Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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:
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:
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:
La intuicion.
La experiencia.
La creatividad.
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.
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
Un gran proceso de feedback repasando las etapas anteriores, haciendo uso del
modelo en el sistema de produccin o prestacin de servicios.
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.
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:
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.
Muchos problemas tienen expresiones caractersticas que nos pueden anunciar que tipo de
restriccin debemos usar, por ejemplo:
Usar
|
Para expresiones como:
<=
mxima.
>=
mnima.
=
Las restricciones deben tener las mismas unidades en tanto en su lado izquierdo
como derecho.
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.
Problema 1:
Industria
2x1 <= x2 + 4
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
Problema 2:
Produccin
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
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
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 = 600x1 + 2000x2
sujeto a:
7x1 + 2x2 <= 300
3x1 + 3x2 <= 270
x1 >= 0, x2 >= 0
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
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
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
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 = x1 + 4/3x2
sujeto a :
x1 + x2 <= 40
x1 + 2x2 <= 60
x1 >= 0 , x2 >= 0
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:
En primer lugar ordenamos la informacin en la siguiente tabla
xA <= 300
xB >= 100
xA >= xB
xA + xB <= 500
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos
que xA >= 0 , xB >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 0.1xA + 0.07xB
sujeto a:
xA <= 300
xB >= 100
xA - xB >= 0
xA + xB <= 500
xA >= 0 , xB >= 0
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:
1. Definicin de las variables de decisin:
xi : Nmero de onzas del producto i =1,2 a comprar.
2. Elaboracin de la funcin objetivo:
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
3. Formulacin de las restricciones tecnolgicas:
Restriccin de protenas.
Restriccin de grasas.
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 = 0.6x1 + 0.15x2
sujeto a :
0.5x1 + 0.2x2 >= 8
0.1x1 + 0.2x2 >= 1
x1 >= 0, x2 >= 0
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:
1. Definicin de las variables de decisin:
xi : Cantidad de libras de i = 1,2,3,4 (maz, soya, avena y alfalfa respectivamente) a
comprar.
2. Elaboracin de la funcin objetivo:
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
tenemos la siguiente funcin objetivo:
Minimizar z = 70x1 + 45x2 + 40x3 + 90x4
3. Formulacin de las restricciones tecnolgicas:
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.
Restriccin de grasas.
Restriccin de caloras.
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1 , x2 , x3 , x4 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
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
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
Solucin:
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que x1
, x2 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
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:
1. Definicin de las variables de decisin:
Xi : Cantidad de toneladas de peces del tipo i=1,2 (merluza y rape respectivamente) a
pescar.
2. Elaboracin de la funcin objetivo:
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
Finalmente tenemos la siguiente funcin objetivo:
Maximizar z = 10000X1 + 15000X2
X1 <= 2000
X2 <= 2000
X1 + X2 <= 3000
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
X1, X2 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 10000X1 + 15000X2
sujeto a :
X1 <= 2000
X2 <= 2000
X1 + X2 <= 3000
X1, X2 >= 0
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:
En primer lugar ordenamos la informacin en la siguiente tabla
Restriccin de langostinos.
Restriccin de percebes.
Restriccin de ncoras.
xA + xB >= 5
Restricciones de no negatividad.
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
xA, xB >= 0.
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Min z = 210xA + 300xB
sujeto a:
8xA + 2xB >=16
2xA + 7xB >= 20
xA + xB >= 5
xA , xB >= 0
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:
1. Definicin de las variables de decisin:
xi: Cantidad de unidades del producto i=1,2 a elaborar semanalmente.
sj: Tiempo ocioso en minutos en el departamento j=1,2,3.
2. Elaboracin de la funcin objetivo:
Minimizar el tiempo ocioso
Minimizar z = s1 + s2 + s3
3. Formulacin de las restricciones tecnolgicas:
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
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1, x2, s1, s2, s3 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
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
El nmero de horas de mquina requerida por cada unidad de los productos respectivos se
muestran en la siguiente tabla.
x3 <= 20
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1, x2, x3 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 30x1 + 12x2 + 15x3
sujeto a:
9x1 +3x2 +5x3 <= 500
5x1 + 4x2 <= 350
3x1 + 2x3 <= 150
x3 <= 20
x1, x2, x3 >= 0
x1 <= 1500
x2 <= 200
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1, x2 >= 0
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 6740x1 + 5100x2
sujeto a:
200x1 + 150x2 <= 80000
18x1 + 20x2 <= 9000
x1 <= 1500
x2 <= 200
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
x1 <= 9000
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
x1,x2 >= 0.
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Max z = 3.1x1 + 1.2x2
sujeto a:
2x1 + 3x2 <= 1600
3x1 + x2 <= 2100
x1 <= 9000
x1,x2 >= 0
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.
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
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
Problema 2: Produccin
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:
1. Definicin de las variables de decisin:
Xij : Toneladas que la acera i = 1,2,3 produce del acero j = 1,2.
2. Elaboracin de la funcin objetivo:
Minimizar z = 10X11 + 11X12 + 12X21 + 9X22 + 14X31 + 10X32
3. Formulacin de las restricciones tecnolgicas:
20 min/ton (X11 ton) + 22 min/ton (X12 ton) <= 200h (60 min/h)
20X11 + 22X12 <= 12000
Produccin de acero1:
Produccin de acero2:
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
Xij >= 0 ; i = 1,2,3 ; j = 1,2
4. Modelo Lineal:
Finalmente
podemos
expresar
el
modelo
lineal
de
la
siguiente
manera:
Problema 3: Produccin
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:
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
Xij >= 0 ; i = 1,2 ; j = 1,2
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera :
Max z = 40(X11 + X12) + 15(X21 + X22)
sujeto a :
17X11 + 5X21 <= 150
30X12 + 13X22 <= 210
Xij >= 0 ; i = 1,2 ; j = 1,2
Problema 4: Produccin
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
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 :
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
Xij >= 0 ; i = 1,2,3 ; j = 1,2,3
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera :
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
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:
1. Definicin de las variables de decisin:
Xi: Camareras que ingresan a trabajar el da i = L, M, Mi, J, V, S, D (lunes, martes,
mircoles, jueves, viernes, sbado y domingo)
2. Elaboracin de la funcin objetivo:
Minimizar z = XL + XM + XMi + XJ + XV + XS + XD
3. Formulacin de las restricciones tecnolgicas:
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)
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos, tenemos que
Xi
i
L,
>=
M,
0
Mi,
J,
V,
4. Modelo Lineal:
Finalmente podemos expresar el modelo lineal de la siguiente manera :
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
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:
1. Definicin de las variables de decisin:
Restricciones de no negatividad
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:
Finalmente podemos expresar el modelo lineal de la siguiente manera :
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
Mezcla - Modelos con poco grado de dificultad - Problema 6 de 13 Investigacin de Operaciones
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
Solucin:
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
Mezcla B
Mezcla C
Oferta de la vendimia 1
Oferta de la vendimia 2
(X2A + X2B + X2C )gal <= 250 gal
Oferta de la vendimia 3
(X3A + X3B + X3C )gal <= 200 gal
Oferta de la vendimia 4
(X4A + X4B + X4C )gal <= 400 gal
Restricciones de no negatividad
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:
Problema 7: Produccin
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
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:
Proporcin:
x1 / y1 = 1/20
x2 / y2 = 1/30
Produccin
p1 = x1 + y1
p2 = x2 + y2
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos,
tenemos que x1, x2, y1, y2, p1, p2 >= 0 .
4. Modelo Lineal:
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
Problema 8: Produccin
Solucin:
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:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
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
6
6
6
6
6
6
6
6
Problema 9: Agricultura
Solucin:
Elaboracin
de
la
funcin
objetivo:
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
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
Solucin:
4. Modelo Lineal:
4.
Modelo
Lineal:
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.
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:
1. Definicin de las variables de decisin:
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.
2. Elaboracin de la funcin objetivo:
4. Modelo Lineal:
4. Modelo Lineal:
Problema 1: Produccin
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.
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:
1. Definicin de las variables de decisin:
xi : Nmero de unidades de apoyo en el compartimento i =1,2,3 .
2. Elaboracin de la funcin objetivo:
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:
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:
1. Definicin de las variables de decisin:
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.
2. Elaboracin de la funcin objetivo:
Minimizar z = 375x1 + 550x2 + 250x3 + 800x4 + 5x5 + 4x6 + 4.5x7
3. Formulacin de las restricciones tecnolgicas:
4. Modelo Lineal:
Problema
3:
Produccin
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:
4. Modelo Lineal:
Problema 4: Produccin
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:
1. Definicin de las variables de decisin:
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 .
2. Elaboracin de la funcin objetivo:
4. Modelo Lineal:
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:
1. Definicin de las variables de decisin:
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.
2. Elaboracin de la funcin objetivo:
4. Modelo Lineal:
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:
1. Definicin de las variables de decisin:
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
2. Elaboracin de la funcin objetivo:
Problema 7: Produccin
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:
1. Definicin de las variables de decisin:
Xi : Cantidad de productos tipo i = 1,2,3 fabricados.
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.
1. Definicin de las variables de decisin:
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 .
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).
Solucin:
1. Definicin de las variables de decisin:
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 .
2. Elaboracin de la funcin objetivo:
Problema 1: Produccin
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:
1. Definicin de las 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.
2. Elaboracin de la funcin objetivo:
Se debe de cumplir con los compromisos a costo mnimo.
Problema 2: Produccin
Solucin:
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:
Problema 3: Produccin
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.
1. Definicin de las variables de decisin:
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.
2. Elaboracin de la funcin objetivo:
Con las tablas de produccin en porcentaje dadas y los costos de fabricacin por unidad, se
formula la funcin objetivo:
Cabe destacar que todas las variables deben ser positivas y enteras dado que representan
nmero de unidades de transistores.
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.
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.
rea de la Casa.
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.
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
Variedad.
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.
Ganancias.
Objetivos.
*Excepto para el modelo Golden Pier, es decir todava puede ser catalogada
como abordable.
Informe:
Consideraciones y supuestos.
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.
Planteamiento.
Definicin
de
las
variables
de
decisin:
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 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:
2.
Elaboracin
de
la
funcin
objetivo:
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:
Restriccin de cobre
Restriccin de zinc
Restriccin de plomo
Restricciones de no negatividad
x1 >= 0 y x2 >= 0 .
4. Modelo final:
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.
Solucin:
Restriccin de vitamina A
Restriccin de vitamina C
Restriccin de vitamina D
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos,
tenemos que x1 >= 0 , x2 >= 0 , x3 >= 0 y x4 >= 0
4. Modelo final:
Por experiencia se sabe que la productividad de sus tierras para los cultivos
deseados es una constante segn la Tabla.
Solucin:
x1 >= 400
x2 >= 800
x3 >= 10000
x1 + x2 + x3 <= 200000 .
Restricciones de no negatividad
Dado que las variables de decisin slo pueden tomar valores no negativos,
tenemos que
x1 >= 0 , x2 >= 0 y x3 >= 0 .
4. Modelo final:
Solucin:
1. Definicin de las variables de decisin:
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.
2. Elaboracin de la funcin objetivo:
Max z = 5000(x1M + x2M + x3M ) + 4000(x1A + x2A + x3A) +1800(x1F + x2F + x3F ) .
3. Formulacin de las restricciones:
4. Modelo final:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
120 y un repostero por 20. Escribir un modelo de programacin lineal que maximice el
ingreso con la venta de los muebles.
Solucin:
1. Definicin de las variables de decisin:
x1 : Cantidad producida de escritorios.
x2 : Cantidad producida de mesas.
x3 : Cantidad producida de armarios.
x4 : Cantidad producida de reposteros.
2. Elaboracin de la funcin objetivo:
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
3. Formulacin de las restricciones:
4. Modelo final:
Finalmente podemos expresar el modelo lineal de la siguiente manera:
Para instalar este complemento vamos al botn oficce y selecionamos opciones de Excel
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.
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
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.
4.1 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.
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.
8.8 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.
8.10 Estimacin Especifica el enfoque que se utiliza para obtener los clculos
iniciales de las variables bsicas en cada una de las bsquedas dimensionales.
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.