L, M y N. Como gerente debe verificar cuidadosamente estas tareas
criticas para mantener el proyecto dentro del calendario.
17
Cantidad de tiempo que una tarea puede retrasarse sin afectar la conclusión del proyecto.
Fig. 11 Ruta crítica para el proyecto Santa rosa Mining

Las dobles líneas corresponden a las tareas críticas para el proyecto Santa Rosa Minino. Como
puede ver, estas tareas forman, en conjunto una ruta crítica18 desde el principio hasta el final del
proyecto. En general puede haber varias rutas críticas; en ese caso, el tiempo es de 184 días.
Administración de proyectos con tiempos determinísticos de tarea: uso de la computadora

Utilizaremos el software WinQSB para hallar la ruta crítica:
1. Iniciar el modulo PERT-CPM del software WinQSB
2. Ingresar los datos iniciales del proyecto
18
Una secuencia de tareas cr´ticas de un proyecto que conecta el principio del proyecto con el fin.
3. Ingresar la duración y los predecesores de las tareas.
4. Obtener la ruta crítica

Son valores similares a los obtenidos anteriormente.

5. Podemos observar también la grafica
Expedición de un proyecto usando técnicas de crashing

En muchos proyectos la gerencia puede decidir que el tiempo de conclusión más breve no es
aceptable. En tales casos, a menudo pueden usarse recursos adicionales para agilizar ciertas
tareas, ocasionando una conclusión más temprana del proyecto. En esta sección, aprenderá
cómo puede formularse un modelo de programación lineal para determinar las tareas que deben
agilizarse para lograr un tiempo de conclusión deseado, y a qué costo.

En el ejemplo de Santa Rosa Mining, suponga que el Gerente General decide que un tiempo de
conclusión de 184 días es demasiado largo. Se le ha pedido hacer recomendaciones sobre cómo
puede acortarse el proyecto a 160 días.
Obtención de datos de costos adicionales para las tareas
¿Qué tareas del proyecto pueden acortarse y en cuánto? Claro está que acortar las tareas
claramente requiere recursos adicionales, como el pago de tiempos extra, personal adicional y/o
subcontrataciones. Por tanto, los primeros pasos son enumerar, para cada tarea:
1. El tiempo de choque, esto es, el tiempo mínimo posible en el que la tarea puede
concluirse de manera realista usando recursos adicionales.
2. El costo de los recursos adicionales necesarios para acortar el tiempo de tarea a cualquier
valor entre sus tiempos normal y de choque.
Para obtener el tiempo de choque, puede consultar con las personas involucradas en la tarea.
Por ejemplo, considere la tarea de la chimenea de acceso en el proyecto de Santa Rosa Mining.
Originalmente se estima que esta tarea requiere 68 días. Sin embargo, después de las
discusiones con el gerente del departamento de diseño, usted descubrió que al contratar algo de
ayuda de tiempo parcial y/o usar tiempos extra, la chimenea de acceso podría terminarse en sólo
64 días, pero no menos. Por tanto, con recursos adicionales, el tiempo de conclusión de esta
tarea puede acortarse en 4 días a un tiempo de choque de 64 días.
El tiempo cuesta dinero. Para establecer cuánto cuesta el tiempo, comience por obtener dos
estimaciones de costo para concluir la tarea en (a) su tiempo normal y (b) su tiempo de choque.
En el proyecto de Santa Rosa Mining, suponga que la chimenea de acceso se estima que cueste
$7200 si se termina en su tiempo normal de 68 días y $7528 si se terminan en su tiempo de
choque de 64 días. De hecho, con una cantidad apropiada de entre $7200 y $7528, puede
concluir esta tarea en cualquier momento entre 68 y 64 días. Sin embargo, la obtención de las
estimaciones de costo para cada tiempo posible entre las 68 y 64 días puede ser difícil, caro y
llevarse tiempo. Una aproximación comúnmente usada es suponer que los costos se comportan
linealmente dentro del intervalo de tiempo dado, como se muestra en la figura 12. Basándose en
esta suposición, un costo por unidad de tiempo aproximado puede calcularse usando la siguiente
fórmula:
Para la tarea de la chimenea de acceso,
En otras palabras, costará $ 82 adicionales por cada día que se acorte esta tarea.
Fig. 12 Transacción tiempo – costo lineal para la chimenea de acceso

Estos datos y cálculos para cada tarea del proyecto de Santa Rosa Mining se muestran en la tabla
5.
Observe que el costo por unidad de la tarea L, Explotación, no se ha calculado. Esa tarea no
puede acortarse en absoluto.
Tabla 5 Costos de choque para las tareas de Santa Rosa Mining
Desarrollo del modelo de choque

Con los datos de la tabla 5 y la red de proyecto, ahora es posible desarrollar un modelo de
programación lineal para determinar qué tareas acortar, y en cuánto, para lograr un tiempo de
conclusión meta para todo el proyecto de la manera menos costosa.
Identificación de las variables de decisión
Preguntándose lo que puede controlar y/o necesita determinar en este problema lo debe llevar a
identificar como variables de decisión la cantidad de tiempo en la cual acortar cada tarea. Por
tanto, para el ejemplo de Santa Rosa Mining, defina
YB = el número de días en las cuales acortar la tarea B
YC = el número de días en las cuales acortar la tarea C
.
YN = el número de días en las cuales acortar la tarea N
Los valores de estas variables de decisión reducen los tiempos de conclusión de tareas a las
cantidades mostradas junto a cada arco de la figura 13. Por ejemplo, el nuevo tiempo de
conclusión de la tarea C es 40 - Yc, es decir, el tiempo normal de 40 días menos el número de
días, Yc, en la cual se acorta esa tarea.
Identificación de la función objetivo
El objetivo global es minimizar los recursos adicionales totales requeridos para satisfacer el
tiempo de conclusión meta para el proyecto. Habiendo calculado los costos unitarios enumerados
en la tabla 5 asociados con el acortamiento de cada tarea, y observando que el costo de la
variable YL es irrelevante porque su valor estará restringido a 0, la función objetivo en términos
matemáticos es
Minimizar 70 YB + 70 YC + 452YD + 102.2 YE + 107 YF + 316.7 YG + 110 YH +332 YYI + 440 YJ
+ 38.33 YK + 60 YM + 275 YN
Identificación de las restricciones
Usando la técnica de agrupamiento puede identificar dos grupos de restricciones:

1. La cantidad máxima de tiempo en la cual se puede acortar cada tarea.

2. El tiempo de conclusión meta del proyecto (en este caso, 170 días).
Para las restricciones del grupo 1, lo único que se necesita son las cotas superiores sobre las
variables de decisión, YA, . . . , YN. Los valores máximos de estas variables se proporcionan en la
columna etiquetada 'Reducción máxima' de la tabla 5. La combinación de estos valores con la no
negatividad implícita de estas variables da pie a las siguientes restricciones:
Fig. 13 Variables de decisión para agilizar el proyecto de Santa Rosa Mining

Restricciones de límite
0 <= YB <= 4 (Límite B)
0 <= YC <= 4 (Límite C)
0 <= YD <= 1 (Límite D)
0 <= YE <= 13 (Límite E)
0 <= YF <= 3 (Límite F)
0 <= YG <= 3 (Límite G)
0 <= YH <= 2 (Límite H)
0 <= YI <= 1 (Límite I)
0 <= YJ <= 1 (Límite J)
0 <= YK <= 3 (Límite K)
0 <= YL <= 0 (Límite L)
0 <= YM <= 2 (Límite M)
0 <= YN <= 2 (Límite N)
La especificación de la restricción del grupo 2 requiere cuidado. Mirando la red de proyecto de la
figura 13, es necesario saber cuándo se concluirá la tarea J para determinar cuándo se terminara
todo el proyecto. Esto a su vez requiere saber cuándo se concluirán todas las predecesoras
inmediatas de la tarea J, es decir, cuándo se concluirán las tareas C e I. De hecho, para
especificar que el proyecto puede concluirse en su tiempo meta, es necesario saber cuando
puede comenzar cada tarea individual. Como estos valores son todavia desconocidos y dependen
de los valores de YA, . . . , Y N, es aconsejable definir las variabless adicionales para cada nodo en
la red de proyecto de la manera siguiente:

X0 = el tiempo en que todas las tareas que salen del nodo 0 pueden comenzar
X8 = el tiempo en que todas las tareas que salen del nodo 8pueden comenzar
Con estas variables, ahora es posible especificar que el proyecto puede comenzar en el tiempo 0
y terminar en 160 días con las dos siguientes restricciones:
X0 = 0 (inicio)
X10 <= 160 (finalización)
Todo lo que resta son las restricciones que especifican que una tarea puede comenzar solo
despuers de que sus tareas predecesoras inmediatas hayan concluido. Por ejemplo refiriendose al
nodo 1 de la figura 13, la tarea M puede comenzar solo despues de haber concluido la tarea E.
Como X1 es el tiempo en el que esta tarea puede comenzar, se tiene la siguiente restricción de
nodo:
Tiempo de inicio de las tareas que salen del nodo 1 >= tiempos de terminación de todas las tareas
que entran al nodo 1
Tiempo de inicio de M >= tiempo de terminación de la tarea E
Tiempo de inicio de M >= (tiempo de inicio de la tarea E) + (tiempo acortado de la tarea E)
X1 >= X0 + (68-YE) (tarea A)
De manera similar para el resto de los nodos, tenemos:
X2 >= X0 + (5-YD) (tarea D)
X3 >= X1 + (12-YM) (tarea M)
X4 >= X0 + (18-YF) (tarea F)
X4 >= X3 + 0 (tarea figurada)
X5 >= X4 + (16-YN) (tarea N)
X6 >= X5 + (14-YK) (tarea K)
X6 >= X0 + (21-YG) (tarea G)
X7 >= X6 + (14-YH) (tarea H)
X8 >= X7 + (28-YL) (tarea L)
X8 >= X3 + (40-YB) (tarea B)
X9 >= X8 + (16-YI) (tarea I)
X9 >= X2 + (40-YC) (tarea C)
X10 >= X9 + (16-YJ) (tarea J)
Notemos que por cada tarea real o figurada existe una restricción.
Añadiendo la no negatividad implícita de las variables X, se obtiene el siguiente modelo de
choque completo:

Minimizar 70 YB + 70 YC + 452YD + 102.2 YE + 107 YF + 316.7 YG + 110 YH +332 YYI + 440 YJ

+ 38.33 YK + 60 YM + 275 YN
Dependiendo de:
Restricciones de límite
0 <= YB <= 4 (Límite B)
0 <= YC <= 4 (Límite C)
0 <= YD <= 1 (Límite D)
0 <= YE <= 13 (Límite E)
0 <= YF <= 3 (Límite F)
0 <= YG <= 3 (Límite G)
0 <= YH <= 2 (Límite H)
0 <= YI <= 1 (Límite I)
0 <= YJ <= 1 (Límite J)
0 <= YK <= 3 (Límite K)
0 <= YL <= 0 (Límite L)
0 <= YM <= 2 (Límite M)
0 <= YN <= 2 (Límite N)
Restricciones de terminación de proyecto
X0 = 0 (inicio)
X10 <= 170 (finalización)
Restricciones de red
X1 >= X0 + (68-YE) (tarea A)
X2 >= X0 + (5-YD) (tarea D)
X3 >= X1 + (12-YM) (tarea M)
X4 >= X0 + (18-YF) (tarea F)
X4 >= X3 + 0 (tarea figurada)
X5 >= X4 + (16-YN) (tarea N)
X6 >= X5 + (14-YK) (tarea K)
X6 >= X0 + (21-YG) (tarea G)
X7 >= X6 + (14-YH) (tarea H)
X8 >= X7 + (28-YL) (tarea L)
X8 >= X3 + (40-YB) (tarea B)
X9 >= X8 + (16-YI) (tarea I)
X9 >= X2 + (40-YC) (tarea C)
X10 >= X9 + (16-YJ) (tarea J)
Restricciones de red
X0, ……..,X 10 >= 0
Resolución del modelo de choque
Habiendo formulado el modelo de choque apropiado, ahora podemos usar cualquier programa de
programaciön lineal para obtener la solución. En nuestro caso, utilizaremos el WinQSB.

De los valores de las variables Y se puede ver que para terminar el proyecto en el tiempo meta de
160 días, es necesario acortar los tiempos de la tarea E en 13 días, de la tarea H en 2 días, de la
tarea I en 1 día, de la tarea J en 1 día, de la tarea K en 3 días, de la tarea M en 2 días y de la
tarea N en 2 días. El costo total de hacer esto son $ 3,105.59 adicionales.
ADMINISTRACIÓN DE PROYECTOS USANDO TIEMPOS DE TAREA PROBABILISTICOS
(PERT)
Al revisar proyectos, un gerente a menudo encuentra retrasos imprevistos al llevar a cabo las
diferentes tareas, lo cual tiene como resultado un correspondiente retraso en el proyecto
completo. Una manera de manejar tales problemas consiste en tomar en cuenta esta variabilidad
cuando se estiman los tiempos de terminación individuales. En lugar de suponer que los tiempos
de tarea se conocen con certeza, como fue el caso en el ejemplo del proyecto de Santa Rosa
Mining en las secciones 2.1 a 2.4, puede ser más apropiado estimar los tiempos de tarea,
tomando en cuenta la incertidumbre. Para revisar tales proyectos se requiere un análisis
probabilístico, que se describirá en la presente sección. A lo largo de ella, se supone que el lector
conoce las nociones básicas de probabilidad y de estadística.
1.1. Enumeración de las tareas, identificando las relaciones de precedencia y trazando
la red de proyectos
En las secciones 1.1. a 1.4 se ha realizado la enumeración de las tareas del proyecto de Santa
Rosa Mining, identificado las relaciones de precedencia y trazado la red de proyectos.
1.2. Estimación de los tiempos de terminación de tareas
Los tiempos de terminación de estas tareas son bastante variables debido a la incertidumbre de la
obtención de suministros, el mantenimiento de las relaciones laborales, etcétera. Así pues, una
sola estimación del tiempo no es apropiada. Para tomar en cuenta esta variabilidad se requiere el
conocimiento de la distribución de probabilidad de los tiempos de terminación de cada tarea.

Esto, a su vez, requiere el conocimiento de los parámetros de la distribución, entre los que se
encuentran la media y la varianza. La obtención de la distribución y de sus parámetros, a
menudo, es difícil y tardada. Sin embargo, un planteamiento que ha resultado ser conflable en la
práctica consiste en aproximar las distribuciones desconocidas mediante una distribución beta. El
análisis, en la presente sección, no requiere la forma exacta de la distribución, sino solamente del
conocimiento de tres parámetros: el valor mínimo, el valor máximo y el valor más probable,
presentados en la figura 14.
Fig. 14 Distribución Beta de un tiempo de tarea

Suponga que para la tarea C, colocación del techo, las tres estimaciones obtenidas del
subcontratista que lo va a colocar son:
a = más optimista = 3 días b = más pesimista = 11 días m = más probable = 5.5 días
Utilizando estas tres estimaciones, el tiempo esperado y la desviación estándar se calculan de la
manera siguiente:
Tiempo de tarea esperado a + 4m + b

BIBLIOGRAFIA
 INVESTIGACIÓN DE OPERACIONES”, Kamlesh Mathur, Daniel Solow, Edit.
Prentice-Hall Hispanoamericana S.A., 1996, México.
 “INVESTIGACIÓN DE OPERACIONES”, Hamdy A. Taha, séptima edición, Pearson
Educación de méxico, S.A. de C.V., 2004, México.
 “INVESTIGACIÓN DE OPERACIONES: Programación Lineal”, Jorge Alvarez A.,
segunda edición, Edit. América, 1995, Perú.
 “MICROSOFT PROJECT 2003 PASO A PASO”, Curso Oficial de Microsoft, Edit.
McGraw-Hill/Interamericana de España, 2003, Madrid.


Investigacion Operaciones v3

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

Investigacion Operaciones v3

Enviado por

Direitos autorais:

Formatos disponíveis

INVESTIGACION DE OPERACIONES EN MINERIA

2.2.8.1. Problema de optimizacion de mezcla de Luz del Centro...........................................38

ii Facultad de Ingeniería de Minas

iii Facultad de Ingeniería de Minas

1.1. ¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?

1.2. HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES

1 Facultad de Ingeniería de Minas

grupos, especialmente en el área de la detección por radar, se consideran vitales en el triunfo de

1.3. METODOLOGÍA DE LA INVESTIGACIÓN DE OPERACIONES

Figura 1.1 La metodología de la investigación de operaciones.

1.3.2. Desarrollo de un Modelo Matemático y Recolección de Datos

2 Facultad de Ingeniería de Minas

Después de que el problema está claramente definido y comprendido, el siguiente paso es

1.3.3. Resolución del Modelo Matemático

1.3.4. Validación, Instrumentación y Control de la Solución

1.3.5. Modificación del Modelo

1.4. USOS Y VENTAJAS DE LOS MODELOS DE INVESTIGACIÓN DE OPERACIONES

a) Definición del problema, mediante su identificación y comprensión de manera que pueda

5 Facultad de Ingeniería de Minas

2.1. PASOS GENERALES Y TÉCNICAS DE LA CONSTRUCCIÓN DE MODELOS

6 Facultad de Ingeniería de Minas

1. El número de miles de galones de CS-01 por producir semanalmente.

7 Facultad de Ingeniería de Minas

Identificación de la función objetivo

9 Facultad de Ingeniería de Minas

10 Facultad de Ingeniería de Minas

2.2. EJEMPLOS DE FORMULACIÓN DE MODELOS MATEMÁTICOS

Paso 2: Identificación de los datos del problema

11 Facultad de Ingeniería de Minas

e) Ley de plomo del mineral extraído de la veta Colquechaca: 3,5%

Paso 4 Identificación de las restricciones

12 Facultad de Ingeniería de Minas

Paso 5 Formulación matemática del modelo

2.2.1.2. Planeamiento de produccion de una compañía minera

Mineral de alta Mineral de baja Costo de operación

La compañía se ha comprometido a entregar 540 toneladas de mineral de alta calidad y 650 de

Paso 2: Identificación de los datos del problema

13 Facultad de Ingeniería de Minas

d) Capacidad de producción de mineral de baja calidad de la mina 1: 40 ton/día

Paso 3 Identificación de la función objetivo

Paso 4 Identificación de las restricciones

Paso 5 Formulación matemática del modelo

14 Facultad de Ingeniería de Minas

M1, M2 y M3 >= 0 y enteros

2.2.1.3. Planeamiento de produccion de explosivos

Paso 2: Identificación de los datos del problema

Paso 3 Identificación de la función objetivo

Paso 4 Identificación de las restricciones

Paso 5 Formulación matemática del modelo

2.2.1.4. Planeamiento de transporte de concentrado

Paso 2: Identificación de los datos del problema

Paso 3 Identificación de la función objetivo

16 Facultad de Ingeniería de Minas

Paso 4 Identificación de las restricciones

Paso 5 Formulación matemática del modelo

2.2.1.5. Planeamiento de produccion de un taller de metalmecanica

17 Facultad de Ingeniería de Minas

Departamento Horas disponibles

Paso 2: Identificación de los datos del problema

18 Facultad de Ingeniería de Minas

Paso 3 Identificación de la función objetivo

Paso 4 Identificación de las restricciones

Paso 5 Formulación matemática del modelo