1/ 24

OBJETIVO GENERAL: Al finalizar este tema el estudiante estar en capacidad de: Formular un modelo de programacin Lineal, de dos o ms variables, comprender su estructura general y suposiciones bsicas, as como tambin las aplicaciones directas al campo de la Economa, Contadura y Administracin. OBJETIVOS ESPECFICOS: Describir el modelo bsico de Programacin Lineal, estructura y suposiciones implcitas. Caracterizar un enfoque general para formular modelos de optimizacin lineal restringidos.

Ejemplificar aplicaciones de optimizacin lineal de: produccin, portafolios de inversin, Dietas, Planeacin agregada, Inventarios, Transporte, Mezcla de materiales, Punto de equilibrio, Corte de Materiales entre otros.

Contenido: o o o o o o Elementos Bsicos. Supuestos del modelo de Programacin Lineal Formulacin del modelo de Programacin lineal Sugerencias para la formulacin del problema. Aplicaciones. Ejercicios Propuestos.

1. Elementos Bsicos. El modelo bsico de Programacin Lineal (PL). Un problema de PL se expresa por: MAX o MIN Z=F(X) X S Donde: X: Representa las variables de decisin X1, X2,...,Xn Z=F(X), Representa la funcin objetivo. S: Representa la regin factible del espacio de opciones.

2/ 24

Con las variables de decisin continuas1, y siendo F(x) y las restricciones que definen a S, expresiones lineales de esas variables. Recordemos que una expresin Y=F(X) es lineal en las variables cuando las X aparecen elevadas a una potencia de 1 y dicha variable no est dividida ni multiplicada por otra variable. (trminos como X 2, X/Y y similares son excluidos). El objeto de un problema de programacin lineal es determinar una opcin factible que arroje el mejor valor del objetivo, es decir una solucin ptima. La solucin ptima se caracteriza porque no existe una solucin factible que arroje un mejor valor de la funcin objetivo. En sntesis la PL, trata el problema de optimizar una funcin objetivo lineal en una regin limitada por restricciones lineales2. 1.2. El modelo general. Desarrollando el modelo bsico, para el caso de minimizacin, planteado en 1.1, tenemos: MIN Z=C1X1+ C1X2+ C1X3+.... C1Xn Sujeto a: a11X1+a12X2+a13X3+.....+a1nXn = b1 a21X1+a22X2+a23X3+....+a2nXn = b2 a31X1+a32X2+a33X3+....+a3nXn = b3 . . . am1X1+am2X2+am3X3+....+amnXn = bm X1, X2, X3, ....Xn 0 Donde: Z: Es la funcin que se desea optimizar, se le denomina funcin objetivo. Cn: Los coeficientes C1, C2, C3, Cn son los coeficientes de contribucin unitarios [Por ejemplo costo unitario, utilidad por unidad, retorno/Bs,
1

Una variable es continua si puede tomar cualquier valor dentro de un intervalo de valores, la estatura de un individuo por ejemplo puede tomar un valor de 1,805 y 1.825 Mts, dependiendo de la precisin de la medicin. Trabajar con variables enteras, implica estudiar la programacin lineal entera, objeto de estudio de cursos avanzados. 2 F(x), es la expresin matemtica del objetivo que se desea optimizar. Al trabajar con un solo objetivo, decimos que estamos ante un modelo uni-objetivo, el caso de la optimizacin de mltiples objetivos no es trabajado en este curso.

3/ 24

utilidad/ Ha, desperdicio por corte entre otros]. Estos valores se suponen que son conocidos con certeza absoluta. Xn: Son las variables de decisin a ser determinadas, constituyen atributos susceptibles de cambiar de valor en las distintas opciones de un problema dado. aij (para i= 1, 2, 3, m y j= 1, 2, 3, n), son llamados los coeficientes tecnolgicos, es decir la cantidad de recurso necesaria por cada unidad de variable.3 Similarmente, se suponen que son conocidos con certeza absoluta. Las inecuaciones representan las restricciones funcionales m problema, pudiendo ser estas restricciones en forma de ecuaciones ( = ), o inecuaciones ( o ). bi ( i= 1, 2, 3, m) es referido como el vector de lado derecho de las restricciones o trmino independiente y representa el requerimiento mnimo a satisfacer y las restricciones X1, X2, X3, ....Xn 0, se les conocen como las restricciones de no negatividad y significa que las variables de decisin no pueden tomar valores negativos4. 2. Supuestos del modelo de Programacin Lineal Para representar un problema de programacin lineal es necesario conocer los diversos supuestos que estn implcitos en la formulacin del modelo presentado en 1.1. Entre los supuestos se tienen: 2.1. Proporcionalidad. Esta suposicin indica que la funcin objetivo y las restricciones deben ser proporcionales al nivel de actividad. Desde el punto de vista matemtico se tiene que si Xj es una variable de decisin, su medida de optimizacin (max. o min.f) es igual a Cj Xj y su contribucin a las restricciones es a Xj . Esto significa que si Xj es doblada, tambin lo ser su contribucin a la funcin objetivo y a cada una de las restricciones. Por ejemplo, si Xj = 5 entonces, la medida de optimizacin es 5c1 y si Xj = 10 entonces, su contribucin a la funcin objetivo ser l0c, y as sucesivamente. Esta restriccin de linealidad implica que el ingreso, beneficio costo total de cada actividad, es directamente proporcional al nivel de actividad.
3

Por ejemplo si de un Kg de Harina se fabrican 20 arepas, el coeficiente tecnolgico seria 1/20, es decir la cantidad de harina necesaria para producir una arepa. 4 Es posible formular modelos con variables irrestrictas de signos, pero se requiere una transformacin adicional, que se discute en el apartado 4.10.

4/ 24

2.2. Aditividad. Esta suposicin indica que la medida total de optimizacin (ingreso total, costo total desperdicio total entre otros) es la suma de las contribuciones individuales de cada actividad, y la contribucin total a las restricciones es la suma de las contribuciones individuales de cada actividad, es decir las actividades deben ser aditivas respecto al uso de los recursos. El supuesto de aditividad significa que el total es igual a la suma de las partes y que no hay efectos de interaccin entre los niveles de las actividades. 2.3. Divisibilidad. La suposicin de divisibilidad significa que es posible obtener en programacin lineal una solucin ptima no entera, es decir que los valores de las variables de decisin no sean enteros. Frecuentemente, an cuando la solucin obtenida no es entera el resultado se puede redondear al entero ms cercano, sin embargo hay problemas donde no es conveniente redondear por lo tanto hay que recurrir a la programacin entera, la cual es un tema no abordado en este curso. 2.4. Certidumbre. La suposicin de certidumbre indica que todos los coeficientes del modelo de programacin lineal ( Cn, aj y bi ) son constantes conocidas; es decir que los costos, utilidades, las relaciones entre los niveles de produccin, la disponibilidad de recursos, no estn sujetas a ninguna incertidumbre. 3. Formulacin del modelo de Programacin lineal El diseo e implantacin de un modelo de programacin lineal involucra una serie de etapas: la primera etapa es la formulacin del problema, en la cual se estudia detalladamente el sistema, se lleva a cabo la recopilacin de informacin y se presenta el modelo de programacin matemtica. Una segunda etapa consiste en la resolucin del modelo matemtico planteado, para ello se puede utilizar el mtodo grfico, el mtodo simplex, este ultimo se puede implementar de manera manual o automatizada o el uso de paquetes computarizados tales como: WINQSB., SOLVER de EXCEL, STORM., LP1., LINDO y otros.

5/ 24

La tercera etapa consiste en probar, analizar, interpretar y reestructurar el modelo, examinando la solucin del modelo a travs de anlisis de sensibilidad. Por ultimo se tiene la etapa de la implantacin y control del modelo. Este tema se concentra en la primera etapa, es decir en la formulacin del problema. Para formular un problema de programacin lineal, no hay pasos o procedimientos a aplicar, sin embargo representa una gran ayuda el proceder de la siguiente forma:
1)

Identificar las variables de decisin: Este proceso consiste identificar las variables incgnitas, las cuales una vez conocidas permiten resolver el problema, representan cosas bajo nuestro control y que podemos modificarlas con un accin especifica. Una gua til para identificar las variables es hacerse a si mismo la pregunta: Qu decisin debe tomarse para optimizar la funcin objetivo?. La respuesta a esta pregunta le ayudar a llegar a identificar correctamente las variables de decisin. Al identificar las variables se les asigna un nombre simblico, (por regla general se utiliza literales acompaados de subndices simples y dobles X1, X2, Xn, Xij), es muy importante definir las unidades de cada variable cuidadosamente, y respetar la homogeneidad de las mismas en las ecuaciones lineales.

Construir la funcin objetivo: Es decir escribir la funcin objetivo (maximizar o minimizar) en trminos de las variables de decisin como una suma, resta, multiplicacin o divisin de cantidades. Luego se debe expresar las cantidades individuales matemticamente como una funcin lineal de las variables de decisin y los coeficientes de contribucin unitaria. Entre los objetivos mas utilizados tenemos:
2)

Maximizar utilidades. Minimizar costos. Maximizar el beneficio bruto. Maximizar el efectivo. Minimizar las horas de sobre tiempo. Minimizar el riesgo. Minimizar el desperdicio al cortar. Minimizacin de la desviacin a un estndar. Minimizar la distancia recorrida. Maximizar el uso de un recurso.

6/ 24

Es necesario e imperativo comprobar si las unidades son consistentes. Por ejemplo, si los coeficientes de una funcin objetivo estn dados en Bs por Kg, las variables de decisin que aparezcan en la funcin objetivo deben resultar en Kg, no en toneladas o gramos.
3)

Identificar restricciones Son los diferentes requisitos que debe cumplir cualquier solucin para que pueda llevarse a cabo y considerarse factible. En cierta manera son las limitantes en los valores de los niveles de las diferentes actividades (variables). Estas restricciones pueden ser de Disponibilidad (<=menor igual que, no mayor que, como mximo), Requerimientos (>=mayor igual que, al menos, por lo menos, como mnimo), de Balance (=igual a, exactamente igual a), Restricciones lgicas (es decir aquellas que involucran relaciones implcitas entre los recursos). Cuando sea apropiado, se deben descomponer como una suma, resta, multiplicacin o divisin de cantidades. Posteriormente se debe expresar matemticamente como una funcin lineal, utilizando los coeficientes tecnolgicos, y escribir las restricciones en trminos de las variables de decisin.

Es necesario respetar el principio de dimensionalidad a ambos lados de la desigualdad, es decir verificar si las unidades del lado derecho son las mismas que las del lado izquierdo. Por ejemplo, si una de las restricciones es una limitante de la forma de horas de trabajo, el lado derecho e izquierdo debe ser de horas de trabajo. Las restricciones ms comunes son: Restriccin de capacidad: limitan el valor de las variables debido a las disponibilidad de horas-hombre, horas-mquina, espacio, etc.

Restriccin de mercado: Surge de los valores mximos y mnimos en las ventas o el uso del producto o actividad a realizar. Restriccin de entradas: Son limitantes debido a la escasees de materias primas, mano de obra, dinero, etc.

Restriccin de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la calidad de los artculos a manufacturar. Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio.

7/ 24

Condicin de no negatividad: en este apartado se establece que todas las variables deben tomar valores no negativos.

4. Sugerencias para la formulacin del problema. Para escribir las expresiones matemticas que formalmente definen el problema, sugerimos que previamente se tome un tiempo para entender el problema. Se requiere que el analista se entretenga formulando un boceto en castellano del problema de optimizacin y tabulando la data numrica del problema. Para proceder a la definicin de las variables de decisin utilice una simbologa matemtica adecuada, identifique cada variable y acompae a cada una con una frase en castellano que la describa- utilice identificadores nemotcnicos. Cuando formule la funcin objetivo exprsela como una relacin lineal de las variables de decisin, trate de conservar la frase en castellano que la describe. En la formulacin de las restricciones exprese las relaciones lineales de las variables de decisin. Asegrese del cumplimiento de la aditividad y de la proporcionalidad. No olvide las restricciones de signo de las variables que puedan existir. Paralelamente al planteamiento de las expresiones de la funcin objetivo y de las restricciones haga una revisin dimensional para verificar la consistencia en las unidades involucradas. Recuerde que uno de los propsitos de los modelos es la comunicacin, por lo que se debe ser claro y explicito al formular un problema, para que otra persona pueda entender lo que usted quiere transmitir.

8/ 24

5. Aplicaciones. Los principales campos de aplicacin se clasifican en este apartado por tipos de problemas, que ilustran casos de optimizacin, y que adems dan una idea de aquellas situaciones que se pueden resolver con las tcnicas de PL. 5.1.Produccin: Este tipo de modelo responde a la pregunta cunto producir de cada lnea de produccin?, en un nmero determinado de fabricas o centros de produccin. Tambin se le denomina modelo de mezcla de productos, pues se utiliza para determinar la cantidad ptima a producir de una gama de productos diferenciados durante un perodo de tiempo. Ejemplo 01. Problema de produccin. Un fabricante de muebles de oficina, produce dos tipos de escritorios: ejecutivos y secretariales. La compaa tiene dos plantas en las que fabrica los escritorios. La planta 1 es una planta antigua que opera con doble turno de 40 horas por turno por semana. La planta 2 es una planta mas nueva y no opera a su capacidad total. Cada turno de la planta 2 trabaja 25 horas por semana y la planta opera 2 turnos. La siguiente tabla muestra el tiempo de produccin (horas/unidad) y los costos estndar ($/unidad) en cada planta. Tambin se muestran los precios de venta de cada escritorio. Debido a que la compaa ha estado experimentando un exceso de costos durante el ultimo periodo presupuestal, los administradores han fijado una restriccin semanal sobre los costos de produccin. El presupuesto semanal para la produccin tambin se muestra en la tabla. Se le pide a usted averiguar cul es el numero ptimo de escritorios de cada tipo, a producirse en cada planta con el objeto de maximizar las ganancias.
Tipo de Escritorio Tiempo de produccin Plant Planta 2 a1 7 4 6 5 Costo / u Plant a1 $250 $200 Precio de venta Presupu esto

Planta 2 $26 0 $18 0 $350 $275 $2.000 $2.200

Ejecutivo Secretarial

9/ 24

Respuesta: 1) Variables: Xij = N de escritorios producidos en la planta i del modelo j i={1,2} j={E,S} 2) Funcin Objetivo: MX Z = (350 - 250) X1E + (275 - 200) X1S + (350 - 260) X2E + (275 180) X2s MAX Z =100 X1E + 75 X1S + 90 X2E + 95 X2s 4) Restricciones: Restricciones de Capacidad: 7X1E + 4X1S 6X2E + 5X2S 80 horas/semana 50 horas/semana [Planta 1] [Planta 2]

Restricciones de Presupuesto: 250X1E + 260X2E $ 2.000 200X1S + 180X2S $ 2.200 [Escritorios Ejecutivos] [Escritorios Secretariales]

Restricciones de No-Negatividad: X1E ,X1S ,X2E ,X2S 0 Ejemplo 02. Problema de produccin. Una compaa de refrescos produce 7 diferentes productos denotados de P1 a P7, y dispone para ello de la siguiente maquinaria: 4 2 3 1 1 mezcladoras molinos horizontales molinos verticales filtro dosificador

La contribucin de cada producto a la ganancia, el tiempo en horas requerido en cada proceso para producir una unidad de cada producto (0 indica que el producto no requiere del proceso) y la

10/ 24

mxima demanda mensual se dan en la siguiente tabla. La compaa trabaja 200 horas mensuales. Descripcin Contribucin a la ganancia (Bs) Mezclado (horas) Molienda horizontal (horas) vertical Molienda (horas) Filtrado (horas) P1 10 0.5 0.1 0.2 P2 6 0.7 0.2 0 P3 8 0 0 0.8 0 P4 4 0 0.3 0 P5 11 0 0 P6 9 0.6 0 0 P7 3 0 0.6 0.08

0.3 0.2 0.5

0.05 0.03

0.07 0.1

Dosificado (horas) 0 0 0.01 0 0.05 0 0.05 Mxima demanda 500 1.000 300 300 800 200 100 mensual (u) Formule el problema lineal que arroje la produccin de cada refresco que maximice la ganancia de un mes normal. Respuesta: 1) Variables: Pi= Unidades de Producto i a producir en el mes. i={1..7} 2) Funcin Objetivo: Max Z = 10P1+6P2+8P3+4P4+11P5+9P6+3P7 Restricciones: Mezclado: Se dispone de 4 mezcladoras que trabajan 200 horas mensuales cada una. 0.5P1+0.7P2+0.3P5+0.2P6+0.5P7<=800 Molienda horizontal: Se dispone de 2 molinos horizontales que trabajan 200 horas mensuales cada uno. 0.1P1+0.2P2+0.3P4+0.6P6<=400 Molienda vertical:

11/ 24

Se dispone de 3 molinos verticales que trabajan 200 horas mensuales cada uno. 0.2P1+0.8P3+0.6P7<=600 Filtrado: Se dispone de 1 filtro que trabaja 200 horas mensuales. 0.05P1+0.03P2+0.07P4+0.1P5+0.08P7<=200 Dosificado: Se dispone de 1 dosificador que trabaja 200 horas mensuales. 0.01P3+0.05P5+0.05P7<=200 Demanda mxima: P1<=500 P2<=1.000 P3<=300 P4<=300 P5<=800 P6<=200 P7<=100 No negatividad: Pi>=0; i={1..7} 5.2. Planeacin agregada, manejo de inventarios. Este tipo de modelo responde a la pregunta cunto producir y almacenar de cada lnea de produccin en diferentes periodos de tiempo?. Se utiliza para determinar la cantidad ptima a producir durante mltiples perodos de tiempo y condiciones de produccin (tiempo normal o extra). Ejemplo 03. Manejo de inventarios. La compaa OVM fabrica un producto cuya demanda es estacional y cambia mes con mes. El pronstico de la demanda para los prximos cuatro meses es 1800, 2200, 3400, y 2800 unidades. Debido a la demanda variable, se ha encontrado que en algunos meses existe produccin en exceso lo cual ocasiona grandes costos de almacenaje y mantenimiento. En otros meses la compaa no puede cubrir la demanda resultando en perdidas de oportunidades de venta. La capacidad de la planta es de 2400 artculos por mes utilizando turnos normales. De requerirse turnos extras es posible fabricar hasta 800

12/ 24

artculos adicionales. Los costos de produccin son 400 y 420 dlares por unidad, para artculos fabricados en tiempo normal y en tiempo extra respectivamente. De no venderse un articulo y almacenarse para el prximo mes se incurre en un costo de 15 dlares por mes. Se le pide a usted que determine un programa optimo de produccin que minimice los costos de produccin y almacenaje para el periodo de 4 meses. El programa debe satisfacer la demanda pronosticada. Respuesta: 1) Variables: Xij = unidades a producir durante perodo i = 1,2,3,4 en tiempo j = 1 normal, 2 extra. Ik = inventario al final del perodo k = 0,1,2,3,4 X11 X12 I0 1 X22 I1 2 X21 X32 I2 3 X31 X42 I3 4 X41 I4

1800 2) Funcin Objetivo:

2200

3400

2800

MIN Z = 400[X11 + X21 + X31 + X41] +420[X12 + X22 +X32 + X42] +15[I1 + I2 +I3 +I4 ] 3) Restricciones: Restricciones de Balance: X11 + X12 = 1800 + I1 I1 + X21 + X22 = 2200 + I2 I2 + X31 + X32 = 3400 + I3 I3 + X41 + X42 = 2800 + I4 Restricciones de Capacidad: X11 X21 X31 X41 2400 2400 2400 2400 X12 X22 X32 X42 3200 3200 3200 3200 [Mes [Mes [Mes [Mes 01] 02] 03] 04]

13/ 24

No negatividad: X11 , X21 , X31 , X41 , X12 , X22 , X32 , X42 ,I1 , I2 , I3 ,I4 0 5.3. Mezcla para empacar. Este tipo de modelo responde a la pregunta cunta cantidad de producto mezclar para empacar?. Se utiliza para determinar la cantidad ptima a mezclar con el fin de empacar en envases o contenedores determinados. Ejemplo 04. Mezcla para empacar. Un distribuidor de ferretera planea vender paquetes de tuercas y tornillos mezclados. Cada paquete pesa por lo menos 2 libras. Tres tamaos de tuercas y tornillos componen el paquete y se compran en lotes de 200 libras. Los tamaos 1, 2 y 3 cuestan respectivamente $20, $8 y $12, adems: a) El peso combinado de los tamaos 1 y 3 debe ser al menos la mitad del peso total del paquete. b) El peso de los tamaos 1 y 2 no debe ser mayor que 1,6 libras c) Cualquier tamao de tornillo debe ser al menos el 10% del paquete total. Cul ser la composicin del paquete que ocasionar un costo mnimo ?. Respuesta: 1) Variables: Xj= Peso en libras de las tuercas y tornillos del tamao j-simo (j=1,2 y 3) en la bolsa 2) Funcin Objetivo: MIN Z = 20/200 X1 + 8/200 X2 + 12/200 X3 3) Restricciones: X1 + X3 (X1 + X2 + X3) / 2
peso]

[Los tamaos 1 y 3 al menos la mitad del

X1 + X2 1,6 X1 0,1 (X1 + X2 + X3)

total]

[Los tamaos 1 y 2 no deben ser mayor de 1,6 lbs] [El tamao 1 debe ser al menos el 10% del [El tamao 2 debe ser al menos el 10% del [El tamao 3 debe ser al menos el 10% del

X2 0,1 (X1 + X2 + X3)

total]

X3 0,1 (X1 + X2 + X3)

total]

14/ 24

X1 + X2 + X3 2 [El paquete debe ser al menos de 2 libras] XJ 0 J = 1, 2 y 3 [Condicin de no negatividad] 5.4. Problema de dietas o de planeacin de mens. Estos tipos de modelos responden al problema econmico de encontrar la combinacin de alimentos que satisfaga un conjunto de requerimientos nutricionales dados a un costo mnimo. Se requiere hacer la mezcla5 ms barata que satisfaga las restricciones de los nutrientes o de la cantidad mnima de cada alimento. Este modelo tambin se puede aplicar para la formulacin de dietas para humanos, aves, ganado vacuno, ganado porcino entre otros. Ejemplo 05. Mezclas. El personal tcnico de un hospital desea elaborar un sistema computarizado para planear diversos mens. Para empezar, deciden planear el men de la comida. El men se divide en tres grandes categoras: legumbres, carne y postre. Se desea incluir en el men por lo menos el equivalente a una porcin de cada categora. A continuacin se resume el costo por racin de algunos de los alimentos sugeridos, as como su contenido de carbohidratos, vitaminas, protenas y grasas. Carbohidr Vitami Prote Gra atos nas nas sa Vegetales Guisantes Frijoles verdes Aj Maz Macarron es Arroz Carnes Pollo Res Pescado Postres Naranja Manzana Budn Gelatina 1 1 1 2 4 5 2 3 3 1 1 1 1 3 5 5 6 2 1 1 8 6 3 2 0 0 1 2 1 1 1 1 3 5 6 1 0 0 0 0 0 0 2 1 1 1 2 1 0 0 0 0 Costo $/Racin 0.10 0.12 0.13 0.09 0.10 0.07 0.70 1.20 0.63 0.28 0.42 0.15 0.12

Por ello esta catalogado entre los problemas de mezcla o de Blending Problem.

15/ 24

Suponga que los requerimientos por comida mnimos de carbohidratos, vitaminas, protenas y grasas son 5, 10, 10 y 2, respectivamente. Resuelva el problema de planeacin de mens como un problema de P.L. Respuesta: 1) Variables: X1= Racin de Guisantes X2= Racin de Frijoles verdes X3= Racin de Aj X4= Racin de Maz X5= Racin de Macarrones X6= Racin de Arroz X7= Racin de Pollo X8= Racin de Res X9= Racin de Pescado X10= Racin de Naranja X11= Racin de Manzana X12= Racin de Budn X13= Racin de Gelatina 2) Funcin Objetivo: Minimizar el costo total del men. Costo total = Costo de los vegetales + Costo de las carnes + Costo del postre Min Z= 0.10X1+0.12X2+0.13X3+0.09X4+0.10X5+0.07X6+0.70X7+1.20X8+0.63 X9+ 0.28X10+0.42X11+0.15X12+0.12X13 3) Restricciones: Requerimiento mnimo de carbohidratos: X1+X2+X3+2X4+4X5+5X6+2X7+3X8+3X9+X10+X11+X12+X13>=5 Requerimiento mnimo de vitaminas: 3X1+5X2+5X3+6X4+2X5+X6+X7+8X8+6X9+3X10+2X11 >=10

16/ 24

Requerimiento mnimo de protenas: X1+2X2+X3+X4+X5+X6+3X7+5X8+6X9+1X10 >=10 Requerimiento mnimo de grasa: 2X4+X5+X6+X7+2X8+X9 >=2 Al menos una racin de cada categora: X1+X2+X3+X4+X5+X6>=1 X7+X8+X9>=1 X10+X11+X12+X13>=1 No negatividad: Xi>=0 i=1..13

17/ 24

5.5. Problema de corte unidimensional. El problema consiste en determinar cmo cortar un material en una sola dimensin para servir todas las piezas demandadas de una forma tal que la cantidad desperdiciada sea mnima. Ejemplo 06. Corte de papel. Paper montoya es una compaa de papel que actualmente fabrica papel para peridicos, se conoce que los rollos producidos conforman un stock con longitud L= 108 y demanda semanal mnima de: 800 piezas de longitud 30 500 piezas de longitud 45 1000 piezas de longitud 56 La compaa desea determinar la manera de realizar los cortes para surtir el pedido con la finalidad de minimizar el desperdicio de papel. Respuesta: 1) Variables: Cada manera de cortar un rollo de papel esta asociada con una variable. Por ejemplo usted puede, recortar 2 pedazos de 45 de un rollo. Eso lo dejar con 18 de desperdicio. Rollos de 30, 45 y 56 cortados por cinco patrones Patrones Ancho Requerido 30 45 56 Utilizado Desperdicio 1 3 0 0 90 18 2 2 1 0 10 5 3 3 1 0 1 86 22 4 0 1 1 10 1 7 5 0 2 0 90 18

Definimos 5 variables, es decir, Xi= Nmero de rollos de tamao 108 que se cortarn con el patrn i. i = 1,2,3,4,5. X1= Nmero de rollos de tamao 108 que se cortarn con el patrn 1. X2= Nmero de rollos de tamao 108 que se cortarn con el patrn 2.

18/ 24

X3= Nmero de rollos de tamao 108 que se cortarn con el patrn 3. X4= Nmero de rollos de tamao 108 que se cortarn con el patrn 4. X5= Nmero de rollos de tamao 108 que se cortarn con el patrn 5. 2) Funcin objetivo: Minimizar el desperdicio al realizar los cortes en cada patrn Desperdicio = (Desperdicio en X1) + (Desperdicio en X2) + (Desperdicio en X3) +(Desperdicio en X4) +(Desperdicio en X5) Min Z = 18X1 + 3X2 + 22X3 + 7X4 + 18X5 3) 1)Restricciones: Las restricciones del modelo tienen que ver directamente con la satisfaccin del numero mnimo de rollos solicitados: Por ejemplo: La cantidad de rollos de 30" a cortar debe ser como mnimo 800. (Rollos de 30" en X1) + (Rollos de 30" en X2) + (Rollos de 30" en X3) + (Rollos de 30" en X4) + (Rollos de 30" en X5) deben ser como mnimo 800. 3X1 + 2X2 + X3 + 0X4 + 0X5> = 800 Similarmente construimos: 0X1 + X2 + 0X3 + X4 + 2X5> = 500 0X1+ 0X2 + X3 + X4 + 0X5 >=1000 X1,X2,X3,X4,X5 >= 0 y enteros. 5.6. Problema de Inversin financiera. Consiste en determinar de forma simplificada el destino de los fondos (en unidades monetarias) de tal forma que, cumpliendo las restricciones para cada una de las posibles variables que intervienen en el problema, se optimice el beneficio de la estrategia de inversin considerada. (Rollos de 45") (Rollos de 56") (Rollos de 30")

19/ 24

Ejemplo 07. Portafolios de inversin. Supongamos que un banco se dedica a invertir en crditos al consumo, bonos corporativos, depsitos de oro, y prstamos a la construccin. Con el fin de diversificar la cartera de valores, la Junta Directiva del banco ha puesto lmite a las cantidades que se permiten invertir en cada una de las opciones anteriores. En la actualidad dispone de 5 millones de euros para invertir, y se pretende: (1) Maximizar el inters esperado para los prximos seis meses, y (2) cumplir con la diversificacin propugnada por la Junta Directiva segn se especifica en la tabla: Tipo de Inversin Inters esperado (%) 7 11 19 15 Lmite de Inversin (millones de Euros) 1,0 2,5 1,5 1,8

Crdito al consumo Bonos corporativos Depsitos de Oro Prstamos a la construccin

Adems, la Directiva requiere que al menos un 5% de los fondos se dediquen a depsitos de oro y prstamos a la construccin, mientras que el porcentaje dedicado a crditos al consumo no debe superar el 15%. Respuesta: 1) Variables: X1= X2= X3= X4= Euros Euros Euros Euros invertidos invertidos invertidos invertidos en en en en crdito al consumo. bonos corporativos. depsitos de oro. prstamos a la construccin.

2) Funcin objetivo: Maximizar el inters esperado. Max Z = 0,07X1 + 0,11X2 + 0,19X3 + 0,15 X4 3) Restricciones: Limite de Inversin:

20/ 24

X1 X2 X3 X4

1.000.000 2.500.000 1.500.000 1.800.000

Polticas de Inversin: X3 + X4 250.000 X1 750.000 Inversin Total: X1 + X2 + X3 + X4 5.000.000 No Negatividad: X1 , X2 , X3 , X4 0

21/ 24

5.9. Problema de Transporte. Se refieren a la posibilidad de transportar los artculos desde los orgenes (i) a los destinos (j) en una forma que minimice el costo total de transporte. Ejemplo 08. Transporte de granos. Una empresa agrcola dispone de dos almacenes para abastecer de granos a tres distribuidores regionales. El almacn 1 dispone de 1000 ton. de grano y el almacn 2 dispone de 2000 ton. por periodo. La demanda en los tres distribuidores se estima en 1500, 750 y 750 toneladas por periodo, respectivamente. El costo de transporte por tonelada de grano es: Distribuido Distribuido Distribuido r1 r2 r3 Almacn 50 100 60 1 Almacn 30 20 35 2 Formule un modelo que permita calcular las toneladas de granos a transportar en un periodo para satisfacer la demanda y lograr un costo mnimo de transporte. 1) Variables: Xij = Ton. de grano del almacn i al distribuidor j (i= 1,2 y j =1,2,3) X11 = Ton. de grano del almacn 1 al distribuidor 1. X12 = Ton. de grano del almacn 1 al distribuidor 2. X13 = Ton. de grano del almacn 1 al distribuidor 3. X21 = Ton. de grano del almacn 2 al distribuidor 1. X22 = Ton. de grano del almacn 2 al distribuidor 2. X23 = Ton. de grano del almacn 2 al distribuidor 3. 2) Funcin Objetivo: Minimizar el costo de transporte. Min Z = 50 X11 + 100 X12 + 60X13 + 30 X21 + 20X22 + 35X23 3) Restricciones: Oferta de cada almacn i: X11 + X12 + X13 <= 1000 X21 + X22 + X23 <= 2000

22/ 24

Demanda de cada distribuidor j: X11 + X21 = 1500 X12+ X22 = 750 X13+ X23 = 750 No negatividad: Xij>=0 para i = 1,2 y j = 1,2,3.

6. Ejercicios Propuestos para resolver en casa. 1. Una compaa de mbito nacional produce y distribuye una lnea de bicicletas de alta competicin. La empresa tiene lneas de montaje en dos ciudades, Castelln y Sabadell, mientras que sus tres principales cadenas de distribucin estn localizadas en Madrid, Barcelona, y Vitoria. La oficina de Madrid presenta una demanda anual de 10.000 bicicletas, mientras que la de Barcelona solicita 8.000 y la de Vitoria 15.000. La planta de Castelln puede producir hasta 20.000 bicicletas anuales, por 15.000 la de Sabadell. Los costes de transporte por unidad son los siguientes:
ORIGEN Castelln Sabadell Madrid (Euros) 2 3 DESTINO Barcelona (Euros) 3 1 Vioria (Euros) 5 4

La compaa pretende establecer un plan de distribucin que minimice sus costes anuales de transporte. 2. La compaa Bombas Horizonte fabrica y vende dos tipos de bombas hidrulicas: (1) Tamao Normal y (2) Tamao extra grande. El proceso de manufactura asociado con la fabricacin de ambos tipos de bombas implica tres actividades: ensamblado, pintura y pruebas (control de calidad). Los requerimientos de tiempo para ensamblaje, pintura y prueba de las bombas se muestran en la tabla 1.1. Las bombas normales generan una utilidad por unidad de 500.000, en tanto que la utilidad por una bomba extra grande es de Bs. 750.000. Existen disponibles por semana 4.800 horas para ensamble, 1.980 horas de tiempo de pintura y 54.000 minutos de tiempo de prueba. Consultores externos estiman que la compaa puede vender cuando menos 300 bombas normales y a lo ms 180 de las extra grandes. Su tarea consiste en formular un modelo de P.L. que determine la cantidad de cada tipo de bomba que debe fabricar semanalmente Bombas Horizonte, con el objeto de maximizar sus utilidades. Tabla 1.1. Requerimientos de manufactura. Bombas Horizonte.

23/ 24 Tiempo de prueba 36 min/u 36 min/u

Tipo Bomba Normal Bomba Extra Grande

Tiempo de Ensamblaje 3.6 horas/u 4.8 horas/u

Tiempo de Pintura 1.6 horas/u 1.8 horas/u

3. Mangos de Torunos C.A.(MANTOCA), procesa mangos y los transforma en pulpa para jugo concentrado en tres plantas ubicadas en Barinas, Sabaneta y Santa Brbara. De cualquiera de los dos huertos ubicados en Obispos y Pedraza se puede enviar fruta hacia cualquier planta. Dado el costo de embarque del producto se desea determinar como distribuir los envos de manera de minimizar el costo total, conocida la informacin siguiente: Produccin Barinas Origen (ton./mes) Obispos 0,050 19 Pedraza 0,060 25 Capacidad 10,00 15,00 9,00 (ton./mes) 4. Hexxon Oil Company obtiene tres tipos de petrleo crudo de sus pozos de Mississippi, Nuevo Mxico y Texas. La gasolina obtenida de estos petrleos crudos y aditivos contienen azufre, plomo y fsforo, como se muestra en la tabla 1. El costo de cada componente tambin se presenta. Debido a los residuos e impurezas, cada galn de petrleo crudo de Mississippi resulta slo en 0,35% de galn del producto final, que contiene 0,07% de azufre. De manera similar, cada galn de crudo de Nuevo Mxico produce 0,40 de galn del producto final que contiene 0,08% de sulfuro y cada galn de crudo de Texas resulta en 0,30% de galn del producto final que contiene 0,10% de azufre. La gerencia ha establecido las siguientes especificaciones para controlar las cantidades de azufre, plomo y fsforo: 1. Cada galn debe tener a lo ms de 0,07% de azufre. 2. Cada galn debe tener entre 1,25 y 2,5 gramos de plomo. 3. Cada galn debe tener entre 0,0025 y 0,0045 gramos de fsforo. 4. La cantidad total de los aditivos no puede exceder de 19% de la mezcla. Tabla N1 Composicin y costo de los componentes de la mezcla PETROLEOS CRUDOS ADITIVO S Costo flete ($/Kg) Santa Sabaneta Brbara 0,060 0,075 0,045 0,090

24/ 24

Azufre (%) Plomo (g/gal) Fsforo (g/gal) Costo ($/gal)

Mississipp i 0,07 0,55

Nuevo Mxico 0,08 0,47

Texas 0,10 0,33

1 7

2 6

0,02 0,0 5 2 0,08 0,1 2

Como gerente de produccin. Determine un plan de mezclado que produzca una gasolina aceptable al mnimo costo. 5.Cada galn de leche, libra de queso y libra de manzana proporciona segn la tabla n1 un numero conocido de miligramos de protenas, vitaminas A, B y C, adems esa misma tabla muestra los requerimientos diarios de los ingredientes nutricionales, segn lo recomendado por el INN, la cantidad mnima de cada alimento que debe incluirse en la comida y su respectivo costo. Leche (mg/gal ) 40 5 20 30 0,5 gal 2,15 Queso (mg/lb) 30 50 30 30 0,5 lb 2,25 Manzanas (mg/lb) 10 30 40 60 0,5 1,25 Requerimientos minimos diarios (mg) 80 60 50 30

Protenas Vitamina A Vitamina B Vitamina C Cantidad Mnima Costo Unitario ($/unidad)

Formule un modelo de Programacin Lineal para encontrar la combinacin de alimentos que satisfaga el conjunto de requerimientos nutricionales dados en la tabla a un costo mnimo.