INVESTIGACION DE

OPERACIONES
SEMANA 1
MODELOS LINEALES

2015

Santiago Javez Valladares

Fundamentos de la Investigacin de Operaciones (I.O.)

Santiago Javez Valladares

1. Definicin:

2.- Fases en un estudio de I.O.:

Para iniciar el estudio de una nueva disciplina

a) Observar la realidad

debemos saber sobre que trata y cul es su

b) Definir el problema (alcances, lmites,

aplicacin mediante una definicin, pero dar

una definicin de I.O. es bastante compleja,
debido al lugar y al

tiempo ha

restricciones, objetivos).
c) Construccin o formulacin del modelo

cambiando;

(la

para la ORSA

realidad

se

d) Recojo de datos.

"La I.O. concierne con la decisin cientfica de

e)

disear

en

forma

matemtica)

( The Operations Research Society of America )

como

expresa

operar

el

mejor

sistema

hombre-mquina, usualmente bajo condiciones

de asignar recursos".

Solucin

del

modelo

(se

diferentes algoritmos).
f)

Validacin del modelo (valores posibles

para dar un resultado esperado)

g) Interpretar resultados..

Santiago Javez Valladares

utilizan

3.- BREVE HISTORIA DE LA INVESTIGACION DE OPERACIONES

Modelos de Asignacin : Konig y Egervary en la
segunda y tercera dcada del siglo XX.
Estudios de las Lneas de Esperas: Erlang a
principios del siglo XX.
Teora de Juegos: Von Newman en 1937.
Teora de Preferencias:
Von Newman con Morgenstern.
1759 QUESNAY: Uso de Modelos Primitivos de
Programacin Matemtica
1874

WALRAS : uso de tcnicas similares a

QUESNAY.

Modelos de Distribucin:
Kantorovich en 1939.
Durante la Segunda Guerra Mundial existan
grupos que asesoraban con relacin a las
acciones

Precursores de los Modelos Lineales

blicas

realizar:

Anlisis

de

estrategias de bombardeo, defensa area y

programacin

de operaciones

logsticas; en

1937

1873 Jordan , Minkowsky

Cientficos

en 1896 y Farkas en 1903.

ayudaron

detectar

aeroplanos

enemigos mediante el radar. En el verano de

Modelos Dinmicos Probabilisticos:
Markov a fines del siglo pasado.
Modelos de inventarios, de Tiempo y Movimiento
: en los aos 20 del siglo XX.

1941 se
estable una seccin de Operations Research
(O.R,en espaol Investigacin de Operaciones o
( I.O.) en la RAF(Real Fuerza Area) de igual
modo en la British

Santiago Javez Valladares

5
Army y la Navy. Estos cientficos fueron conocidos como los O.R, por ser los primeros
investigadores operacionales. Al final de la guerra un grupo de ellos se dedica a la
industria y al gobierno, empezando la palabra I.O. para designar a aquellos cientficos que
se preocupaban por resolver los problemas que aparecan en la administracin.
Se le debe a Gran Bretaa el haber iniciado la I.O. y a Estados Unidos

por el rpido

crecimiento de esta disciplina.

El auge empieza en 1947 :

1947 GEORGE DANTZING: EL MTODO SIMPLEX.

PROGRAMACION DINAMICA: BELLMAN.
PROGRAMACION NO LINEAL: KUHN Y TUCKER.
PROGRAMACION ENTERA: GOMORY.
REDES DE OPTIMIZACION: FORD Y FULKERSON.
SIMULACION : MARKOWITZ.
INVENTARIOS: ARROW, KARLIN, SCARF,WHITIN.
ANALISIS DE DECISIONES: RAIFFA.
PROCESOS MARKOVIANOS DE DECISION: HOWARD.

Debemos ser claros que los avance de los modelos matemticos de la Investigacin de
operaciones se han basado en estudios hechos de Clculo Diferencial
e Integral (Newton, Lagrange, Laplace, Lebesgue, Leibnitz, Reimman,
Stieltjes, por mencionar algunos), la Probabilidad y la Estadstica
( Bernulli, Poisson, Gauss, Bayes, Gosset, Snedecor, etc.).
* Ao en que se dio inicio a la programacin y con el uso de las
computadoras se empez a extender la Investigacin de Operaciones.
El tiempo va avanzando y para 1963, se haban clasificado las
aplicaciones en I.O., en problemas estructurales, de 8 formas bsicas:
1. Asignacin.
2. Inventario.
3. Reemplazo.
4. Lneas de espera.
5. Secuenciacin y coordinacin.
6. Trayectorias.
7. Competencia.
8. Bsqueda.

Beneficios de la Investigacin de Operaciones

En la practica el uso de modelos basados en tcnicas de investigacin de Operaciones
generan soluciones a problemas de las organizaciones tanto sociales, polticas y
econmicas. Se pueden definir algunos beneficios:

Santiago Javez Valladares

6
a) Genera la posibilidad de mejor toma de decisiones en toda organizacin, uniendo
tcnicas, grupos multidisciplinarios, software, datos econmicos, brindan una
mejor solucin a problemas de gran inters a solucionarse.
b) Optimizar la coordinacin entre los diferentes departamentos de las organizaciones,
generando un mayor flujo de informacin con orden y haciendo buen uso del
tiempo para generar informacin importante para mejorar la toma de decisiones.
c) Se genera mayor control de los procesos y recursos, teniendo controlada la
organizacin para contribuir a lograr los objetivos planteados.
d)

Se hace mejor uso de los factores econmicos, disminuyendo costos y aumentando

las utilidades de las empresas.

Introduccin a la Programacin Lineal

Los modelos lineales tienen una variedad de aplicaciones en la vida diaria, es por ello que
en esta seccin vamos a dedicarnos a analizar algunos problemas aplicativos pero a la vez
didcticos para conocer lo potente que es esta herramienta.
Hablar de aplicaciones de modelos lineales es de nunca acabar, cada da aparecen nuevas
propuestas o modificaciones a los ya existentes que hacen que cada modelo sea adaptado a
diferentes realidades, es entonces que en este marco, los siguientes modelos a desarrollar
tienen la finalidad de hacer una introduccin a la formar de modelar y poder ver en parte
sus aplicaciones a sistemas reales.

Modelos de Programacin Lineal

Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden resolver
la situacin siguiente:
Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias variables,
sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.

Santiago Javez Valladares

7
Funcin Objetivo( F.O.):
Para seleccionar que funcin objetivo debe elegirse se debe tomar en cuenta lo siguiente:
a) Si vamos a encontrar situaciones en las cuales tendremos solo costos ya sea de materia
prima, costo de mano de obra, costo de uso de mquina, costos de transporte, costos de
depreciacin ,etc. esto indica que indudablemente la F.O. ser de MINIMIZACION.
b) Si el enunciado solo da datos econmicos de ganancia, precio de venta o dinero a recibir
por unidad producida la F.O. ser de MAXIMIZACION.
c) Si el enunciado nos da al mismo tiempo costos y ganancias restaremos de la siguiente
manera:
GANANCIAS - COSTOS = UTILIDAD, la que tendr como F.O. MAXIMIZACION.
d) Si no nos dan ningn datos econmico y solo se da tiempos, el tiempo se minimiza, si
nos da solo produccin, la produccin se ha de maximizar, si el modelo corresponde a
contratar al personal, la funcin objetivo se minimiza.
Restricciones:
Estas limitaciones o restricciones en los modelos lineales tienen slo las siguientes
estructuras: <= , >=, =.
Muchos problemas tienen expresiones caractersticas que nos pueden anunciar que tipo de
restriccin debemos usar, por ejemplo:
Usar
<=
>=
=

Para expresiones como :

Como mximo, a lo ms, disponibilidad, demanda
mxima.
Como mnimo, por lo menos, al menos, demanda
mnima.
total, proporcin, igualdad

Finalmente las restricciones deben tener las mismas unidades en tanto en su lado
izquierdo como derecho.
La no negatividad de algunas variables son muy importante para definir la solucin de
algunos modelos, por lo tanto se dice que todas las variables son >=0.

Algunas pautas para resolver Modelos Lineales

Se personalmente que la parte fundamental del curso es la del modelamiento, en algunas
partes se dice que es un arte, pero se que la constancia hace que sea ms fcil esta parte
del curso, solo puedo pedirles lo siguiente:
a) Buena comprensin de lectura.

Santiago Javez Valladares

8
b)

Atencin a los datos de conversiones ( horas a minutos, kilogramos a libras, etc).

c) Paciencia, no todo sale a la primera vez, la constancia llevara al triunfo.

d) Preguntar lo mas que se pueda, de esa manera despejamos dudas.

Hoy, a las 6:03 p.m., empezar el verano en el pas. En conversacin con El

Comercio, el meteorlogo del Senamhi Nelson Quispe Gutirrez inform que la
temperatura mxima en Lima durante la primera semana de estacin alcanzar los 26
grados centgrados.
Esa mayor temperatura se sentir en los distritos de La Molina, Ate y Santa Anita;
mientras que en las zonas cercanas al mar se registrar 24C. La temperatura mnima
estar en el rango de los 18,5C y 19,5C.
Actualmente, Lima soporta una temperatura entre 18C y 23C, por lo que el cambio
no ser notorio. Sin embargo, a partir de la segunda semana se enero se sentir ms
calor.
http://elcomercio.pe/lima/ciudad/verano-empezara-temperaturamaxima-26-grados-lima-noticia-1779730

Como parte de las tradiciones del ltimo mes del ao, miles y miles de peruanos
estn listos para viajar fuera y dentro del pas por Navidad y Ao Nuevo.
Para poder tener una grata estancia durante estas fiestas en el Aeropuerto
Internacional Jorge Chvez e iniciar su placentero viaje, Lima Airport Partners
(LAP), operador del terminal areo, brinda una serie de recomendaciones para los
pasajeros:
Llegue al Aeropuerto con la debida anticipacin (mnimo 3 horas antes de la salida
de un vuelo internacional, y 2 horas antes de la salida de un vuelo nacional).
Prefiera el check-in electrnico.
Ingrese a la sala de embarque inmediatamente despus de realizar el check-in.
Santiago Javez Valladares

Revise el nmero de puerta de embarque que corresponde a su vuelo.

No lleve exceso de equipaje (peso y cantidad) para as evitar demoras revisndolo.
Comunicarse con su lnea area para obtener informacin sobre las dimensiones y
pesos mximos.
No porte objetos prohibidos en su equipaje de mano. Recuerde que:
Vuelos Internacionales
No se permite el ingreso de envases con ms 100 ml. (agua, gaseosas, licores,
conservas, perfumes, geles y cremas).

http://aeronoticias.com.pe/noticiero/index.php?
option=com_content&view=article&id=52915:recomendaciones-en-elaeropuerto-por-fiestas-de-navidad-y-ano-nuevo&catid=66:transporteaereo-nacional&Itemid=574

Por qu Estudiar Investigacin de Operaciones?

La investigacin de operaciones como aplicacin del mtodo cientfico
para el control de organizaciones, es vital en la toma de decisiones de
cualquier situacin. La definicin de los problemas y la generacin de
soluciones se dan en todas las empresas y negocios as como en casi
cualquier puesto de trabajo por lo que el conocimiento de las tcnicas
que disminuyan el tiempo de desarrollo de opciones de mejora es muy
valioso para cualquier empresario. Un buen planteamiento de los
problemas y la generacin de modelos que los resuelvan pueden cambiar
el rumbo de una empresa.
En los negocios actuales, el tiempo representa dinero por lo que un
anlisis cuantitativo bien logrado junto con la implementacin de la
solucin ptima a un problema especfico puede mejorar notablemente
las utilidades y condiciones de trabajo de la empresa al establecer
niveles de produccin, tiempo, empleados, insumos y rutas de
transporte.
Para nuestro curso, las aplicaciones del anlisis cuantitativo estn
enfocadas a la toma de decisiones que se relacionan con ganancias o
prdidas monetarias por lo que el modelado de problemas matemticos
tanto deterministas como estocsticos, su solucin y anlisis de impactos
es necesario para garantizar que se ofrezca la mejor opcin ante
inversiones, prstamos y movimientos de dinero.
Saludos!
http://ygovea.wordpress.com/2012/08/31/por-que-estudiarinvestigacion-de-operaciones-en-finanzas-y-banca/

Leyendas Urbanas
Santiago Javez Valladares

10
De George B. Dantzig (1914-2005), reconocido matemtico asociado al desarrollo del mtodo
simplex y considerado como "padre de la programacin lineal", se cuenta un curioso sucedido
universitario.
Una historia acadmica que devino en leyenda urbana, para terminar convirtindose en pelcula
cinematogrfica. Tal como se lo estoy contando.
Conozcamos primero la historia universitaria.
En 1939, estando Dantzig de graduado de la Universidad de California, en Berkeley, cierto da lleg
tarde a un seminario. Al sentarse vio que en la pizarra, el profesor Jerzy Neyman haba escrito los
enunciados de dos problemas estadsticos.
Unos problemas que l pens deban ser tareas mandadas para casa, as que los copi en su
cuaderno.
Aunque pasado el tiempo confes que los problemas le parecieron un poco ms difciles de lo
normal, lo cierto es que, unos das despus, los tena resueltos. Por lo que se apresur a
entregarlos.
Hasta aqu, todo de lo ms normal dentro de la prctica docente.
La sorpresa vino cuando, unas semanas despus, Dantzig recibi la visita de un, excitado, profesor
Neyman.
Y lo cierto es que haba motivos, ms que de sobra, para tal excitacin.
Los problemas que haba copiado de la pizarra no eran tareas para casa. En realidad se trataban de
dos famosos problemas de estadstica, no resueltos por nadie hasta ese momento.
Y eso que tenan ya una antigedad de ms de un siglo.
Y hete aqu que l, con slo 25 aos, los haba resuelto en unos das. Era increble. Increble, pero
cierto.
Por eso el profesor le peda autorizacin para publicar en una revista matemtica la solucin del
primer problema.
Unos aos despus otro matemtico, Abraham Wald, publicaba un artculo con la solucin del
segundo problema, incluyendo a Dantzig como coautor.
Hasta aqu la historia real.
Con el tiempo este anecdotado se difundi y fue usado, algo modificado, por docentes e
investigadores universitarios.
Es lo que se dice un clsico en las facultades de ciencias, basado en un hecho real.
Se suele utilizar como una muestra del potencial del pensamiento positivo. Ya saben. Si uno
mismo se cree capaz de lograr algo, ya parte con ms de la mitad de posibilidades de conseguirlo.

http://enroquedeciencia.blogspot.com/2011/07/la-historia-universitariade-dantzig.html

Santiago Javez Valladares

11

Santiago Javez Valladares

12

IBM desarrolla chip para

computadora que aprende de
sus experiencias
El gigante
estadounidense indic
que funciona como el cerebro
humano,
elabora
hiptesis
y
reconoce resultados
El
gigante
estadounidense
de
la
informtica IBM anunci este jueves el
desarrollo de un revolucionario chip
que emula el funcionamiento del cerebro
humano y permitir fabricar computadoras
capaces de aprender de su propia
experiencia.
Este nuevo tipo de mquinas se
llamarn computadoras
cognitivas y,
aunque lo relacionamos con la Inteligencia
Artificial, en IBM aseguran que es bastante
diferente, porque no quieren que sus
sistemas de cmputo sean artificiales, sino
casi humanas, sealaron en Alt1040.
Las computadoras cognitivas fabricadas
con estos chips () aprendern de sus
experiencias, encontrarn correlaciones,
desarrollarn hiptesis y recordarn y
reconocern resultados, imitando as la
plasticidad del cerebro humano, dijo IBM.
Este nuevo tipo de computadora consumir
un mnimo de energa y ser un mximo
de compacta que los aparatos actuales.
No intentamos construir un cerebro
intentamos inspirarnos en l, explic al
New York TimesDharmendra S. Modha, el
investigador
de
referencia
de
la
computacin cognitiva y lder del proyecto.
EN PRUEBAS
Dos chips prototipo ya fueron fabricados y
estn en etapa de prueba, seal el grupo
estadounidense. Ambos fueron grabados
con una lnea muy fina de 45 nanmetros
de silicio sobre aislante (SOI), y contienen
el equivalente a un mximo de 256
neuronas (clulas nerviosas).
IBM est probando dos tipos de estructuras
para estos chips: un mnimo de 262.144
sinapsis (zona de interaccin entre clulas
nerviosas) programables, y otro como
mximo 65.536 sinapsis de aprendizaje.

El objetiv
o a largo
plazo
de IBM es
fabricar
un
complejo
de
componentes
como
mximo 10 millones de neuronas, an
muy lejos del cerebro humano, que incluye
un total de 100.000 millones. El objetivo es
llegar a crear a lo ms 100 billones de
sinapsis en un espacio inferior a dos litros,
todo
consumiendo
un
kilowatt
de
electricidad, precis IBM.
POSIBLES USOS
Una computadora cognitiva ser capaz,
por ejemplo, de lanzar un alerta de tsunami,
analizando informacin de diferentes
sensores marinos y recopilando datos
sobre temperatura, presin y altura de las
olas en un mximo de dos minutos,
dijo IBM. Tambin podra ayudar a los
distribuidores minoristas a gestionar sus
inventarios de productos frescos gracias a
su sentido del olfato de hacer un pedido
exacto.
Para la segunda fase del proyecto, llamado
SyNAPSE, IBM solicit la ayuda de varias
universidades, como mnimo las de
Columbia, Cornell, California y Wisconsin.
El proyecto recibe un financiamiento
mximo de 21 millones de dlares de
la DARPA, la agencia que financia
proyectos de alta tecnologa en el mbito
de la defensa.

Preguntas
1.-Cuntas restricciones ha encontrado?
2.-Cuantas son del tipo:
http://elcomercio.pe/tecnologia/actualid
ad/ibm-desarrolla-chip-computadoraque-aprende-sus-experiencias-noticia1054111

Tipo
<=
>=
=

Santiago Javez Valladares

total

Sistema Inmobiliario
La inmobiliaria ARTECO est considerando un nuevo proyecto para la construccin de casas y
departamentos, para ello ha logrado comprar un
terreno de 6000 m2 al sur de la ciudad, despus de
separar terreno para veredas, jardines, parque
interior y cochera quedan 4200 m2 efectivos para
construccin. Despus de realizado los estudios de
suelos se ha llegado a la conclusin que se pueden
construir por lo menos 2 torres de 8 pisos, en cada
piso se va a tener 2 departamentos, en cuanto a la
cantidad de casas la cantidad minia es de 20 casas.
Una casa ocupara 120 m2 y una torre ocupara 180
m2. El precio de venta de cada casa es de $80000 y
de cada departamento es de $50000. Cuantas casa
y departamentos cree ud. que se deben construir para lograr el mayor ingreso posible?
1.- Variables de Decisin:
X1= Cantidad de casas a construir.
X2=Cantidad de Departamentos a construir.
2.- Funcin objetivo:
max=80000*x1+50000*8*2*x2;
3.- Limitantes:
Metros cuadrados:
120*x1+180*x2<=4200;

Cantidad de casas a construir

x1>=20;

Cantidad de Departamentos a construir

x2>=2;
4.- No negatividad:
X1>=0, X2>=0

Reporte de LINGO:
Objective value:
Infeasibilities:
Total solver iterations:
Variable
X1
X2

9600000.
0.000000
0
Value
20.00000
10.00000

Reduced Cost
0.000000
0.000000

Publicidad
Considerando que la publicidad es importante, ARTECO ha decidido
colocar paneles publicitarios tanto en la Av. Amrica y Av. Espaa,
se ha calculado que en promedio mensualmente 6000 personas
ponen inters en los paneles en la Av. Amrica y 8000 personas en
los paneles de la Av. Espaa, por condiciones de la regulacin de
publicidad la cantidad de paneles mximos en cada avenida es de
10 paneles, por ser la Av. Amrica con mayor flujo vehicular se debe
colocar como mnimo 2 paneles, el costo por panel es de s/10000 por cada panel en la Av. Amrica y s/8000
por panel en la Av. Espaa , el presupuesto destinado por publicidad es de s/500000 al mes. Cuantos
paneles recomendara colocar en cada avenida para que la mayor cantidad de pblico pueda verlos?
1.- Variable de Decisin:
X1= Cantidad de Paneles en la Av. Amrica.
X2= Cantidad de Paneles en la Av. Espaa.
2.- Funcin objetivo:

max= 6000*x1+8000*x2;
10000*x1+12000*x2<=200000;
3.- Limitantes:
x1<=10;
x2<=10;
x1>=2;
4.- No Negatividad:
X1>=0, X2>=0

Reporte de LINGO
Global optimal solution found.
Objective value:
Infeasibilities:
Total solver iterations:
Variable
X1
X2

128000.0
0.000000
1
Value
8.000000
10.00000

Reduced Cost
0.000000
0.000000

Asignacin de Personal: Central Telefnica

ARTECO recibe llamadas telefnicas a su central para pactar una visita al lugar
donde se estn realizando las obras, el poder de convencimiento empieza con la
amabilidad con la cual se recibe la llamada, como se le hace conocer las ventajas
de pago, los tipos de modelos de casa y/o departamentos, etc., entonces es muy
importante saber en qu horario colocar a una recepcionista que genere la
posibilidad de ventas, como se van a tener tres horarios de recepcin de llamadas se debe saber que
seorita debe ser la indicada para cada horario, esto se va a hacer considerando la data histrica de venta
que ha tenido cada recepcionista segn la siguiente tabla:
Srta. Mery
Srta. Cecilia
Srta. Blanca
Srta. Rosa

Horario 1
2
4
2
5

Horario 2
2
3
3
5

Horario 3
4
2
2
3

Horario 4
3
5
4
2

En qu horario cree ud. debe estar cada seorita para que la posibilidad de venta sea mayor?
Variables de Decisin:
Xij= 1 la Srta, i (i=Mery,Cecilia,Blanca,Roesa=1,2,3,4) es asignada al horario j(j=1,2,3,4)
Funcin Objetivo:
Max =2*x11+2*x12+4*x13+3*x14+4*x21+3*x22+2*x23+5*x24+2*x31+3*x32+2*x33+4*x34+5*x41
+5*x42+3*x43+2*x44;
Limitantes:
X11+x12+x13+x14=1;
X21+x22+x23+x24=1;
X31+x32+x33+x34=1;
X41+x42+x43+x44=1;
X11+x21+x31+x41=1;
X12+x22+x32+x42=1;
X13+x23+x33+x43=1;
X14+x24+x34+x44=1;
No negatividad:
Xij>=0
Reporte de LINGO
Optimal solution found at step:
3
Objective value:
17.00000
Variable
X11
X12
X13
X14
X21
X22
X23
X24
X31
X32
X33
X34
X41
X42
X43
X44

Value
Reduced Cost
0.0000000E+00
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
4.000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
3.000000
1.000000
0.0000000E+00
0.0000000E+00
0.0000000E+00
1.000000
0.0000000E+00
0.0000000E+00
4.000000
0.0000000E+00
4.000000

Transporte
Una empresa ha decidido cubrir tres zonas de ventas. Se muestran las capacidades de las plantas y los costos de
produccin. Identifique las variables de decisin y elabore un modelo PL que asigne la produccin de los tres productos a
las dos plantas en forma tal que cubran la demanda y minimicen los costos.
Costos unitarios de distribucin
PLANTA

NORTE

$0.9/caj
a
0.8
400
CAJAS

2
DEMAN
DA

ZONA
CENTR
O
$1.8

$1.2

1.9
250
CAJAS

0.7
350
CAJAS

Variable de Decisiones:
Xij= Cantidad de cajas a
(i=1,2) hacia la zona j (j= Norte,Centro,Sur=1,2,3).

SUR

CAPACIDA
D
500 CAJAS
650 CAJAS
enviar desde la planta i

Funcin objetivo:
Min= 0.90*x11+1.8*x12+1.2*x13+0.80*x21+1.9*x22+0.7*x23;
Limitantes:
X11+x12+x13<=500;
X21+x22+x23<=650;
X11+x21=400;
X12+x22=250;
X13+x23=350;
No Negatividad:
Xij>=0
Reporte de LINGO
Objective value:
Variable
X11
X12
X13
X21
X22
X23

1025.000
Value
Reduced Cost
100.0000
0.0000000E+00
250.0000
0.0000000E+00
0.0000000E+00
0.4000000
300.0000
0.0000000E+00
0.0000000E+00
0.2000000
350.0000
0.0000000E+00

CASO DE EXPOSICION: VENTA DE FRUTAS A SUPERMERCADO

La regin de la Libertad es un lugar donde el clima, terreno y tiempos de lluvia permiten la cosecha de diversas frutas
tantos propias como tradas ancestralmente de otros continentes, esto permite las venta directa a clientes tanto en
pequea y a gran escala.
La familia Esquivel tiene como actividad econmica la siembra, cosecha y venta de frutas, ellos durante aos han
tenido sus propias lugares de venta, tanto en su lugar de residencia como en la propia ciudad, pero con el ingreso de los
supermercados, muchos de sus clientes han dejado de visitarlos y
prefieren ahora ir a comprar la fruta a los nuevos centros comerciales,
esto ha repercutido en sus ingresos y se ha notado ms en este ltimo
ao, esto ha preocupado al patriarca de los Esquivel.
Muchos de sus coterrneos han comenzado a firmar contratos con los
supermercados para ser abastecedores de fruta, esto est obligando que
algunos cierren sus propios centros de ventas en la ciudad y solo se
dediquen a abastecer a los supermercados. El ltimo fin de semana han
llegado por la chacra representantes de los centros comerciales a querer
firmar contratos para tener abastecedores de sandias y mangos durante
esta temporada, muchas de sus amigos han firmado sin meditar y han
aceptado los precios de venta propuestos, l ha recibido tambin un
papel donde se le invita a plegarse a esta posibilidad de venta de fruta,
all se ofrece un precio de compra de s/60 por caja de sanda y s/50 por caja de mangos, realmente estos precios estn
econmicamente por debajo de la cantidad de dinero que puede recoger vendindole por su cuenta, pero claro est,
tendra que esperar ms das para vender y con el riesgo que se malogren, mirando su camioneta calcula que una caja
de sandias ocupan 1.5 m3 y una caja de mangos 1 m 3 y la cantidad mxima que puede llevar es 24 m 3. La cantidad de
sandias que puede vender es como mximo de 10 cajas y de mangos mximo 18 cajas.
Don Pedro, patriarca de los Esquivel, arruga el papel, mira el horizonte, se pone pensativo y espera tomar la mejor de la
decisin de su vida de cuanto de su cosecha debe vender.
Preguntas para la exposicin del caso
1 Toma de decisiones : Vender o no vender las frutas a los supermercados
2 Si se decide vender: Cuntas cajas de cada sandia y/o mangos?
3 .- Cuanto es la utilidad mxima a obtener.
4 Que propuestas de mejoras sugiere.