Aplicaciones de la programación lineal en gerencia de operaciones

Gerencia de Operaciones I
Ing. Oscar Mendoza Macas
Aplicaciones de la programacin Lineal

Hasta estos momentos el estudio se ha orientado a la comprensin de la programacin lineal en trminos del mtodo grfico de solucin, del anlisis de sensibilidad y de la interpretacin de las soluciones computadorizadas para problemas de programacin lineal. Estos antecedentes son esenciales para saber cundo la programacin lineal es una herramienta apropiada para resolver problemas y, tambin, para interpretar los resultados que la solucin de programacin lineal da para un problema.
En la prctica, la programacin lineal ha probado ser uno de los enfoques cuantitativos ms exitosos para la toma de decisiones en la administracin. Se han reportado numerosas aplicaciones en las industrias qumica, del aerotransporte, del acero, del papel, del petrleo y en otras. Los problemas especficos que han sido estudiados son diversos e incluyen programacin de la produccin, seleccin de medios publicitarios, planeacin financiera, presupuestos de capital, transporte, ubicacin de plantas, mezcla de productos, asignacin de personal, mezclados y muchas otras.
Tal como sugiere la variedad de las aplicaciones que se menciona, la programacin lineal es una herramienta flexible para resolver problemas, con aplicaciones en muchas disciplinas. En este capitulo, se exponen aplicaciones en las reas de mercadotecnia, finanzas y administracin de la produccin. En la seccin final se presenta una aplicacin en el campo relativamente nuevo del anlisis global de datos. En muchos de los ejemplos se presentan soluciones por computadora que se obtienen utilizando el paquete de programas denominado The Management Scientist.
4.1
ALGUNOS
LINEAMIENTOS
PARA
LA
FORMULACION DE LOS MODELOS

En las aplicaciones que siguen se vera la forma en la que se pueden plantear diversos problemas como programas lineales. Aunque el proceso de formulacin o planteamiento de modelos de programacin lineal es un arte que se aprende con la prctica y la experiencia, los siguientes lineamientos o casos generales pueden ser tiles al comenzar a formular los propios modelos de programacin lineal. 1. Entender por completo el problema 2. Plantear el problema en forma tan concisa como sea posible, formulando enunciados verbales de lo siguiente: Objetivo. El propsito del problema, tal como maximizar utilidades, minimizar tiempo, etc. Variables de decisin. Los aspectos del problema que se pueden controlar o determinar y que ayudan a alcanzar el objetivo que se plantea. Restricciones. Las limitaciones o condiciones que se deben satisfacer para que la solucin sea factible. 3. Utilizando las variables de decisin como incgnitas (por ejemplo x1, x2, etc.), formular expresiones matemticas que describan el objetivo y cada una de las restricciones. Se debe recordar que como el mtodo es de programacin lineal, las expresiones que se utilizan para el objetivo y para las restricciones deben ser relaciones lineales. 4. Aadir los requisitos de no negatividad (Xi 0) para cada una de las variables de decisin.
En este punto debe tenerse un modelo de programacin lineal que represente el problema o aplicacin que se estudia. La solucin del modelo proporcionar los valores ptimos de las variables de decisin, as como tambin informacin acerca del anlisis de sensibilidad. La interpretacin adecuada puede ofrecer informacin valiosa sobre la toma de decisiones para los administradores.
4.2
APLICACIONES EN MERCADOTECNIA
Seleccin de medios de publicidad
Las aplicaciones de programacin lineal para la seleccin de medios publicitarios estn diseadas para ayudar a los gerentes de fijos de publicidad a diversos medios. Los medios potenciales incluyen peridicos, revistas, radio, televisin y correo directo. En la mayor parte el objetivo es maximizar Ia exposicin a la audiencia. Las restricciones sobre las asignaciones permisibles usualmente se producen por consideraciones como politicas de la compaa, requisitos contractuales y disponibilidad de los medios. En Ia aplicacin que se presenta enseguida, se ilustra la forma en que podra plantearse un problema de seleccin de medios, y su solucin utilizando un modelo de programacin lineal.
Considrese
el
caso
de
la
empresa
Relax-and-Enjoy
Lake
Development Corporation. La Relax-and-Enjoy est realizando el proceso de desarrollo de un centro habitacional que se ubicar en las riberas de un lago de propiedad privada, y el negocio consiste en la
Ing. Oscar Mendoza Macas El
venta de inmuebles para vacaciones o de albergues para retiro.
principal mercado para esto lotes en las orillas del lago incluye a todas las familias de ingresos medios y altos dentro de un radio de aproximadamente 100 millas desde tal centro. La Relax and - Enjoy ha utilizado los servicios de la firma de publicidad Boone Phillips and Jackson para el proyecto de la campaa promocional. Despus de considerar los posibles medios publicitarios y el mercado que se debe cubrir, la Boone ha hecho la recomendacin preliminar de restringir la publicidad del primer mes a cinco fuentes. Al final del mes, la empresa reevaluara su estrategia, con base en los resultados. La Boone ha recopilado datos acerca del nmero de familias potencialmente compradoras a las que se llega, el costo por publicidad, el nmero mximo de veces que esta disponible cada medio, y la disposicin esperada para cada uno de los cinco medios publicitarios. La exposicin esperada se mide en trminos de una unidad de exposicin, que es una del valor relativo de un anuncio en cada uno de los medios. Tales medidas, con base en la experiencia que la compaa tiene en el negocio de la publicidad, toman en consideracin factores tales como perfil de la audiencia (edad, ingresos y grado de educacin), imagen que se presenta y calidad del anuncio. En la tabla 4.1 se presenta la informacin recopilada. La firma Relax-and-Enjoy ha proporcionado a la Boone un
presupuesto de publicidad de $30.000 (dlares) para la campaa del primer mes. Adems, ha impuesto las siguientes restricciones sobre la forma en que la Boone puede asignar esos fondos: se deben utilizar cuando menos 10 anuncios (o comerciales) de televisin, y se debe llegar cuando menos a 50000 compradores potenciales durante el mes. Adems, no pueden invertirse mas de $ 18000 en anuncios por televisin. Que plan de seleccin de medios debe recomendar la empresa publicitaria?
TABLA 4.1 Alternativas de medios de publicidad para la Relax and Enjoy Lake Development Corporation
Medios de publicidad TV diurna (1 min) estacion WKLA
# familias Costo compradoras por anuncio 1000 $ 1.500 $ 3.000 $ 400 $ 1.000 $ 100
# ocasiones disponibles 15 10 25 4 30
Unidades esperadas 65 90 40 60 20
TV nocturna (30 2000 seg), estacion WKLA Periodico diario The 1500 Morning Journal Suplemento de periodico dominical Radio: noticias 8:00 A.M. o 5:00 P.M. 2500 300
El numero mximo de las ocasiones que esta disponible el medio es el numero mximo de ocasiones en que se presenta el medio de publicidad (por ejemplo, 4 domingos para el medio numero 4) o el numero mximo de ocasiones en que Boone permitir que se utilice el medio.
Se comienza definiendo las variables de decisin de la siguiente manera: X1 = numero de ocasiones en que se utiliza la TV diurna X2 = numero de ocasiones en que se utiliza la TV nocturna X3 = numero de ocasiones en que se emplea el peridico diario X4 = numero de ocasiones en que se emplea el peridico dominical X5 = numero de ocasiones en que se utiliza la radio.
Con el objetivo de maximizar la exposicin esperada, la funcin objetivo se convierte en: X4+ 20 X5. Ahora pueden plantearse las restricciones para el modelo a partir de la informacin dada: X1 X2 X3 X4 X5 15 10 25 4 30 max 65 X1 + 90 X2+ 40 X3 + 60
1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 30000 Prepuesto X1 + 1000 X1 + X2 2000 X2 + 1500X3 + 10 18000 2500 X4 + 300 X5 1500 X1 + 3000 X2 50000 Audiencia X1, X2, X3, X4, X5 0 En la Tabla 4.2 se presenta la solucin para este modelo de programacin lineal con nueve restricciones y cinco variables. TABLA 4.2 Plan de publicidad para la Relax-and-Enjoy Lake Development Corporation
Medios publicitario TV diurna Periodico diario Periodico dominical
Presupuesto $ Frecuencia 10 15000 25 10000 2 2000 6
Gerencia de Operaciones I Radio 30
Ing. Oscar Mendoza Macas 3000 30000
Total de audiencia alcanzada = 61500 Exposicion esperada = 2370
Un posible defecto de este modelo es que, aun cuando la medida de la exposicion esperada no estuviera sujeta a error, no existe garanta de que maximizar la exposicion esperada total conducir a la maximizacin de las Utilidades o las ventas (un sustituto comn para las utilidades). Sin embargo este no es un defecto de la programacin lineal; ms bien es una desventaja de utilizar la exposicion como criterio. Ciertamente, si fuera posible medir en forma directa el efecto que la publicidad tiene sobre las utilidades, se utilizaran las utilidades totales como el objetivo a minimizar. Adems, se debe estar consciente de que el modelo de seleccin de medios, tal como se planteo en esta seccin, no incluye consideraciones como las siguientes: 1. El valor de la exposicin se reduce con la repeticin en el uso de los medios. 2 Descuentos en costos por utilizacin repetida de los medios. 3. Traslape de la audiencia en los distintos medios. 4. Recomendaciones de tiempo para los anuncios. Con frecuencia es posible utilizar un planteamiento ms complejo (ms variables y restricciones) para vencer estas limitaciones, pero no siempre ser posible superarlas todas con un modelo de programacin lineal. Sin embargo, aun en estos casos, con frecuencia 7
puede utilizarse un modelo de programacin lineal para llegar a una aproximacin de la mejor decisin. La evaluacin de los administradores, combinada con la solucin de la programacin lineal, debe hacer posible entonces la eleccin de una estrategia global efectiva para la publicidad.
Notas y Comentarios
1. En general, se utilizan x1, x2, etc., para denotar las variables de decisin en un modelo de programacin lineal. Al comenzar el planteamiento del modelo, se expone en forma cuidadosa la notacin utilizada y la definicin de cada variable de decisin. Al mismo tiempo que se puede utilizar la notacin x1, x2, etc., en cualquier modelo de programacin lineal, algunos cientficos de la administracin prefieren hacer uso de un esquema de notacin ms descriptivo para cada variable de decisin. Por ejemplo, el modelo de seleccin de medios podra haber sido formulado como DTV para denotar televisin durante el da; por NTV, para televisin durante la noche; por P, para peridicos; por PD, para publicaciones domsticas; por R, para revistas. En este caso, la funcin objetivo quedarla expresada de la siguiente manera: Max 65DTV + 9OIVTV + 40P + 6OPD + 20R
Las restricciones se plantearan en trminos de la notacin ideada: DTV, NTV, P, PD, R. En cualquier caso, es importante observar que el modelo se puede formular con cualquier notacin o combinacin de notaciones para las variables de decisin. Sin importar cul sea la decisin, siempre es conveniente definir con cuidado las variables de decisin y la notacin que se utiliza desde el principio del planteamiento del modelo. 2. Debe observarse que el modelo de seleccin de medios, quiz ms 8
que la mayora de los dems modelos de programacin lineal, requiere de evaluaciones subjetivas crticas para las calificaciones sobre la exposiciOn de los diversos medios alternos. Aun cuando los gerentes de mercadotecnia pueden contar con considerables datos acerca de la exposicin a la publicidad, los coeficientes finales que se utilizan en la funcin objetivo incluyen consideraciones que se basan primordialmente en el criterio de los administradores. Sin embargo, la introduccin de juicios es una forma aceptable de obtener datos para un modelo de programacin lineal.
Investigacin de Mercadotecnia
Diversas organizaciones Llevan a cabo investigaciones mercadotcnicas para determinar caractersticas de los consumidores, actitudes y preferencias con respecto a productos o servicios que las organizaciones ofrecen. Con frecuencia, las investigaciones reales las lleva a cabo una empresa de investigacin de mercadotecnia que se especializa en ofrecer a sus clientes la informacin que desean sobre el mercado. Los servicios que las empresas de investigacin mercadotcnica ofrecen por lo comn incluyen el diseo del estudio, la realizacin de las encuestas de mercado, el anlisis de los datos recopilados y reportes resumidos y recomendaciones para el cliente. En la fase de diseo de la investigacin, es posible que se establezcan objetivos o cuotas para el nmero y tipos de entrevistados que la investigacin debe alcanzar. Cuando se establecen lineamientos sobre cuotas, el objetivo de la empresa investigadora es Llevar a cabo la encuesta de manera que se satisfagan las necesidades de los clientes a un costo mnimo. La firma Market Survey, Inc. (MSI), es una empresa de investigacin de mercadotecnia que se especializa en evaluar la reaccin de los consumidores ante productos, servicios y campaas de publicidad nuevos. Una empresa cliente ha solicitado que le ayude a determinar la reaccin de consumidores ante un producto recientemente comercializado para uso domestico. En el curso de algunas reuniones con el diente, se acord que se utilizaran entrevistas personales de puerta en puerta para obtener informacin tanto de hogares con nios los como de hogares sin ellos. Adems, se acord que seria necesario realizar entrevistas tanto diurnas como nocturnas, con objeto de incluir diversos horarios de trabajo en los hogares Especficamente, el contrato de este cliente exiga a la SMI realizar 1000 entrevistas con los siguientes lineamientos sobre cuotas:
1. Se entrevistaran cuando menos 400 hogares con nios. 2. Se entrevistaran cuando menos 400 hogares sin nios. 9
3. El numer total de hogares entrevistados durante la noche seria cuando menos igual al nmero de hogares entrevistados durante el da. 4. Cundo menos el 40% de las entrevistas para hogares con nios se realizaran durante la noche. 5. Cuando menos el 60% de las entrevistas para hogares sin nios se realizaran durante la noche.
Como las entrevistas en hogares con nios requieren de tiempo adicional del entrevistador, y como a los entrevistadores nocturnos se les paga ms que a los que trabajan de da, el costo de las entrevistas vara segn su tipo. Con base en estudios previos, las estimaciones sobre los costos de las entrevistas son: Costo de la entrevista Diurna Nocturna $ 20 $ 25 $ 18 $ 20
Hogar Nios No nios
Cual es el plan de entrevistas, por hogar y por parte del da, que satisface los requerimientos contractuales a un costo mnimo total para las entrevistas? El planteamiento de un modelo de programacin lineal para el problema de la Market Survey es buena oportunidad para introducir el uso de variables de decisin con doble subndice. Utilizando x para representar las variables decisorias, se utilizan dos subndices para x, en donde el primer subndice seala si la entrevista implica a nios o no, y el segundo indica si la entrevista se realiza durante el da o durante la noche. Utilizando 1 para nios y 2 para no nios, y 1 para da y 2 para noche, se pueden utilizar subndices dobles para identificar las siguientes variables de decisin: X11 = nmero de entrevistas en hogares con nios a realizar durante el da X12 = nmero de entrevistas en hogares con nios a realizar durante la noche
10
X21 = nmero de entrevistas en hogares sin nios a llevar a cabo durante el da X22 = nmero de entrevistas en hogares sin nios a llevar a cabo durante la noche Se comienza el planteamiento del modelo de programacin lineal utilizando los datos de costos por entrevista para elaborar la siguiente funcin objetivo: min. 20 X11 + 25 X12 + 18 X21 + 20 X22 La restriccin que exige un total de 1000 entrevistas se expresa como X11 + X12 + X21 + X22 = 1000 Las cinco especificaciones que se refieren a los tipos de entrevistas son las siguientes: 1. Hogares con nios X11 + X12 400 2. Hogares sin nios: X21 + X22 400 3. Cuando menos tantas entrevistas nocturnas como diurnas: X12 + X22 X11 + X21 El formato normal para el planteamiento del modelo de programacin lineal y para la introduccin de datos en la computadora hace que se coloquen todas las variables de decisin en el lado izquierdo de la desigualdad, y una constante (posiblemente cero) en el lado derecho. Por ello, se reescribirla esta restriccin como X11 + X12 X2I + X22 0
11
4. Cuando menos 40% de las entrevistas en hogares con nios durante la noche: X12 .4(X11 + X12) O - .4 X11 + .6X12 0 Aadiendo los requisitos de no negatividad, el modelo de programacin lineal de cuatro variables y seis restricciones se convierte en Min 20X11 + 25X12 + 18X21 + 20X22
Sujeto a X11 + X12 + X21 + X22 = 1000 Total de entrevistas X11 + X12 400 Hogares con nios X21 + X22 400 Hogares sin nios X11 + X12 X21 + X22 0 mas entrevistas nocturnas .4X11 + .6X12 noche .6X21 + .4X22 0 Hogares sin nios, noche X11, X12, X21, X22 0 0 Hogares con nios,
En la Fig. 4.1 se muestra la solucin por computadora del programa lineal anterior. Utilizando los resultados de la solucin por computadora, se observa que el costo mnimo de $20,320 se presenta con el siguiente programa de entrevistas:
Hogar Nios
Numero de entrevistas diurnas nocturnas 240 160
totales 400
12
Gerencia de Operaciones I No nios Totales 240 480
Ing. Oscar Mendoza Macas 360 520 600 1000
Como se puede observar, se programan 480 entrevistas durante el dia y 520 durante la noche. Los hogares con nios se cubren mediante 400 entrevistas, y los hogares sin nios, mediante 600 entrevistas. Una informacin seleccionada sobre el anlisis de sensibilidad de la Fig. 4.1 muestra un precio dual de 19.2 para la restriccin 1. Esto indica que la funcin objetivo empeorara
Variable X11 X12 X21 X22
Costos Valor reducidos 240,000015 0,000001 159,999985 0,000001 240 0,000002 360 0 Holgura / Excedente 0 0 200 40 0 0 Precios duales -19,200001 -2,799999 0 0 -4,999998 -1,999998
Restriccion 1 2 3 4 5 6
FIGURA 4.1 Solucin por computadora del problema de investigacin de mercados utilizando The Management Scientist. (el costo aumentara) en $19.20 si se aumenta el numero de entrevistas de 1000 a 1001. Por ello, $19.20 es el incremento en los costos al obtener entrevistas adicionales. Tambin representa los ahorros que se podran lograr al reducir el nmero de entrevistas de 1000 a 999. El precio dual para el requisito de 400 hogares con nios (restriccin 2) indica que solicitar entrevistas adicionales en hogares con nios no mejora la funcin objetivo. De hecho, las entrevistas adicionales en hogares con nios aumentaran el costo total a razn de aproximadamente $2.80 por entrevista.
13
La variable de excedente que tiene un valor de 200 para la restriccin 3, muestra que se van a entrevistar 200 ms hogares con nios que los que se requieren. De manera similar, la variable de excedente que tiene un valor de 40 para la restriccin 4 muestra que el nmero de entrevistas nocturnas excede al nmero de entrevistas diurnas en 40. Los valores nulos para las variables de excedente de las restricciones 5 y 6 indican que se mantienen en un mnimo las entrevistas nocturnas, que son las ms costosas. 4.3 APLICACIONES FINANCIERAS Seleccin de cartera Los problemas de seleccin de cartera implican situaciones en las que los gerentes financieros deben elegir inversiones especificas (por ejemplo, acciones, bonos) a partir de diversas alternativas de inversin. Los administradores de fondos mutualistas, de uniones de crdito, de compaas de seguros y de bancos, encuentran frecuentemente este tipo de problemas. La funcin objetivo para los problemas de seleccin de cartera es por lo comn la maximizacin del rendimiento esperado o la minimizacin de los riesgos. Las restricciones asumen, por lo general, la forma de restricciones sobre el tiempo de inversiones permisibles, leyes estatales, politicas de la compaa, mximo riesgo permisible, etctera. Se han planteado y resuelto problemas de este tipo utilizando diversas tcnicas de programacin matemtica. Sin embargo, si es posible plantear una funcin objetivo lineal y restricciones lineales en un problema especfico de seleccin de cartera, entonces puede utilizarse la programacin lineal para resolverlo. En esta seccin se muestra la forma en la que puede plantearse un problema de seleccin de cartera y el modo en que se puede resolver como programa lineal. Considrese el caso de la firma Welte Mutual Funds, Inc., ubicada en la ciudad de Nueva York. La empresa acaba de obtener $100,000 al convertir bonos industriales en efectivo, y ahora est en busca de otras oportunidades de inversin para esos fondos. Considerando las inversiones de la Welte en esos momentos, el principal analista financiero de la empresa recomienda que se hagan todas las nuevas inversiones en la industria petrolera, en la industria del acero o en bonos gubernamentales. Especficamente, el analista ha identificado cinco oportunidades de inversin y proyectado sus tasas anuales de 14
rendimiento. Las inversiones y las tasas de rendimiento son las que se muestran en la Tabla 4.3. La direccin de la Welte ha impuesto los siguientes lineamientos sobre la inversin: 1. Ninguna de las industrias (petrleo o acero) debe recibir ms de 50% de la inversin nueva total.
2. Los bonos de gobierno deben ser de cuando menos 25% de las inversiones en la industria siderrgica. 3. Las inversiones en la Pacific Oil, la inversin con altos rendimientos pero tambin altos riesgos, no puede ser ms de 60% del total de las inversiones en la industria petrolera. Qu recomendaciones de cartera (inversiones y montos) se deben hacer para los $100,000 disponibles? Dado el objetivo de maximizar los rendimientos proyectados, sujeto a las restricciones presupuestales y administrativas que se han impuesto, puede contestarse esta pregunta planteando un modelo de programacin lineal para el problema. La solucin para este modelo de programacin lineal ofrecer, entonces, recomendaciones sobre inversin para los administradores de la Welte Mutual Funds.
Sean, X1 = dlares invertidos en Atlantic Oil X2 = dlares invertidos en Pacific Oil X3 = dlares invertidos en Midwest Steel X4 = dlares invertidos en Huber Steel X5 = dlares invertidos en bonos gubernamentales Utilizando las tasas de rendimiento proyectadas que se muestran en
15
la Tabla 4.3, la funcin objetivo para maximizar el rendimiento total sobre la cartera puede escribirse como Max O.073X1 + 0.103X2 + 0.064X3 + 0.075X4 + 0.045X5
TABLA 4.3 Oportunidades de inversin para Welte Mutual Funds
Inversion Atlantic Oil Pacific Oil Midwest Steel Huber Steel Bonos gubernamentales
Tasa de rendimienlo proyectada (%) 7.3 10.3 6.4 7.5 4.5
La restriccin que especifica la inversin de los $100000 se expresa como X1 + X2 + X3 + X4 + X5 = 100000 Los requisitos de que ni la industria del petrleo ni la industria del acero reciban ms de 50% de la inversin de $100,000, se escribe de la siguiente manera: X1 + X2 50,000 Industria petrolera x3 + x4 50,000 Industria siderurgia
16
El requisito de que los bonos de gobierno sean de cuando menos 25% de la inversin en la industria siderurgia se expresa de la siguiente manera: X5 0.25 (X3 + X4) o bien 0.25X3 0.25X4 + X5 0
Finalmente, la restriccin de que la inversin en Pacific Oil no puede ser ms de 60% de la inversin total en la industria petrolera se convierte en: X2 0.60 (X1 + X2) o bien 0.60X1 + 0.40X2 0 Sumando las restricciones de no negatividad, el modelo completo de programacin lineal para el problema de inversin de la Welte Mutual Funds es el siguiente: Max 0.073X1 + 0. 103X2 + 0.064X3 + 0.075X4 + 0.045X5 Sujeta a X1 + X2 + X3 + X4 + X5 = 100,000 Fondos disponibles
17
X1 + X2 petrolera X3 + X4 del acero
50,000 Mximo de la industria 50,000 Mximo de la industria
-0.25X3 0.25X4 + X5 0 Mnimo de bonos gubernamentales 0.6X1 + 0.4 X2 0 Restriccin de la Pacific Oil x1,x2,x3,x4,x5 0
Valor de la funcin objetivo= 8000.000000 Variable X1 X2 X3 X4 X5 Valor Costos reducidos 19999.998000 0.000000 3000.002000 0.000000 0.000000 0.011000 40000.000000 0.000000 10000.000000 0.000000 Holgura / Excedente 0 0 10000 0 0 Precios duales 0.069000 0.022000 0.000000 -0.024000 0.030000
Restriccion 1 2 3 4 5
18
FIGURA 4.2 Solucin por computadora del problema de Welte Mutual Funds utilizando The Management Scientist. Se resuelve este problema utilizando The Management Scientist y el listado se muestra en la Fig. 4.2. En la Tabla 4.4 se muestra la forma en la que se dividen los fondos entre los valores. Obsrvese que la solucin optima seala que la cartera se debe diversificar entre todas las oportunidades de inversin, exceptuando a Midwest Steel. El rendimiento anual proyectado para esta cartera es $8,000, lo cual significa una tasa global de rendimiento del 8%. Utilizando el listado de la computadora para el problema de inversin de la Welte que se muestra en la Fig. 4.2, se observa que es cero el precio dual para la restriccin 3. Esto es as porque el mximo de la industria del acero no es una restriccin limitante; aumentos en el lmite de la industria siderrgica de $50,000 no mejoraran el valor de la funcin objetivo. De hecho, la variable de holgura para esta restriccin muestra que la inversin actual en la industria del acero est $10,000 por debajo de su lmite de $50,000. Los precios duales de las dems restricciones son diferentes de cero, lo cual seala que son restricciones limitantes en la solucin ptima. TABLA 4.4 Seleccin Optima de cartera para Welte Mutual Funds Rendimiento anual Monto esperado 20,000 $ 1.460 30,000 3090 40,000 3000 450 8000
Inversin Atlantic Oil Pacific Oil Huber Steel Bonos gubernamentales
10,000 100,000 Rendimiento anual esperado de $8000 = 8%
El precio dual de 0069 para la restriccin 1 muestra que es posible aumentar la funcin objetivo en 0.069 si se puede tener a disposicin un dlar ms para inversin en la cartera. Si es posible obtener fondos a un costo inferior a 6.9%,los administradores deberan considerar obtenerlos. Por otro lado, si puede adquirirse un rendimiento superior a 6.9% invirtiendo los 19
fondos en alguna, otra parte (que no sean estos cinco ttulos-valor) los administradores deben considerar cun conveniente ser invertir la totalidad de los $100,000 en esta cartera. Se pueden dar interpretaciones similares para los otros precios duales. Sin embargo, ntese que es negativo el precio dual para la restriccin 4; su valor es O 024. Esto indica que aumentar en una unidad el valor en el lado derecho de una restriccin puede ocasionar, posiblemente, un cambio en la funcin objetivo de 0.024. En trminos de la cartera Optima, esto significa que si la Welte invierte un dlar ms en bonos del gobierno, su rendimiento total disminuir en 2.4 centavos. Para ver por qu sucede esto, obsrvese de nueva cuenta en el precio dual de la restriccin 1 que el rendimiento marginal de los fondos invertidos en la cartera es 6.9% (el rendimiento promedio es 85). La tasa de rendimiento de los bonos gubernamentales es 4.5%. Par ella, el costo de invertir un dlar ms en bonos de gobierno es la diferencia entre el rendimiento marginal de la cartera y el rendimiento marginal de los bonos gubernamentales: 6.9% 4.5% = 2.4%. Obsrvese que la solucin Optima con x = 0 muestra que la Midwest Steel no debe incluirse en la cartera. El costo reducido correspondiente a x3, 0.011, indica que el coeficiente de la funcin objetivo-para la Midwest Steel tendra que aumentar en 0.011 antes de que fuera deseable considerar a esta empresa coma alternativa de inversin. Con este aumento, el rendimiento de la Midwest Steel sera 0.064 + 0.011 = 0.75, hacienda que esta inversin fuera justamente tan deseable como la alternativa de inversin que actualmente se utiliza, la de Huber Steel. Finalmente, una modificacin sencilla sobre el modelo de programacin lineal de la Welte permite determinar la fraccin de los fondos disponibles que se invierten en cada alternativa. Es decir, se dividen entre 100,000 los valores del lado derecho. Entonces, los valores ptimos para las variables proporcionan la fraccin de los fondos que deben invertirse en cada ttulo, para una cartera de cualquier tamao.
NOTAS Y COMENTARIOS La solucin ptima para el problema de la Welte Mutual Funds indicaba que se deban invertir $20,000 en acciones de la Atlantic Oil. Si la Atlantic Oil se vende en $75 por accin, se tendran que comprar exactamente 266 2/3 acciones para invertir exactamente $20,000. Por lo general, la dificultad para adquirir acciones fraccionarias se maneja adquiriendo el mayor nmero entero posible de acciones con los fondos asignados (por ejemplo, 266 acciones para la Atlantic Oil). Este mtodo garantiza que no se infringe la restriccin presupuestal. 20
Por supuesto, lo anterior introduce la posibilidad de que la solucin ya no sea la ptima, pero el peligro es reducido si se trata de un nmero grande de acciones. En los casos en que el analista considere que es crucial que las variables de decisin tengan valores enteros, el problema debe plantearse coma modelo de programacin lineal segn enteros. Esta programacin lineal es la materia del Cp. 8.
Estrategia de Combinacin Financiera Las estrategias de mezcla o combinacin financiera implican la seleccin de medios para financiar proyectos de la compaa, inventarios operaciones de produccin y otras actividades. En esta seccin se ilustra la forma en que puede utilizarse la programacin lineal para resolver problemas de este tipo, planteando y resolviendo un problema que implique el financiamiento de operaciones de produccin. En esta aplicacin especfica, se debe tomar una decisin financiera respecto a cuanta produccin se debe financiar mediante fondos generados internamente, y qu tanta produccin se debe financiar mediante fondos externos. La Jefferson Adding Machine Company va a comenzar la fabricacin de dos nuevos modelos de calculadoras electrnicas en los tres meses prximos. Como la fabricacin de estos modelos exige ampliar la operacin de produccin que se tiene en esos momentos, la compaa necesitar fondos de operacin para cubrir los costos de materiales, mano de obra y otros gastos, durante el periodo inicial de produccin. Los ingresos provenientes de este periodo inicial de produccin no estarn disponibles sino hasta despus del final del periodo. As, la compaa debe obtener financiamiento para estos gastos de operacin, antes de que pueda empezar a fabricar. La Jefferson ha apartido $3,000 de fondos internos para cubrir los gastos de la operacin. Si se requieren fondos adicionales, tendrn que ser generados en el exterior. Un banco local ha ofrecido una lnea de crdito a corto piazo para una cantidad que no exceda de $10,000. La tasa de inters para la vigencia del prstamo ser de 12% anual sobre la cantidad que se tenga a crdito. Una estipulacin fijada por el banco exige que la parte restante del efectivo que la compaa aparto para esa operacin, ms las cuentas por cobrar provenientes de esta lnea de productos, sean de cuando menos el doble del crdito pendiente de pagar, ms los intereses al final del periodo inicial de produccin. Adems de las restricciones financieras sobre la operacin, la capacidad de la mano de obra es tambin un factor que la Jefferson
21
debe tomar en consideracin. Solo se tienen disponibles 2500 horas de tiempo de ensamble y 150 horas de tiempo de empaque y envo para la nueva lnea de productos, durante el periodo inicial de produccin de tres meses. En la Tabla 4.5 se muestran los datos relevantes sobre costos, precios y requisitos de tiempos de produccin para los dos niveles, a los que se denomina Y y Z. Los administradores de la compaa han impuesto restricciones adicionales con objeto de garantizar que es posible probar la reaccin del mercado ante ambos productos; es decir, deben fabricarse cuando menos 50 unidades del modelo Y y cuando menos 25 unidades del modelo Z en ese primer periodo de produccin.
TABLA 4.5 Datos de costos, precios y mano de obra para Jefferson Adding Machine Company
Costo unitario (materiales y otros gastos variables) $ 50 $ 100 Horas de mano de Precio de venta $ 58 $ 120 Margen de utilidad $8 $ 20 obra que se requieren Empaque y envo 1 2
Modelo Y Z
Ensamblado 12 25
Como el costo de las unidades que se fabrican utilizando fondos crediticios sufrir, en efecto, un cargo por inters, se reducen las contribuciones a las utilidades para los modelos Y y Z que se fabrican con fondos obtenidos a crdito. Por ello, se adopta la siguiente notacin para las variables de decisin del problema: X1 = unidades del modelo Y fabricadas con fondos de la compaa X2 = unidades del modelo Y fabricadas con fondos obtenidos a crdito X3 = unidades del modelo Z fabricadas con fondos de la compaa
22
X4 = unidades del modelo Z fabricadas con fondos obtenidos a crdito Qu tanto se reduce la contribucin a las utilidades de las unidades que se fabrican con fondos obtenidos a crdito? Para resolver esta pregunta, debe saberse durante cunto tiempo estar vigente el prstamo. Se supone que todas las unidades de cada modelo se venden, conforme se fabrican, a distribuidores independientes, y que la tasa promedio de rotacin de las cuentas por cobrar es de tres meses. Como los administradores de la compaa han especificado que el crdito debe pagarse con los fondos generados por las unidades que se fabrican mediante fondos crediticios, los fondos que se obtienen a crdito para fabricar una unidad del modelo Y o una unidad del modelo Z se pagarn aproximadamente tres meses de despus Por ello, la contribucin a las utilidades para cada unidad del modelo Y que se fabrica con fondos crediticios se reduce de $8 a $8 ($50 x 0.12 x yr) = $6.50, y la contribucin a las utilidades para cada unidad del modelo Z que se fabrica con fondos crediticios se reduce de $20-a $20($l00 x 0.12 x yr) = $17. Con esta informacin se puede ahora plantear la funcin objetivo para la mezcla financiera de la Jefferson: Max 8x1 + 6.5x2 + 20x3 + 17x4 Pueden tambin especificarse las siguientes restricciones para el modelo: 12x1 + 12x2 + 25x3 + 25x4 <= 2,500 Capacidad de ensamble x1 + x2 + 2x3 + 2x4 <= 150 Capacidad de empaque y envo 50x1
disponibles
50x2 x2
+ 100x3 <= 3,000 Fondos internos disponibles +100x4<= 10,000 Fondos externos >= 50 x3+
Requerimiento del modelo
x1 +
Y
x4
>= 25
Requerimiento del modelo Z
Adems, se debe incluir la siguiente restriccin para satisfacer el requisito bancario sobre el crdito:
23
Efectivo + cuentas por cobrar <= 2(crdito + intereses)
Esta restriccin debe satisfacerse al final del periodo. Recordando que las cuentas por cobrar se mantienen vigentes para un promedio de tres meses, puede utilizarse la siguiente relacin para deducir una expresin matemtica para la desigualdad anterior, al final del periodo: Efectivo = 3000 50X1 100x3 Cuantas por cobrar = 58x1 + 58x2 +120x3 + 120x4 Crdito = 50x2 + 100x4 Intereses= (0.12 X yr)(50x2l 100x4) = 1.5x2 + 3x4 Por lo tanto, la restriccin que resulta por la limitacin del banco se puede expresar como: 3000 50x1 2(51.5x2+103x4) O bien 3000>= -8x1 + 45x2 20x3 Lo cual es equivalente a -8x1 + 45x2 20x3 + 86x4 <= 3000 Aadiendo las restricciones de no negatividad, el modelo completo de programacin lineal para la Jefferson Adding Machine Company puede plantearse de la siguiente manera: En la Fig. 4.3 se muestra la solucin por computadora para este problema de combinacin financiera con cuatro variables y siete restricciones. Se obtiene la utilidad de $1,191.86 con la solucin Optima de x1 = 50, x2 = 0, x3 = 5, y x4 = 40.7. Obsrvese que el costo reducido de cero para x2 indica que no es necesario que aumente el coeficiente de la funcin objetivo para que se pueda evaluar la inclusin de x2 con la solucin ptima. Esto es una indicacin de que existe una solucin ptima alternativa para el problema. En la Fig. 4.4 se muestra una polucin por computadora que ofrece una solucin ptima alternativa. La utilidad de $1,191.86 100x3 +58x2 + 120x3 + 120x4>=
24
corresponde ahora a la solucin x1 = 0, x2 = 50, x3 = 30, yx4 = 15.7. Evidentemente, los administradores podran poner en prctica cualquiera de las soluciones que se muestran en esas figuras, y maximizar las utilidades. La solucin de la Fig. 4.4 se resume en la Tabla 4.6, junto con la utilidad esperada y los fondos obtenidos a crdito para cada modelo de calculadora. Esta solucin exige que la compaa emplee todos
Variable X1 X2 X3 X4
Valor Costos reducidos 50,000000 0,000001 0,000000 0,000000 5,000000 0,000001 40,697674 0,000000
Holgura / Restriccion Excedente Precios duales 1 757,558230 0,000000 2 8,604660 0,000000 3 0,000000 0,239535 4 5930,232400 0,000000 5 0,000000 -2,395349 6 20,697670 0,000000 7 0,000000 0,197674 Figura 4.3 Solucin por computadora del problema de Jefferson Adding Machines, utilizando The Management Scientist Valor de la funcin objetivo = Variable X1 X2 X3 X4 Valor 0,000000 50,000000 30,000000 15,697672 1191.860350 Costos reducidos 0,000001 0,000000 0,000001 0,000000
Holgura / Restriccion Excedente Precios duales 1 757,558230 0,000000 2 8,604660 0,000000 3 0,000000 0,239535 4 5930,232400 0,000000 5 0,000000 -2,395349 6 20,697670 0,000000 7 0,000000 0,197674
25
FIGURA 4.4 Solucin Optima alternativa para el problema de Jefferson Adding Machines, utilizando The Management Scientist.
TABLA 4.6 Combinacin financiera Optima Jefferson Adding Machine para la produccin en la Jefferson Adding Machine
Modelo Modelo Y Fondos obtenidos a credito (X2) Modelo Z Fondos de la compaa(X3) Fondos obtenidos a credito (X4) Totales
Unidades
utilidad esperada
monto de fondos
50 30 15,7
$ 325 600 267 1192
$ 2.500
1570 4070
Sus fondos internos ($3000), pero slo un poco mas de $4,000 de los $10,000 disponibles en la lnea de crdito. Algunas interpretaciones adicionales sobre el listado de computadora de la Fig. 4.4 muestran que la capacidad de ensamblado (restriccin 1, holgura = 757.6 horas) y la capacidad de empaque y envi (restriccin 2, holgura = 8.6 horas) son adecuadas para satisfacerlos requisitos de produccin. Asignar horas adicionales a estos recursos no mejora el valor de la solucin optima. El precio dual correspondiente a la restriccin de los fondos internos (restriccin 3) muestra que se puede obtener un mejoramiento de las utilidades de aproximadamente $0.24 si se invierte un dlar adicional de fondos internos. Con este elevado rendimiento sobre la inversin de fondos internos, es posible que la Jefferson desee seriamente considerar la asignacin de fondos internos adicionales para este producto.
26
El precio dual negativo para la restriccin 5 indica que los aumentos en el requisito de produccin del modelo Y reduciran el margen de utilidad. De hecho, el precio dual negativo indica que reducir el requerimiento actual de 50 unidades para el modelo Y, producira en realidad aumentos en las utilidades a razn de aproximadamente $2.40 por unidad que se reduzca en el requisito.
Notas y Comentarios Las contribuciones a las utilidades para los dos productos de la Jefferson Adding Machine se basaron en la diferencia entre el precio unitario por unidad y el costo por unidad. Una consideracin interesante al determinar el costo por unidad es la diferencia entre los costos irrelevantes (sunk) y los costos relevantes. Costos irrelevantes son aqullos que ya se han realizado, tales como compras previas de materiales, gastos generales, mano de obra indirecta, etctera. Como son costos en los que ya se ha incurrido, o costos que se realizarn sin importar las decisiones que se tomen, tales conceptos carecen de relevancia; es decir, no son afectados por los valores de las variables de decisin. -Los costos irrelevantes no deben considerarse cuando se desarrolla la funcin objetivo para un modelo de programacin lineal. Obsrvese que la Tabla 4.5 muestra que los costos unitarios se basan en los costos relevantes variables para los materiales, as como tambin en otros gastos variables. En el caso referente a la proteccin ambiental que aparece al final del capitulo se da oportunidad de identificar los costos relevantes al desarrollar un modelo de programacin lineal. 4.4 APLICACIONES EN ADMINISTRACION DE LA PRODUCCION Programacin de la produccin Una de las reas ms importantes de la programacin lineal trata de las aplicaciones en periodos mltiples de planeacin, tales como la programacin de la produccin. La resolucin de un problema de esta clase permite a los administradores establecer un programa de produccin eficiente y a costos reducidos, para uno o ms productos, a lo largo de diversos periodos, como semanas, meses, etctera. En esencia, se puede contemplar un problema de programacin de la produccin como uno de combinacin o mezcla de productos para cada uno de diversos lapsos hacia el futuro El administrador debe determinar los niveles de produccin que permitirn a una compaa a satisfacer los requisitos de demanda del producto, considerando 27
limitaciones sobre la capacidad de produccin, La capacidad de mano de obra y el espacio de almacenamiento Al mismo tiempo, se desea minimizar el costo total para llevar a cabo esa labor Un motivo importante de la generalizada aplicacin de la programacin lineal en problemas de programacin de la produccin, es que estos son de naturaleza recurrente. Se debe establecer un programa de produccin para el mes en curso, despus para el mes siguiente, luego para el que sigue, y as sucesivamente. Cuando el gerente de produccin considera el problema cada vez, se encuentra con que, aunque la demanda de los productos varia, las limitaciones sobre el tiempo y las capacidades de produccin, y sobre el espacio de almacenamiento, son bsicamente Las mismas. Por ello, el gerente de produccin resuelve en esencia el mismo problema que se ha manejado en meses anteriores. Por tanto es posible aplicar con frecuencia un modelo general de programacin lineal para el procedimiento de programado de la produccin. Una vez que se plante el modelo, el administrador puede simplemente proporcionar los datos (demanda, capacidades, etc.) para el periodo de produccin dado, y puede entonces utilizarse el modelo de programacin lineal para desarrollar el programa de produccin. De modo que un planteamiento de programacin lineal puede tener muchas aplicaciones sucesivas. Considere el caso de la empresa Bollinger Electronics Co., que fabrica dos componentes electrnicos distintos para un importante fabricante de motores de avin. Tal fabricante notifica a la oficina de ventas de la Bollinger, cada trimestre, cules sern los requerimientos de componentes para los tres meses siguientes. Las demandas mensuales de los componentes pueden variar considerablemente dependiendo del tipo de motor que produce el fabricante El pedido que se muestra en la Tabla 4.7 acaba de ser recibido, y corresponde al siguiente lapso de tres meses. Despus de que se procesa el pedido, se enva una constancia de demanda al departamento de control de la producan. A su vez, este departamento debe elaborar un plan de produccin a tres meses para los componentes. Conociendo La preferencia de el gerente del departamento de produccin, por niveles constantes de demanda que den como resultado cargas de trabajo equilibradas y utilizacin constante de las mquinas y la mano de obra, la persona encargada del programa de produccin debe tomar en consideracin la alternativa de fabricar a una tasa constante durante los tres meses. Esto fijarla cuotas de producan de 3000 unidades por mes para el componente 322A y 1500 unidades al mes para el componente 802B. Por qu no adoptar este programa Aunque tal programa resultara atractivo para el departamento de produccin, puede resultar indebido, desde el punto de vista de los costos totales. En 28
particular, omite los costos de inventarios. Considrense los niveles proyectados de inventario que se produciran TABLA 4.7 Programa de la demanda a tres meses para Boilinger Electronic Company
Abril Componente 1000 322A Componente 1000 8022
Mayo 3000 500
Junio 5000 3000
30 de Abril Componente 322A 2000 Unidades
31 de Mayo
2000 Unidades
500 Componente 802B unidades
1500 unidades
FIGURA 4.5 Nive1es proyectados de inventario con un programa de produccin a tasa constante. Con este programa que exige produccin constante (Fig. 4.5). Se observa que el programa de produccin conducira a niveles elevados de inventarios. Cuando se considera el costo del capital y del espacio de almacenamiento comprometidos, un programa que produzca menores niveles de inventarios puede resultar ms deseable en trminos econmicos. En el otro extremo del programa de produccin a tasas constantes se 29
encuentra el mtodo de fabricar para satisfacer La demanda. Aunque este tipo de programas elimina el problema de los costos de mantener inventario, las amplias fluctuaciones mensuales en los niveles de produccin pueden ocasionar algunas dificultades y costos de produccin considerables. Por ejemplo, tendra que haber capacidad de produccin disponible para satisfacer la demanda pico de 8000 unidades en junio. Tambin, y a menos que se pudieran programar otros componentes para el mismo equipo de produccin en abril y mayo, habra una cantidad considerable de capacidad no utilizada y, por ello, una subutilizacin importante en esos meses. Tales importantes variaciones en la produccin podran tambin exigir ajustes considerables en la mano de obra que, a su vez, conducirn mayores problemas de rotacin y de capacitacin del personal. Por do, parece que el mejor programa de produccin seria aquel que equilibrara las dos alternativas. Al gerente de produccin le agradarla identificar y considerar los siguientes costos 1. Costos de produccin 2. Costos de almacenamiento 3. Costos por cambios en el nivel de produccin En la parte restante de esta seccin se muestra la forma en la que puede plantearse un modelo de programacin lineal para el proceso de produccin e inventarios de la firma Boilinger Electronics, que toma en consideracin esos costos de manera que se minimicen los costos totales. Para desarrollar el modelo se utiliza una notacin con doble subndice para las variables de decisin. El primer subndice indica el nmero del producto, y el segundo, el mes. As, en general, se utiliza xm para denotar el volumen de produccin en unidades para el producto i en el mes m. Aqu, i = 1,2, y m = 1,2,3; se tiene que i = 1 se refiere al componente 322A, i = 2 se refiere al componente 802B, m = 1 corresponde a abril, m = 2 se refiere a mayo y m = 3 corresponde a junio. El propsito del doble subndice es ofrecer una notacin ms descriptiva. Se poda simplemente utilizar x6 para representar el nmero de unidades del producto 2 que se fabrica en el mes 3, pero X23 es ms descriptiva en cuanto a que seala directamente el mes y el producto que la variable representa. 30
Si cuesta $20 (dlares) cada unidad que se fabrica del componente 322 y $10 cada componente 802B, la parte de los costos de produccin de la funcin objetivo se convierte en Costo de produccin = 20X11 + 20X12 + 20X13 + 10X21 + 10X22 + 10X23 Se debe observar que en este problema el costo por unidad de produccin es el mismo en todos los meses. Por ello, no es necesario incluir los costos de produccin en la funcin objetivo, es decir; independientemente de cul sea el programa de produccin que se elija, los costos totales de produccin seguirn siendo los mismos. En otras palabras, los costos de produccin son costos no relevantes para la decisin sobr el programa de produccin que se considera. En casos en que se espera que el costo unitario vari cada mes, los costos unitarios variables de produccin deben incluirse en la funcin objetivo. Como la solucin para el problema de la Bollinger Electronics ser la misma independientemente de si se incluyen estos costos o no, se ha decidido elegirlos para que el valor de la funcin objetivo de programacin lineal incluya todos los costos correspondientes al problema. Para incluir los costos relevantes de inventarios en el modelo, se introduce una variable de decisin con doble subndice que indica el nmero de unidades de inventario pana cada producto y para cada mes. Se utiliza Sim para representar el nivel de inventario para el producto i al final del mes m. La Bollinger ha determinado que, sobre una base mensual, los costos de mantener el inventario son de 1.5% del costo del producto; es decir, (0.015)($20) = $0.30 por unidad del componente 322A y (0.01 5)($ 10) = $0.15 por unidad para el componente 802B. Enseguida se comenta un supuesto que comnmente se hace al utilizar el mtodo de la programacin lineal para programar produccin. Se supone que los inventarios de fin de mes son una aproximacin aceptable de los niveles promedio de inventarios durante el propio mes. Dado este supuesto, la porcin del costo del mantenimiento de inventarios de la funcin objetivo se puede expresar de la siguiente manera: Costo de mantenimiento de inventarios = 0.30s11 + 0.30s12 + 0.30s13 + 0.l5s21 + 0.l5s22 + 0.15s23 Con objeto de incluir los costos que se producen por las fluctuaciones en los niveles de produccin de un mes a otro, es necesario definir las dos variables de decisin adicionales que siguen:
31
Im = aumento en el nivel total de produccin durante el mes m en comparacin con el mes m 1 Dm = disminucin en el nivel total de produccin durante el mes m en comparacin con el mes m I Despus de estimar los efectos de los despidos temporales de los empleados, de la rotacin de personal, de los costos de asignaciones a capacitacin, y de otros costos asociados a los niveles fluctuantes de produccin, la Bollinger estima que el costo correspondiente a un aumento en el nivel de la produccin para cualquier mes es $0.50 (de dlar) por aumento unitario. A una disminucin en el nivel de produccin le corresponde un costo similar, para cualquier mes, y es de $0.20 por unidad. As, la tercera porcin de la funcin objetivo puede escribirse de la siguiente manera: Costos por fluctuaciones en la produccin = 0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3 Se debe observar aqu que la Bollinger ha decidido medir los costos correspondientes a las fluctuaciones en la produccin como funcin del cambio en el nmero total de unidades que se fabrican en el mes m, en comparacin con el nmero total de unidades fabricadas en el mes m-1. En otras aplicaciones a programas de produccin, pueden medirse las fluctuaciones en la produccin en trminos de horasmaquina o de horas-trabajo que se requieren, en vez de hacerlo en terminas del numero total de unidades que se fabrican. Combinando todos esos tres costos, la funcin objetivo completa se convierte en: Min 20X11 + 20X12 + 20X13 + 10X21 + 10X22 + 10X23 + 0.30S11 + 0.30S12 + 0.30S13 + 0.15S21 + 0.15S22 + 0.15S23 + 0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3 Considrese ahora las restricciones. En primer lugar, debe garantizarse que el programa satisface la demanda del cliente. Como las unidades que se envan pueden provenir de la produccin del mes en curso, o de los inventarios de periodos previos, se tienen los siguientes requerimientos bsicos:
Inventario Final del mes +
Produccin en
Demanda del mes
32
Anterior Curso
La diferencia entre lado izquierdo y el lado derecho ser la cantidad del inventario final, al final de ese mes. Por ello, el requerimiento de la demanda asume la forma
Inventario Final del mes Anterior +
Produccin en curso -
Inventario final de este mes =
Demanda de este mes
Supngase que los inventarios al principio del periodo del programa de tres meses fueran de 500 unidades para el componente 322A y 200 unidades para el componente 802B. Recordando que la demanda para ambos productos en el primer mes (abril) es de 1000 unidades, las restricciones para satisfacer la demanda en el primer mes se convierten en 500 + x1 S11 = 1000 200 + x21 S21= 1000 Pasando las constantes al lado derecho, se tiene: X11 S11 = 500 X21 S21 = 800 De manera similar, se requieren restricciones de demanda para ambos productos en los meses segundo y tercero. Esas pueden escribirse de la siguiente manera: Mes 2:s11 + x12 S12 = 3000 S21+XS= 500
33
Mes 3: S12 + X13 S13 = 5000 S22 + X23 S23 = 3000
Si la compaa especifica un nivel minino de inventario al final del periodo de tres meses de cuando menos 400 unidades del componente 802B, pueden entonces incluirse las restricciones. S13400 S23200 Supngase que se tiene informacin adicional disponible sobre la capacidad de produccin, de mano de obra y almacenamiento, y es la que se presenta en la Tabla 4.8. En la Tabla 4.9 se presentan los requerimientos de maquinaria, mano de obra y almacenamiento. Las siguientes restricciones son necesarias para reflejar esas limitaciones:
Capacidad de las maquinas: 0.10X11 + 0.08X21 400 Mes 1 0.10X12 + 0.08X22 500 Mes 2 0.10X13 + 0.08X23 600 Mes 3 Capacidad de mano de obra: 0.05X11 + 0.07X21 300 Mes 1 0.05X12 + O.07X22 300 Mes 2 O.05X13 + 0.07X23 300 Mes 3 Capacidad de almacenamiento: 2S11 + 3S21 10,000 Mes 1 2S12 + 3S22 10,000 Mes 2 2S13 + 3S23 10,000 Mes 3 TABLA 4.8 Capacidades de maquinaria, mano de obra y almacenamiento para la Bollinger Electronics Capacidad de maquinas (horas) Capacidad de Capacidad de Mano de almacenamiento (pies Obra
34
Ing. Oscar Mendoza Macas (horas) cuadrados) 10000 10000 10000
Abril Mayo Junio
400 500 600
300 300 300
Tabla 4.9 Requerimientos de maquinaria, mano de obra y almacenamiento para los componentes 322A y 802B
Maquinas (horas/unidad) Componente 322A Componente 802B 0.10 0.08
Mano de Obra (horas/unidad) 0.05 0.07
almacenamiento (pies cuadrados/unidad) 2 3
Se debe incluir un conjunto final de restricciones. Estas se requieren para garantizar que Im y Dm reflejarn el aumento o la disminucin en el nivel total de produccin en el mes m. Supngase que los niveles de produccin para marzo (el mes anterior al inicio del problema de programacin de la produccin que se este trabajando) hubiera sido de 1500 unidades del componente 322A y 1000 unidades del componente 802B, para un nivel total de produccin de 1500 + 1000 = 2500 unidades. Puede determinarse la magnitud del cambio en la produccin para abril, a partir de la relacin: Produccin en abril produccin en marzo = cambio Utilizando las variables de decisin para la produccin de abril X11 y 35
X21, y la produccin de marzo de 1500 unidades, se puede reescribir la relacin anterior coma sigue: x11 + x 2500 = cambio Obsrvese que el cambio puede ser positivo o negativo. Un cambio positivo refleja un aumento en el nivel total de produccin, y uno negativo refleja una disminucin. Utilizando la relacin anterior, pueden utilizarse el aumento en la variable de produccin para abril I1 y la disminucin en la variable de produccin para abril D1, para especificar la siguiente restriccin que corresponde al cambio en la produccin total para el mes de abril: X11 + X21 2500 = cambio Por supuesto, no puede tenerse un aumento en la produccin y una disminucin en el mismo periodo de un mes; por ello, I1 o bien D, ser cero. Si en abril se requieren 300000 unidades de produccin, se tendra I1 = 500 y D1 = 0. Si en abril se requieren 2200 unidades de produccin, se tendr I1 = 0 y Dt = 300. Esta forma de denotar el cambio en el nivel de produccin como la diferencia entre dos variables no negativas I1 y D1, permite considerar cambios tanto positivos como negativos en el nivel total de produccin. Si se hubiera utilizado una sola variable, per ejemplo Cm para representar el cambio en el nivel de produccin, entonces solo serian posibles los cambios positivos debido al requerimiento de no negatividad. Aplicando el mismo mtodo para mayo y junio (siempre restando la produccin total del mes anterior, de la produccin total de mes en curso), se tendran las siguientes restricciones para los meses segundo y tercero del periodo de programacin de la produccin: (X12 + X22) (X11 + X21) = I2 D2 (X13 + X23) (X12+X22) = I3D3 Colocando las variables en el lado izquierdo y las restricciones en el lado derecho, el conjunto completo de lo que comnmente se denominan restricciones de suavizacin de la produccin, puede expresarse de la siguiente manera:
X11 + X21 I1 + D1 = 2500
36

+ D1 = 0
-X11 - X21 + X12 + X22 I2 -X12 X22 + X13 + X23 I3 + D3 = 0
El problema de programacin inicial, relativamente reducido con dos productos y tres meses, se ha convertido ahora en un problema de programacin lineal con 18 variables.
Tabla 4.10 Informacin sobre el programa de produccin de costos mnimos para Bollinger Electronics Actividad Produccion Componente 322A Componente 802B Totales Inventario final Componente 322A Componente 802B Utilizacion de la maquinaria Horas programadas Horas de holgura en capacidad Utilizacion de mano de obra Horas programadas Horas de holgura en capacidad Utilizacion del almacenamiento almacenamiento programado capacidad holgura Abril 500 2500 3000 0 1700 Mayo 3200 2000 5200 200 3200 Junio 5200 0 5200 400 200
250 150
480 20
520 80
200 100
300 0
260 40
5100 4900
10000 0
1400 8600
Costo total del programa(incluyendo produccion, inventarios y alisado de la produccion) = $225295
37
y 20 restricciones. Obsrvese que lo que importaba en el problema era solamente un tipo de proceso en mquinas, un solo tipo de mano de obra y un solo tipo de rea de almacenamiento. En los problemas reales de programacin de la produccin pueden encontrarse varios tipos de mquinas, varios tipos de mano de obra y/o varios espacios de almacenamiento. Por ello, es posible que el lector est comenzando a darse cuenta de la forma en la que se presentan los sistemas de programas lineales de produccin en gran escala. Una aplicacin tpica podra implicar el desarrollo de un programa de produccin para 100 artculos y un horizonte de tiempo de 12 meses. Un problema como ste podra tener ms de 1000 variables y restricciones. En la Fig. 4.6 se presenta la solucin computadorizada del problema de programacin de la produccin de la Bollinger Electronics. En la Tabla 4.10 se muestra una parte del reporte para los administradores que se basa en esta solucin por computadora. Se proceder ahora a considerar la variacin mensual en el programa de produccin de inventarios que se muestra en la Tabla 4.10. Recurdese que el costo de los inventarios para el componente 802B es la mitad del costo de inventario para el componente 322A. Por lo tanto, tal como podra esperarse, el componente 802B se fabrica en gran cantidad en el primer mes (abril) y despus se mantiene en inventario para la demanda que se presente en los meses siguientes. Se tiende a fabricar el componente 322A cuando se le necesita y solo se mantiene en cantidades pequeas en los inventarios. Los costos por los aumentos o disminuciones en el volumen total de produccin tienden a suavizar las variaciones mensuales. De hecho, un programa de costo mnimo exige un aumento de 500 unidades en la produccin total de abril y un aumento de 2200 unidades en la produccin de mayo. El nivel de durante junio. La seccin del reporte sobre utilizacin de las maquinas muestra que existe considerable capacidad disponible en los tres meses. Sin embargo, Se observa tambin que las capacidades de mano de obra y almacenamiento se utilizan en su totalidad (holgura = 0 para la restriccin 13 y para la restriccin 16 de la Fig. 4.6) en el mes de mayo. El precio dual muestra que una hora adicional de capacidad de mano de obra en mayo mejorara la funcin objetivo (menores 38
costos) en aproximadamente $2.14. Esta informacin podra ayudar al gerente de produccin a decidir si debe aadir tiempo extra de la mano de obra durante el mes de mayo. Una interpretacin similar para el precio dual de la restriccin 16 muestra que cada pie cuadrado adicional de espacio de almacenamiento que Se tenga disponible durante mayo mejorar la funcin objetivo en poco menos de 5 centavos por pie cuadrado.
Valor de la funcin objetivo = 225294 .953000
Variables X11 X12 X13 X21 X22 X23 S11 S12 S13 S21 S22 S23 I1 I2 I3 D1 D2 D3
Valor 500 3199,999 5199,9995 249,9995 2000,00098 0 c 200,000977 400 1699,99951 3200 200 500,00146 2199,9988 0 0 0 0
Costos reducidos 0,000002 0,000003 0,000004 0,000002 0,000001 0,060719 0,19286 0 0 0 0,000003 0 0 0 0 0,7 0,7 0,7
Restriccion 1 2 3 4 5 6 7 8
Holgura/excedente 0 0 0 0 0 0 0 0
Precios duales -20,000002 -10,000002 -20,107142 -10,150002 -20,499996 -10,439282 -20,799995 -10,589281 39
Gerencia de Operaciones I 9 10 11 12 13 14 15 16 17 18 19 20 149,999939 20,000015 80 100,000061 0 39,999985 4899,9971 0 8600 0 0 0
Ing. Oscar Mendoza Macas 0 0 0 0 2,142897 0 0 0,046428 0 0,5 0,5 0,5
FIGURA 4.6 Solucin por computadora del problema de programacin de la produccin para Bollinger Electronics utilizando The Management Scientist.
Ya se ha visto en esta ilustracin que un modelo de programacin lineal para un sistema de produccin de dos artculos y tres meses ofrece alguna valiosa en trminos de identificar un programa de costo mnimo. En sistemas de produccin ms grandes, en los que el numero de variables y restricciones es demasiado grande para seguirlo en forma manual, los modelos de programacin lineal pueden ofrecer una ventaja importante en la elaboracin de programas de produccin para ahorrar costos. NOTAS Y COMENTARIOS Al revisar la adecuacin de un modelo de programacin lineal, siempre resulta conveniente revisar las unidades de medicin para la funcin objetivo y para las restricciones. Por ejemplo, las capacidades de las maquinas para el problema de la Bollinger Electronics se plantearon en unidades de horas. Como el componente 322A requera 0.10 horas (6 minutos) por unidad y el componente 802B requera 0.08 (4.8 minutos) por unidad, la restriccin para las 400 horas disponibles en el mes se planteo, correctamente, de la siguiente manera:
40
0.10x11 + 0.08x12 400 La unidad de medicin es consistente, ya que se utilizan horas tanto para el lado izquierdo como para el lado derecho. La restriccin 6x11 + 4.8X12 400 No seria un planteamiento correcto porque el uso de minutos en el lado izquierdo seria inconsistente con el uso de horas en el lado derecho. Esta incongruencia podra corregirse convirtiendo la capacidad del lado derecho a (400 horas) x (60 minutos por hora) = 24,000 minutos. Por ello, aunque exista flexibilidad al elegir la unidad de medicin que se utiliza, es necesario verificar la consistencia. Planeacin de la mano de obra Con frecuencia se presentan problemas de planeacin o de programacin de la mano de obra cuando los administradores deben tornar decisiones que implican requerimientos departamentales de mano de obra para un periodo dado de tiempo. Esto es particularmente cierto cuando las asignaciones de mano de obra tienen cierta flexibilidad y en los casos en los que cuando menos cierta parte de la mano de obra puede asignarse a ms de un departamento a centro de trabajo. Este es con frecuencia el caso cuando se ha capacitado a los empleados para realizar dos o ms tareas. En el siguiente ejemplo se muestra la forma en la que puede utilizarse la programacin lineal para determinar no solo una mezcla optima de productos sino tambin una asignacin ptima de mano de obra para los diversos departamentos. La firma McCarthys Everyday Glass, Co., esta planeando fabricar dos estilos de vasos para el siguiente mes. Los vasos se procesan en cuatro departamentos distintos. Existe capacidad de equipo en exceso, y no resultar ser un factor limitante. Sin embargo, los recursos de mano de obra de la compaa son limitados y es posible que restrinjan el volumen de produccin para los dos artculos. Los requerimientos de mano de obra por cada caja que se fabrica (una docena de vasos) son los que se muestran en la Tabla 4.11. Departamento Producto 1 Producto 2
41
Gerencia de Operaciones I 1 2 3 4 0.070 0.050 0.100 0.010
Ing. Oscar Mendoza Macas 0.100 0.084 0.067 0.025
La compaa obtiene utilidades de $1.00 (dlar) por cada caja del producto I y $0.90 (de dlar) por cada caja del producto 2. Si el nmero de horas disponibles en cada departamento es fijo, se puede plantear el problema de la McCarthy como un programa lineal estndar de mezcla de productos. Se utiliza la notacin comn: X1 = cajas del producto 1 que se fabrican X2 = cajas del producto 2 que se fabrican X3 = horas de mano de obra disponibles en el departamento i, i = 1, 2, 3, 4 El programa lineal puede escribirse de la siguiente manera: Max 1.00X1 + 0.90X2 Sujeta a 0.070x1 + 0.100x2 b1 0.050x1 + 0.084x2 b2 0.100x1 + 0.067x2 b3 0.010x1 + 0.025x2 b4 X1, X2 0 Para resolver este problema de combinacin de productos, se pedira al gerente de produccin que especificara las horas disponibles en cada departamento (b1, b2, b3, y b4); despus, podra resolverse para obtener la mezcla de productos que maximiza las utilidades.
42
Sin embargo, en este caso se supone que el administrador tiene cierta flexibilidad para asignar los recursos de mano de obra y serla conveniente hacer una recomendacin para esa asignacin, al igual que para determinar la combinacin optima de productos. Supngase que, despus de considerar las calificaciones de capacitacin y experiencia de los trabajadores, se tiene la siguiente informacin adicional: Posibles asignaciones de mano de obra Solo en el departamento 1 Solo en el departamento 2 Solo en el departamento 3 Solo en el departamento 4 Departamentos 1 o 2 Departamentos 3 o 4 Total disponible Horas de mano de obra disponibles 430 400 500 135 570 300 2335
Se observa que, de las 2335 horas disponibles para la produccin del mes, pueden asignarse 870 de ellos a discrecin del administrador. Las restricciones para las horas disponibles en cada departamento son las siguientes: B1 430 + 570 = 1000 B2 400 + 570 = 970 B3 500 + 300 = 800 B4 135 + 300 = 435
43
Como no es posible asignar en forma simultanea a ambos departamentos las 570 horas que pueden asignarse con flexibilidad entre los departamentos 1 y 2, es necesaria la siguiente restriccin adicional: -b1 -+ b2 430 + 400 + 570 = 1400 De manera similar para las 3O0 horas que es posible asignar entre Los departamentos 3 y 4, se requiere la restriccin b3 + b4 500 + 135 + 300 = 935 En este planteamiento se estn manejando como variables las horas de mano de obra que se asignan a los departamentos. Los coeficientes de la funcin objetivo para estas variables sern cero, porque las variables b no afectan las utilidades en forma directa. Despus de colocar todas las variables del lado izquierdo de las restricciones, se obtiene el siguiente programa lineal Max 1.00x1 + 0.90x2 + 0b1 + 0b2 + 0b3 + 0b4 Sujeta a
0.07x1 + 0.100x2 b1 0.050x1 + 0.084x2 0.100x1 + 0.067x2 0.010x1 + 0.025x, b1 b2 0 0 0 0 1000 970 800 435 1400 935
b3 b4
b2 b3 b1+ b2 b4
b3+ b4
x1, x2, b1, b2, b3, b4 0
Este modelo de programacin lineal resolver en realidad dos problemas: (1) permitir encontrar la mezcla optima de productos para el periodo de planeacin y (2) permitir asignar las horas disponibles de mano de obra a los departamentos, de manera que se maximicen las utilidades. En la Tabla 4.12 se muestra la solucin para este modelo de 10 restricciones y 6 variables.
44
Obsrvese que el plan ptimo de mano de obra utiliza todas las 2,335 horas disponibles. En esta solucin, no existe tiempo ocioso en ninguno de los departamentos. No es este siempre el caso en los problemas de este tipo. Sin embargo, si el administrador tiene de hecho la libertad de asignar a ciertos empleados a distintos departamentos, el efecto ser probablemente una reduccin en el tiempo ocioso global. El modelo de programacin asigna automticamente a los empleados a los departamentos de la manera mas redituable. Si el administrador hubiera efectuado una asignacin, segn su juicio, de las horas a los departamentos, y si hubiera despus resuelto el problema de mezcla de productos utilizando unas b1 fijas, es probable que hubiera tenido holgura en algunos departamentos, al mismo tiempo que otros departamentos hubieran representado congestionamientos debido a recursos insuficientes.
Pueden utilizarse variantes en el planteamiento bsico de esta seccin en casos como la asignacin de materias primas a productos, en la asignacin de tiempo de mquina a productos ven la asignacin de tiempo de fuerza de ventas a lneas de productos o a territorios de ventas.
Plan de produccin Producto 1 = 4700 cajas Producto 2 = 4543 cajas
Asignacin de mano de obra Departamento 1 Departamento 2 Departamento3 Departamento4 Total Utilidad = $ 8789 783 horas 617 horas 774 horas 161 horas 2335 horas
45
4.5 PROBLEMA DE MEZCLAS Los problemas de mezclas se presentan cuando los administradores deciden la forma en que deben combinarse dos o ms recursos para fabricar uno o ms productos. En estos casos, los recursos contienen uno o ms ingredientes esenciales que deben mezclarse de manera que los productos finales contengan porcentajes especficos de los ingredientes esenciales. Por ello, en la mayor parte de estas aplicaciones, los administradores deben decidir qu tanto de cada recurso deben adquirir para satisfacer las especificaciones de los productos y las demandas de los productos a un costo mnimo. Con frecuencia se presentan problemas de mezclas en la industria del petrleo (problemas como la combinacin de petrleos crudos para fabricar gasolinas con octanajes diferentes), en la industria qumica (tales como la mezcla de productos qumicos para fabricar fertilizantes o para controlar hierbas, etc.) y en la industria de los alimentos (como mezcla de ingredientes para fabricar bebidas, sopas, etc.). Debido ala extensa aplicacin de los problemas de mezclas, el objetivo de esta seccin es ilustrar la forma en que se puede aplicar la programacin lineal para resolver este tipo de problemas. La empresa Grand Strand Oil, Co., fabrica gasolinas de grado normal y de grado extra, que se venden en gasolineras independientes en el sureste de Estados Unidos. La refinera de la Grand Strand fabrica las gasolinas mezclando tres componentes de petrleo. Las gasolinas se venden a precios distintos, y los componentes de petrleo tienen costo diferente. La empresa pretende determinar cOmo mezclar o combinar los tres componentes para obtener las dos gasolinas, de manera que se maximicen las utilidades. Los datos disponibles muestran que la gasolina de grado normal se puede vender en $0.50 (de dlar) por galn y la gasolina de grado extra en $0.54 por galn. Para el periodo en curso de la planeacin de la produccin, la Grand Strand puede obtener los tres componentes de petrleo a los costos por galn y en las cantidades que se muestran en la Tabla 4.13. Las especificaciones de los productos para las gasolinas restringen las cantidades de cada componente que se pueden utilizar en cada gasolina. Las especificaciones de los productos se listan en la Tabla 4.14. Los compromisos actuales con los distribuidores requieren que la Grand Strand fabrique cuando menos 10,000 galones de la gasolina de grado normal. El problema de mezcla de la Grand Strand 46
consiste en determinar cuntos galones de cada componente se deben utilizar en la mezcla de la gasolina de grado normal, y cuntos galones de cada componente en la mezcla de la gasolina de grado extra. La solucin de la mezcla Optima debe maximizar las utilidades de la empresa, sujeta a las restricciones que se tienen sobre la disponibilidad de componentes de petrleo que se muestra en la Tabla 4.13, y sujeta a las especificaciones de los productos que se muestran en la T9a 4.14 y a los 10,000 galones que se requieren de gasolina de grado normal. Tabla 4.13 Costos y ofertas de petrleo para el problema de mezclado en la Grand Strand Componentes de Costo por galon petroleo Componente 1 $0.25 Componente 2 $0.30 Componente 3 $0.42 Tabla 4.14 Especificaciones de los productos mezclado de la Grand strand producto Gasolina Normal Mximo disponible 5000 galones 10000 galones 10000 galones para el programa de
Gasolina Extra
Especificaciones Cuando mucho 30% del componente 1 Al menos 40% del componente 2 Cuando mucho 20% del componente 3 Al menos 25% del componente 1 Cuando mucho 40% del componente 2 Al menos 30% del componente 3
Se puede utilizar la notacin para definir a las variables de decisin: Sean: Xij = galones del componente i que se utiliza en la gasolina j, en donde i = 1, 2 o 3 para los componentes 1, 2 o 3; se tiene que j = p si es extra. Las seis variables de decisin se convierten en x1r = galones del componente 1 en la gasolina normal x2r = galones del componente 2 en la gasolina normal x3r = galones del componente 3 en la gasolina normal x1p = galones del componente I en la gasolina extra
47
x2p = galones del componente 2 en la gasolina extra x3p = galones del componente 3 en la gasolina extra Obsrvese que antes se haba utilizado siempre nmeros como subndices para las variables de decisin. Continuando con el uso de subndices numricos, se hubiera podido fijar j = I para la gasolina normal y j = 2 para la gasolina extra. Sin embargo, el uso de los subndices r y p resulta descriptivo y permite identificar con facilidad la gasolina a la que se refiere la variable de decisin . Utilizando las seis variables decisorias, puede expresarse el nmero total de galones de cada tipo de gasolina que se fabrica sumando el numero de galones que se fabrican utilizando cada uno de los tres componentes de petrleo. Es decir, Total de galones que se producen Gasolina normal = x1r + x2r + X3r Gasolina extra = x1p + x2p + x3p De manera similar, es posible expresar el total de galones de cada componente de petrleo que se utilizan mediante las siguientes sumas:
Utilizacin total de los componentes de petrleo Componente 1 = x1r + x1p Componente 2 = x 2r + x2p Componente 3 = x3r + x3p Puede desarrollarse la funcin objetivo para maximizar la contribucin a las utilidades identificando la diferencia entre los ingresos totales provenientes de los dos tipos de gasolina y el costo total de los tres
48
componentes de petrleo. La funcin objetivo puede escribirse de la siguiente manera; multiplicando el precio por galn de $0.50 por el total de galones de gasolina normal; el precio por galn de $0.54, por el total de galones de gasolina extra; y las cifras de costo por galn de cada componente de la Tabla 4.13, por el total de galones de cada componente que se utilizan: Max 0.50 (x1r + x2r + x3r) + 0.54 (x1p + x2p + x3p) -0.25 (x1r + x1p) 0.30 (x2r + x2p) O.42 (x3r + x3p) Combinando trminos semejantes, puede escribirse: la funcin objetivo como sigue: max 0.25x1r + 0.20x2r + 0.08x3r + 0.29x1p + 0.24x2p + 0.12x3p
Las limitaciones sobre la disponibilidad de los tres componentes de petrleo se pueden expresar mediante las siguientes tres restricciones: x1r + x1p x2r + x2p x3r + x3p 5,000 10,000 10,000 Componente 1 Componente 2 Componente 3
Ahora se requieren seis restricciones para satisfacer las especificaciones de los productos. La primera especificacin plantea que el componente 1 puede constituir cuando mucho 30% del total de galones que se fabrican de gasolina normal. Es decir,
o bien
x1r 0.30 x1r + x2 r + x3r
x1r 0.30 (x1r + x2r + x3r) Replanteando esta restriccin con las variables en el lado izquierdo y una constante en el lado derecho, la restriccin sobre la especificacin del primer producto se convierte en 0.70x1r - 0.30x2r - 0.30x3r 0 La especificacin para el segundo producto puede escribirse como:
49
x2 r 0.40 x1r + x2 r + x3r

o bien X2r O.40 (X1r + X2r + X3r) y as -0.40x1r + 0.60x2r - 0.40x3r 0 De manera similar, pueden escribirse de la siguiente manera las cuatro especificaciones adicionales sobre las mezclas.
-0.20x1r - 0.20x2r +0.80x3r 0 0.75x1P - 0.25x2p -0.25x3p 0 0.401p +0.60x2p -0.40x3p 0 -0.30x1p -0.30x2p +0.70x3p
La restriccin para el mnimo de 10,000 galones de la gasolina de grado normal se escribe: x1r + x2r + x3r 10,000 Por ello, el modelo completo de programacin lineal con seis variables de decisin y dos restricciones se puede escribir de la siguiente manera:
max 0.25x1r+0.20x2r+0.08x3r+0.29x1p+0.24x2p+0.12x3p sujeta a x1r + + x2r x1p + x2p 5,000 10,000 10,000 0 0 0 0 0 0
+ x3r 0.70x1r- 0.30x2r- 0.30x3r - 0.40x1r+0.60x2r- 0.40x3r -0.20x1r- 0.20x2r+ 0.80x3r
x3p
0.75x1p -0.25x2p -0.25x3p -0.40x1p +0.60x2p -0.40x3p -0.30x1p -0.30x2p +0.70x3p
50
x1r +
x2r + x3r x1r, x2r, x3r, x1p, x2p, x3p
10,000 0
Se muestra la solucin por computadora para el problema de las mezclas de la Grand Strand. La solucin de mezclado que ofrece una utilidad de $4,650 se resume. La estrategia ptima de mezclado seala que se deben fabricar 10,000 Galones de gasolina normal. La gasolina normal consistir en una mezcla del componente 1 (1,250 galones) y el Componente 2 (8,75 galones). Los 15,000 galones de la gasolina extra se deben elaborar con una combinacin de los tres componentes de petrleo: 3,750 galones del componente 1, 1,250 galones del componente 2 y 10,000 galones del componente 3.
Valor de la funcin objetivo = 4650.000500
Variable X1R X2R X3R X1P X2P X3P
Valor 1249.999020 8749.997100 0.000000 3750.001000 1250.005860 10000.000000
Costos Reducidos 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
Restriccin 1 2 3 4 5 6 7
8 9 10
Holgura/Excedente 0.000000 0.000000 0.000000 1750.000490 4749.999000 1999.999390 0.000000

4749.998000 5499.997100 0.000000
Precios Duales 0.290000 0.240000 0.120000 0.000000 0.000000 0.000000 0.000000

0.000000 0.000000 -0.040000
Solucin
por
computadora
del
problema
de
mezclado
de
la
51
Grand Strand utilizando The Management Scientist.

Estrategia de mezclado de gasolina de la firma Grand Strand
Componentes de los galones (porcentaje)
Gasolina Normal Extra
Componente 1 1250(12.5%) 3750(25.0%)
Componente 2 8750(87.5%) 1250(8.3%)
Componente 3 _ 10,000(66.7%)
Total 10,000 15,000
Es necesario aclarar un poco la interpretacin de las variables de holgura y de excedente correspondientes a las restricciones de especificacin de los productos (restricciones 4 a 9). Si la restriccin es del tipo , el valor de la holgura se puede interpreta como los galones del componente utilizado por debajo de la cantidad mxima especificada por la restriccin, Por ejemplo, la holgura de 1,750 para la restriccin 4. muestra que el uso del componente 1 se encuentra 1,750 galones por debajo de la cantidad mxima del componente 1 que se hubiera podido utilizar en la produccin de los 10.000 galones de la gasolina normal. Si la restriccin de especificacin del producto es del tipo una variable de excedente muestra los galones del componente que se utilizan por encima de la cantidad mnima especificada por la restriccin de mezclado. Por ejemplo. el excedente de 4.750 para la restriccin 5 muestra que el componente 2 se utiliza en 4.750 galones por encima de la cantidad mnima de ese componente 2 que se hubiera podido utilizar en la produccin de los 10.000 galones de gasolina normal. NOTAS Y COMENTARIOS Una forma conveniente de definir las variables de decisin en un problema de mezclas es utilizar una matriz en la que los renglones correspondan a las materias y las columnas correspondan a los productos finales. Por ejemplo. en el problema de mezclado de la Grand Strand se podran definir las variables de decisin de la siguiente manera;
Materias Primas Componente Componente Componente 1 2 3 Gasolina normal Gasolina extra
x1r x2r x3r
x1p x2p x3p
52
Existen dos ventajas con este mtodo: (1) ofrece una forma sistemtica de definir las variables de decisin para cualquier problema de mezcla. (2) es una imagen visual de las variables de decisin en trminos de la forma en la que se relacionan con las materias primas. los productos. y entre s.
ANLISIS GLOBAL DE DATOS

El anlisis global de datos (AGD) (DEA. en ingls. de data envelopment analysis) es una nueva aplicacin de la programacin lineal que se ha estado utilizando para medir la eficiencia relativa de unidades de operacin con las mismas metas y objetivos. Por ejemplo. El AGD se ha utilizado para medir la eficiencia relativa de expendios de ''comida instantnea" (fast food) pertenecientes a la misma cadena. En este caso, la meta del AGD consista en identificar los expendios ineficientes que deban programarse para realizar mayores estudios y, si fuera necesario, emprender acciones correctivas. Mediante otras aplicaciones del AGD se han medido las eficiencias relativas en hospitales, bancos, tribunales, escuelas, etctera. En estas aplicaciones se midi el desempeo de cada hospital, banco, tribunal o escuela, en relacin con el desempeo de todas las unidades operativas pertenecientes al mismo sistema.
Las unidades de operacin de la mayor parte de las organizaciones tienen insumos mlti ples, tales frecuencia resulta difcil a los administradores determinar qu unidades operativas son ineficientes para convertir sus insumos mltiples en productos mltiples. Es aqu donde el anlisis global de datos ha probado ser una til herramienta administrativa.
El mtodo del AGD utiliza un modelo de programacin lineal para constituir una unidad operativa compuesta e hipottica, con base en todas las unidades del grupo de referencia. Se determinan los resultados de tal unidad calculando un promedio ponderado de los resultados de todas las unidades de grupo de referencia. Las restricciones del modelo de programacin lineal requieren que todos los resultados de la unidad compuesta sean mayores que o iguales a los resultados de la unidad que se evala. Si se puede probar que los insumos para la unidad compuesta son inferiores a los insumos para la unidad que se evala, se tiene que la unidad citada obtiene el mismo resultado (o mayor) con menos insumos. En este caso, el modelo seala que la unidad compuesta es ms eficiente que la unidad evaluada. En otras palabras, la unidad que se evala es menos eficiente que la unidad compuesta. Como la unidad en cuestin se basa en todas las unidades del grupo de referencia, puede calificarse a la unidad en evaluacin como relativamente indeficiente cuando se la compara con las otras unidades del grupo.
53
Evaluacin del desempeo en hospitales

Se procede a evaluar la ilustracin del anlisis global de datos para valorar el desempeo de un grupo de cuatro hospitales. En el ejemplo se consideran tres medidas de insumos y cuatro medidas de resultados. Tales medidas son las siguientes:
Medidas de insumos: 1. El nmero de elementos del personal, equivalentes, de tiempo completo y que no son mdicos. 2. La cantidad que se invierte en suministros 3. El nmero de dascama disponibles.
Medidas de los resultados: 1. Das-paciente de servicio segn Medicare*
General Universitario Distrital
162.30 128.70 64.21 275.70 348.50 104.10
Estatal
210.40 154.10 104.04
Medida del insumo

Personal no medico equivalente de tiempo completo
Gastos en suministros (miles) Das-cama disponibles (miles) 285.20 123.80 106.72
2. Das-paciente de servicios que no estn bajo Medicare. 3. Nmero de enfermeras en capacitacin. 4. Nmero de mdicos internos en capacitacin.
*N. del T. Medicare es un seguro de gastos mdicos patrocinado en parte por el gobierno de Estados Unidos.
Recursos anuales que se consumen (insumos) en los cuatro hospitales

Hospital
Servicios anuales que ofrecen (resultados) los cuatro hospitales

Hospital
Universitario Distrital Estatal
Medida del insumo

Das-paciente con Medicare (miles) Das-paciente sin Medicare (miles) Enfermeras en capacitacin Mdicos internos en capacitacin
General
48.14 43.10 253 41 34.62 27.11 148 27 36.72 45.98 175 23 33.16 56.46 160 84
Se presentan resmenes de las medidas de los insumos y de los resultados para un periodo de cuatro aos en cada hospital. Enseguida se muestra la forma en la que puede utilizarse el AGD con
54
estos datos para identificar cualquier hospital relativamente ineficiente. Al aplicar el AGD, ser necesario desarrollar un modelo de programacin lineal para cada hospital cuya eficiencia se desee evaluar. En el anlisis que-sigue, se desarrolla un modelo que puede emplearse para valorar la eficiencia relativa del Hospital Distrital (en el Problema 26 del final del captulo se pide desarrollar un modelo para evaluar la eficiencia relativa del Hospital General). Al elaborar el modelo de programacin lineal para el Hospital Distrital, las ponderaciones que se utilizan para construir al hospital compuesto son las variables. Estas se definen de la siguiente manera: wg = ponderacin aplicada a insumos y resultados del Hospital General wu = ponderacin aplicada a insumos y resultados del Hospital Universitario we = ponderacin aplicada a insumos y resultados del Hospital de Distrito ws = ponderacin aplicada a insumos y resultados del Hospital Estatal
Como se mencionaba, se utilizarn los pesos para determinar los insumos y los resultados para el hospital compuesto hipottico. Las relaciones de insumos/resultados que se incluyen en el modelo tendrn la siguiente forma general:
insumos / resultados en = el hospital compuesto el + el insumos / insumos / resultados en wg + resultados en wu el hospital universitario hospital general insumos / resultados en hospital insumos / wc + resultados en ws el hospital estatal Distrital
Al plantear el modelo de programacin lineal de AGD. se utiliza la expresin anterior para desarrollar una restriccin para cada medida de los insumos y para cada medida de los resultados. El calcular los pesos para los cuatro hospitales que conforman el hospital compuesto, el modelo de programacin lineal de AGD requerir que la suma de laS ponderaciones sea igual a la unidad. Por ello, para el ejemplo de los cuatro hospitales, la primera restriccin ser:
wg + wu + wc + ws = 1
Utilizando la relacin general de insumos/resultados para cada una de las cuatro medidas de los resultados, las cuatro restricciones de resultados para el modelo de AGD se escriben de la siguiente manera:
55
48.14wg + 34.62wu + 36.72wc + 33.16ws 36.72 Medicare - 43.1Owg + 27.11wu + 45.98wc + 56.46ws 45.98 Sin Medicare 253wg + 148wu + 175wc + 160ws Enfermeras 41wg + internos
para el Resultados para el Hospital Compuesto Distrital
Con
175
27wu +
23wc +
84ws
23
Mdicos
Resultados Hospital
Las restricciones anteriores requieren que la solucin de programacin lineal proporcione ponderaciones, de manera que cada resultado para el hospital compuesto sea mayor que o igual a cada uno de los cuatro resultados del Hospital Distrital. Si se puede obtener una solucin que satisfaga las restricciones de los resultados, entonces el hospital compuesto produce cuando menos la misma cantidad de cada resultado que el Hospital Distrital. Despus es necesario considerar las tres medidas de insumos. El modelo de programacin lineal de AGD contiene la variable E, que determina la fraccin de los insumos del Hospital de Distrito que el hospital compuesto requiere. El uso de E, a la cual se denomina ndice de eficiencia, se muestra en la siguiente tabla.
Recursos de entrada (insumos)
Medida de los insumos
Utilizados por el
Disponibles para el
Hospital Distrital Hospital Compuesto
Personal no mdico, tiempo completo equiv. Suministros (miles) Das cama (miles)
275.70 348.50 104.10
275.70E 348.50E 104.10E
Como se muestra antes, los recursos disponibles para el hospital compuesto son simplemente un mltiplo de los recursos que se utilizan en el Hospital Distrital. Si E = 1, los recursos disponibles para el hospital compuesto son los mismos que se emplean en el Hospital Distrital. Si E es mayor que 1, el hospital compuesto tendra a su disposicin proporcionalmente ms recursos, mientras que si E es
56
menor que 1, el hospital compuesto tendra a su disposicin una cantidad proporcionalmente menor de recursos. Las restricciones de programacin lineal para las tres medidas de insumos-se expresan de la siguiente manera:
Personal no medico de tiempo completo equivalente
285.20wg + 162.30wu +275.70wc + 210.40ws 275.70E 123.80wg + 128.70wu +348.50wc + 154.10ws 348.50E 106.72wg + 104.10E 64.21wu + 104.10wc + 104.04ws
Suministros Dias-cama
Insumos para el hospital compuesto Capacidades de insumos para el hospital compuesto
Si se puede encontrar una solucin con E < 1e hospital compuesto no requiere tantos recursos como los que necesita el Hospital de Distrito. La funcin objetivo para el modelo de AGD consiste en minimizar el valor de E, que equivale a minimizar los recursos disponibles-comoinsumos- para el hospital compuesto. Por ello, la funcin objetivo es min E La conclusin sobre eficiencia en el AGD se basa en el valor ptimo de la funcin objetivo para E. La regla de decisin es la siguiente: Si E = 1, el hospital compuesto requiere tantos insumos como el Hospital Distrital. No hay evidencia de que este Hospital es ineficiente. el hospital compuesto requiere ,de menos insumos para obtener los resultados que se logran en el Hospital Distrital. El hospital compuesto es ms eficiente. Por ello, se puede decir que el Hospital de Distrito es relativamente ineficiente.
Si E < 1,
El modelo de programacin lineal de AGD para evaluar la eficiencia en el Hospital de Distrito tiene cinco variables de decisin y ocho
57
restricciones. En seguida se expresa de nuevo el modelo completo: Min E sujeta a

wg 48.14wg 43.10wg 253wg 41wg - 275.50E +285.20wg - 348.50E +123.80wg - 104.10E +106.72wg + wu + wc ws 1 + 33.16ws 36.72 + 56.46ws 45.98 + 160ws 175 + 84ws 23 + 210.40ws 0 + 154.10ws 0 + 104.04ws 0 =
+ 34.62wu + 27.11wu 148wu 27wu +162.30wu +128.70wu + 63.21wu
+ 36.72wc + 45.98wc + 175wc 23wc +275.70wc +348.50wc +104.10wc
wg, wu, wc, ws 0
SOLUCIN PTIMA
Valor de la funcin objetivo = 0.905238
Variable Costos reducidos
Valor
---------------------- ---------------------------------------------
E WG WU WC WS
Restriccin
0.905238 0.212266 0.260447 0.000000 0.527286

Holgura/Excedente
0.000000 0.000000 0.000000 0.094762 0.000000

Precios duales
----------------------
---------------------- ------------------------
1 2 3 4 5 6 7 8
0.000000 0.000000 0.000000 1.615387 37.027027 35.642986 174422.297000 0.000000
0.238886 -0.000014 -0.000014 0.000000 0.000000 0.000000 0.000000 0.000010
58
Solucin por computadora del anlisis global de datos. para el problema del modelo del Hospital de Distrito, utilizando The Management Scientist. Obsrvese que en el planteamiento anterior del modelo, se han pasado al lado izquierdo de las tres restricciones de insumos los trminos que incluyen a E, porque sta es una variable de decisin. Se resolvi el programa lineal anterior utilizando el paquete de computacin The Management Scientist. Se muestra un listado de computadora con la solucin. En primer lugar, se observa que la funcin objetivo muestra que la calificacin de la eficiencia para el Hospital Distrital es 0.905. Esto indica que el hospital compuesto puede obtener cuando menos el mismo nivel de cada resultado que lo que obtiene el Hospital de Distrito, teniendo a su disposicin no ms del 90.5% de los recursos de insumos que requiere el Hospital Distrital. El hospital compuesto es ms eficiente, el anlisis de AGD ha identificado que el Hospital de Distrito es relativamente ineficiente. A partir de la solucin de la Fig. 4.8, se observa que el hospital compuesto est formado a partir del promedio ponderado del Hospital General (wg = 0.212), Hospital Universitario (wu = 0.260) Y Hospital Estatal (ws = 0.527). Se determina cada insumo y cada resultado para el hospital compuesto mediante el mismo promedio ponderado de los insumos y los resultados de estos tres hospitales. La columna "Holgura/Excedente" ofrece informacin adicional sobre la eficiencia del Hospital de Distrito, en comparacin con el hospital compuesto. Especficamente, el hospital compuesto tiene cuando menos la misma cantidad de resultados que el Hospital de Distrito (restricciones 2-5) y ofrece 1.6 ms enfermeras en capacitacin (el excedente de la restriccin 4) y 37 mdicos internos ms en capacitacin (excedente de la restriccin S). La holgura de O para la restriccin 8 muestra que el hospital compuesto emplea aproximadamente 90.5% de los dascama que utiliza el Hospital de Distrito. Los valores de holgura para las restricciones 6 y 7 muestran que el hospital compuesto utiliza menos de 90.5% de los recursos de suministros y del personal de tiempo completo que no sean mdicos en el Hospital de Distrito. Resulta evidente que el hospital compuesto es ms eficiente que el Hospital Distrital, y que se justifica concluir que este Hospital es relativamente ineficiente en comparacin con los hospitales del grupo .Con los resultados del anlisis de AGD, los administradores del hospital deben examinar sus operaciones para determinar la forma en la que se pueden utilizar de manera ms efectiva los
59
recursos del Hospital de Distrito.
NOTAS y COMENTARIOS 1. Se debe recordar que el propsito del anlisis global de datos consiste en identificar unidades operativas que son relativamente ineficientes. El mtodo no necesariamente identifica las unidades operativas que son relativamente eficientes. El simple hecho de que el ndice de, eficiencia sea E = 1, no permite concluir que la unidad que se analiza es relativamente eficiente. De hecho, no puede decidirse que cualquier unidad que tenga los mayores resultados en cualquiera de las medidas correspondientes es relativamente ineficiente. Por ello, sigue siendo posible mejorar la eficiencia absoluta de las unidades que no son relativamente ineficientes. 2. Si existe alguna unidad que mostrar que todas las dems ineficientes. Este sera el caso mayor parte de los resultados cantidad de insumos. En la extremadamente raros. sea supereficiente, el AGD unidades son relativamente si la unidad que produce la consume tambin la menor prctica, estos casos son
3. Al aplicar el anlisis global de datos a problemas que implican grupos grandes de unidades operativas, los practicantes han encontrado que aproximadamente 50% de las unidades operativas pueden clasificarse como ineficientes. Comparar cada unidad relativamente ineficiente con las unidades que contribuyen a la unidad compuesta puede resultar til para comprender la forma en la que se puede mejorar hi operacin de cada unidad relativamente ineficiente.
RESUMEN En este captulo se expuso una amplia gama de aplicaciones para ilustrar la forma en que la programacin lineal puede ayudar en el proceso de toma de decisiones. Utilizando situaciones, se plantearon y resolvieron Problemas en las reas de mercadotcnica, finanzas y administracin de la produccin. Adems, se mostr la forma en que
60
puede aplicarse la programacin lineal a problemas de mezclas, y al rea relativamente nueva del anlisis global de datos. Muchas de las ilustraciones que se presentaron en este captulo son versiones en pequea escala de situaciones reales en las que se ha aplicado la programacin lineal. En dichas aplicaciones, el problema puede no estar planteado en forma tan concisa, los datos para el problema pueden no estar tan fcilmente disponibles, y es muy probable que el problema implique ms variables de decisin y/o restricciones. Sin embargo, un estudio exhaustivo de las aplicaciones de este captulo es un buen comienzo para una persona que espera en algn momento dado estar en posibilidades de aplicar la programacin lineal a problemas reales. Se incluy un listado del paquete de computacin The Management Scientist (o TMS) para muchas de las aplicaciones que se presentaron en el captulo. Los resultados por computadora ofrecen una oportunidad para analizar la informacin correspondiente y para hacer interpretaciones con base en el anlisis de sensibilidad.
61

Aplicaciones de la programación lineal en gerencia de operaciones

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Aplicaciones de la programación lineal en gerencia de operaciones

Caricato da

Copyright:

Formati disponibili

Gerencia de Operaciones I

Ing. Oscar Mendoza Macas

Aplicaciones de la programacin Lineal

Ing. Oscar Mendoza Macas

FORMULACION DE LOS MODELOS

Ing. Oscar Mendoza Macas

Seleccin de medios de publicidad

Ing. Oscar Mendoza Macas El

venta de inmuebles para vacaciones o de albergues para retiro.

Ing. Oscar Mendoza Macas

Medios de publicidad TV diurna (1 min) estacion WKLA

Ing. Oscar Mendoza Macas

Medios publicitario TV diurna Periodico diario Periodico dominical

Presupuesto $ Frecuencia 10 15000 25 10000 2 2000 6

Gerencia de Operaciones I Radio 30

Ing. Oscar Mendoza Macas 3000 30000

Total de audiencia alcanzada = 61500 Exposicion esperada = 2370

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Hogar Nios No nios

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Numero de entrevistas diurnas nocturnas 240 160

Gerencia de Operaciones I No nios Totales 240 480

Ing. Oscar Mendoza Macas 360 520 600 1000

Variable X11 X12 X21 X22

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

TABLA 4.3 Oportunidades de inversin para Welte Mutual Funds

Tasa de rendimienlo proyectada (%) 7.3 10.3 6.4 7.5 4.5

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

X1 + X2 petrolera X3 + X4 del acero

50,000 Mximo de la industria 50,000 Mximo de la industria

Ing. Oscar Mendoza Macas

Inversin Atlantic Oil Pacific Oil Huber Steel Bonos gubernamentales

10,000 100,000 Rendimiento anual esperado de $8000 = 8%

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Requerimiento del modelo Z

Ing. Oscar Mendoza Macas

Efectivo + cuentas por cobrar <= 2(crdito + intereses)

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

$ 325 600 267 1192

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Abril Componente 1000 322A Componente 1000 8022

Mayo 3000 500

Junio 5000 3000

30 de Abril Componente 322A 2000 Unidades

500 Componente 802B unidades

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Ing. Oscar Mendoza Macas

Inventario Final del mes +

Demanda del mes

Ing. Oscar Mendoza Macas