Investigacion de Operaciones

Introduccin - Investigacin de Operaciones
Una decisin puede ser clasificada en estructurada si envuelve una serie de factores que
puedan ser cuantificados y luego formulados en trminos matemticos. La Investigacin de
Operaciones es una herramienta de apoyo a la decisin estructurada, y durante el presente
curso vamos ver que algunos problemas pueden ser formulados matemticamente.
Para mostrar los factores que intervienen en la formulacin de un problema de
programacin lineal, utilizaremos una situacin problemtica basada en el juego a doble
mano. A este problema denominaremos El planeamiento de un jugador.
Resulta que Paquito est saliendo con dos de sus vecinas, llamadas Katy y Fiorella. Por tal
motivo debe tomar la decisin con quien de las vecinas debe salir. Obviamente, lo primero
que pasa por su cabeza, es salir con las dos al mismo tiempo, cierto?, pero salir con las dos
al mismo tiempo puede causar problemas dado que ellas no aceptaran salir juntas sobre
todo porque se sabe que son muy celosas.
Por otro lado, salir todo el da con una vecina no es muy bueno econmicamente dado que
Paquito no dispone del dinero suficiente, pero por encima de esta limitacin Paquito est
decidido disfrutar de su buena suerte al haber conquistado a sus dos vecinas; as que est
pensando en alguna estrategia que le permita decidir cuantas veces al mes debe salir con
cada una de sus vecinas. Cul es la decisin?.
Paquito recordando las sabias enseanzas de su profesor del curso de Investigacin de
Operaciones, curso que a propsito llev por segunda matricula, decide elaborar un modelo
matemtico que le permita determinar cuntas veces al mes salir con cada una de sus
vecinas.
El primer paso que realiza es representar con letras y subndices el nmero de salidas al
mes con cada una de sus vecinas, de la siguiente forma:
x1 : Representa la cantidad de veces al mes, que debe salir con Katy.
x2 : Representa la cantidad de veces al mes, que debe salir con Fiorella.
Estas expresiones son denominadas variables de decisin x1 y x2 , las cuales son la parte
ms importante para la representacin matemtica de un problema, ests son escogidas
libremente.
Podemos pensar que Paquito puede salir con sus vecinas cuantas veces quisiera, pero uno
de sus principales problemas es la falta de dinero (problemas financieros), puesto que
Paquito sabe que a Katy le gusta de frecuentar lugares caros y una salida le genera un gasto
de 180 soles, sin embargo Fiorella es ms sencilla y gusta frecuentar lugares ms baratos,
as ella le genera un gasto de 100 soles.
Se sabe que Paquito recibe una mensualidad 800 soles por mes, dinero que a propsito le
envan sus padres para sus estudios. Conociendo los gastos que generan sus vecinas,
Paquito se pregunta cmo hacer para no terminar endeudado. Por tanto comienza hacer
sus cuentas del siguiente modo:
Como una salida con Katy le cuesta 180 soles y como x1 representa el nmero de veces al
mes que sale con Katy, entonces al mes terminara gastando 180 x1 soles. Del mismo modo
salir con Fiorella le cuesta 100 soles y como sale x2 veces al mes con ella, entonces al mes
terminara gastando 100 x2 soles.
Paquito sabe que no puede gastar ms de 800 soles mensuales, por tanto representa este
inconveniente del siguiente modo:
Pero los inconvenientes para salir con ellas no quedan all, porque la diferencia entre las
dos
no son slo los gastos por salida, sino que tambin tiene problemas con el tiempo. Es
decir, salir con Katy requiere en promedio 4 horas de su tiempo, mientras que una salida
con Fiorella requiere en promedio 2 horas.
El problema con el tiempo es porque Paquito tiene que estudiar, porque de no ser as sus
calificaciones bajaran y sus padres dejaran de asignarles los 800 soles mensuales.
Consideremos que Paquito slo dispone de 20 horas libres por mes. Como podemos
garantizar que l no emplear ms tiempo del que dispone, as usando la notacin anterior,
tenemos:
Paquito debe comenzar a unir todo lo pensado anteriormente
Para poder planear y decidir cuantas veces tendr que salir con Katy ( x1 ) y cuantas con
Fiorella ( x2 ), tomando en cuenta el dinero y tiempo disponible. A la vez podr saber
cuntas
horas y cuanto de dinero consumir, as como cunto dinero y tiempo le sobrar.
1 Caso
Cunto consume si sale con Katy 3 veces y con Fiorella 2 veces?, es decir x1=3 y x2 = 2 ,
verificamos cunto dinero y cunto tiempo consume.
180(3) + 100(2) =740 (dinero gastado)
4(3) + 2(2) =16 (tiempo gastado)
Cunto le sobra?
Como podemos ver al salir tres veces con Katy y dos veces con Fiorella, Paquito consume
740 soles y 16 horas, sobrando al final del mes 60 soles y 4 horas.
2 Caso
Cunto consume si sale con Katy 3 veces y con Fiorella 4 veces?, es decir x1 = 3 y x2 =
4,
verificamos cunto dinero y cunto tiempo consume.
180(3) +100(4) = 940 (dinero gastado)
4(3) + 2(4) = 20 (tiempo gastado)
Cunto le sobra?
Como podemos ver al salir tres veces con Katy y cuatro veces con Fiorella, Paquito
consume
940 soles y 20 horas, generndole una deuda de 140 soles dado que l dispone slo de 800
soles, por otro lado consume todo el tiempo disponible del mes que son las 20 horas.
Por lo tanto, Paquito no puede salir tres veces con Katy y cuatro veces con Fiorella, dado
que est situacin es imposible, dentro de las condiciones que fueron propuestas.
Pero nos falta un objetivo
Podemos notar que nos falta un objetivo, es decir debemos pensar que es lo quiere Paquito
para obtener el mayor beneficio al salir con sus vecinas. Una opcin puede ser, salir la
mayor cantidad de veces con las dos sin importar la preferencia por ellas; est situacin
queda expresada del siguiente modo:
Maximizar x1 + x2
Otro posible objetivo puede ser construido del siguiente hecho; a Paquito le gusta dos veces
ms Katy que Fiorella, entonces podemos crear un coeficiente que represente su
preferencia; es decir un valor unitario para Fiorella y el doble para Katy. Obteniendo el
siguiente objetivo
Maximizar 2x1 + x2
De esta forma se logra formalizar dos modelos diferentes:
Un poco de historia - Investigacin de Operaciones

Las races de la investigacin de operaciones se remontan a principios de 1937,
cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la
administracin de una empresa. Sin embargo, el inicio de la actividad llamada
investigacin de operaciones, casi siempre se atribuye a los servicios militares
prestados a principios de la segunda guerra mundial. Debido a los esfuerzos
blicos, exista una necesidad urgente de asignar recursos escasos a las distintas
operaciones militares y a las actividades dentro de cada operacin, en la forma
ms efectiva. Por esto, las administraciones militares americana e inglesa hicieron
un llamado a un gran nmero de cientficos para que aplicaran el mtodo cientfico
a ste y a otros problemas estratgicos y tcticos. De hecho, se les pidi que
hicieran investigacin sobre operaciones (militares). Estos equipos de cientficos
fueron los primeros equipos de IO.
El inicio formal de la investigacin de operaciones tuvo lugar en Inglaterra a finales
de 1939, cuando la estacin de investigacin de Bawdsey, bajo la direccin de A.
Rowe, fue encargada del desarrollo de polticas ptimas para el nuevo sistema de
deteccin militar llamado radar.
Con el desarrollo de mtodos efectivos para el uso del nuevo radar, estos equipos
contribuyeron al triunfo del combate areo ingls, a travs de sus investigaciones
para mejorar el manejo de las operaciones antisubmarinas y de proteccin,

jugaron tambin un papel importante en la victoria de la batalla del Atlntico Norte.
Antecedentes de la Investigacin de operaciones.
AO
AUTOR
TCNICA DESARROLLADA
------------------------------------------------------------------------------------------------------------1759
Quesnay
Modelos primarios de programacin
matemtica
1905
G. Jordan
Modelos lineales
1874
Warlas
Modelos primarios de programacin
matemtica
1891
Minkousky
Modelos lineales
1903
Farkas
Modelos lineales
1897
Markov
Modelos dinmicos probabilsticos
1905
Erlang
Lneas de espera
1920-30
Konig Egervary
Asignacin
1937
Morgerstern
Lgica estadstica
1937
Von Newman
Teora de juegos
1939
Kantorovich
Distribucin
1947
G.Dantzig
Mtodo SIMPLEX
1950s
Bellman
Programacin dinmica
1950s
Kun-Tucker
Programacin no lineal
1950s
Gomory
Programacin entera
1950s
Ford-Fulkerson
Redes de flujo.
1950s
Markowitz
Simulacin.
1950s
Raifa
Anlisis de decisiones
1950s
Arrow-Karli
Inventarios.
Definicin - Investigacin de Operaciones

No existe una definicin exacta para La Investigacin de Operaciones, de manera muy
general decimos que la Investigacin de Operaciones trata sobre la bsqueda de la mejor
utilizacin (tcnica, econmica, social, poltica) de recursos (escasos) y procesos (diversos),
a travs de la aplicacin de mtodos cientficos, buscando la mejor satisfaccin (utilidad,
placer) del cliente (usuario, pblico) definidos en un contexto (conjunto, totalidad).
El desarrollo de un trabajo de IO envuelve equipos multidisciplinarios para la aplicacin de
los mtodos cientficos a problemas reales encontrados en los sistemas de produccin de
bienes y servicios, como herramienta auxiliar para la toma de decisiones en cualquier sector
y nivel de economa.
Segn Churchman, Ackoff y Arnoff: la investigacin de operaciones es la aplicacin, por
grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de
las organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que
mejor sirvan a los objetivos de la organizacin.

Por tal motivo, decimos que la investigacin de operaciones utiliza los resultados de
muchas reas cientficas aunque fundamentalmente se encuentra en la matemtica, la
economa, el clculo de probabilidades y la estadstica.
Metodologa - Investigacin de Operaciones

Es posible de una forma bastante general resumir el proceso de modelado o de
construccin de modelos bajo el punto de vista operacional, por los pasos
sugeridos en el siguiente flujograma.
Donde:
1. La definicin del problema es una de las fases ms importantes del proceso
y comprende la clara percepcin del desafo colocado. El problema debe ser
traducido en elementos palpables englobando:
Descripcion exacta de los objetivos del estudio.
Identificacion de las variables de decision o control existentes
Nivel de detalle (reconocimiento de las limitaciones, restricciones y

exigencias del sistema.
La descripcin de los objetivos es una de las actividades ms importantes en

todo el proceso de estudio pues a partir de ella es que el modelo es creado. De
la misma forma es esencial que las alternativas de decisin y las limitaciones
sean explicitadas, para que las soluciones obtenidas al final del proceso sean
vlidas y aceptables.
2. El secreto para construir un modelo de optimizacin depende de una
adecuada traduccin, tambin denominada formulacin. El propio trmino
formular largamente empleada para explicar el proceso de construccin de
modelos de optimizacin, trae consigo una enorme carga cuantitativa y
matemtica.
Por otro lado, una adecuada formulacin depende tambin de elementos que
escapan al contenido estrictamente tcnico, envolviendo la percepcin del
elaborador del modelo (o equipo de elaboracin) y una facultad cognitiva de
alto nivel.
Las frmulas o ecuaciones del modelo no se encuentran listas y acabadas de la
naturaleza, ellas tienen que ser identificadas o creadas. Extraamente, el rigor
de la traduccin es obtenido a travs de procesos poco rigurosos o conocidos,
envolviendo:
La intuicion.
La experiencia.
La creatividad.
El poder de sintesis, etc.
Esto nos trae dos consecuencias inmediatas para formulacin de modelos:
Existe una enorme dificultad en el proceso de formulacion.
Existe una fuerte tendencia a considerar la actividad de formulacion de

un modelo como un arte.
En esta fase de formulacin del modelo de optimizacin son definidos los tipos
de variables a utilizar en la representacin, as como el nivel apropiado de
agregacin de las variables. Tambin deben ser representadas las restricciones
del problema, tanto las cuantitativas como las de naturaleza lgica.
El modelo deber ser adecuado a la naturaleza de los datos de entrada y de
salida, as como ser capaz de expresar las funciones de desempeo que
posiblemente sern exigidos en el proceso de optimizacin. (Funcin objetivo)
3. Validacin del modelo, es necesario verificar la validez del modelo. Un
modelo es vlido si tomando en cuenta su inexactitud en representar el
sistema, l es capaz de dar una prediccin aceptable del comportamiento del
sistema. Un mtodo comn para verificar la validez del modelo es analizar su
desempeo con datos pasados del sistema y verificar si l logra reproducir el
comportamiento que el sistema present. Es importante observar que este
proceso de validacin no se aplica a sistemas inexistentes, es decir en
proyectos. En este caso la validacin es hecha por la verificacin de la
correspondencia entre los resultados obtenidos y algn comportamiento
esperado del nuevo sistema.
4. Una vez evaluadas las ventajas y la validacin de la solucin obtenida, esta
debe ser convertida en reglas operacionales. La implementacin, por ser una
actividad que altera una situacin existente, es una de las etapas crticas del
estudio. Es conveniente que sea controlada por el equipo responsable, pues
eventualmente los valores de la nueva solucin, cuando llevados a la prctica
pueden demostrar la necesidad de corregir las relaciones funcionales del
modelo conjunto de posibles cursos de accin exigiendo la reformulacin del
modelo en alguna de sus partes.
Estructura y construccin de modelos de optimizacin - Investigacin de

Operaciones
Un modelo representa o describe los elementos relevantes de una situacin y sus
interacciones existentes entre ellos. La concepcin de un modelo tiene por finalidad
facilitar el entendimiento y la manipulacin de las relaciones que ocurren entre los diversos
parmetros que integran un sistema o proceso, abstradas de una realidad.
Como el proceso de modelado depende del espritu creativo del hombre, tal vez no
podemos definir claramente los lmites de los modelos de Programacin Matemtica y sus
aplicaciones. Generalmente podemos decir que su empleo clsico seria:
Utilizar de forma eficiente recursos limitados y que pueden ser disputados por
actividades alternativas
En los modelos matemticos, la representacin de determinado sistema es generalmente
realizada por tres conjuntos principales de elementos:
1. Variables de decisin y parmetros: las variables de decisin son las incgnitas a ser
determinadas por la solucin del modelo. Los parmetros son los valores fijos en el
problema. Simblicamente, las variables de decisin son representadas por letras
minsculas con subndices como: xi , i =1,2,3,...,n
2. Restricciones: de modo a llevar en cuenta las limitaciones fsicas del sistema, el
modelo debe incluir restricciones que limitan las variables de decisin a sus valores
posibles (o viables). Estas restricciones pueden ser expresadas matemticamente por
medio de ecuaciones e inecuaciones.
3. Funcin objetivo: es una funcin matemtica que define la calidad de la solucin en
funcin de las variables de decisin. En forma general es representada como una
funcin de varias variables z = f (x1, x2,...,xn) .
Podemos resumir de forma sucinta los pasos del proceso de anlisis cuantitativo conforme
se expresa en el siguiente flujo:
Proceso de anlisis cuantitativo
La etapa de formulacin comprende:
La definicin de las variables controlables (de decisin o control) y las no

controlables
(externas o de estado).
La elaboracin de la funcin objetivo y del criterio de optimizacin.
La formalizacin de las restricciones del modelo.
La etapa de construccin del modelo engloba:
La elaboracin de la estructura de entrada y salida de informacin.
Las formulas de interrelacin.
Los horizontes de tiempo.
La etapa de ejecucin de los anlisis comprende:
Anlisis de sensibilidad de la solucin.
Levantamiento de la precisin de los datos.
Estudio de la estabilidad computacional.
Levantamiento de las dems especificaciones del modelo.
La etapa de implementacin de los resultados y la actualizacin del modelo comprende:
Un gran proceso de feedback repasando las etapas anteriores, haciendo uso del
modelo en el sistema de produccin o prestacin de servicios.
Los Modelos Matemticos se dividen bsicamente en Modelos Deterministicos (MD) y

Modelos Estocsticos (ME). En el primer caso (MD) se considera que los parmetros
asociados al modelo son conocidos con certeza absoluta, a diferencia de los Modelos
Estocsticos, donde la totalidad o un subconjunto de los parmetros tienen una distribucin
de probabilidad asociada. Los cursos introductorios a la Investigacin Operativa
generalmente se enfocan slo en Modelos Deterministas.
Clasificacin de los modelos de optimizacin
Modelos de programacin lineal - Investigacin de Operaciones

Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden resolver la
situacin siguiente:
"Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias
variables, sujeta a una serie de restricciones, expresadas por inecuaciones lineales"
As un modelo de Programacin Lineal (PL) considera que las variables de decisin tienen
un comportamiento lineal, tanto en la funcin objetivo como restricciones del problema. En
este sentido, la Programacin Lineal es una de las herramientas ms utilizadas en la
Investigacin Operativa debido a que por su naturaleza se facilitan los clculos y en general
permite una buena aproximacin de la realidad.
La formulacin del problema a ser solucionado por programacin lineal sigue algunos
pasos
bsicos:
Debe ser definido el objetivo bsico del problema, es decir la optimizacin a ser
alcanzada. Por ejemplo maximizar ganancias, desempeos o bienestar social;
minimizar costos, perdidas, tiempo. Tal objetivo ser representado por una funcin
objetivo, a ser maximizada o minimizada.
Para que esta funcin objetivo sea matemticamente especificada, deben ser
definidas las variables de decisin involucradas. Por ejemplo, nmero de mquinas,
rea a ser explorada, etc. Normalmente se asume que todas estas variables poseen
solamente valores positivos.
Estas variables estn sujetas a una serie de restricciones, normalmente representadas

por inecuaciones. Por ejemplo, cantidad de equipos disponibles, tamao del rea a
ser explorada, etc.
Todas las expresiones, deben estar de acuerdo con la hiptesis principal de la programacin
lineal, es decir todas las relaciones entre las variables deben ser lineales. Esto implica
proporcionalidad de las cantidades envueltas.
A continuacin desarrollamos algunos ejemplos que nos permitir conocer un poco ms
acerca de los problemas de programacin lineal.
Problema 1.1.
Yemito es un aficionado de los juguetes electrnicos y planeando construir dos tipos de
juguetes electrnicos (Ben10 y DinoRey). l sabe que para construir un juguete Ben10
debe utilizar 9 sensores electrnicos y 3 horas de trabajo. Mientras que para construir un
DinoRey utiliza 1 sensor electrnico y 1 hora de trabajo. Yemito pidi a su pap comprar
los sensores electrnicos, pero ste slo compro 18 sensores electrnicos. A la vez Yemito
suele despertar a las 8:00 am y dormir a las 8:00 pm, por tal motivo dispone de 12 horas
para trabajar en la construccin de los juguetes. Yemito tiene planeado vender estos
juguetes en su escuela, obteniendo una utilidad de 4 dlares por cada juguete Ben10 y un
dlar por cada juguete DinoRey. Por otro lado, sabiendo que Yemito logra vender todos los
juguetes construidos se debe elaborar un modelo de programacin lineal para optimizar sus
utilidades.
Solucin:
Para elaborar el modelo de programacin lineal seguimos los siguientes pasos:
1. Definicin de las variables de decisin:

En este caso estamos interesados en saber cuntos juguetes Ben10 y DinoRey debe
construir, por tal motivo declaramos las variables de decisin de la siguiente forma:
x1 : Cantidad de juguetes Ben10 construidos
x2 : Cantidad de juguetes DinoRey construidos
Una vez declaradas las variables de decisin, debemos expresar la funcin
objetivo utilizando dichas variables.
2. Elaboracin de la funcin objetivo:
Dado que nuestro propsito es maximizar la utilidad total y sabemos que por la fabricacin
de un Ben10 tenemos una utilidad de 4 dlares, entonces la utilidad total generada por el
modelo ben10 es de $ 4x1 , de igual forma el modelo DinoRey genera una utilidad de $1 x2
.
Por tanto si queremos obtener la utilidad total generada por la fabricacin de los dos
juguetes tendremos z = 4x1 + x2 .
Como nuestro objetivo es maximizar la utilidad, tenemos la siguiente funcin objetivo:
Max z = 4x1 + x2 .
3. Formulacin de las restricciones tecnolgicas:
Antes de construir las restricciones del problema, debemos tener presente las siguientes
observaciones:
No se puede utilizar lo que no se tiene.
La cantidad utilizada debe ser menor o igual a la cantidad disponible
Restriccin de sensores electrnicos
Sabemos que disponemos de 18 sensores electrnicos y que para fabricar un Ben10, se

necesita de 9 sensores electrnicos y para un DinoRey se necesita 1 sensor electrnico. Por
tanto podemos decir que 9x1 + x2 <= 18 .
Restriccin de horas de trabajo
De igual modo, se dispone de 12 horas de trabajo, pero para fabricar un Ben10 se
necesita 3 horas de trabajo y para un DinoRey se necesita 1 hora de trabajo. Por tanto
podemos decir que 3x1 + x2 <= 12 .
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, es decir,
mayores o iguales a cero tenemos que x1 >= 0 y x2 >= 0 .
4. Modelo final:
Finalmente podemos expresar el modelo de programacin lineal de la forma siguiente
Max z = 4x1 + x2
sujeto a:
9x1 + x2 <= 18
3x1 + x2 <= 12
x1, x2 >= 0
Observaciones:
Para determinar la funcin objetivo debe tomarse en cuenta lo siguiente:
1. Si tenemos como datos solo costos ya sean de materia prima, mano de obra, uso de
mquina, transporte, depreciacin, etc. Nos indica indudablemente que la Funcin
Objetivo (F.O.) ser de MINIMIZACIN.
2. Si el enunciado solo tiene datos econmicos de ganancia, precio de venta o dinero a
recibir por unidad producida la F.O. ser de MAXIMIZACIN.
3. Si el enunciado tiene datos de costos y ganancias, entonces construimos la F.O. de la
siguiente manera: GANANCIAS - COSTOS =UTILIDAD, la que tendr como F.O.
MAXIMIZAR.
4. Si no se tiene ningn dato econmico y solo se tienen tiempos, el tiempo se
minimiza, si nos da solo produccin, la produccin se ha de maximizar, si el modelo
corresponde a contratar personal, la funcin objetivo se debe minimizar.
Las restricciones o limitaciones en los modelos lineales se representan por

desigualdades o igualdades: <= , >= , =
Muchos problemas tienen expresiones caractersticas que nos pueden anunciar que tipo de
restriccin debemos usar, por ejemplo:
Usar
|
Para expresiones como:
<=
mxima.
Cmo mximo, a lo ms, disponibilidad, demanda
>=
mnima.
=
Cmo mnimo, por lo menos, al menos, demanda

Total, proporcin
Las restricciones deben tener las mismas unidades en tanto en su lado izquierdo
como derecho.
La no negatividad de algunas variables es muy importante para definir la solucin

de algunos modelos, por lo tanto se dice que todas las variables son >= 0.
A partir de ahora mostraremos una gran variedad de aplicaciones de modelos lineales con la
finalidad de que se familiarice con los modelos de programacin lineal. Para este fin se ha
etiquetado a los problemas segn su nivel de dificultad, por tal motivo al lado derecho de
cada problema colocamos un icono que identificar el nivel de dificultad. En la siguiente
tabla se muestran los niveles de los problemas y sus respectivos iconos de identificacin.
Industria - Modelos Fciles - Problema 1 de 13 - Investigacin de

Operaciones
Problema 1:
Industria
Una industria vincola produce vino y vinagre. El doble de la produccin de vino es

siempre menor o igual que la produccin de vinagre ms cuatro unidades. Por otra parte, el
triple de la produccin de vinagre sumado con cuatro veces la produccin de vino se
mantiene siempre menor o igual a 18 unidades. Hallar el nmero de unidades de cada
producto que se deben producir para alcanzar un beneficio mximo, sabiendo que cada litro
de vino deja un beneficio de 8 soles y cada litro de vinagre de 2 soles. Suponiendo que todo
lo que se produce se vende.
Solucin:
En primer lugar ordenamos la informacin en la siguiente tabla.

x1 : Cantidad de litros de vino a producir.
x2 : Cantidad de litros de vinagre a producir.

El beneficio total que da el vino, se obtiene multiplicando el total de litros de vino
producido por su respectivo beneficio obteniendo 8 soles/litro por x1 litro, de la misma
forma determinamos el beneficio total de la produccin del vinagre 2 soles/litro por x2
litro, obteniendo un beneficio total de 8x1 + 2x2 soles.
Finalmente tenemos la siguiente funcin objetivo:
Maximizar z = 8x1 + 2x2
El doble de la produccin de vino es siempre menor o igual que la produccin de

vinagre ms cuatro unidades.
2x1 <= x2 + 4
El triple de la produccin de vinagre sumado con cuatro veces la produccin de vino

se mantiene siempre menor o igual a 18 unidades.
4x1 + 3x2 <=18
Restricciones de no negatividad Dado que las variables de decisin slo pueden

tomar valores no negativos, tenemos que
x1 >= 0 , x2 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 8x1 + 2x2
sujeto a:
2x1 - x2 <= 4
4x1 + 3x2 <= 18
x1 >= 0, x2 >= 0
Produccin - Modelos Fciles - Problema 2 de 13 - Investigacin de

Operaciones
Problema 2:
Produccin
Una fbrica de carroceras de automviles y camiones tiene dos departamentos. En el

departamento A, para hacer la carrocera de un camin, se invierten 7 das-operario, para
fabricar la de un automvil se precisan 2 das-operario. En el departamento B se invierten
tres das operario tanto en carroceras de camin como de automviles. Por limitaciones de
mano de obra y maquinaria, el departamento A dispone de 300 das operario, y el
departamento B de 270 das-operario. Si los beneficios que se obtienen por cada camin
son de $6000 y por cada automvil $2000 cuntas unidades de cada uno se deben producir
para maximizar las ganancias? (Considere que para la produccin se debe utilizar ambos
departamentos).
Solucin:
En primer lugar ordenamos la informacin en la siguiente tabla.

xi : Cantidad de carroceras de vehculos del tipo i =1(camin) , 2(automvil) a producir.
El beneficio total se obtiene multiplicando el beneficio por el nmero de vehculos
producidos. Obteniendo as, un beneficio total de 6000x1 + 2000x2 soles. Finalmente
tenemos la siguiente funcin objetivo:
Maximizar z = 6000x1 + 2000x2
Restriccin de das-operario en el departamento A.
Podemos ver que, slo disponemos de 300 das-operario en el departamento A; pero para
producir la carrocera de un camin se necesita de 7 das-operario y para producir la
carrocera de un automvil se necesita de 2 das-operario. Por tanto la restriccin de dasoperario en el departamento A, queda expresado como:
7x1 + 2x2 <= 300
Restriccin de das-operario en el departamento B.
Podemos ver que, slo disponemos de 270 das-operario en el departamento B; pero para
producir la carrocera de un camin se necesita de 3 das-operario y para producir la
carrocera de un automvil se necesita de 3 das-operario. Por tanto la restriccin de dasoperario en el departamento A, queda expresado como:
3x1 + 3x2 <= 270
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que x1
>= 0 , x2 >= 0
4. Modelo Lineal:
Max z = 600x1 + 2000x2
sujeto a:
7x1 + 2x2 <= 300
3x1 + 3x2 <= 270
x1 >= 0, x2 >= 0
Inversin - Modelos Fciles - Problema 3 de 13 - Investigacin de

Operaciones
Problema 3:
Inversin
Una entidad financiera capta depsitos y presta dinero. La captacin de depsitos lleva una
hora para convencer al cliente y otra de trabajo burocrtico. El prstamo de dinero lleva una
hora para convencer al cliente y dos horas de trabajo burocrtico. El mximo nmero de
horas de trabajo disponibles es de 40 horas para convencer a los clientes y 60 horas para el
trabajo burocrtico. El beneficio obtenido por prestar dinero es 1/3 mayor que el de captar
depsitos. Cuntas operaciones de cada tipo le convienen realizar para obtener el mximo
beneficio?.
Solucin:
En primer lugar ordenamos la informacin en la siguiente tabla

xi : Nmero de operaciones del tipo i = 1(depsitos) , 2(prstamos) a realizar.
El beneficio total se obtiene multiplicando el beneficio por el nmero de depsitos y
prstamos respectivamente. Obteniendo as, un beneficio total de x1 + 4/3x2 soles.
Maximizar z = x1 + 4/3x2
Restriccin de horas para convencer al cliente. Podemos ver que, slo disponemos
de 40 horas, para convencer al cliente, de los cuales se necesita de una hora para
convencer al cliente de realizar un depsito y un prstamo respectivamente. Por
tanto la restriccin queda expresado como:
x1 + x2 <= 40
Restriccin de horas de trabajo burocrtico.
Podemos ver que, slo disponemos de 60 horas, para realizar el trabajo burocrtico, de los
cuales se necesita de 1 y 2 horas para realizar un depsito y un prstamo respectivamente.
Por tanto la restriccin queda expresado como:
x1 + 2x2 <= 60
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1 >= 0 , x2 >= 0
4. Modelo Lineal:
Max z = x1 + 4/3x2
sujeto a :
x1 + x2 <= 40
x1 + 2x2 <= 60
x1 >= 0 , x2 >= 0
Inversin - Modelos Fciles - Problema 4 de 13 - Investigacin de

Operaciones
Problema 4: Inversin
Una persona tiene S/500 para invertir en dos tipos de acciones A y B. El tipo A tiene
bastante riesgo con un inters anual del 10% y el tipo B es bastante seguro con un inters
anual del 7%. Decide invertir como mximo S/300 en A y como mnimo S/100 en B, e
invertir en A por lo menos tanto como en B. Cmo deber invertir sus S/500 para
maximizar sus intereses anuales?
Solucin:

xi : Nmero de acciones del tipo i = A,B a comprar.
El inters total se obtiene multiplicando el inters de cada accin con la cantidad de
acciones compradas. Obteniendo as, un inters total de 0.1xA 0.07xB . Finalmente
Maximizar z = 0.1xA + 0.07xB
Restriccin de dinero mximo de inversin en las acciones A.
xA <= 300
Restriccin de dinero mnimo de inversin en las acciones B.
xB >= 100
Invertir en A por lo menos tanto como en B
xA >= xB
Restriccin de disponibilidad de dinero.
xA + xB <= 500
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos
que xA >= 0 , xB >= 0
4. Modelo Lineal:
Max z = 0.1xA + 0.07xB
sujeto a:
xA <= 300
xB >= 100
xA - xB >= 0
xA + xB <= 500
xA >= 0 , xB >= 0
Mezclas - Modelos Fciles - Problema 5 de 13 - Investigacin de Operaciones
Problema 5: Mezclas
Alice, gerente de la Food Fast, proporciona albergues para cachorros. El alimento para
perros Kennel se hace mezclando dos productos de soya para obtener una "dieta para perros
bien balanceada". En la Tabla 1.2 se dan los datos para los dos productos. Si Alice quiere
asegurarse de que sus perros reciban al menos 8 onzas de protenas y 1 onza de grasa
diariamente, cul sera la mezcla del costo mnimo de los dos alimentos para perro?.
Tabla: Costo y porcentaje de protenas y grasas por producto
Solucin:
xi : Nmero de onzas del producto i =1,2 a comprar.
El costo total se obtiene multiplicando el costo de cada onza con la cantidad de onzas.
Obteniendo as, un costo total de 0.6x1 + 0.15x2 . Finalmente tenemos la siguiente funcin
objetivo:
Minimizar z = 0.6x1 + 0.15x2
Restriccin de protenas.
0.5x1 + 0.2x2 >= 8
Restriccin de grasas.
0.1x1 + 0.2x2 >= 1
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos
que x1 >= 0 , x2 >= 0
4. Modelo Lineal:
Max z = 0.6x1 + 0.15x2
sujeto a :
0.5x1 + 0.2x2 >= 8
0.1x1 + 0.2x2 >= 1
x1 >= 0, x2 >= 0
Mezclas - Modelos Fciles - Problema 6 de 13 - Investigacin de Operaciones
Problema 6: Mezclas
Pearce Dears, un antiguo entrenador de grupos de choque, se ha convertido en avicultor.
Desea alimentar a sus animales en forma tal que se cubran sus necesidades de nutricin a
un costo mnimo. Pearce est estudiando el uso de maz, soya, avena y alfalfa. En la
siguiente tabla se muestra la informacin diettica importante por libra de grano (por
ejemplo, 1 libra de maz proporciona 15 miligramos de protena). Elabore un modelo de PL
para determinar la mezcla diettica que satisfaga los requisitos diarios a un costo mnimo.
Tabla: Nutrientes por libra de grano
Solucin:
xi : Cantidad de libras de i = 1,2,3,4 (maz, soya, avena y alfalfa respectivamente) a
comprar.
El costo total se obtiene multiplicando el costo por libra con la cantidad de libras
compradas. Obteniendo as, un costo total de 70x1 + 45x2 + 40x3 + 90x4 . Finalmente
Minimizar z = 70x1 + 45x2 + 40x3 + 90x4
Restriccin de protenas.
Dado que, cada libra de maz aporta con 15 mg de protenas entonces la cantidad total
aportada por el maz es de 15x1 , de forma similar se obtienen las cantidades aportadas por
la soya, la avena y la alfalfa; obteniendo la siguiente restriccin:
15x1 + 30x2 +15x3 + 7x4 >= 50
Restriccin de calcio.
40x1 + 10x2 + 40x3 + 45x4 >= 150
Restriccin de grasas.
20x1 + 50x2 + 8x3 + 25x4 >= 25

20x1 + 50x2 + 8x3 + 25x4 <= 120
Restriccin de caloras.
850x1 + 1500x2 + 1200x3 + 4000x4 >= 5000
x1 , x2 , x3 , x4 >= 0
4. Modelo Lineal:
Minimizar z = 70x1 + 45x2 + 40x3 + 90x4
sujeto a:
15x1 + 30x2 +15x3 + 7x4 >= 50
40x1 + 10x2 + 40x3 + 45x4 >= 150
20x1 + 50x2 + 8x3 + 25x4 >= 25
20x1 + 50x2 + 8x3 + 25x4 <= 120
850x1 + 1500x2 + 1200x3 + 4000x4 >= 5000
x1 , x2 , x3 , x4 >= 0
Encuesta - Modelos Fciles - Problema 7 de 13 - Investigacin de

Operaciones
Problema 7: Encuesta
Para realizar una encuesta por telfono, un grupo de investigacin de mercado necesita
comunicar por lo menos a 150 esposas, 120 maridos, 100 varones adultos solteros y 110
mujeres adultas solteras. Cuesta $2 realizar una llamada telefnica durante el da, y $5
realizar una llamada telefnica durante la noche (debido a mayores costos laborales). Estos
datos se muestran en la tabla inferior. Se pueden realizar a lo ms la mitad de estas llamadas

en la noche, por disponer de un nmero limitado de empleados. Formule un PL que
minimice los costos para completar la encuesta.
Tabla: Porcentaje de personas que contestan las llamadas
Solucin:

xi : Nmero de llamadas realizadas en horario i =1,2 (diurno y nocturno respectivamente).

El costo total por las llamadas realizadas se obtiene multiplicando el costo de cada llamada
segn el horario por la cantidad de llamadas realizadas. Obteniendo as, un costo total de
2x1 + 5x2 . Finalmente tenemos la siguiente funcin objetivo:
Minimizar z = 2x1 + 5x2
Restriccin de esposas encuestadas.
0.3x1 + 0.3x2 >= 150
Restriccin de maridos encuestados.
0.1x1 + 0.3x2 >= 120
Restriccin de varones solteros encuestados.
0.1x1 + 0.15x2 >= 100
Restriccin de mujeres solteras encuestadas.
0.1x1 + 0.2x2 >= 110
Restriccin realizar a lo ms la mitad de estas llamadas en la noche.
x2 <= (x1 + x2) / 2
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que x1
, x2 >= 0
4. Modelo Lineal:
Min z = 2x1 + 5x2

sujeto a :
0.3x1 + 0.3x2 >= 150
0.1x1 + 0.3x2 >= 120
0.1x1 + 0.15x2 >= 100
0.1x1 + 0.2x2 >=110
x2 - x1 <= 0
x1, x2 >= 0
Pesca - Modelos Fciles - Problema 8 de 13 - Investigacin de Operaciones
Problema 8:
Pesca
Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa a pescar como
mximo 2000 toneladas de merluza y 2000 toneladas de rape, adems, en total, las capturas
de estas dos especies no pueden pasar de las 3000 toneladas. Si el precio de la merluza es
de 10 soles el kilo y el precio del rape es de 15 soles el kilo, qu cantidades debe pescar
para obtener el mximo beneficio?
Solucin:
Xi : Cantidad de toneladas de peces del tipo i=1,2 (merluza y rape respectivamente) a
pescar.
Para obtener el beneficio total multiplicamos el valor de un kilo de merluza y rape por la
cantidad vendida de cada uno de ellos, para esto, debemos transformar la unidad de medida
la variable de decisin dado que est en toneladas.
Obteniendo as, un beneficio total de 10 soles/kg x (1000 soles/tn)X1 + 15 soles/kg x
(1000 kg/tn) X2
Maximizar z = 10000X1 + 15000X2
Restriccin de pesca de merluza.
X1 <= 2000
Restriccin de pesca de rape.
X2 <= 2000
Restriccin de pesca mxima.
X1 + X2 <= 3000
X1, X2 >= 0
4. Modelo Lineal:
Max z = 10000X1 + 15000X2
sujeto a :
X1 <= 2000
X2 <= 2000
X1 + X2 <= 3000
X1, X2 >= 0
Compra - Modelos Fciles - Problema 9 de 13 - Investigacin de

Operaciones
Problema 9: Compra
Un hipermercado necesita como mnimo 16 cajas de langostino, 5 cajas de ncoras y 20 de
percebes. Dos mayoristas, A y B, se ofrecen al hipermercado para satisfacer sus
necesidades, pero slo venden dicho marisco en contenedores completos. El mayorista A
enva en cada contenedor 8 cajas de langostinos, 1 de ncoras y 2 de percebes. Por su parte,
B enva en cada contenedor 2, 1 y 7 cajas respectivamente. Cada contenedor que suministra
A cuesta S/210, mientras que los del mayorista B cuestan S/300 cada uno. Cuntos
contenedores deben pedir el hipermercado a cada mayorista para satisfacer sus necesidades
mnimas con el menor coste posible?
Solucin:

xi: Cantidad de contenedores del tipo i=A,B a solicitar.
Minimizar z = 210xA + 300xB
Restriccin de langostinos.
8xA + 2xB >=16
Restriccin de percebes.
2xA + 7xB >= 20
Restriccin de ncoras.
xA + xB >= 5
Restricciones de no negatividad.
xA, xB >= 0.
4. Modelo Lineal:
Min z = 210xA + 300xB
sujeto a:
8xA + 2xB >=16
2xA + 7xB >= 20
xA + xB >= 5
xA , xB >= 0

Operaciones
Problema 10: Produccin

Una planta produce dos tipos de productos, en la misma lnea de ensamble. La lnea de
ensamble consta de tres departamentos. Los tiempos de ensamblaje en los departamentos
son dados en la siguiente tabla.
Cada departamento tiene disponible las 8 horas de trabajo diario. Sin embargo los
departamentos requieren mantenimiento diario, que utilizan el 5%, 8% y 6% del tiempo
disponible para cada departamento diariamente. La planta desea saber las unidades
semanales (se trabaja 6 das a la semana) que se ensamblaran a fin de minimizar la suma de
tiempos no ocupados (ociosos) en los tres departamentos.
Solucin:
Indudablemente es una produccin en lnea por que el producto para ensamblarse debe
pasar por los tres departamentos, entonces:
xi: Cantidad de unidades del producto i=1,2 a elaborar semanalmente.
sj: Tiempo ocioso en minutos en el departamento j=1,2,3.
Minimizar el tiempo ocioso
Minimizar z = s1 + s2 + s3
Restriccin del departamento 1.
El tiempo en minutos empleado para producir el Producto 1 es 1/8 , por tanto (1/8)x1
representa el tiempo semanal empleado en la produccin del producto 1, as (1/9)x2
representa el tiempo semanal empleado en la produccin del producto 2; por otro lado se
dispone de 48 horas semanales equivalente a 2880 minutos, de los cuales el 5% (144
minutos) est dedicado al mantenimiento, de este modo slo dispondremos de 2736
minutos:
(1/8)x1 + (1/9)x2 + s1 <= 2736
El tiempo en minutos empleado para producir el Producto 2 es 1/5 , por tanto (1/5)x1
representa el tiempo semanal empleado en la produccin del producto 1, as (1/6)x2
representa el tiempo semanal empleado en la produccin del producto 2; por otro lado se
dispone de 48 horas semanales equivalente a 2880 minutos, de los cuales el 8% (230.4
minutos) est dedicado al mantenimiento, de este modo slo dispondremos de 2649.6
minutos:
(1/5)x1 + (1/6)x2 + s2 <= 2649.6
Anlogamente, a lo realizado en el departamento 1 y 2, obtenemos:
(1/5)x1 + (1/3)x2 + s3 <= 2707.2
x1, x2, s1, s2, s3 >= 0
4. Modelo Lineal:
Min z = s1 + s2 + s3
sujeto a:
(1/8)x1 + (1/9)x2 + s1 <= 2736
(1/5)x1 + (1/6)x2 + s2 <= 2649.6
(1/5)x1 + (1/3)x2 + s3 <= 2707.2
x1, x2, s1, s2, s3 >= 0

Operaciones
Una empresa manufacturera ha descontinuado la produccin de cierta lnea de productos no

provechosa. Esto cre un exceso considerable en la capacidad de produccin. El gerente
est considerando dedicar esta capacidad en exceso a uno o ms de tres productos,
llammoslos los productos1, 2 y 3. La capacidad disponible de la mquina que podra
limitar la produccin se resume en la siguiente tabla.
El nmero de horas de mquina requerida por cada unidad de los productos respectivos se
muestran en la siguiente tabla.
El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es

mayor que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es
de 20 unidades por semana.
La utilidad unitaria ser de $30, $12 y $15, para los productos 1, 2 y 3, respectivamente.
Formlese un modelo PL para determinar cunto debe producir la empresa de cada
producto para maximizar la utilidad.
Solucin:
xi: Cantidad a producir del producto i=1,2,3.

Maximizar z = 30x1 + 12x2 + 15x3
Restriccin de tiempo de la fresadora.
9x1 +3x2 +5x3 <= 500
Restriccin de tiempo de torno.
5x1 + 4x2 <= 350
Restriccin de tiempo de rectificadora.
3x1 + 2x3 <= 150
Restriccin del potencial de ventas del producto 3.
x3 <= 20
x1, x2, x3 >= 0
4. Modelo Lineal:
Max z = 30x1 + 12x2 + 15x3
sujeto a:
9x1 +3x2 +5x3 <= 500
5x1 + 4x2 <= 350
3x1 + 2x3 <= 150
x3 <= 20
x1, x2, x3 >= 0

Operaciones

Carmac Company fabrica carros compactos y subcompactos. La produccin de cada carro
requiere una cierta cantidad de materia prima y mano de obra, como se especifica en la
siguiente tabla.
La divisin de comercializacin ha estimado que a los ms 1500 compactos pueden

venderse a $10 000 cada uno y que a lo ms 200 subcompactos pueden venderse a $8000
cada uno. Como vicepresidente de programacin, formule un modelo para determinar la
cantidad a fabricar de cada tipo de carro para maximizar la ganancia total (ingresos menos
gastos).
Solucin:
xi: Cantidad de unidades de carros i=1,2 (compactos y subcompactos, respectivamente) a
producir.
Dado que se desea maximizar la ganancia, debemos saber que: Ganancia=Precio de ventaCostos de produccin
Como la materia prima tiene un costo de $10 y para la elaboracin de un compacto se
utiliza 200 unidades de materia prima, se tiene un costo de total de $2000 por cada
compacto producido y $ 1500 por cada subcompacto.
Del mismo modo, la mano de obra tiene un costo de $70 y para la elaboracin de un
compacto se utiliza 18 unidades de mano de obra, se tiene un costo total de $1260 por cada
compacto producido y $1400 por cada subcompacto.
Finalmente obtenemos la siguiente funcin objetivo:
Maximizar z = 10000x1 + 8000x2 - 2000x1 - 1500x2 - 1260x1 - 1400x2
Restriccin de materia prima.
200x1 + 150x2 <= 80000
Restriccin de mano de obra.
18x1 + 20x2 <= 9000
Restriccin de nmero mximo de compactos.
x1 <= 1500
Restriccin de nmero mximo de subcompactos.
x2 <= 200
x1, x2 >= 0
4. Modelo Lineal:
Max z = 6740x1 + 5100x2
sujeto a:
200x1 + 150x2 <= 80000
18x1 + 20x2 <= 9000
x1 <= 1500
x2 <= 200

Operaciones
La empresa Elit elabora yogurt y jugos a base de mango y durazno, esta empresa compra su
materia prima al precio de $0,50 por kilogramo de mango y $0,30 por kilogramo de
durazno, las cantidades mximas que puede comprar es de 1600 kilogramos de mango y
2100 kilogramos de durazno.
El mercado de venta de yogurt es de 9000 botellas como mximo y para jugo no hay lmite,
el precio de venta del yogurt y de jugo es de $5 y $3 por cada botella respectivamente; estos
datos y otros se dan en la siguiente tabla.
Disponibilidad y costo de las frutas
Elabore un modelo lineal para la empresa Elit.

Solucin:
xi: Cantidad de botellas de i=1,2 (yogurt y jugo respectivamente) a producir.
Maximizar z = 5x1 + 3x2 - 0.5(2x1 + 3x2) - 0.3(3x1 + x2)
Restriccin de la disponibilidad del mango.
2x1 + 3x2 <= 1600
Restriccin de la disponibilidad del durazno.
3x1 + x2 <= 2100
Restriccin de la cantidad de botellas de yogurt.
x1 <= 9000
x1,x2 >= 0.
4. Modelo Lineal:
Max z = 3.1x1 + 1.2x2
sujeto a:
2x1 + 3x2 <= 1600
3x1 + x2 <= 2100
x1 <= 9000
x1,x2 >= 0
Mezcla - Modelos con poco grado de dificultad - Problema 1 de 13 Investigacin de Operaciones
Problema 1: Mezcla
Se desea producir dos tipos de dulces: Easy Out Candy y Slugger Candy , que se componen
solamente de azcar, nueces y chocolate. Actualmente, tiene en bodega 100 onzas de
azcar, 20 oz de nueces y 30 oz de chocolate.
La mezcla para producir Easy Out Candy tiene que contener por lo menos 20% de nueces.
La mezcla para producir Slugger Candy tiene que contener por lo menos 10% de nueces y
por lo menos 10% de chocolate. Cada onza de Easy Out Candy se vende a 25 centavos (de
dlar), y una onza de Slugger Candy a 20 centavos. Formule un PL que le permita
maximizar sus ingresos por la venta de dulces.
Solucin:
En primer lugar ordenamos un poco la informacin dada en la siguiente tabla.

Xij: Cantidad de onzas usadas del ingrediente i=1,2,3 (azcar, nueces y chocolate
respectivamente) para elaborar el tipo de dulce j=1,2 (Easy Out Candy y Slugger Candy
respectivamente).
Maximizar z = 0.25(X11 + X21 + X31) + 0.2(X12 + X22 + X32)
Restriccin de la disponibilidad del azcar
X11 + X12 <= 100
Restriccin de la disponibilidad de las nueces.
X21 + X22 <= 20
Restriccin de la disponibilidad de chocolates.
X31 + X32 <= 30
Porcentaje de nueces en Easy Out Candy:
X21 >= 0.2( X11 + X21 + X31)
Porcentaje de nueces en Slugger Candy:
X22 >= 0.1( X12 + X22 + X32)
Porcentaje de chocolate en Slugger Candy:
X32 >= 0.1( X12 + X22 + X32)
Xij >= 0; i = 1,2,3, j = 1,2
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera :
Max z = 00.25(X11 + X21 + X31) + 0.2(X12 + X22 + X32)
sujeto a :
X11 + X12 <= 100
X21 + X22 <= 20
X31 + X32 <= 30
X21 >= 0.2( X11 + X21 + X31)
X22 >= 0.1( X12 + X22 + X32)
X32 >= 0.1( X12 + X22 + X32)
Xij >= 0; i = 1,2,3, j = 1,2
Produccin - Modelos con poco grado de dificultad - Problema 2 de 13 Investigacin de Operaciones
Sunco produce dos tipos de acero en tres diferentes aceras. Durante un mes dado, cada
acera dispone de 200 horas de alto horno. El tiempo y costo de produccin de una
tonelada (ton) de acero, difiere de una fbrica a otra, debido a las diferencias en los hornos
de cada fbrica. En la siguiente tabla, se muestran el tiempo y costo de produccin para
cada fbrica. Cada mes Sunco tiene que producir por lo menos 500 toneladas de acero 1 y
600 toneladas de acero 2.
Formule un PL para minimizar los costos para producir el acero deseado.
Solucin:
Xij : Toneladas que la acera i = 1,2,3 produce del acero j = 1,2.
Minimizar z = 10X11 + 11X12 + 12X21 + 9X22 + 14X31 + 10X32
Restriccin de tiempo de produccin acera 1:
20 min/ton (X11 ton) + 22 min/ton (X12 ton) <= 200h (60 min/h)
20X11 + 22X12 <= 12000
24X21 + 18X22 <= 12000
28X31 + 30X32 <= 12000
Produccin de acero1:
X11 + X21 + X31 >= 500
Produccin de acero2:
X12 + X22 + X32 >= 600
Xij >= 0 ; i = 1,2,3 ; j = 1,2
4. Modelo Lineal:
Finalmente
podemos
expresar
el
modelo
lineal
de
la
siguiente
Min z = 10X11 + 11X12 + 12X21 + 9X22 + 14X31 + 10X32

sujeto a :
20X11 + 22X12 <= 12000
24X21 + 18X22 <= 12000
28X31 + 30X32 <= 12000
X11 + X21 + X31 >= 500
X12 + X22 + X32 >= 600
Xij >= 0 ; i = 1,2,3 ; j = 1,2
manera:
Funco fabrica mesas y sillas. Hay que fabricar cada mesa y cada silla completamente de
roble o de pino. Se dispone de un total de 150 pies de tabla de roble y de 210 pies de tabla
de pino. Una mesa requiere 17 pie de roble, o bien 30 pies de pino y una silla necesita 5
pies de roble, o bien, 13 pies de pino. Se puede vender cada mesa a 40 dlares y cada silla a
15 dlares.
Formule un PL que se puede usar para maximizar los ingresos.
Solucin:
En primer lugar ordenamos la informacin dada en la siguiente tabla:

Xij : Nmero de unidades de tipo i = 1,2 (mesa y silla respectivamente), elaborado a base
de j = 1,2 (roble y pino, respectivamente)
Maximizar z = 40(X11 + X12) + 15(X21 + X22)
Restriccin de disponibilidad de roble:
17X11 + 5X21 <= 150
Restriccin de disponibilidad de pino:
30X12 + 13X22 <= 210
Xij >= 0 ; i = 1,2 ; j = 1,2
4. Modelo Lineal:
Max z = 40(X11 + X12) + 15(X21 + X22)
sujeto a :
17X11 + 5X21 <= 150
30X12 + 13X22 <= 210
Xij >= 0 ; i = 1,2 ; j = 1,2
Se va a elaborar un producto a base de tres componentes que se producen en tres diferentes
departamentos, disponiendo de los datos mostrados en la siguiente tabla. El objetivo es
determinar el nmero de horas de cada departamento a ser asignadas a cada parte, para
maximizar el nmero de unidades completas del producto final.
Capacidad y tasa de produccin de las componentes
Formule como un modelo de Programacin lineal

Solucin:
Xij: Nmero de horas a laborar para la produccin del componente i = 1,2,3 en el
departamento j = 1,2,3
Dado que cada producto elaborado debe contener los tres componentes fabricados. Por
ejemplo, supongamos que se producen 300, 200 y 400 componentes C1, C2 y C3
respectivamente, dado que el producto debe contener los tres componentes se pueden
producir slo 200, que representa la menor cantidad de las componentes producidas. Por
tanto, para determinar la cantidad de productos producidos debemos determinar el mnimo
de todas las componentes producidas. Siendo:
12X11 + 9X12 + 10X13 : Cantidad de componentes C1 producidas
Dado que, la cantidad de productos P est representada por menor cantidad de componentes
producidas, tenemos:
P = min{ 12X11 + 9X12 + 10X13 , 10X21 + 12X22 + 5X23 , 18X31 + 11X32 + 12X33 }
Finalmente la funcin objetivo es maximizar la produccin de artculos
Maximizar z = P
3. Formulacin de las restricciones tecnolgicas :
Restriccin de nmero de unidades del componente 1 :
12X11 + 9X12 + 10X13 >= P
10X21 + 12X22 + 5X23 >= P
18X31 + 11X32 + 12X33 >= P
Capacidad de horas del departamento 1 :
X11 + X21 + X31 <= 250
X12 + X22 + X32 <= 300
X13 + X23 + X33 <= 360
Xij >= 0 ; i = 1,2,3 ; j = 1,2,3
4. Modelo Lineal:
Max z = P
sujeto a :
12X11 + 9X12 + 10X13 >= P
10X21 + 12X22 + 5X23 >= P
18X31 + 11X32 + 12X33 >= P
X11 + X21 + X31 <= 250
X12 + X22 + X32 <= 300
X13 + X23 + X33 <= 360
Xij >= 0 ; i = 1,2,3 ; j = 1,2,3
Personal - Modelos con poco grado de dificultad - Problema 5 de 13 Investigacin de Operaciones
Problema 5: Personal
Un cierto restaurante opera 7 das a la semana. A las camareras se les contrata para trabajar
6 horas diarias. El contrato del sindicato especifica que cada camarera tiene que trabajar 5
das consecutivos y despus tener 2 das consecutivos de descanso. Cada camarera recibe el
mismo sueldo semanal. En la Tabla 1.12 se presentan las necesidades de contratacin por
cantidad de horas. Supngase que este ciclo de necesidades se repite en forma indefinida y
no toma en cuenta el hecho de que el nmero de camareras contratadas tiene que ser un
nmero entero. El gerente desea encontrar un programa de empleo que satisfaga estas
necesidades a un costo mnimo. Formule este problema como un programa lineal.
Necesidades de contratacin de camareras segn la cantidad de horas.
Solucin:
Xi: Camareras que ingresan a trabajar el da i = L, M, Mi, J, V, S, D (lunes, martes,
mircoles, jueves, viernes, sbado y domingo)
Minimizar z = XL + XM + XMi + XJ + XV + XS + XD
Para construir las restricciones del problema, utilizamos la siguiente tabla, en la cual se
muestra los das en las que estn presentes las camareras segn el da que comienzan a
trabajar. (Por ejemplo; las camareras que inician sus labores el da viernes trabajan hasta el
martes, descansando los das mircoles y jueves)
Restriccin del da lunes:
6 (XL + XJ + XV + XS + XD ) >= 150
Restriccin del da martes:
6 (XL + XM + XV + XS + XD ) >= 200
Restriccin del da mircoles:
6 (XL + XM + XMi + XS + XD ) >= 400
Restriccin del da jueves:
6 (XL + XM + XMi + XJ + XD ) >= 300
Restriccin del da viernes:
6 (XL + XM + XMi + XJ + XV ) >= 700
Restriccin del da sbado:
6 (XM + XMi + XJ + XV + XS ) >= 800
Restriccin del da domingo:
6 (XMi + XJ + XV + XS + XD ) >= 300
Xi
i
L,
>=
M,
0
Mi,
J,
V,
4. Modelo Lineal:
Min z = XL + XM + XMi + XJ + XV + XS + XD
sujeto a :
6 (XL + XJ + XV + XS + XD ) >= 150
6 (XL + XM + XV + XS + XD ) >= 200
6 (XL + XM + XMi + XS + XD ) >= 400
6 (XL + XM + XMi + XJ + XD ) >= 300
6 (XL + XM + XMi + XJ + XV ) >= 700
S,
;
D
6 (XM + XMi + XJ + XV + XS ) >= 800

6 (XMi + XJ + XV + XS + XD ) >= 300
Xi >= 0 ; i = L, M, Mi, J, V, S, D
Personal - Modelos con poco grado de dificultad - Problema 5 de 13 Investigacin de Operaciones
Problema 5: Personal
Un cierto restaurante opera 7 das a la semana. A las camareras se les contrata para trabajar
6 horas diarias. El contrato del sindicato especifica que cada camarera tiene que trabajar 5
das consecutivos y despus tener 2 das consecutivos de descanso. Cada camarera recibe el
mismo sueldo semanal. En la Tabla 1.12 se presentan las necesidades de contratacin por
cantidad de horas. Supngase que este ciclo de necesidades se repite en forma indefinida y
no toma en cuenta el hecho de que el nmero de camareras contratadas tiene que ser un
nmero entero. El gerente desea encontrar un programa de empleo que satisfaga estas
necesidades a un costo mnimo. Formule este problema como un programa lineal.
Necesidades de contratacin de camareras segn la cantidad de horas.
Solucin:
Xi: Camareras que ingresan a trabajar el da i = L, M, Mi, J, V, S, D (lunes, martes,

mircoles, jueves, viernes, sbado y domingo)
Minimizar z = XL + XM + XMi + XJ + XV + XS + XD
Para construir las restricciones del problema, utilizamos la siguiente tabla, en la cual se
muestra los das en las que estn presentes las camareras segn el da que comienzan a
trabajar. (Por ejemplo; las camareras que inician sus labores el da viernes trabajan hasta el
martes, descansando los das mircoles y jueves)
Restriccin del da lunes:
6 (XL + XJ + XV + XS + XD ) >= 150
Restriccin del da martes:
6 (XL + XM + XV + XS + XD ) >= 200
Restriccin del da mircoles:
6 (XL + XM + XMi + XS + XD ) >= 400
Restriccin del da jueves:
6 (XL + XM + XMi + XJ + XD ) >= 300
Restriccin del da viernes:
6 (XL + XM + XMi + XJ + XV ) >= 700
Restriccin del da sbado:
6 (XM + XMi + XJ + XV + XS ) >= 800
Restriccin del da domingo:
6 (XMi + XJ + XV + XS + XD ) >= 300
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que Xi
>=
0
;
i
=
L,
M,
Mi,
J,
V,
S,
D
4. Modelo Lineal:
Min z = XL + XM + XMi + XJ + XV + XS + XD
sujeto a :
6 (XL + XJ + XV + XS + XD ) >= 150
6 (XL + XM + XV + XS + XD ) >= 200
6 (XL + XM + XMi + XS + XD ) >= 400
6 (XL + XM + XMi + XJ + XD ) >= 300
6 (XL + XM + XMi + XJ + XV ) >= 700
6 (XM + XMi + XJ + XV + XS ) >= 800
6 (XMi + XJ + XV + XS + XD ) >= 300
Xi >= 0 ; i = L, M, Mi, J, V, S, D
Problema 6: Mezcla
Un viedo desea mezclar cuatro cosechas diferentes para producir tres tipos de
vino mezclado. Se establecen restricciones al porcentaje de la composicin de
las mezclas. Se puede vender cualquier cantidad de la mezcla B y de la mezcla
C pero a la mezcla A se le considera una mezcla de alta calidad y por
consiguiente no se venden ms de 50 galones. Elabore un modelo de PL que

har el mejor uso de las cosechas con que se cuenta.
Composicin de las mezclas
Solucin:
1. Definicin de las variables de decisin :
Xij: Cantidad de galones a utilizar de la vendimia i = 1,2,3,4 para la elaboracin

de la mezcla j = A,B,C
2. Elaboracin de la funcin objetivo :
Maximizar z = $70/gal (X1A + X2A + X3A + X4A)gal + $40/gal (X1B + X2B + X3B +
X4B)gal + $30/gal (X1C + X2C + X3C + X4C)gal
Mezcla A
La siguiente expresin X1A + X2A + X3A + X4A , representa la cantidad producida

en galones de la mezcla A, dado que est compuesta por la mezcla de 4
cosechas diferentes como se muestra en la tabla de variables. As la expresin
por lo menos 75% de la mezcla A debe contener de las cosechas 1 y 2, queda
expresada del siguiente modo:
(X1A + X2A)gal >= 0.75(X1A + X2A + X3A + X4A)gal
Del mismo modo, la expresin cuando ms 50% de la mezcla A debe contener

de la vendimia 4, la expresin queda:
X4A gal <= 0.50(X1A + X2A + X3A + X4A)gal
Mezcla B
En la expresin por lo menos 35% de la mezcla B, debe contener de las

vendimias 1 y 2, la expresin es: .
(X1B + X2B)gal >= 0.35(X1B + X2B + X3B + X4B)gal
Mezcla C
La expresin cuando ms el 40% de la mezcla C debe contener de la vendimia

4, la expresin es:
X4C gal <= 0.40(X1C + X2C + X3C + X4C)gal
Oferta de la vendimia 1
Se tiene en oferta 180 galones, por tanto tenemos la siguiente restriccin:

(X1A + X1B + X1C )gal <= 180 gal
(X2A + X2B + X2C )gal <= 250 gal
(X3A + X3B + X3C )gal <= 200 gal
(X4A + X4B + X4C )gal <= 400 gal
Dado que las variables de decisin slo pueden tomar valores no negativos,
tenemos que Xij >= 0 ; i = 1,2,3,4 ; j = A,B,C
4. Modelo Lineal:

Max z = $70/gal (X1A + X2A + X3A + X4A)gal + $40/gal (X1B + X2B + X3B + X4B)gal
+ $30/gal (X1C + X2C + X3C + X4C)gal
sujeto a :
- 0.25X1A - 0.25 X2A + 0.75X3A + 0.75X4A <= 0
-0.5X1A - 0.5X2A - 0.5X3A + 0.5X4A <= 0
- 0.65X1B - 0.65X2B + 0.35X3B + 0.35X4B <= 0
- 0.4X1C - 0.4X2C - 0.4X3C + 0.6X4C <= 0
(X1A + X1B + X1C )gal <= 180 gal
(X2A + X2B + X2C )gal <= 250 gal
(X3A + X3B + X3C )gal <= 200 gal
(X4A + X4B + X4C )gal <= 400 gal
Xij >= 0 ; i = 1,2,3,4 ; j = A,B,C
Qumica S.A. diluye cada litro de cido sulfrico concentrado con 20 litros de
agua destilada para producir H2SO4. De manera similar, cada litro de cido
clorhdrico concentrado se diluye con 30 litros de agua destilada para producir
HCL. Estos dos productos son vendidos a escuelas de segunda enseanza a
$0.10 por botella de 100 mililitros (esto es, 0.1 litros). La compaa
actualmente tiene 50000 botellas vacas en inventario. Suponga que existe una
cantidad virtualmente ilimitada de agua destilada que cuesta $0.15 por litro.
Costos y suministros
Formule un modelo para determinar la cantidad de cada cido concentrado por

diluir para maximizar las ganancias totales.
1. Definicin de las variables de decisin :
x1 : Nmero de litros de H2SO4 concentrado

x2 : Nmero de litros de HCL concentrado
y1 : Nmero de litros de agua para concentrado de H2SO4

y2 : Nmero de litros de agua para concentrado de HCL
p1 : Nmero de litros de H2SO4 para venta
p2 : Nmero de litros de HCL para venta
2. Elaboracin de la funcin objetivo :
Maximizar z = ($0.10 / 0.10 litros )p1 litros + ($0.10 / 0.10 litros )p2 litros (($0.15 / 1 litros)(y1 + y2) litros ) - (($12 / 1 litros)x1 litros) - (($18 / 1
litros)x2 litros)
Cantidad de H2SO4:
x1 <= 200
Cantidad de HCL:
x2 <= 150
Cantidad de botellas:
(1 botella/0.1 litro)(x1 + y1)litro + (1 botella/0.1 litro)(x2 + y2)litro <= 50000

botellas
Proporcin:
x1 / y1 = 1/20
x2 / y2 = 1/30
Produccin
p1 = x1 + y1
p2 = x2 + y2
tenemos que x1, x2, y1, y2, p1, p2 >= 0 .
4. Modelo Lineal:
Max z = 0.1p1 + 0.1p2 - 0.15(y1 + y2) - 12x1 - 18x2
sujeto a :
x1 <= 200
x2 <= 150
10(x1 + y1) + 10(x2 + y2) <= 50000
20x1 - y1 = 0
30x2 - y2 = 0
p1 = x1 + y1
p2 = x2 + y2
x1, x2, y1, y2, p1, p2 >= 0
Juegos - Modelos con poco grado de dificultad - Problema 8 de 13 Investigacin de Operaciones
Un matemtico desea distribuir fichas de valor entre 1 y 6 en un tablero de 3

filas y 3 columnas, con tal que la suma de ste, de 6, Cul debe ser el valor de
cada ficha a colocar con tal que se cumpla el objetivo propuesto?
Solucin:
xij : Valor de la ficha de la fila i = 1,2,3 y la columna j =1,2,3.
Minimizar z = x11+ x12+ x13+ x21+ x22+ x23+ x31+ x32+ x33
Filas:
x11+
x21+
x31+ x32+ x33 = 6
x11+
x12+
x12+
x22+
x13
x23
x21+
x22+
x31
x32
Columnas:
x13+
x23+
Valores
1
1
1
1
1
1
1
1
1 <= x33 <= 6
x33
<=
<=
<=
<=
<=
<=
<=
<=
x11 <=
x12 <=
x13 <=
x21 <=
x22 <=
x23 <=
x31 <=
x32 <=
No negatividad
xij >= 0
4. Modelo Lineal:
Min z = x11+ x12+ x13+ x21+ x22+ x23+ x31+ x32+ x33
sujeto a:
x11+ x12+ x13 = 6
x21+ x22+ x23 = 6
x31+ x32+ x33 = 6
1 <= x11 <= 6

1 <= x12 <= 6
1 <= x13 <= 6
1 <= x21 <= 6
1 <= x22 <= 6
1 <= x23 <= 6
1 <= x31 <= 6
1 <= x32 <= 6
6
6
6
6
6
6
6
6
1 <= x33 <= 6

xij >= 0 ; i = 1,2,3 ; j = 1,2,3
Agricultura - Modelos con poco grado de dificultad - Problema 9 de 13 Investigacin de Operaciones
Problema 9: Agricultura
Una cooperativa agrcola grande del suroeste de los Estados Unidos de

Norteamrica opera cuatro granjas. La produccin de cada granja est limitada
por la cantidad de agua disponible para irrigacin y por el nmero de acres
disponibles para cultivo. Los datos de la Tabla 1 describen las granjas.
Normalmente, la cooperativa cultiva 3 tipos de productos, aunque cada una de
las granjas no necesariamente cultiva todos ellos. Debido a la limitacin en la
disponibilidad de equipo para cosechar, existen restricciones sobre el nmero
de acres de cada producto que se cultivan en cada granja. Los datos de la Tabla
2 reflejan el mximo de acres de cada cultivo que pueden producirse en cada
granja. El agua que se requiere (expresada en millares de pies cbicos por
acre) para los respectivos cultivos son: 6, 5 y 4. Las utilidades que se proyectan
por acre para cada uno de los tres cultivos son $500, $350 y $200,
respectivamente.
Para mantener una carga de trabajo equilibrada entre las 4 granjas, la
cooperativa ha adoptado la poltica de hacer que en cada granja se cultive un
porcentaje igual de terreno disponible. Plantee un modelo de PL que permita a
la cooperativa determinar la cantidad (acres) de cada cultivo que deben
plantarse en cada granja para que se maximice la utilidad total.
Solucin:
Xij : Nmero de acres a sembrar en la granja i = 1,2,3,4 con el cultivo j = A,B,C.

2.
Elaboracin
de
la
funcin
objetivo:
Maximizar z = ($500 /acres)(X1A + X2A + X3A + X4A) acres + ($350 /acres)

(X1B + X2B + X3B + X4B)
acres +
($200
/acres)(X1C + X2C + X3C + X4C)
acres
Cantidad mxima de acre en cada granja para cada cultivo:
X1A
acres
X1B acres
X1C acres
X2A acres
X2B acres
X2C acres
X3A acres
X3B acres
X3C acres
X4A acres
X4B acres
X4C acres <= 300 acres
<=
<=
<=
<=
<=
<=
<=
<=
<=
<=
<=
200
150
200
300
200
350
100
150
200
250
100
acres
acres
acres
acres
acres
acres
acres
acres
acres
acres
acres
X1A
4.
No negatividad:
>=
Modelo

Max z = $500(X1A + X2A + X3A + X4A) + $350 (X1B + X2B + X3B + X4B) +
$200(X1C + X2C + X3C + X4C)
Lineal:
sujeto a :
X1A <= 200
X1B <= 150
X1C <= 200
X2A <= 300
X2B <= 200
X2C <= 350
X3A <= 100
X3B <= 150
X3C <= 200
X4A <= 250
X4B <= 100
X4C <= 300
Problema 10: Mezcla
La Georgia Outdoors Company fabrica tres tipos de combinaciones energticas

de semillas que se venden a mayoristas los cuales a su vez los venden a
expendios al menudeo. Los tres tipos son normal, especial y extra, y se venden
en $1.50, $2.20 y $3.50 por libra, respectivamente. Cada mezcla requiere los
mismos ingredientes: man, pasas y algarrobo. Los costos de estos ingredientes
son:
Man: $0.90 por libra
Pasas: $1.60 por libra
Algarrobo: $1.50 por libra
Los requerimientos de las mezclas son:
Normal: cuando menos 5% de cada ingrediente.
Especial: cuando menos 20% de cada ingrediente y no ms de 50% de

cualquiera de ellos.
Extra: cuando menos 25% de pasas y no ms de 25% de man.
Las instalaciones de produccin hacen que haya disponibles por semana un

mximo de 1000 libras de man, 2000 de pasas y 3000 de algarrobo. Existe un
costo fijo de $2000 para la fabricacin de las mezclas. Existe tambin la

condicin de que la mezcla normal debe limitarse al 20% de la produccin
total. Plantee un problema de PL para maximizar las utilidades.
Solucin:
xij : Cantidad de libras a utilizar del ingrediente i =1,2,3 (man, pasas,

algarrobo) para elaborar la mezcla tipo j =1,2,3(normal, especial, extra)
4. Modelo Lineal:
Abastecimiento - Modelos con poco grado de dificultad - Problema 11 de 13 Investigacin de Operaciones
Problema 11: Abastecimiento

La Fargo Water Co. tiene tres depsitos con una entrada diaria estimada de 15, 20 y 25
millones de litros de agua fresca, respectivamente. Diariamente tiene que abastecer cuatro
reas A, B, C y D, las cuales tienen una demanda esperada de 8, 10, 12 y 15 millones de
litros, respectivamente.
Costo de bombeo por milln de litros
Formule el problema de la Fargo Water Co. como un modelo de programacin lineal.

Asuma que el exceso de agua no representa un costo para la compaa.
Solucin:
xij : Millones de litros de agua que se trasladan desde el depsito i =1,2,3 hacia el rea j =
a,b,c,d
4.
Modelo
Lineal:
Energa - Modelos con poco grado de dificultad - Problema 12 de 13 Investigacin de Operaciones
Problema 12: Energa

El departamento de energa de Lilliput actualmente est en el proceso de desarrollar un plan
nacional de energa para el ao siguiente. Lilliput puede generar energa de cualquiera de
cinco fuentes. Carbn, gas natural, materiales nucleares, proyectos hidroelctricos y
petrleo.
Los datos sobre los recursos de energa, las capacidades de generacin medidas en
Megawatthoras (MW-hr), y los costos unitarios de generacin se dan en la siguiente tabla.
Lilliput necesita 50 000 MW-hr de energa de uso domstico, y el pas tiene un compromiso
para producir 10 000MW-hr para exportacin. Ms an, a fin de conservar los recursos de
energa y proteger el ambiente, el gobierno ha aprobado las siguientes regulaciones.
1. La generacin proveniente de materiales nucleares no debe exceder 20% de la energa

total generada por Lilliput.
2. Debe utilizarse al menos 80% de la capacidad de las plantas de carbn.
3. Los efluentes que salen a la atmsfera no deben exceder los lmites especificados en la
siguiente tabla.
4. La cantidad de energa generada a partir de gas natural debe ser al menos 30% de la
generada a partir del petrleo.
Formule un programa lineal para determinar un plan de energa de costo mnimo.
Solucin:
CUD: Mw-h producido por Carbn de uso domestico.
CUE : Mw-h producido por Carbn de uso externo.
GNUD: Mw-h producido por Gas natural de uso domestico.
GNUE : Mw-h producido Gas natural de uso externo.
NUD : Mw-h producido Nuclear de uso domestico.
NUE : Mw-h producido Nuclear de uso externo.
HUD : Mw-h producido Hidroelctrica de uso domestico.
HUE : Mw-h producido Hidroelctrica de uso externo.
PUD : Mw-h producido Petrleo de uso domestico.
PUE : Mw-h producido Petrleo de uso externo.
4. Modelo Lineal:
Problema 13: Energa

Cada semana Florida Citrus, Inc., usa una sola mquina durante 150 horas para destilar
jugo de naranja y de toronja en concentrados, estos jugos estn almacenados en dos tanques
separados de 1000 galones cada uno antes de congelarlos. La mquina puede procesar 25
galones de jugo de naranja por hora, pero slo 20 galones de jugo de toronja. Cada galn de
jugo de naranja cuesta $1.50 y pierde 30% de contenido de agua al destilarse en
concentrado.
El concentrado de jugo de naranja se vende despus en $6 por galn, cada galn de jugo de
toronja cuesta $2 y pierde 25% de contenido de agua al destilarse en concentrado. El
concentrado de jugo de toronja se vende despus en $8 por galn. Formule un modelo de
PL para determinar un plan de produccin que maximice la ganancia para la siguiente

semana.
Solucin:
xi : Cantidad de galones de jugo i = 1,2 (naranja, toronja) a usar en la produccin.
Maximizar utilidades = Precio de Venta - Costos
4. Modelo Lineal:
Produccin - Modelos con razonable grado de dificultad - Problema 1 de 10 Investigacin de Operaciones
Se est diseando un vehculo espacial para llevar astronautas a Marte y traerlos de regreso.
Este vehculo tendr tres compartimentos, cada uno con su propio sistema de
mantenimiento de la vida independiente. El elemento clave en cada uno de estos sistemas
es una pequea unidad oxidante que provoca un proceso qumico para producir oxigeno.
Sin embargo, no pueden probarse con anticipacin y solo se logra algo en provocar este
proceso qumico. Por lo tanto, es importante tener unidades de apoyo para cada sistema. En
virtud de la diferencia en los requerimientos para los tres compartimentos, las unidades que
se necesitan para cada uno tienen caractersticas un tanto diferentes. Ahora debe tomarse
una decisin sobre cuantas unidades proporcionar a cada compartimento, tomando en
cuenta las limitaciones de diseo sobre la cantidad total de espacio, peso y costo que
pueden ser asignadas a estas unidades en relacin con la nave completa. La Tabla siguiente
se resume estas limitaciones as como las caractersticas de las unidades individuales por
cada compartimento.
Tabla: Espacio, peso y probabilidades de fallas en los compartimientos
Si todas las unidades fallan en solo uno o dos de los compartimentos, los astronautas
pueden ocupar el compartimento, o los compartimentos restantes y continuar su viaje
espacial pero con cierta perdida en la cantidad de informacin cientfica que puede ser
obtenida. Sin embargo, si todas las unidades fallan en los tres compartimentos, entonces los
astronautas todava pueden regresar la nave con seguridad, pero el viaje en conjunto debe
ser completamente abortado a gran costo. Por lo tanto, el objetivo es minimizar la
probabilidad de que esto ocurra, sujeto a las limitaciones antes mencionadas y a la
restriccin adicional de que cada compartimento tenga una probabilidad de no ms del 0.05
de que todas sus unidades fallen. Plantese el modelo de programacin lineal para este
problema. (Sugerencia: sense logaritmos)
Solucin:
xi : Nmero de unidades de apoyo en el compartimento i =1,2,3 .
Prob (compart. 1) Prob (compart. 2) Prob (compart. 3)
Dado que dicho objetivo no es lineal, debemos linealizar dicha funcin objetivo, para esto
utilizamos las propiedades de los logaritmos, tomando Z = ln z , obtenemos
4. Modelo Lineal:
Agricultura - Modelos con razonable grado de dificultad - Problema 2 de 10

- Investigacin de Operaciones
Problema 2: Agricultura
Una familia de granjeros posee 100 acres de tierra y tiene $30000 en fondos disponibles
para inversin. Sus miembros pueden producir un total de 3500 horas-hombre de mano de
obra durante los meses de invierno (de mediados de septiembre a mediados de mayo), 4000
horas-hombre durante el verano. Si no se necesitan cualesquiera de estas horas-hombre, los
miembros ms jvenes de la familia usarn para trabajar en una granja vecina por
$4.00/hora, durante los meses de invierno, y $4.50/hora, durante el verano.
El ingreso de efectivo puede obtenerse a partir de tres cultivos y dos tipos de animales:
vacas lecheras y gallinas ponedoras. No se necesita invertir en los cultivos. Sin embargo,
cada vaca requerir un desembolso de $900 y cada gallina requerir de $7. Cada vaca
requerir 1.5 acres de tierra, 100 horas-hombre de trabajo durante los meses de invierno, y
otras 50 horas-hombre durante el verano. Cada vaca producir un ingreso anual neto en
efectivo de $800 para la familia. Los valores correspondientes para las gallinas son: nada de
tierra, 0,6 horas hombre durante el verano y un ingreso anual neto en efectivo de $5. El
gallinero puede acomodar un mximo de 300 gallinas y el tamao del granero limita el
rebao a un mximo de 32 vacas. Las horas hombres y los ingresos estimados por acre
plantado en cada uno de los tres cultivos se muestran en la siguiente tabla.
La familia desea saber cuntos acres deben plantarse en cada uno de cultivos y cuntas
vacas y gallinas deben tener para maximizar su ingreso neto de efectivo.
Plantese el modelo de programacin lineal para este problema.
Solucin:
x1 : Nmero de acres de tierra asignados para el frijol de soya.
x2 : Nmero de acres de tierra asignados para el maz.
x3 : Nmero de acres de tierra asignados para la avena.
x4 : Nmero de vacas.
x5 : Nmero de gallinas.
x6 : Horas-hombre ociosas en invierno.
x7 : Horas-hombre ociosas en verano.
Minimizar z = 375x1 + 550x2 + 250x3 + 800x4 + 5x5 + 4x6 + 4.5x7
4. Modelo Lineal:
Problema
3:
Produccin
La corporacin Brady produce armarios. Necesitan semanalmente 90 000 pies cbicos de

madera procesada. Puede conseguir madera procesada de dos maneras.
Primero, puede comprar madera de un proveedor eterno, y despus secarla en su propio
horno. Segundo, puede cortar troncos en sus propios terrenos, convertidos en madera en su
propio aserradero y, finalmente, secar la madera en su propio horno. Brady puede comprar
madera clase 1 o clase 2. La madera clase 1 cuesta 3 dlares/pie cbico y produce 0.7 pie
cbico de manera til luego de secarla. La madera clase 2 cuesta 7 dlares/pie cbico y
produce 0.9 pie cbico de madera til ya seca. Le cuesta 3 dlares a la compaa cortar un
tronco. Despus de cortarlo y secarlo, un tronco produce 0.8 pie cbico de madera. Brady
incurre en un costo de 4 dlares/pie cbico de madera seca. Cuesta 2.50 dlares/pie cbico
procesar troncos en el aserradero. El aserradero puede procesar semanalmente hasta 35 000
pie cbico de madera. Se puede comprar cada semana hasta 40 000 pies cbicos de madera
de clase 1, y hasta 60 000 pies cbicos de madera de clase 2.
Semanalmente, se disponen de 40 horas para secar madera de clase 1, madera clase 2, o
troncos, es el siguiente. Clase 1, 2 segundos, clase 2, 8 segundos, troncos, 1.3 segundos.
Formule un PL para ayudar a Brady a minimizar los costos semanales para satisfacer las
demandas
de
madera
procesada.
Solucin:
1.
Definicin
de
las
variables
de
decisin:
T : Nmero de acres de tierra asignados para el frijol de soya.

PCL1: Nmero de pies cbicos de madera comprada de clase 1 semanalmente.
PCL2 : Nmero de pies cbicos de madera comprada de clase 2 semanalmente.
4. Modelo Lineal:
Un consumidor requiere, durante los prximos cuatro meses, 50, 65, 100 y 70 unidades,
respectivamente, de cierto artculo (no se permiten demandas pendientes). Los costos de
produccin son 5 dlares, 8 dlares, 4 dlares y 7 dlares por unidad, durante estos meses.
El costo de almacenaje de un mes al siguiente, es de 2 dlares por unidad (aplicado al
terminar el inventario). Se estima que cada unidad sobrante al final del cuarto mes, tendr
que venderse a 6 dlares. Formule un PL que minimice los costos netos para cumplir con
las demandas durante los prximos cuatro meses.
Solucin:
Ii : Nmero de unidades en el mes i =1,2,3,4 .
Pi : Nmero de unidades producidas en el mes i = 1,2 .
Di : Nmero de unidades demandadas en el mes i = 1,2,3,4 .
4. Modelo Lineal:
Renta - Modelos con razonable grado de dificultad - Problema 5 de 10 Investigacin de Operaciones
Problema 5: Renta
Una compaa de seguros cree que necesitarn las siguientes cantidades de computadoras
personales durante los prximos seis meses: enero, 9; febrero, 5; marzo, 7; abril, 9;
mayo,10; junio,5. Se pueden rentar computadoras por un perodo de uno, dos o tres meses,
a las rentas unitarias siguientes: renta por un mes, 200 dlares; renta por dos meses, 350
dlares; renta por tres meses, 450 dlares.
Formule un PL que permita minimizar los costos de renta de computadoras requeridas.
Puede suponer que si se renta una mquina por un perodo que se prolongue ms all de
junio, habr que promediar el costo de la renta. Por ejemplo, si se renta una computadora
por tres meses, a principios de mayo, entonces se tendr que aplicar una cuota por la renta
2/3(450)=300 dlares, y no 450 dlares, a la funcin objetivo.
Solucin:
Ei : Nmero de computadoras a alquilar en el mes de Enero durante i =1,2,3
meses.
Fi : Nmero de computadoras a alquilar en el mes de Febrero durante
i =1,2,3 meses.
Mi : Nmero de computadoras a alquilar en el mes de Marzo durante i =1,2,3 meses.
Ai : Nmero de computadoras a alquilar en el mes de Abril durante i =1,2,3 meses.
MYi : Nmero de computadoras a alquilar en el mes de Mayo durante i =1,2,3 meses.
Ji : Nmero de computadoras a alquilar en el mes de Junio durante i =1,2,3 meses.
4. Modelo Lineal:
Mezcla - Modelos con razonable grado de dificultad - Problema 6 de 10 Investigacin de Operaciones
Problema 6: Mezcla
Un proveedor debe preparar con 5 bebidas de fruta en existencias, al menos 500 galones de
un ponche que contenga por lo menos 20% de jugo de naranja, 10% de jugo de toronja y
5% de jugo de arndano. Si los datos del inventario son los que se muestran en la tabla
siguiente Qu cantidad de cada bebida deber emplear el proveedor a fin de obtener la
composicin requerida a un costo total mnimo?
Nota: Las tres primeras columnas indican el porcentaje de un tipo de jugo dentro de una
determinada bebida.
Solucin:
El objetivo es minimizar los costos cumpliendo todos los requisitos. Para esto definimos las
siguientes variables
Xi : Cantidad de bebida i en galones incorporada al ponche i = A, E
Y las siguientes constantes
Ci : Costo por galn de bebida tipo i .
Ni : Porcentaje de jugo de naranja en bebida tipo i .
Ti : Porcentaje de jugo de toronja en bebida tipo i .
Ai : Porcentaje de jugo de arndano en bebida tipo i .
Ei : Existencia de bebida tipo i
Un pequeo taller arma dispositivos mecnicos, ya sea como un producto terminado que
entrega al mercado, o como un proceso intermedio para entregar a una gran fbrica.
Trabajan 3 personas en jornadas de 40 horas semanales. Dos de estos obreros no calificados
reciben $0.4 por hora, y el tercero, un obrero calificado, recibe $0.6 por hora. Los tres estn
dispuestos a trabajar hasta 10 horas adicionales a la semana con un salario 50% superior
durante este perodo.
Los costos fijos semanales son de $800. Los gastos de operacin variables son de $1.0 por
hora de trabajo de obrero no calificado y $2.4 por hora de obrero calificado. Los
dispositivos mecnicos sin acabar son vendidos a la planta a $6.5 cada uno. El taller tiene
un contrato bajo el cual debe entregar 100 de estos dispositivos semanalmente a la empresa.
El dueo del taller tiene como poltica el producir no ms de 50 dispositivos a la semana
por sobre el contrato.
Los dispositivos terminados se venden a $15 cada uno sin restricciones de mercado. Se
requieren 0.5 horas de obrero no calificado y 0.25 horas de obrero calificado para producir
un dispositivo sin acabar listo para entregar a la empresa. Uno de estos dispositivos puede
ensamblarse y dejarlo terminado agregndole 0.5 horas de trabajador calificado.
Un dispositivo acabado listo para entregar al mercado se puede producir con 0.6 horas de
obrero no calificado y 0.5 horas de obrero calificado.
Plantear el modelo de programacin lineal que permita responder la consulta: cmo y
cunto producir para cumplir el contrato de modo de maximizar las utilidades?
Para la formulacin del problema, supondremos que los obreros trabajan 40 horas
semanales.
Solucin:
Xi : Cantidad de productos tipo i = 1,2,3 fabricados.
Zj : Horas extra trabajadas por obreros del tipo j = 1,2 .
Inversin - Modelos con razonable grado de dificultad - Problema 8 de 10 Investigacin de Operaciones
Problema 8: Inversin
Un inversionista tiene oportunidad de realizar las actividades A y B al principio de cada uno
de los prximos 5 aos (llmense aos 1 al 5). Cada dlar invertido en A al principio de
cualquier ao retribuye $1.40 (una ganancia de $0.40) 2 aos despus (a tiempo para la
reinversin inmediata). Cada dlar invertido en B al principio de cualquier ao retribuye
$1.70, 3 aos despus.
Adems, la actividad C estar disponible para inversin una sola vez en el futuro. Cada
dlar invertido en C al principio del ao 2 da $1.90 al final del ao 5. La actividad D estar
disponible slo 2 veces, al inicio del ao 1 y del ao 5. Cada dlar invertido en D al
principio de ao retribuye $1.30 al final de ese ao. El inversionista tiene $60000 para
iniciar y desea saber cul plan de inversin maximiza la cantidad de dinero acumulada ao
principio del ao 6.
Formule el modelo de programacin lineal para este problema.
Solucin:
La situacin se puede ilustrar grficamente como:
Las lneas segmentadas indican el trmino del ao en curso y el inicio del ao siguiente.
Las flechas representa la duracin de cada una de las inversiones, antes de obtener los
retornos.
Se debe considerar que al inicio de cada ao slo se puede destinar a inversin el dinero
proveniente de inversiones que terminan en ese momento, o bien que sean excedentes del
perodo inmediatamente anterior.
Objetivo: Maximizar utilidades al final del quinto ao.
Xij : Cantidad invertida de tipo i = A, B,C,D al inicio del ao j = 1,2,3,4,5
Zj : Excedente no invertido al inicio del ao j = 1,2,3,4 .
Compra - Modelos con razonable grado de dificultad - Problema 9 de 10 Investigacin de Operaciones
Problema 9: Compra
Una empresa de arriendo de vehculos desea establecer la flota de automviles, camionetas
y jeeps para el presente ao. Para tales efectos, estudia la adquisicin de vehculos de los
tres tipos. Todos los vehculos comprados son depreciados y pagados en un perodo de 2
aos, despus del cual son vendidos. La tabla siguiente muestra el precio de compra y los
ingresos del perodo para los tres tipos de vehculos (los ingresos para el segundo ao
incluyen el valor de salvataje).
An cuando la empresa puede pagar el costo de los vehculos inmediatamente, puede

tambin decidir diferir parte del costo de los vehculos al final del primer o segundo ao. El
costo del crdito es de 14% anual. La empresa debe pagar por lo menos el 20% de la
inversin inicial al recibir un vehculo y por lo menos el 50% de la inversin inicial ms los
intereses del crdito deben haber sido pagado al final del primer ao. La empresa dispone
de US$2000000 para la compra de vehculos este ao. La compaa usa una tasa de
descuento del 15% para efectos de financiamiento (es decir, US$100 hoy valen US$85
dentro de un ao). Todo excedente en cualquier ao es invertido en otros rubros y, por lo
tanto, no puede considerarse en pagos futuros.
Formule un modelo de programacin lineal para el problema. Defina claramente variables,
funcin objetivo y restricciones.
Solucin:
Xi : Cantidad de vehculos tipo i = 1,2,3 comprados inicialmente.
Yij : Dinero pagado en vehculos tipo i = 1,2,3 al inicio del ao j = 1,2,3.
Zij : Saldo al inicio del ao j 1,2,3 en vehculos tipo i =1,2,3.
Constantes:
Ci : Costo del vehculo del tipo i =1,2,3 .
Iij : Ingresos por vehculo del tipo i =1,2,3 durante el ao j =1,2,3 .
Produccin - Modelos con razonable grado de dificultad - Problema 10 de 10

- Investigacin de Operaciones

Considere el problema de programacin de la produccin de un conjunto de m tipos
diferentes de artculos para los prximos n meses en una fbrica.
En cuanto al uso de materias primas, el costo de produccin de cada artculo de tipo i se
estima en ci .
La produccin de un artculo tipo i requiere moi horas de mano de obra, disponiendo la
fbrica de hj horas de mano de obra durante el mes j . En ciertos meses, la fbrica puede
emplear horas extras para aumentar sus recursos de mano de obra. En general, se puede
denotar por stj la cantidad mxima de horas extras disponibles en el mes j , cada una de las
cuales tiene un costo unitario de cst.
La demanda de artculos tipo i en el mes j se estima en d ij, las cuales necesariamente deben
ser satisfechas.
El exceso de produccin puede ser almacenado a un costo mensual unitario de s. Existe
capacidad para almacenar un volumen mximo de v , pudindose representar por v i el
volumen de un artculo de tipo i . Polticas de produccin exigen que al final del perodo
bajo consideracin exista un inventario mnimo de si unidades de artculos tipo i.
Formule un modelo de programacin lineal que permita planificar la operacin de la fbrica
durante los prximos n meses de forma tal de minimizar el costo total.
Solucin:
Supongamos que se trabaja por lo menos el total de horas hj de cada mes, nunca menos.
Xij : Cantidad de artculos tipo i =1,...,m producidos en mes j =1,...,n .
Zj : Cantidad de mano extra empleada en mes j =1,...,n .
Vij : Cantidad de artculos tipo i =1,...,m almacenados en mes j =1,...,n .
Produccin - Modelos difciles - Problema 1 de 5 - Investigacin de

Operaciones
Gracias a una adecuada estrategia de marketing y a la calidad del producto, cierta pequea
fbrica de canastos de mimbre ha recibido pedidos que superan su actual capacidad de
produccin. Durante las prximas cuatro semanas debe entregar 52, 65, 70 y 85 canastos,
respectivamente. Actualmente cuenta con seis artesanos.
La gerencia general de la fbrica ha decidido contratar personal nuevo para poder cumplir
sus compromisos comerciales. Dada la escasez de artesanos, se deber contratar personal
sin experiencia. Un novato puede ser entrenado para llegar a ser aprendiz durante una
semana.
La segunda semana trabaja como aprendiz para ganar experiencia. Comenzando la tercera
semana (despus de dos semanas de trabajo) se transforma en artesano.
La produccin estimada y sueldos de los empleados es la siguiente:
Cada artesano puede entrenar hasta dos novatos por semana (el entrenamiento de un novato
slo dura una semana). Todo excedente de produccin semanal puede ser guardado para
cumplir los siguientes compromisos comerciales.
Los analistas de la empresa estiman que la demanda semanal de canastos difcilmente
superar los noventa canastos, por lo que han decidido terminar el perodo sin novatos y
aprendices, pero con al menos nueve artesanos. Los reglamentos sindicales de la empresa
prohben los despidos por reduccin de personal.
Formule un modelo de programacin lineal que permita definir las contrataciones a realizar,
de modo de cumplir los compromisos comerciales a costo mnimo.
Solucin:
Para resolver el problema se utilizarn las siguientes variables de decisin:
xij : Personal de tipo i =1,2,3,4 (artesano productor, artesano instructor, aprendiz y novato
respectivamente) trabajando en semana j = 1,2,3,4 .
zj : Sobreproduccin de semana j =1,2,3,4.
Variable secundaria:
i : Salario del empleado del tipo i =1,2,3,4.
Se debe de cumplir con los compromisos a costo mnimo.
Produccin - Modelos difciles - Problema 2 de 5 - Investigacin de Operaciones
La ciudad 1 produce 500 toneladas de basura por da y la ciudad 2 produce 400

toneladas por da. La basura debe ser incinerada en los incineradores 1 2, y
cada incinerador puede procesar hasta 500 toneladas de basura por da. El
costo de incinerar la basura es US$ 40/ton en el incinerador 1 y US$ 30/ton en
el incinerador 2. La incineracin reduce cada tonelada de basura a 0.2
toneladas de cenizas, las cuales deben ser llevadas a uno de dos depsitos.
Cada depsito puede recibir a lo ms 200 toneladas de cenizas por da. El costo
es de US$ 3/milla para transportar una tonelada de material (ya sea ceniza o
basura). Las distancias en millas se muestran en la tabla.
Formule el problema de programacin lineal que se puede usar para minimizar
los costos.
Solucin:
El objetivo del problema es minimizar los costos involucrados en el traslado e

incineracin de la basura. Este costo est asociado al costo de transporte
(funcin de la distancia) y al costo de incinerar (funcin del incinerador y la
cantidad). Para conseguir este objetivo se debe considerar las posibles
decisiones que admite el problema:
La cantidad de basura a trasladar desde cada ciudad (1 y 2) a cada uno de los
incineradores (1 y 2).
La cantidad de ceniza a trasladar desde cada incinerador (1 y 2) a cada uno de
los botaderos (1 y 2).
Para esto, asumimos algunos supuestos y caractersticas:
Toda la basura producida en un da debe ser incinerada durante ese

mismo da.
Los botaderos no cobran por recibir las cenizas.
Existe indiferencia en escoger el incinerador 1 2 con relacin a

cualquier variable que no sea el costo por tonelada incinerada.
El costo de transporte es una funcin exclusiva de la distancia recorrida,

dejando de lado cualquier otro factor.
La decisin se tomar exclusivamente desde el punto de vista de los

costos.
El anlisis se realizar en el perodo de un da, dado los datos

entregados.
De acuerdo al objetivo y los supuestos planteados, determinamos las

siguientes variables de decisin:
Xij : Cantidad de basura en toneladas transportada desde la ciudad i = 1,2
hasta el incinerador j = 1,2 .
Yij : Cantidad de ceniza en toneladas transportada desde el incinerador i = 1,2
hasta el botadero j = 1,2 .
Con la tabla de distancias dadas y los costos de incineracin, se plantea la

funcin objetivo:
Con la informacin de la produccin de basura, capacidad de incineracin y la

capacidad mxima de recepcin de ceniza de los botaderos, se construyen las
restricciones del problema
Cabe destacar que todas las variables deben ser positivas y no necesariamente
enteras dado que representan peso de basura o de ceniza. Es importante
agregar tambin dos condiciones relativas a que cada tonelada de basura que
entra al incinerador es transformada en 0.2 toneladas de ceniza, luego:
Las condiciones anteriores pueden ser agregadas al problema como dos

restricciones ms, o bien despejar dos de ellas en funcin de otras tres, de
modo de reducir el problema a un total de seis variables.

Operaciones
Silicon Valley Corporation (Silvco) fabrica transistores. Un aspecto importante en la
fabricacin de los transistores es fundir un elemento denominado G (germanium) en un
horno. Lamentablemente el proceso de fundido vara mucho en cuanto a la calidad que se
obtiene del elemento G. Hay dos mtodos que se pueden usar para fundir el elemento G: el
mtodo 1 cuesta US$50 por transistor, y el mtodo 2 US$70 por transistor. Las calidades
del elemento se muestran en la tabla. Silvco puede realizar un proceso adicional para
aumentar la calidad del elemento fundido. Este cuesta US$25 por transistor. Los resultados
del proceso adicional se muestran en la tabla. Silvco tiene suficiente capacidad de horneado
ya sea para fundir o hacer el retratamiento de a lo ms 20000 transistores al mes. Las
demandas mensuales son 1000 de transistores de nivel 4, 2000 del nivel 3, 3000 del nivel 2,
y 3000 del nivel 1. Use programacin lineal para minimizar el costo de producir los
transistores que se requieren.
Donde Nivel 1 es pobre; nivel 4 es excelente. La calidad del transistor fabricado est en
directa relacin con
Solucin:
Objetivo: el objetivo del problema es minimizar los costos involucrados en la produccin
de los transistores, satisfaciendo la demanda para cada nivel de ellos. Se considerarn dos
mtodos de produccin adems de un mtodo de retratamiento para mejorar la calidad de
dichos transistores. Para conseguir este objetivo se debe considerar las posibles decisiones
que
admite
el
problema:
La cantidad transistores a producir por el mtodo 1 y por el mtodo 2.
La cantidad transistores de cada nivel: 3, 2, 1 y los defectuosos que se envan a
retratamiento con la esperanza de mejorar su nivel y con ello su precio. Evidentemente no
tiene sentido enviar los transistores de nivel 4 al proceso adicional. Es importante
considerar por separado los transistores provenientes de cada proceso.
Supuestos:
Los porcentajes entregados en las tablas son exactos o 100% confiables, es decir que si se
fabrican 100 por el mtodo 1 es seguro que 30 de ellos van a ser defectuosos, ni uno ms ni
uno menos. Se entiende tambin que se utilizar la misma consideracin para los datos del
proceso
adicional.
Existe indiferencia entre los transistores de cada mtodo, es decir que un transistor de un
nivel dado producido por el mtodo 1 es exactamente igual a uno del mismo nivel
producido
por
el
mtodo
2.
Similarmente para el proceso adicional, no existe ninguna diferencia entre los transistores
de un nivel dado proveniente de uno de los dos mtodos de fabricacin que los
provenientes
del
retratamiento.
El objetivo es producir exactamente la cantidad demandada, ni uno de ms ni uno de
menos. Se considera adems que los valores de esta demanda son 100% confiables.
Slo se considerar que el proceso adicional se puede realizar una vez, es decir la decisin
de
cuantas
variables
mandar
al
retratamiento
se
realiza
una
vez.
No es necesario producir a plena capacidad (20000 transistores al mes), puede producirse
esta cantidad o menos, la produccin se ajustar al resultado de este estudio.
Como los datos entregados estn referidos a un mes, el anlisis se har para este intervalo
de tiempo, pero en trminos de cantidades producidas al mes no de variables temporales
propiamente tales.
De acuerdo al objetivo y supuestos planteados, declaramos las variables de decisin del
siguiente modo:
X1 : Cantidad de transistores producidos por el mtodo 1.
X 2 : Cantidad de transistores producidos por el mtodo 2.
Xij : Cantidad de transistores provenientes del mtodo i =1,2 y de clase j = 0,1,2,3 que se
envan a reprocesar.
Entendemos por clase j al nivel de fundido, considerando como defectuoso la clase 0.
Por otro lado, no tiene sentido reprocesar los transistores de nivel 4, por tal motivo el
subndice j slo llega hasta 3.
Con las tablas de produccin en porcentaje dadas y los costos de fabricacin por unidad, se
formula la funcin objetivo:
Observacin: Todas las funciones y restricciones sern trabajadas en dlares.

Con la informacin de la produccin de los distintos niveles por mtodo, ms la
informacin de la produccin por niveles del retratamiento, se construyen las restricciones
del problema:
Cabe destacar que todas las variables deben ser positivas y enteras dado que representan
nmero de unidades de transistores.

Operaciones
Problema 4: Produccin - PLANEACION DE PRODUCCION DE CASSINELLI E

HIJOS S.A.C
La empresa de bebidas gaseosas Enrique Cassinelli e Hijos S.A. es de origen trujillano, se
dedica a la produccin y comercializacin de bebidas gaseosas Cassinelli, en diferentes
presentaciones y sabores.
Su comercializacin se realiza tanto en la ciudad de Trujillo como en la zona norte
(Chiclayo, Piura, Talara) y nor Oriente (Bagua, Jaen, Tarapoto).
Actualmente Cassinelli tiene una participacin en el mercado de Trujillo de 10%,
Concordia 14%, Kola Real 11%, Triple Kola 13.4%, Inka Kola 13.8%, Coca Cola 14.2%, y
el 23.6% corresponde a otras marcas.
Gaseosas Cassinelli posee un potencial para tener una importante participacin en el
mercado , ya que posee caractersticas que se ajustan a una bebida agradable y es percibida
como una bebida regional ,sin embargo presenta una baja recordacin por alojamiento de la
marca del mercado, por lo que le hace perder preferencia ante otras marcas de gaseosas.
Por lo tanto la Gerencia General ha encomendado al Departamento de Produccin realizar
un plan de Produccin para maximizar sus ganancias mensuales.
Como se menciono, la empresa Enrique Cassinelli e hijos se dedica a la fabricacin de
bebidas gaseosas, siendo las presentaciones comercializadas las que se demuestran a
continuacin:
La empresa en estudio cuenta con una planta de produccin que opera las 48 horas a la
semana. Esta planta tiene una capacidad de produccin de 160,000 caja/mes.
El proceso de fabricacin de estos productos se lleva a cabo en dos etapas (reas de
trabajo)
1. En el Dpto. de Elaboracin se realiza la preparacin de jarabes el mismo que cuenta con
4
trabajadores
permanentes.
2. En el Dpto. de Envasado se realiza trabajos inherentes al proceso de envasado y
presentacin final del producto. Este Dpto. cuenta con 15 trabajadores
Las horas requeridas en ambos departamentos para producir 1000 cajas de cada uno de los
productos mencionados en la Tabla 1.22, se muestran en la Tabla 1.23.
La demanda proyectada mxima para el mes de octubre 2002 se muestra en la siguiente

Tabla 1.24
El Dpto. de Contabilidad de la empresa estima un margen de ganancia para cada producto,

de:
La Gerencia ha solicitado determinar el Plan de Produccin semanal ptimo para el mes de

octubre 2002.
Para determinar el plan de produccin ptimo, el objetivo general es elaborar un modelo
lineal que permita hallar el plan de produccin ptimo y como objetivos especficos
tenemos que determinar la cantidad de cada tipo de gaseosa que se debe elaborar
semanalmente y obtener la mxima utilidad en la produccin de gaseosas Cassinelli.
Solucin:
Xij : Nmero de cajas a producir de gaseosa del tipo i = 1,2,3,4 (NR de 2.65 lt, NR de 1.75
lt, NR de 0.60 lt, VR de 0.296 lt) en la semana j =1,2,3,4 .
Maximizar el precio de venta*produccin
Con la informacin de la produccin de basura, capacidad de incineracin y la capacidad

mxima de recepcin de ceniza de los botaderos, se construyen las restricciones del
problema.
Construccin - Modelos difciles - Problema 5 de 5 - Investigacin de

Operaciones
Problema 5: Construccin - Corporacin para el desarrollo del lago

SADDLEBACK
LSDC est desarrollando una comunidad de casas y condominios en los

alrededores del lago Saddleback, Texas. La idea es utilizar 300 acres de tierra
de tal forma de maximizar sus ganancias ofreciendo una apropiada variedad de
diferentes alternativas de casas constituyendo diferentes productos. Adems,
la corporacin desea analizar la factibilidad de desarrollar 10 acres para un

complejo deportivo y de recreacin.
LSDC est ofreciendo 4 productos: (1) La serie Gran Estado (2) La coleccin
Glen Wood (3) Casas con vista al lago y (4) casas en Condominio. Cada uno de
estos productos tiene 4 planos con diferentes estilos, tal como se describe en
la siguiente lista:
Tamao de los lotes.
Todos los lotes incluyen el terreno donde se instalar la casa, el garage (el cual
no est considerado dentro de los metros cuadrados de la casa) y espacio para
jardn. Este no incluye el parking ni el espacio para parques, carreteras, etc.
Todos los modelos de la serie Gran Estado se construyen sobre lotes de 1
media-acre, y 50 medias-acre se usan exclusivamente por las casas Gran
Estado. El precio de venta de estas casas tendr un 30% adicional ms
US$50.000 que los modelos que no estn en el lago. (Por ejemplo, el modelo
Trump a US$700.000 se vendera en US$960.000 si se situara en el lago). Cada
una de la serie Gran Estado debe tener al menos ocho unidades en el lago.
Algunos modelos Gran Ciprs (de la serie Glen Wood) podran construirse sobre
lotes premiados de un-cuarto-acre. Estas casas se venden en US$40.000 ms
que los modelos similares sobre lotes standards. Adems, algunos de los
modelos Bayview (en la serie vista al lago) pueden construirse sobre lotes
premiados de un-sexto-acre, los cuales se venden en US$30.000 ms del
precio de los modelos construidos en terrenos standards. No ms del 25% del
total de los modelos Ciprs y 25% del total de los modelos Bayview se pueden
construir en lotes premiados.
Los tamaos de los lotes en el condominio son fijos y son de 1500 piecuadrados.
El lote mnimo standard para casas de la serie Glen Wood y con vista al lago
(excepto los modelos premiados) es de un-dcimo-acre. Los tamaos de los
lotes para ciertos modelos pueden ser mayores si el siguiente clculo excede a
1/10 acre.
Tamao Lote= (rea de la Casa)+(Tamao del Jardn)+(Tamao del Garage).
rea de la Casa.
El rea de la casa de cualquier casa de un piso es el metraje cuadrado del

aviso de la casa. El rea de la casa para casas de dos-pisos es de 75% del
metraje cuadrado del aviso de la casa.
rea para Jardn.
Para casas de la serie Glen Wood, el jardn es de 1200 pies cuadrados para
casas de un-piso y lo mismo que el rea de la casa para casas con dos-pisos.
Para casas con vista al lago el tamao del jardn es 900 pies cuadrados para
casas de un-piso. Para casas de dos-pisos de esta misma serie de casas el
tamao de jardn ser de 600 pies cuadrados ms 50% del rea de la casa.
Tamao del Garage.
Garage para dos autos ocupan 500 pies cuadrados de rea y para tres autos
ocupa 750 pies cuadrados. Note que los modelos en el condominio no tienen
terreno para garage.
Parking.
La ley exige tener un espacio de parking por dormitorio para cada unidad
construida. Por ejemplo, un espacio exterior de parking para dos autos es
necesario para una casa de 4 dormitorios que posee un garage para dos autos.
Cada parking exterior ocupar 200 pies cuadrados de espacio. Hasta un
mximo de 15 acres del proyecto podrn utilizarse para parking exterior. Todos
los parking del condominio son exteriores.
Carreteras, Parques...etc
Un total de 1000 pies cuadrados por casa se est pensando para la

construccin de carreteras y pequeos parques para hacer el proyecto ms
agradable estticamente hablando.
Variedad.
Como parte del proyecto se han definido ciertos requerimientos mximos y

mnimos arrojados por el departamento de estudios de mercado (Condominio
est incluido).
Adems, ninguno de los cuatro productos (Gran Estado, Glen Wood, Vista al
lago, y Condominio) pueden ser ms que el 35% ni menos que el 15% de las
unidades construidas en el desarrollo. Ms an, dentro de cada producto, cada
plano debe ocupar entre 20% y 35% del total de unidades de ese producto. Por
razones de esttica hasta un mximo del 70% de las casas de un-piso (salvo
las de condominio) pueden ser casas de dos-pisos.
Abordables.
En el rea del lago cualquier casa avaluada en US$200.000 o menos es

considerada abordable. El gobierno exige al menos 15% del proyecto pueda
ser considerado como abordable.
Ganancias.
LSDC ha determinado los siguientes porcentajes de los precios de ventas como

ganancias netas:
Objetivos.
LSDC necesita determinar el nmero de unidades de cada plano de cada

producto a construir, de tal manera de maximizar sus ganancias.
Si LSDC construye un complejo de recreacin y deportivo en 10-acres, esto
podra reducir el rea utilizable en 10-acres y a un costo de alrededor US$8
millones. Sin embargo, LSDC cree que esto puede cargarse al costo de las
casas como sigue:
*Excepto para el modelo Golden Pier, es decir todava puede ser catalogada
como abordable.
Informe:
Prepare un informe detallado analizando este proyecto y haga sugerencias para

la construccin. De recomendaciones si conviene o no construir el complejo
deportivo. Haga un anlisis apropiado de qu sucede si.. (Anlisis de
sensibilidad) y haga un resumen de sus recomendaciones finales.
Consideraciones y supuestos.
Antes de resolver el problema es importante especificar la interpretacin dada

a algunas frases del enunciado del problema:
Se entiende que cuando se habla de 1 media-acre se est hablando de

la mitad de un acre, es decir acre. Es decir 50 medias-acre, en
trminos de superficie son 25 acres.
Cuando se dice que 50 medias-acres se usan exclusivamente por las

casas Gran Estado, se dice que slo se destinarn 25 acres al total de
casas de la serie Gran Estado, ni una acre ms ni uno de menos. Esto se
reflejar como una igualdad en una de las restricciones.
La frase el lote mnimo standard para casa de la serie Glen Wood y con
vista al mar..., suponemos que con vista al mar es en realidad con
vista al lago y que se refiere al producto Vista al Lago, y no a que
algunas casas de la serie Glen Wood tienen como propiedad tener vista
al lago. Luego se entiende que la frase se refiere al tamao del lote
mnimo para casas de las series Glen Wood y Vista al Lago.
Se supondr tambin que cuando se habla del aviso de la casa se

refiere a la informacin del primer cuadro del enunciado.
Las manzardas no se considerarn como dormitorios (para el clculo del

parking).
Los porcentajes que aparecen asociados a la variedad se trabajarn

sobre el total de todas las casas.
Para la condicin asociada a la proporcin de las casas de dos pisos

frente a las de un piso, no se considerarn las casas del condominio de
un piso, es decir slo se considerarn las casas del condominio de dos
pisos para esta restriccin.
Para la segunda parte, se considerar que los porcentajes que aparecen

en la ltima tabla se refieren al valor (precio de venta) de las casas y no
a un aumento porcentual exclusivamente de las utilidades de cada casa.
Para llevar todo a un mismo sistema de unidades se utilizar la

conversin: 1 acre = 43.560 ft2 (pies cuadrados)
Planteamiento.
Para poder resolver el problema es importante visualizar en forma clara las

distintas posibilidades para la construccin, esto se refiere no slo a las 4
series y 15 planos distintos dados, sino que, tambin a las distintas
posibilidades permitidas para cada plano. El anlisis de las distintas
posibilidades ayudar a determinar el nmero de variables de decisin con el
objeto de resolver el problema va programacin lineal.
Similarmente es importante distinguir cada restriccin observando el efecto
que est produciendo, esto se refiere si tiene un efecto en la superficie
utilizadas por las casas, cantidad de ellas, relaciones en cantidad de los
distintos tipos, etc.
Solucin:
1.
Definicin
de
las
variables
de
decisin:
Producto Gran Estado.
Cada plano tiene dos posibilidades: estar o no en el lago. Esto define 8

variables de decisin distintas.
Producto Gleen Wood.
Existe una nica posibilidad para cada plano a excepcin de la Gran Ciprs,
que puede ser o no premiada. Esto define 5 variables de decisin.
Producto Vista al Lago.
Similarmente al producto anterior, existe un nica posibilidad para cada plano

a excepcin de la Bayview, que puede ser o no premiada. Esto define 5
variables de decisin.
Producto Condominio.
En este caso slo se puede distinguir una posibilidad para cada plano. Esto
define
3
variables.
En
resumen
se
tiene
8+5+5+3=21
variables
de
decisin.
Para denominar cada posibilidad para cada casa con una variable se utilizar la
siguiente convencin:
El detalle de cada variable con los respectivos subndices se encuentra en la

Tabla1
de
la
siguiente
pgina.
Antes de plantear las restricciones es conveniente plantear en forma ordenada
las caractersticas de cada casa en cuanto a superficie que se le asigna en el
proyecto, precio de venta, parking requeridos por esa casa, ganancia asociada
a ella, caractersticas generales, etc. La forma ms conveniente de presentar
esta informacin es con la ayuda de una tabla (Tabla 1).
Siguiendo la nomenclatura descrita en la tabla procedemos a plantear el

problema de programacin lineal. En este caso como se dispone de las
ganancias,
se
trata
de
un
problema
de
maximizacin.
2.
Elaboracin
de
la
funcin
objetivo:
Nuestro objetivo es maximizar la ganancia, para esto multiplicamos las

ganancias por las unidades de cada tipo de casa.
3. Formulacin de las restricciones:
Produccin - Modelos de desafio - Problema 1 de 5 - Investigacin de

Operaciones
Problema 1: Produccin de ligas metlicas
Una empresa metalrgica produce ligas metlicas de dos tipos, una de baja
resistencia y la otra de alta resistencia. La liga de baja resistencia requiere de
0.5 toneladas de cobre, 0.25 toneladas de zinc y 0.25 toneladas de plomo por
cada tonelada de liga. La liga de alta resistencia requiere de 0.2 toneladas de
cobre, 0.3 toneladas de zinc y 0.5 toneladas de plomo por cada tonelada de
liga.
Se tiene una disponibilidad de materia prima de 16 toneladas de cobre, 11
toneladas de zinc y 15 toneladas de plomo. La liga de baja resistencia se vende
a $3000 y la de alta resistencia a $5000 por tonelada. La empresa desea
maximizar el ingreso bruto.
Solucin:
x1 : Cantidad producida de la liga de baja resistencia (en toneladas).

x2 : Cantidad producida de la liga de alta resistencia (en toneladas).
Con estas variables debemos expresar la funcin objetivo.
Dado que queremos maximizar el ingreso bruto, y sabemos que la tonelada de

liga de baja resistencia se vende a $3000 y la de alta resistencia a $5000 por
tonelada. Por tanto si queremos obtener el ingreso bruto generado por la venta
de los tipos de ligas tendremos z = 3000x1 + 5000x2 .
As, nuestra funcin objetivo ser: maximizar z = 3000x 1 + 5000x2 .
Restriccin de cobre
Podemos ver que, slo disponemos de 16 toneladas de cobre; pero para

producir ligas de baja resistencia necesitamos de 0.5 toneladas de cobre, y
para producir ligas de alta resistencia necesitamos de 0.2 toneladas de cobre.
Por tanto la restriccin de cobre queda expresado como: 0.5x 1 + 0.2x2 <= 16 .
Restriccin de zinc
Slo disponemos de 11 toneladas de zinc; pero para producir ligas de baja

resistencia necesitamos de 0.25 toneladas de zinc, y para producir ligas de alta
resistencia necesitamos de 0.3 toneladas de zinc. Por tanto la restriccin de
zinc queda expresado como: 0.25x1 + 0.3x2 <= 11.
Restriccin de plomo
Slo disponemos de 15 toneladas de plomo; pero para producir ligas de baja

resistencia necesitamos de 0.25 toneladas de plomo, y para producir ligas de
alta resistencia necesitamos de 0.5 toneladas de plomo. Por tanto la restriccin
de plomo queda expresado como: 0.25x 1 + 0.5x2 <= 15 .
x1 >= 0 y x2 >= 0 .
4. Modelo final:
Nutricin - Modelos de desafio - Problema 2 de 5 - Investigacin de Operaciones
Problema 2: Problema de dieta
El objetivo del presente programa es determinar, en una dieta para la

reduccin calrica, las cantidades de ciertos alimentos que debern ser
ingeridos diariamente, de modo que determinados requisitos nutricionales sean
satisfechos a costo mnimo.
Suponga, que por motivos justificables, una cierta dieta alimentaria esta
restricta a leche desnatada, carne de res, pescado y una ensalada. Sabiendo
que los requisitos nutricionales sern expresados en trminos de vitaminas A, C
y D y controlados por sus cantidades mnimas (en miligramos) dado que son
indispensables para mantener saludable a la persona que estar sometida a
esta dieta.
En la Tabla se resume la cantidad de cada vitamina disponible en los alimentos
y sus necesidades diarias para la buena salud de la persona.
Formular el programa lineal para la optimizacin de los recursos.
Solucin:
x1 : Cantidad de leche (en litros).

x2 : Cantidad de carne (en kilogramos).
x3 : Cantidad de pescado (en kilogramos).
x4 : Cantidad de ensalada (en gramos).
Con estas variables debemos expresar la funcin objetivo.
Dado que queremos minimizar los costos, tenemos la siguiente funcin

objetivo:
Minimizar z = 2x1 + 4x2 +1.5x3 + x4
Restriccin de vitamina A
Podemos ver que, necesitamos como mnimo 11 mg diarios de vitamina A;

sabiendo que cada litro de leche contiene 2 mg, cada kilogramo de carne
contiene 2 mg, cada kilogramo de pescado contiene 10 y cada 100 g de
ensalada contiene 20 mg. Por tanto la restriccin de vitamina A queda
expresado como: 2x1 + 2x2 +10x3 + 20x4 >= 11.
Restriccin de vitamina C
La restriccin de vitamina C queda expresado como: 50x 1 + 20x2 +10x3 + 30x4

>= 70
Restriccin de vitamina D
La restriccin de vitamina D queda expresado como: 80x 1 + 70x2 +10x3 + 80x4

>= 250 .
tenemos que x1 >= 0 , x2 >= 0 , x3 >= 0 y x4 >= 0
4. Modelo final:
Agricultura - Modelos de desafio - Problema 3 de 5 - Investigacin de

Operaciones
Problema 3: Problema del agricultor
Un agricultor est planeando su estrategia de planto para el prximo ao. Por

informaciones obtenidas de los rganos gubernamentales, se sabe que los
cultivos de trigo, maz y arroz sern los ms rentables en la prxima
temporada.
Por experiencia se sabe que la productividad de sus tierras para los cultivos
deseados es una constante segn la Tabla.
Por falta de un local de almacenamiento propio, la produccin mxima, en

toneladas est limitada a 60. El rea cultivable del sitio es de 200000 m 2. Para
atender las demandas de su propio sitio, es indispensable que se plante 400 m 2
de trigo, 800 m2 de arroz y 10000 m 2 de maz. Formular el programa lineal para
la optimizacin de las utilidades.
Solucin:
x1 : rea a ser sembrada de trigo (en m2).

x2 : rea a ser sembrada de arroz (en m2).
x3 : rea a ser sembrada de maz (en m2).
Los coeficientes de la funcin objetivo debern ser calculados multiplicando la

productividad por kilogramo por el lucro previsto para cada kilogramo. El
resultado del coeficiente ser una unidad monetaria en este caso cntimo.
Tenemos la siguiente funcin objetivo, maximizar z = 2.16x 1 +1.26x2 +
0.812x3
Restricciones asociadas a la demanda del sitio
x1 >= 400
x2 >= 800
x3 >= 10000
Restriccin asociado al rea total disponible
x1 + x2 + x3 <= 200000 .
Restriccin asociado al almacenamiento
En este caso tenemos que utilizar los coeficientes de la productividad por

unidad de rea para obtener un valor final en kilogramos.
0.2x1 + 0.3x2 + 0.4 <= 60000 .
tenemos que
x1 >= 0 , x2 >= 0 y x3 >= 0 .
4. Modelo final:
Agricultura - Modelos de desafio - Problema 4 de 5 - Investigacin de

Operaciones
Problema 4: Cultivo en una Cooperativa Agrcola

Una cooperativa agrcola opera 3 haciendas que poseen una productividad
aproximadamente iguales entre s. La produccin total por hacienda depende
fundamentalmente del rea disponible para el planto y del agua de irrigacin. La
cooperativa procura diversificar su produccin de modo que va a plantar este ao 3 tipos de
cultivos en la hacienda, maz, arroz y frejol. Cada tipo de cultivo demanda una cierta
cantidad de agua. Para reducir el conflicto en el uso de las recolectoras, que son alquiladas
por la cooperativa, se establecern lmites de rea de produccin dentro de cada tipo de
cultivo. Para evitar la concurrencia entre los cooperados, se acord que la proporcin de
rea cultivada sea la misma para cada una de las haciendas.
Las Tablas 1 y 2 resumen los datos tecnolgicos. Se pide elaborar un programa de

produccin que defina el rea de cada cultivo que ser plantada en cada hacienda, de modo
a optimizar el lucro total de la produccin de la cooperativa.
Solucin:
xij : rea en acres que en la hacienda ( i = 1,2,3 ) ser destinada al cultivo de ( j = M - maz,
A - arroz, F - frejol ).
Por ejemplo:
x1M : rea en acres destinada a la hacienda 1, para cultivar maz.
x3F : rea en acres destinada a la hacienda 3, para cultivar frejol.
Max z = 5000(x1M + x2M + x3M ) + 4000(x1A + x2A + x3A) +1800(x1F + x2F + x3F ) .
4. Modelo final:
Produccin - Modelos de desafio - Problema 5 de 5 - Investigacin de

Operaciones
Problema 5: Produccin de muebles

Una gran fbrica de muebles dispone en stock 250 metros de tablas, 600 metros de planchas
y 500 metros de paneles de conglomerado. La fbrica normalmente ofrece una lnea de
muebles compuesta por un modelo de escritorio, una mesa de reunin, un armario y un
repostero. Cada tipo de mueble consume una cierta cantidad de materia prima, conforme se
muestra en la Tabla. Un escritorio es vendido por 100 soles, la mesa por 80, el armario por
120 y un repostero por 20. Escribir un modelo de programacin lineal que maximice el
ingreso con la venta de los muebles.
Solucin:
x1 : Cantidad producida de escritorios.
x2 : Cantidad producida de mesas.
x3 : Cantidad producida de armarios.
x4 : Cantidad producida de reposteros.
Dado que queremos maximizar el ingreso bruto, la funcin objetivo queda expresada en
funcin de las unidades producidas de cada tipo.
Max z = 100x1 + 80x2 + 120x3 + 20x4
4. Modelo final:
Solucin de modelos lineales con solver - 1 de 3

Solver es una herramienta para resolver problemas de programacin lineal y no lineal,
utilizando para este fin mtodos numricos. Solver se puede utilizar para optimizar
funciones de una o ms variables, sin o con restricciones. Microsoft Excel Solver utiliza
diversos mtodos de solucin, dependiendo de las opciones que se seleccionen. Para los
problemas de programacin lineal utiliza el mtodo Simples, para problemas lineales
enteros utiliza Branch and Bound y para problemas no lineales utiliza el cdigo de
optimizacin no lineal (GRG2).
Solver, busca el valor ptimo para una celda, llamada celda objetivo, en esta celda
escribimos la frmula de la funcin objetivo f (x1, x2,..., xn) .
Solver cambia los valores de un grupo de celdas, llamadas celdas variables o cambiantes.
En estas celdas se localizan los valores de las variables de decisin x1, x2,..., xn , que deben
estar relacionadas, directa o indirectamente, con la frmula de la celda objetivo.
Para agregar las restricciones a Solver, escribimos en la celda seleccionada la frmula gi
(x1, x2,..., xn) correspondiente a cada restriccin del problema a resolver, y tenemos que
especificar si la celda deber ser mayor o igual, igual, o menor o igual que otra celda que
contiene la constante bi (disponibilidad de los recursos). Tambin, si fuese el caso, se puede
especificar que los valores sean enteros, para evitar resultados absurdos en algunos
problemas de optimizacin.
Solver es un complemento de Excel y como tal debemos instalar esta herramienta, para
esto, primero hay que fijarse si en la barra de herramientas- Datos aparece el icono de
Solver, si no se encuentra entonces tendremos que instalarlo.
Para instalar este complemento vamos al botn oficce y selecionamos opciones de Excel
Al hacer click en opciones de Excel, se muestra el siguiente cuadro de dialogo. Activamos

complementos, seleccionamos Solver, y hacemos clik en ir
Aparecer el siguiente cuadro de dialogo, del cual debemos activar la casilla Solver y
finalmente damos aceptar.
Utilizaremos el Problema 1.1 como modelo para explicar de una manera clara el uso de
Solver.
Escribiremos la funcin objetivo en una celda (celda objetivo) cambiando el valor de otras
celdas (celdas variables). La celda donde se encuentra la funcin objetivo debe contener la
formula que dependa de las celdas variables. Porque de no ser as, al cambiar el valor de
una celda no cambiar el valor de la celda objetivo.
En primer lugar escribimos la formula de la funcin objetivo =4*C7+D7 en la celda D4,
utilizando como celdas variables la celda C7 y D7, para las variables x1 y x2
respectivamente.
A continuacin ingresamos las restricciones del problema. Para la restriccin

correspondiente a los sensores electrnicos, escribimos en la celda B12 la siguiente
expresin =9*C7+D7 y para la restriccin de mano de obra escribimos en la celda B13 la
siguiente expresin =3*C7+D7.
La disponibilidad de sensores electrnicos la escribimos en la celda D12 y la disponibilidad
de mano de obra es ingresada en la celda D13.
Una vez ingresado los datos del problema enseguida utilizamos el complemento Solver
ubicado en la barra de herramientas -> Datos
Al hacer click en la opcin Solver aparecer el siguiente cuadro de dialogo,
Ahora explicaremos cada una de las opciones que aparecen en este cuadro de dialogo
Parmetros de Solver
1. Celda objetivo. Especfica la celda objetivo que se desea maximizar o

minimizar. Esta celda debe contener la frmula que representa a la funcin
objetivo.
2. Valor de la celda objetivo. Especificamos si se desea maximizar o

minimizar la celda objetivo, o bien definirla con un valor especfico. Si desea un
valor especfico, introdzcalo en el cuadro.
3. Cambiando las celdas. Se especifican las celdas correspondientes a las

variables del problema, estas pueden ajustarse hasta que se satisfagan las
restricciones en el problema y la celda objetivo alcance su valor. Las celdas
variables deben estar directa o indirectamente relacionadas con las celdas
objetivo.
Estimar Estima todas las celdas que no contienen ninguna frmula a las que
se hace referencia en la frmula la celda objetivo y coloca sus referencias en
el cuadro Cambiando las celdas.
4. Sujeto a las siguientes restricciones. Muestra una lista de las

restricciones actuales en el problema.
Agregar Muestra el cuadro de dilogo Agregar restriccin.
4.1 Referencia de celda. Especifica las celdas que sern consideradas como
las restricciones del problema. Las celdas variables deben estar directa o
indirectamente relacionadas con estas celdas.
4.2 Referencia de la desigualdad. Especifica el tipo de desigualdad

correspondiente a la restriccin.
4.3 Restriccin. Especifica las celdas que sern consideradas como la

disponibilidad de los recursos del problema.
Cambiar Muestra el cuadro de dilogo Cambiar restriccin.
Eliminar Elimina la restriccin seleccionada.
5. Resolver Inicia el proceso de solucin del problema definido.
6. Cerrar Cierra el cuadro de dilogo sin resolver el problema. Retiene todos

los cambios que se hayan realizado mediante los botones Opciones, Agregar,
Cambiar o Borrar.
7. Restablecer todo Borra los valores actuales del problema y restablece

todos los valores a sus valores originales.
8. Opciones Muestra el cuadro de dilogo Opciones de Solver, donde

pueden cargarse y guardarse los modelos de problema y las caractersticas de
control avanzado del proceso de solucin.
Aqu pueden controlarse las caractersticas avanzadas del proceso de solucin,

cargarse o guardarse definiciones de problemas y definirse parmetros para los
problemas lineales y no lineales. Cada opcin tiene una configuracin
predeterminada adecuada a la mayora de los problemas.
8.1 Tiempo mximo Limita el tiempo que tarda el proceso de solucin. Puede
especificarse un valor tan grande como 32.367, pero el valor predeterminado
100 (segundos) es adecuado para la mayor parte de los pequeos problemas.
8.2 Iteraciones Limita el tiempo que tarda el proceso de solucin mediante la

limitacin del nmero de clculos provisionales. Aunque puede especificarse un
valor tan grande como 32.767, el valor predeterminado 100 es adecuado para
la mayor parte de los pequeos problemas.
8.3 Precisin Controla la precisin de las soluciones mediante el nmero que

se especifica para determinar si el valor de una restriccin cumple un objetivo
o satisface un lmite inferior o superior. Debe indicarse la precisin mediante
una fraccin entre 0 (cero) y 1. Cuantas ms posiciones decimales tenga el
nmero que se escriba, mayor ser la precisin; por ejemplo, 0,0001 indica una
precisin mayor que 0,01.
8.4 Tolerancia El porcentaje mediante el cual la celda objetivo de una

solucin satisface las restricciones externas puede diferir del valor ptimo
verdadero y seguir considerndose aceptable. Esta opcin slo se aplica a los
problemas que tienen restricciones enteras. Una tolerancia mayor tiende a
acelerar el proceso de solucin.
8.5 Convergencia Si el valor del cambio relativo en la celda objetivo es menor

que el nmero del cuadro Convergencia para las ltimas cinco iteraciones,
Solver se detendr. La convergencia se aplica nicamente a los problemas no
lineales y debe indicarse mediante una fraccin entre 0 (cero) y 1. Cuantas
ms posiciones decimales tenga el nmero que se escriba, menor ser la
convergencia; por ejemplo, 0,0001 indica un cambio relativo menor que 0,01.
Cuanto menor sea el valor de convergencia, ms tiempo se tardar en
encontrar una solucin.
8.6 Adoptar un modelo lineal Seleccione esta opcin para acelerar el

proceso de solucin cuando todas las relaciones del modelo sean lineales y
desee resolver un problema de optimizacin lineal.
8.7 Adoptar no-negativo Hace que Solver presuponga un lmite de 0 (cero)

para todas las celdas ajustables en las que no se haya establecido un lmite
inferior en el cuadro Restriccin del cuadro de dilogo Agregar restriccin.
8.8 Usar escala automtica Seleccione esta opcin para utilizar la escala
automtica cuando haya grandes diferencias de magnitud entre las entradas y
los resultados; por ejemplo, cuando se maximiza el porcentaje de beneficios
basndose en inversiones de millones de dlares.
8.9 Mostrar resultado de iteraciones Seleccione esta opcin para hacer

que Solver deje de mostrar temporalmente los resultados de cada iteracin.
8.10 Estimacin Especifica el enfoque que se utiliza para obtener los clculos
iniciales de las variables bsicas en cada una de las bsquedas dimensionales.
Tangente Utiliza la extrapolacin lineal de un vector tangente.
Cuadrtica Utiliza la extrapolacin cuadrtica, que puede mejorar en

gran medida los resultados de problemas no lineales.
8.11 Derivadas Especifica la diferencia que se utiliza para calcular las

derivadas parciales del objetivo y las funciones de la restriccin.
Progresiva Se utilizan para la mayor parte de los problemas, en los que

los valores de restriccin cambian relativamente poco.
Central Se utiliza en los problemas en que las restricciones cambian

rpidamente, en especial cerca de los lmites. Aunque esta opcin
necesita ms clculos, puede ser til cuando Solver devuelve un
mensaje que indica que no puede mejorarse la solucin.
8.12 Buscar Especifica el algoritmo que se utiliza en cada iteracin para

determinar la direccin en que se hace la bsqueda.
Newton Utiliza un mtodo quasi-Newton que normalmente necesita ms

memoria pero menos iteraciones que el mtodo de gradiente conjugada.
Gradiente Conjugado Necesita menos memoria que el mtodo

Newton, pero normalmente necesita ms iteraciones para alcanzar un
nivel de exactitud concreto. Use esta opcin cuando se trate de un
problema grande y la utilizacin de memoria deba tenerse en cuenta, o
cuando al hacer un recorrido a travs de iteraciones se descubra un
progreso lento.
8.13 Cargar modelo Muestra el cuadro de dilogo Cargar modelo, donde

puede especificar la referencia del modelo que desee cargar.
8.14 Guardar modelo Muestra el cuadro de dilogo Guardar modelo, donde

puede especificar la ubicacin en la que desee guardar el modelo. Haga clic
nicamente cuando desee guardar ms de un modelo con una hoja de clculo;
el primer modelo se guardar de forma automtica.

Una vez que todos estos parmetros fueron ingresados, finalmente hacemos
click en resolver
Y aparecer el siguiente cuadro de dialogo que muestra un mensaje de

finalizacin y los valores resultantes ms prximos a la solucin que se desee.
Utilizar solucin de Solver Haga clic para aceptar la solucin y

colocar los valores resultantes en las celdas ajustables.
Restaurar valores originales Haga clic para restaurar los valores

originales en las celdas ajustables.
Informes Genera el tipo de informe que especifique y lo coloca en una

hoja independiente del libro. Elija un tipo de informe y, a continuacin,
haga clic en Aceptar.
Respuesta Muestra una lista con la celda objetivo y las celdas

ajustables con sus valores originales y sus valores finales, las
restricciones y la informacin acerca de stas.
Sensibilidad Proporciona informacin acerca de la sensibilidad de la

solucin a que se realicen pequeos cambios en la frmula definida en el
cuadro Definir celda objetivo del cuadro de dilogo Parmetros de
Solver o de las restricciones. No se genera este informe para los
modelos que tengan restricciones enteras. En modelos no lineales, el
informe facilita los valores para las gradientes y los multiplicadores de
Lagrange. En los modelos lineales, el informe incluye costos reducidos,
otros precios, coeficiente de objetivos (con aumentos y disminuciones
permitidos) y rangos de restricciones hacia la derecha.
Lmites Muestra una lista con la celda objetivo y las celdas ajustables
con sus valores correspondientes, los lmites inferior y superior, as como
los valores del objetivo. No se genera este informe para los modelos que
tengan restricciones enteras. El lmite inferior es el valor mnimo que
puede tomar la celda ajustable mientras se mantienen todas las dems
celdas ajustables fijas y se contina satisfaciendo las restricciones. El
lmite superior es el valor mximo.
Guardar escenario Abre el cuadro de dilogo Guardar escenario,

donde puede guardar los valores de celda para su uso con el
Administrador de escenarios de Microsoft Office Excel.
Al seleccionar las opciones indicadas y haciendo click en resolver, obtenemos

tres hojas en las cuales se muestran los resultados obtenidos. Empezaremos
por analizar el informe de respuestas
En la celda D8 se ubica el valor original de la funcin objetivo, en este caso

inicialmente los valores ubicados en las celdas C7 y D7 correspondientes a la
variables de decisin eran cero, generando inicialmente el valor de cero en la
celda objetivo.
En la celda E8 aparece el valor ptimo final obtenido por Solver y en las celdas
E13 y E14 aparecen los valores ptimos para las variables de decisin.
Con respecto a la saturacin de las restricciones o limitaciones la celda D19
indica que se utilizaron 18 sensores electrnicos y la celda D20 indica que se
utilizaron 12 horas de mano de obra. Esto quiere decir que todos los recursos
fueron utilizados. La celda correspondiente al estado F19 y F20 indican este
hecho.
Las siguientes figuras sern analizadas ms adelante en otras publicaciones

cuando se trate del tema de sensibilidad de los modelos lineales
Ejercicios de modelos lineales - Investigacin de Operaciones

Formular y resolver con Solver cada uno de los problemas enunciados.
1. El atleta indeciso: Un joven atleta se siente atrado por la prctica de dos deportes;
natacin y ciclismo. Sabe por experiencia que, la natacin exige un gasto en mensualidad
del club y movilidad hasta la piscina que puede ser expresado en un costo medio de 3 soles
por sesin de entrenamiento de 2 horas. El ciclismo, ms simple, acaba costando cerca de 2

soles por el mismo tiempo de prctica. El joven dispone de 70 soles para su entrenamiento.
Sus que ceres de alumno de la UCV le dan libertad de trabajar, a lo mximo 18 horas
mensuales y 8000 caloras para los esfuerzos fsicos.
Cada sesin de natacin consume 1500 caloras, cada etapa ciclstica consume 1000
caloras. Considerando que el joven gusta igualmente de ambos deportes el problema
consiste en planear su entrenamiento de forma a maximizar el nmero de sesiones de
entrenamiento.
2. Produccin de una pequea fbrica: Considere la situacin de decidir sobre un nmero
de unidades a ser producidas por cierto fabricante de dos diferentes tipos de productos.
Los ingresos por unidad del producto 1 del producto 2 son respectivamente de 2 y 5 soles.
Cada unidad del producto 1 requiere de 3 horas de mquina y 9 unidades de materia prima,
mientras que el producto 2 requiere 4 horas de mquina y 7 unidades de materia prima.
Los tiempos mximos disponibles de horas de mquina y de materia prima son 200 horas y
300 unidades respectivamente. Formule el problema de forma a optimizar el ingreso total.
3. Produccin de camisas: Una compaa produce dos tipos de camisas, de manga larga y
manga corta. En la compaa el nico punto crtico es la mano de obra disponible.
La camisa de manga larga consume 50% a ms de mano de obra que de la camisa de manga
corta. Se sabe que si toda la produccin fuese concentrada en la disponibilidad de camisas
de manga corta la compaa podra entregar 400 camisas de manga corta por da.
El mercado limita la produccin diaria de las camisas en 150 mangas largas y 300 mangas
cortas. El ingreso bruto por camisas de manga larga es de 5 soles y por camisa de manga
corta 3.5 soles.
Formular el problema de modo a permitir la determinacin de las cantidades de camisas a
producir de modo a optimizar los ingresos.
4. El desayuno de Nern: El emperador Nern, en un momento de inspiracin, resolvi
promover un almuerzo para eliminar a sus mejores enemigos. Consultando con su mdico
de confianza, sabe que dispone de dos tipos de veneno, alfa y beta. Se trataban de frmacos
propios para ser mezclados en el almuerzo. Haba un stock de 0.5 Kg del veneno alfa y 2
Kg del veneno beta. Para que los invitados no sintiesen el sabor del veneno, era
indispensable mezclar en peso 3 porciones del veneno alfa por cada porcin de beta. Cada
12 gramos de alfa o 6 de beta eran capaces de eliminar por s slo un hombre. El efecto del
veneno sobre las mujeres era cerca de 50% ms poderoso que en los hombres. Nern
satisfecho con la informacin dio la orden al mdico para preparar la mezcla ms eficiente
y elimine por lo menos 20 hombres y 10 mujeres.
Elabora el modelo de programacin matemtica que maximice el efecto del veneno sobre
los enemigos del emperador y evite que el mdico pierda la cabeza.
5. Un nutricionista asesora a un individuo que sufre una deficiencia de hierro y vitamina B,
y le indica que debe ingerir al menos 2400 mg de hierro y 2100 de vitamina B-1 (tiamina) y
1500 mg de vitamina B-2 (riboflavina) durante cierto perodo de tiempo. Existen dos
pldoras de vitaminas disponibles, la marca A y la marca B. Cada pldora de la marca A
contiene 40 mg de hierro, 10 mg de vitamina B-1, 5 mg de vitamina B-2 y cuesta 6
centavos. Cada pldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de

vitamina B-2, y cuesta 8 centavos.
Elabora un modelo lineal que optimice los costos del paciente para cubrir sus
requerimientos de hierro y vitamina.
6. Una compaa fabrica y venden dos modelos de lmpara L1 y L2. Para su fabricacin se
necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para el L2; y
un trabajo de mquina de 15 para L1 y de 10 minutos para L2. Se dispone para el trabajo
manual de 100 horas al mes y para la mquina 80 horas al mes. Sabiendo que el beneficio
por unidad es de 15 y 10 soles para L1 y L2, respectivamente, planificar la produccin para
obtener el mximo beneficio.
7. Con el comienzo del curso se va a lanzar unas ofertas de material escolar. Unos
almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400 bolgrafos para la oferta,
empaquetndolo de dos formas distintas; en el primer bloque pondr 2 cuadernos, 1 carpeta
y 2 bolgrafos; en el segundo, pondrn 3 cuadernos, 1 carpeta y 1 bolgrafo. Los precios de
cada paquete sern 6.5 y 7 soles, respectivamente. Construir un modelo para obtener el
mximo beneficio.

Investigacion de Operaciones

Caricato da

Informazioni sul documento

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

Investigacion de Operaciones

Caricato da

Copyright:

Formati disponibili

Introduccin - Investigacin de Operaciones

Paquito debe comenzar a unir todo lo pensado anteriormente

Un poco de historia - Investigacin de Operaciones

para mejorar el manejo de las operaciones antisubmarinas y de proteccin,

Definicin - Investigacin de Operaciones

mejor sirvan a los objetivos de la organizacin.

Metodologa - Investigacin de Operaciones

Descripcion exacta de los objetivos del estudio.

Identificacion de las variables de decision o control existentes

Nivel de detalle (reconocimiento de las limitaciones, restricciones y

La descripcin de los objetivos es una de las actividades ms importantes en

El poder de sintesis, etc.

Esto nos trae dos consecuencias inmediatas para formulacin de modelos:

Existe una enorme dificultad en el proceso de formulacion.

Existe una fuerte tendencia a considerar la actividad de formulacion de

Estructura y construccin de modelos de optimizacin - Investigacin de

La etapa de formulacin comprende:

La definicin de las variables controlables (de decisin o control) y las no

La elaboracin de la funcin objetivo y del criterio de optimizacin.

La formalizacin de las restricciones del modelo.

La etapa de construccin del modelo engloba:

La elaboracin de la estructura de entrada y salida de informacin.

Las formulas de interrelacin.

Los horizontes de tiempo.

La etapa de ejecucin de los anlisis comprende:

Anlisis de sensibilidad de la solucin.

Levantamiento de la precisin de los datos.

Estudio de la estabilidad computacional.

Levantamiento de las dems especificaciones del modelo.

La etapa de implementacin de los resultados y la actualizacin del modelo comprende:

Los Modelos Matemticos se dividen bsicamente en Modelos Deterministicos (MD) y

Modelos de programacin lineal - Investigacin de Operaciones

Estas variables estn sujetas a una serie de restricciones, normalmente representadas

1. Definicin de las variables de decisin:

No se puede utilizar lo que no se tiene.

La cantidad utilizada debe ser menor o igual a la cantidad disponible

Restriccin de sensores electrnicos

Sabemos que disponemos de 18 sensores electrnicos y que para fabricar un Ben10, se

Restriccin de horas de trabajo

De igual modo, se dispone de 12 horas de trabajo, pero para fabricar un Ben10 se

Las restricciones o limitaciones en los modelos lineales se representan por

Cmo mximo, a lo ms, disponibilidad, demanda

Cmo mnimo, por lo menos, al menos, demanda

La no negatividad de algunas variables es muy importante para definir la solucin

Industria - Modelos Fciles - Problema 1 de 13 - Investigacin de

Una industria vincola produce vino y vinagre. El doble de la produccin de vino es

1. Definicin de las variables de decisin:

2. Elaboracin de la funcin objetivo:

3. Formulacin de las restricciones tecnolgicas:

El doble de la produccin de vino es siempre menor o igual que la produccin de

El triple de la produccin de vinagre sumado con cuatro veces la produccin de vino

4x1 + 3x2 <=18

Restricciones de no negatividad Dado que las variables de decisin slo pueden

Produccin - Modelos Fciles - Problema 2 de 13 - Investigacin de

Una fbrica de carroceras de automviles y camiones tiene dos departamentos. En el

1. Definicin de las variables de decisin:

Restriccin de das-operario en el departamento A.

Restriccin de das-operario en el departamento B.

Inversin - Modelos Fciles - Problema 3 de 13 - Investigacin de

1. Definicin de las variables de decisin:

Restriccin de horas de trabajo burocrtico.

Inversin - Modelos Fciles - Problema 4 de 13 - Investigacin de

1. Definicin de las variables de decisin:

Restriccin de dinero mximo de inversin en las acciones A.