Libro Investig. Operaciones Aplicada A Los Negocios

INVESTIGACION DE OPERACIONES
APLICADA A LOS NEGOCIOS”
Minimizar
m n
X0  C i 1 j 1
ij X ij
Sujeto a :
m
X
i 1
ij  bj
n
X
j 1
ij  ai
X ij  0  i  1, 2, . . . , m
 j  1, 2, . . . , n
AUTOR:MG. FIDEL ONESIMO ARAUCO CANTURIN
PRIMERA EDICION-2011
i
UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU
INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA
DE SISTEMAS
INFORME FINAL
INVESTIGACION DE OPERACIONES
APLICADA A LOS NEGOCIOS
PRESENTADO POR:
 FIDEL ONESIMO ARAUCO CANTURIN
FECHA DE INICIO : 15 DE JUNIO DE 2011
FECHA DE CULMINACIÓN : 15 DE DICIEMBRE DE 2011
HUANCAYO - PERU
2011
ii
INVESTIGACION DE
OPERACIONES APLICADA A
LOS NEGOCIOS
iii
AUTOR: FIDEL ONESIMO ARAUCO CANTURIN
PRIMERA EDICION.
TIRAJE: 200 UNIDADES.
INVESTIGACIÓN DE OPERACIONES
AUTOR-EDITOR
FIDEL ONESIMO ARAUCO CANTURÍN
Calle Ucayali, Mz. B-8, Of. 201, Urb. Tila Ate, Lima.
Teléfono: 01-3551140
Correo electrónico: ingenieroarauco@yahoo.com
iv
PRODUCTOR:
Bubu’s.NET
Av. Alfredo Benavides 5409, Stand 7
Urb. Las Gardenias – Santiago de Surco, Lima
Teléfono: 01-6529257
Correo electrónico: mvcopy@yahoo.es
PRIMERA EDICIÓN: 2012

Tiraje: 200 unidades
ISBN: 978-612-00-0758-7
Hecho el depósito en la Biblioteca Nacional del Perú Nº
Producido en los Servicios Informáticos de Bubu’s.NET
Av. Alfredo Benavides 5409 Stand 07, Urb. Las Gardenias, Surco
v
EL AUTOR
Magíster en Administración e
Ingeniero Industrial egresado
de la Universidad de Lima, con
más de 20 años de experiencia
en la docencia universitaria en
universidades estatales y
privadas, impartiendo la
cátedra de Investigación de
operaciones a nivel de
pregrado y postgrado; con
amplia experiencia en la
asesoría y consultoría de
empresas en temas de
optimización.
vi
PROLOGO
La Investigación de operaciones es sin duda alguna una de las

herramientas mas eficaces para lograr la optimización del uso de
los recursos de la organización, su desarrollo data desde la
segunda guerra mundial, donde los británicos la desarrollaron y le
dieron el uso militar para lograr la supremacía de su ejército frente
a los ejércitos del eje. Posteriormente se trasladó su uso al campo
civil empresarial,
La Investigación de operaciones es un conjunto de métodos y

técnicas matemáticas que buscan maximizar los beneficios o
minimizar los costos en los que incurre la empresa, el objetivo
general es la optimización del sistema.
La forma de optimizar es resolviendo el modelo que representa al

sistema, la realidad llamada sistema, se abstrae mediante un
modelo tipo lógico matemático, este modelo busca imitar el
comportamiento del sistema, se puede utilizar en casi todos los
vii
campos de la actividad humana, para el diseño o rediseño de
sistemas empresariales, procesos productivos y comerciales.
Este libro ofrece un tratamiento exhaustivo de la optimización
lineal, así como los pasos para el modelamiento con el software
apropiado, se enfatiza el uso de los Softwares Lindo y lingo.
Los objetivos que persigue esta obra son proporcionar los
conocimientos y técnicas necesarias para que el lector pueda
iniciarse y profundizar en el trabajo del modelamiento y simulación
de sistemas, utilizarlo como una herramienta poderosa de apoyo a
la toma de decisiones (DSS) e inculcar la cultura para que su uso
sea común en todas la empresas industriales y comerciales de
modo que logren sus objetivos bien sea maximizar sus beneficios o
minimizar sus costos.
El Autor.
viii
PRESENTACIÓN
La presente obra ofrece un tratamiento amplio de las técnicas de la
Investigación de Operaciones, comprende el Enfoque Sistémico en
La Toma de Decisiones, Optimización Lineal, Administración de
Proyectos, Teoría de Inventarios, Teoría de Líneas de Espera,
Programación Dinámica y Procesos de Markov.
La obra se puede utilizar para impartir la asignatura tanto a nivel de
pregrado como a nivel de postgrado, así como para apoyarse en
los trabajos de consultoría y asesoría en temas de optimización de
sistemas.
Para mayor utilidad se presentan casos empresariales resueltos

utilizando los Softwares Arena y Stella, que será beneficioso para
el lector que desee empezar con el trabajo de optimización en sus
organizaciones.
ix
CONTENIDO GENERAL
PÁG.
CAPITULO I: EL PROCESO DE TOMA DE DECISIONES
MEDIANTE LA INVESTIGACIÓN DE OPERACIONES
1.1. INTRODUCCION ...................................................................01
1.2. PROCEDIMIENTO DE SOLUCIÓN DE PROBLEMAS
MEDIANTE EL ENFOQUE SISTEMICO ...............................02
1.3. LOS MODELOS DE OPTIMIZACIÓN TIPOS Y SU
SIGNIFICADO .......................................................................05
1.4. CLASIFICACIÓN DE MODELOS ..........................................08
1.5. LOS METODOS DE OPTIMIZACION....................................10
1.6. MODELOS DE OPTIMIZACIÓN RESTRINGIDA .................12
1.7. GLOSARIO ...........................................................................19
CAPÍTULO II: OPTIMIZACIÓN LINEAL
2.1. INTRODUCCIÓN A LA OPTIMIZACIÓN LINEAL ..................21
2.2. MODELO DE PROGRAMACIÓN LINEAL ............................23
2.3. PASOS PARA LA FORMULACIÓN DE MODELOS
LINEALES..............................................................................26
2.4. EL MÉTODO SIMPLEX .........................................................40
2.5. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL
SIMPLEX ..............................................................................48
x
2.6. INTERPRETACIÓN DE RESULTADOS Y ANALISIS DE
SENSIBILIDAD ......................................................................50
2.6.1. INTERPRETACIÓN DE LOS RESULTADOS ............50
2.6.2. ANALISIS DE SENSIBILIDAD ....................................55
2.7. EL PROBLEMA DUAL ...........................................................58
2.7.1. PROBLEMA DUAL CONSTRUCCIÓN Y
SIGNIFICADO .............................................................58
2.7.2. PASOS PARA LA CONSTRUCCIÓN DE
PROBLEMAS DUALES ..............................................59
2.7.3. APLICACIONES DEL PROBLEMA DUAL ..................61
2.7.4. CÁLCULO DE LOS PRECIOS SOMBRA....................67
2.7.5. COMPORTAMIENTO DE LOS CAMBIOS EN LOS
VALORES RHS DEL VALOR ÓPTIMO.......................68
2.7.6. INTERPRETACIÓN DEL PRECIO SOMBRA .............70
2.7.7. PRECIOS SOMBRA ALTERNATIVOS .......................71
2.8. USOS Y APLICACIONES DE LOS MODELOS DE
OPTIMIZACION LINEAL........................................................73
2.8.1. APLICACIONES GENERALES DE LA
OPTIMIZACIÓN LINEAL .............................................73
2.8.2. APLICACIONES EN MERCADOTECNIA ..................74
2.8.3. SELECCIÓN DE MEDIOS ..........................................75
xi
2.8.4. INVESTIGACIÓN DE MERCADOS.............................82
2.8.5. APLICACIONES FINANCIERAS .................................89
2.8.5.1. SELECCIÓN DE CARTERA .........................90
2.8.5.2. PLANEAMIENTO FINANCIERO ..................99
2.8.6. APLICACIONES EN LA ADMINISTRACIÓN DE LA
PRODUCCIÓN Y DE LAS OPERACIONES .............107
2.8.6.1. DECISIÓN DE FABRICAR O COMPRAR ........108
2.8.6.2. PROGRAMACIÓN DE LA PRODUCCIÓN .......117
2.8.7. ASIGNACIÓN DE LA FUERZA DE TRABAJO ................137
2.8.8. APLICACIONES DE MEZCLAS DE PRODUCTOS ........147
2.9. CASOS EMPRESARIALES DE APLICACIÓN DE LA
OPTIMIZACIÓN LINEAL ............................................................157
2.9.1. CASO PROGRAMACION DE LA PRODUCCION EN UNA
EMPRESA TEXTIL .........................................................157
2.9.2. CASO COMPAÑÍA CONSTRUCTORA DE BARCOS .....164
2.9.3. CASO EMPRESA PRODUCTORA DE CALZADOS .....171
2.9.4. CASO COMPAÑÍA MAQUINADO ...................................178
2.9.5. CASO EMPRESA AGRICOLA ........................................189
2.9.6. CASO EMPRESA PRODUCTORA DE GUANTES .........192
2.10. GLOSARIO ...............................................................................196
xii
CAPÍTULO III: PLANIFICACIÓN Y ADMINISTRACIÓN DE
PROYECTOS CON PERT – CPM
3.1. ANTECEDENTES DE PERT Y CPM ..................................200
3.2. ETAPAS DE LA PLANIFICACIÓN DE PROYECTOS .........201
3.3. CONSTRUCCIÓN DE LA RED DEL PROYECTO ..............203
3.4. TECNICA DEL PERT ..........................................................208
3.5. TIEMPOS DE CULMINACIÓN DE UNA ACTIVIDAD Y
TIEMPO DE CULINACIÓN DEL PROYECTO UTILIZADOS
EN PERT .............................................................................211
3.6. ANÁLISIS PERT DE CULMINACIÓN DEL PROYECTO .....214
3.7. TECNICA DEL CPM ............................................................217
3.7.1. TIEMPOS DE CULMINACIÓN DEL PROYECTO ...217
3.7.2. COSTOS .................................................................217
3.8. GLOSARIO ..........................................................................220
CAPITULO IV: TEORIA DE INVENTARIOS
4.1. INTRODUCCIÓN .................................................................221
4.2. LA ADMINISTRACION DE INVENTARIOS .........................222
4.3. OBJETIVOS Y FUNCION DE LOS INVENTARIOS ............223
4.4. CARACTERISTICAS DE LOS SISTEMAS DE
INVENTARIOS ....................................................................224
xiii
4.4.1. COSTOS DE INVENTARIO ......................................224
4.4.2. TIPOS DE DEMANDA ..............................................225
4.4.3. TIPOS DE PEDIDO O CICLO DE PEDIDO ..............225
4.5. MODELOS DE INVENTARIO ..............................................226
4.5.1. MODELO DE COMPRA SIN DEFICIT .....................226
4.5.2. MODELO DE COMPRA CON DEFICIT ...................232
4.5.3. CANTIDAD ECONOMICA DE PEDIDO CON
DESCUENTOS POR CANTIDAD .............................234
4.5.4. INVENTARIO ESTOCÁSTICO O PROBABILÍSTICO 237
4.6. MODELOS DE LOS INVENTARIOS ESTOCÁSTICOS .....238
4.6.1. MODELO DE PERIODO SIMPLE ............................238
4.6.2. CASO DE ADMINISTRACION DE INVENTARIOS...239
CAPÍTULO V: TEORIA DE COLAS
5.1. DEFINICIONES GENERALES ............................................250
5.2. TERMINOLOGÍAS UTIÑIZADAS EN LA TEORIA DE
COLAS ................................................................................250
5.3. TIPOS DE MODELOS DE LINEAS DE ESPERA ................251
5.3.1. MODELO DE LÍNEA DE ESPERA SIMPLE (M/M/1) 252
5.3.2. MODELO DE LÍNEA DE ESPERA DE MÚLTIPLES
CANALES (M/M/K) ....................................................253
xiv
5.4. CASO ATENCIÓN EN UNA AGENCIA BANCARIA: BANCO
DE CRÉDITO DEL PERÚ BCP ..........................................255
5.4.1. PLANTEAMIENTO DEL PROBLEMA .......................255
5.4.2. OBTENCIÓN DE DATOS Y CARACTERÍSTICAS
DEL SISTEMA ..........................................................258
5.4.3. DESARROLLO DEL MODELO DE SIMULACIÓN E
INGRESO DE LAS CARACTERÍSTICAS DE LOS
MÓDULOS ................................................................262
5.5. PROBLEMAS RESUELTOS................................................265
5.6. PROBLEMAS PROPUESTOS ............................................280
CAPITULO VI: PROGRAMACION DINAMICA
6.1. CONCEPTOS GENERALES ..............................................285
6.2. EL PROBLEMA DE PROGRAMACIÓN DINÁMICA ...........286
6.3. CARACTERÍSTICAS DE LOS PROBLEMAS DE
PROGRAMACIÓN DINÁMICA ............................................295
6.4. ELEMENTOS DE LA PROGRAMACIÓN DINÁMICA ..........300
6.5. PROGRAMACION DINAMICA DETERMINISTA .................302
6.6. CASO APLICATIVO.............................................................305
xv
CAPITULO VII: PROCESOS DE MARKOV
7.1. INTRODUCCIÓN .................................................................311
7.2. PROCESOS ESTOCÁSTICOS. .........................................312
7.3. CADENAS DE MARKOV .....................................................314
7.4. CASOS DE PROGRAMACION DINAMICA .........................316
7.4.1. PROCESO DE MARKOV APLICADO A LA
PREFERENCIA DE AUTOMÓVILES .......................316
BIBLIOGRAFÍA ..............................................................................325
xvi
AGRADECIMIENTO
Agradeciendo, a la
Universidad Nacional del
Centro del Perú, a la Facultad
de Ingeniería de Sistemas y al
Instituto de Investigación de la
Facultad de Ingeniería de
Sistemas, por haber permitido
la inscripción de este
Proyecto de Elaboración de
libro.
xvii
INTRODUCCIÓN
Este texto trata del uso de la programación lineal y de la

administración de proyectos, como métodos de apoyo para la toma
de decisiones en la empresa, cual es su contribución en el logro
de los objetivos empresariales de manera óptima, que equivale a
decir obteniendo el mínimo costo o los máximos beneficios.
La Investigación de Operaciones data su inicio en la segunda

guerra mundial, con las aplicaciones militares para vencer al
enemigo, se produjeron numerosos desarrollos, pero el más
importante de ellos fue el descubrimiento hecho por George Danzig
en 1947 del método simplex para la resolución de modelos de
programación lineal. Este método consiste en realizar operaciones
de filas sobre matrices de forma iterativa para ir encontrando las
soluciones; en cada iteración la solución se mejora hasta llegar al
óptimo o mejor solución de entre las infinitas soluciones que tienen
el modelo lineal.
Este texto será de gran utilidad a los estudiantes de pregrado y

postgrado en las asignaturas de Investigación de operaciones,
métodos cuantitativos o programación lineal, contiene las
xviii
aplicaciones de la programación lineal en los negocios y casos
desarrollados en las organizaciones.
El texto está dividido en siete capítulos, cada uno de los cuales

presentan sus aplicaciones y un glosario de términos utilizados, de
manera que se aclare al estudiante con el significado a que se
refiere en esta obra.
Los temas que trata incluyen: La capacidad de toma de decisiones
aplicando los métodos y técnicas de la investigación de
operaciones, método simplex para la solución de programas
lineales, aplicaciones de la programación lineal en los negocios,
casos desarrollados en las organizaciones y la administración de
proyectos mediante PERT y CPM, Teoría de Inventarios, Teoría
de Líneas de Espera, Programación Dinámica y Procesos de
Markov.
xix
CAPITULO I
EL PROCESO DE TOMA DE DECISIONES MEDIANTE LA
INVESTIGACIÓN DE OPERACIONES
1.8. INTRODUCCION
Se inicia desde la revolución industrial, en los libros se dice
que fue a partir de la segunda Guerra Mundial. La
investigación de operaciones se aplica a casi todos los
problemas de la organización. En 1947, en E.U., George
Datzing desarrolla el método SIMPLEX para el problema de
programación lineal. En la investigación de operaciones, las
computadoras y el software son sus herramientas
fundamentales.
Los métodos y técnicas de optimización, consiste en la
aplicación del método científico por un grupo
multidisciplinario de personas para solucionar un problema;
1
principalmente relacionado con la distribución óptima de los
recursos limitados (dinero, materia prima, mano de obra,
energía), que se apoya en el enfoque de sistemas.
La figura Nº 1.1 ilustra la toma de decisiones utilizando un
modelo de optimización.
Figura Nº 1.1.- LA TOMA DE DECISIONES EN LA EMPRESA
1.9. PROCEDIMIENTO DE SOLUCIÓN DE PROBLEMAS
MEDIANTE EL ENFOQUE SISTEMICO
1. Delimitación del problema
Los problemas están presentes en la realidad, sistema o
empresa; se manifiestan mediante los síntomas, por
ejemplo el incremento de los costos de producción, el
2
ausentismo laboral, productos finales con calidad
diferente a las especificaciones, etc. El especialista en
investigación de operaciones estudia y delimita la
realidad, encuentra los síntomas y formulando la sencilla
pregunta ¿por qué? Llega a la raíz del problema.
2. Modelación del problema
El problema tiene que ser modelado en términos de
variables lógico matemático, el modelo refleja la parte
de la realidad que se ha tomado con fines de estudio.
3. Resolución del modelo
El modelo lógico matemático se resuelve utilizando un
programa de computador, es casi imposible resolver
manualmente debido al la cantidad muy grande de
operaciones. Se obtienen resultados numéricos respecto
a las variables del modelo.
4. Verificación con la realidad
Los resultados obtenidos anteriormente se comparan
con la realidad, realizando alguna prueba estadística.
5. Implantación
La alta dirección de la organización decide
implementarla en la realidad para lo cual realiza
3
inversiones, después de haber hecho un análisis costo
beneficio.
6. Conclusiones
El trabajo realizado puede servir para otros casos
similares o servir como referencia o antecedente para
otros trabajos de optimización.
En la figura Nº 1.2 se ilustra el proceso de la toma de
decisiones en la organización mediante la solución del
modelo de optimización.
Figura Nº 1.2.- LA TOMA DE DECISONES MEDIANTE EL MODELO
4
1.10. LOS MODELOS DE OPTIMIZACIÓN TIPOS Y SU
SIGNIFICADO
Un modelo es una representación ideal de un sistema y la
forma en que este opera. El objetivo es analizar el
comportamiento del sistema o bien predecir su
comportamiento futuro. Obviamente los modelos no son tan
complejos como el sistema mismo, de tal manera que se
hacen las suposiciones y restricciones necesarias para
representar las porciones más relevantes del mismo.
Claramente no habría ventaja alguna de utilizar modelos si
estos no simplificaran la situación real. En muchos casos
podemos utilizar modelos matemáticos que, mediante letras,
números y operaciones, representan variables, magnitudes
y sus relaciones; particularmente el tipo de modelo que le
interesa a la investigación de operaciones es el lógico
matemático.
El modelo lógico matemático es producto de la
abstracción del sistema real: eliminando las complejidades y
haciendo las suposiciones pertinentes, se aplica una técnica
matemática y se obtiene una representación simbólica del
5
mismo, en la figura Nº 1.3 se representa el modelo, que sale
de la realidad y la representa con fines de estudio y análisis.
Figura Nº 1.3.- REPRESENTACIÓN DEL MODELO
El modelo lógico matemático contiene tres conjuntos básicos
de elementos, los cuales son:
1. Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser
determinadas a partir de la solución del modelo. Los
parámetros representan los valores conocidos del
sistema o bien que se pueden controlar.
2. Restricciones
Las restricciones son relaciones entre las variables de
decisión y magnitudes que dan sentido a la solución del
problema y las acotan a valores factibles. Por ejemplo si
6
una de las variables de decisión representa el número
de empleados de un taller, es evidente que el valor de
esa variable no puede ser negativo.
3. Función Objetivo
La función objetivo es una relación matemática entre las
variables de decisión, parámetros y una magnitud que
representa el objetivo o producto del sistema. Por
ejemplo si el objetivo del sistema es minimizar los costos
de operación, la función objetivo debe expresar la
relación entre el costo y las variables de decisión. La
solución ÓPTIMA se obtiene cuando el valor del costo
sea mínimo para un conjunto de valores factibles de las
variables.
Es decir hay que determinar las variables:
x1, x2,..., xn
Que optimicen el valor de: Z = f(x1, x2,..., xn)
Sujeto a restricciones de la forma:g(x1, x2,..,xn) b.
Donde x1, x2,..., xn son las variables de decisión, Z es
la función objetivo, f es una función matemática.
7
1.11. CLASIFICACIÓN DE MODELOS
Muchos problemas de decisión implican un gran número de
factores o variables importantes o pueden tener muchas
opciones a considerar por lo que se hace necesario la
utilización de software y computadoras para su solución.
Por ejemplo una empresa puede contar con varias fábricas
donde produce bienes para enviar a cientos de clientes.
Decidir la programación de las fábricas y determinar cuales
de ellas deben atender a cuales clientes, para minimizar
costos, implica cientos de variables y restricciones que
pueden tener millones de posibles soluciones. Los modelos
de programación lineal y programación entera son las
técnicas más utilizadas para resolver problemas grandes y
complejos de negocios de este tipo. En ellos se aplican
técnicas matemáticas para hallar el valor máximo (o el
mínimo) de un objetivo sujeto a un conjunto de restricciones.
La simulación es una técnica para crear modelos de
sistemas grandes y complejos que incluyen incertidumbre.
Se diseña un modelo para repetir el comportamiento del
sistema. Este tipo de modelo se basa en la división del
8
sistema en módulos básicos o elementales que se enlazan
entre sí mediante relaciones lógicas bien definidas.
Problemas dinámicos los problemas dinámicos de decisión
implican un tipo particular de complejidad cuando hay una
secuencia de decisiones interrelacionadas a través de varios
períodos. Por ejemplo modelos de inventario, para
determinar cuando pedir mercadería y cuanto debe
mantenerse en existencia; la figura Nº 1.4 ilustra el modelo y
sus componentes.
Figura Nº 1.4.- EL MODELO Y SUS COMPONENTES
9
1.12. LOS METODOS DE OPTIMIZACION
Los métodos de optimización mas utilizados por las
organizaciones y empresas se encuentran los siguientes:
1. METODOS DETERMINISTICOS: El valor de las
variables están terminadas bien sea con un valor
puntual o esta definida en un rango, Ej. Programación
lineal, programación entera, método de transporte,
programación no lineal, teoría de localización o redes,
método de asignación, programación por metas, teoría
de inventarios determinísticos; el 70 % de las
organizaciones utilizan estos métodos determinísticos.
2. METODOS PROBABILISTICOS: El valor de las
variables esta definida en una distribución de
probabilidad continua o discreta, según la variable sea
discreta o continua. Ej. Cadenas de Markov, teoría de
juegos, líneas de espera, teoría de inventarios con
demanda probabilística, aquí se encuentran en general
los métodos y técnicas de simulación.
10
3. METODOS HIBRIDOS: Es una combinación entre los
métodos determinísticos y probabilísticos, el caso más
saltante es la como la teoría de inventarios.
4. METODOS HEURISTICOS: Son las soluciones basadas
en la experiencia, como la programación heurística, el
proceso jerárquico analítico, la programación de metas,
entre los más comunes.
El experto en Métodos y Técnicas de optimización debe
elegir el plan de acción más efectivo para lograr las metas
de la organización, debe seleccionar un conjunto de
medidas de desempeño, utilizar una unidad monetaria y
tomar decisiones, debe seguir un proceso general de
solución, en cualquier situación, durante la toma de
decisiones deben establecerse los criterios de tomas de
decisiones (costos, cantidades, máximos, mínimos etc.),
seleccionar las alternativas, determinar un modelo y
evaluarlo, integrar la información cuantitativa obtenida para
luego decidir. Muchas veces hay que incorporar factores
cualitativos tales como el ánimo y el liderazgo en la
11
organización, problemas de empleo, contaminación u otras
de responsabilidad social.
Las dificultades evidentes en los cálculos de los modelos
matemáticos han obligado a los analistas a buscar otros
métodos de cálculo que aunque no garantizan la optimalidad
de la solución final, buscan una buena solución al problema.
Tales métodos se denominan heurísticos. Suelen emplearse
con dos fines: En el contexto de un algoritmo de
optimización exacto, con el fin de aumentar la velocidad del
proceso. En segundo lugar para obtener una solución al
problema aunque no óptima, la que puede ser muy difícil
encontrar.
1.13. MODELOS DE OPTIMIZACIÓN RESTRINGIDA
En un problema de optimización se busca maximizar o
minimizar una cantidad específica llamada objetivo, la cual
depende de un número finito de variables, en un modelo de
optimización restringida, éstas se encuentran relacionadas a
través de una o más restricciones. El planteamiento de este
modelo se conoce como programa matemático. Los
programas matemáticos tienen la forma:
12
Optimizar z = f(x1, x2,.., xn) (1)
Con las condiciones: g1(x1, x2,.., xn)...b1

g2(x1, x2..., xn) b2
...................... =
.......................
Gm(x1, x2... xn) <...bm
Cada una de las m relaciones emplea uno de los signos ,
, = respecto de las constantes bi , i = 1,..,m.
Entre los modelos de optimización más comúnmente
utilizados se tienen:
a) PROGRAMACIÓN LINEAL
Un programa matemático es lineal si:
f (x1, x2,.., xn) y cada gi(x1, x2,.., xn) j = 1,.., m son
lineales en cada uno de sus argumentos, es decir
f (x1, x2,..,xn) = c1x1 + c2x2 + ... + cnxn
gi(x1,x2,..,xn) = ai1x1 + ai2x2 + ... + ainxn
Donde las cj y las aij (i = 1,..m; j = 1, .. n) son constantes
conocidas o parámetros del sistema.
Ejemplo Nº 1.1:
13
Modelo de programación lineal con dos variables y la
función objetivo es maximizar:
Maximizar Z = 5 X1 + 3 X2
Con restricciones:
2X1 + X2 <= 40
X1 + 2X2 <= 50
Para X1, X2 no negativos.
Donde X1 y X2 son las variables, con dos restricciones del
tipo <=
b) PROGRAMACIÓN ENTERA
Un programa lineal que tiene la restricción adicional de que
las variables de decisión son números enteros se conoce
como programa entero. No es necesario que las cj y las aij
y las bj sean enteros, pero, normalmente esto es así.
En el siguiente ejemplo se ilustra la formulación del modelo
de programación lineal entera.
Ejemplo Nº 1.2:
Un fabricante de dos productos A y B dispone de 6 unidades
de material y 28 Horas para su ensamblaje, el modelo A
requiere 2 unidades de de material y 7 horas de ensamblaje,
14
el modelo B requiere una unidad de material y 8 horas de
ensamblaje, los precios de los productos son $120 y $80
respectivamente. ¿Cuantos productos de cada modelo debe
fabricar para maximizar su ingreso?
Sea x1 y x2 la cantidad de productos a producir de A y B
El objetivo se Expresa Como:
Maximizar z = 120x1 + 80x2
El fabricante está sujeto a dos restricciones:
Material: 2x1 + x2 6
Horas: 7x1 + 8x2 28
Con la condición de no negatividad x1 0 y x2 0
Además no se venden productos no terminados por lo tanto
las variables x1 y x2 deben ser enteras.
c) PROGRAMACIÓN NO LINEAL
En este caso se destaca el estudio de optimización en una
variable sin restricciones de la forma:
Optimizar z = f(x)
Donde f es función no lineal de x, la optimización se realiza
en (a, b). Si la búsqueda se circunscribe a un sub intervalo
finito [a, b] el problema es de optimización no lineal
restringida y se transforma a
15
Optimizar z = f(x), con la condición a x b.
d) OPTIMIZACIÓN NO LINEAL MULTIVARIABLE
Es el caso análogo al anterior, pero en el caso en que la
función f es de más de una variable, es decir:
Optimizar z = f(X) donde X = [x1, x2,..., xn]T
Si existen las restricciones
Gi (X) = 0
Es un problema no lineal multivariable restringido.
Ejemplo Nº 1.3:
Una Compañía desea construir una planta que recibirá
suministros desde tres ciudades A, B, C, tomando como
origen la ciudad A, B tiene coordenadas (300 Km. al
Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al
Este, 300 Km. al Norte) respecto de A. La posición de la
planta debe estar en un punto tal que la distancia a los
puntos A, B y C sea la mínima.
La formulación del modelo de optimización se desarrolla de
la siguiente manera:
Sean X1 y X2 las coordenadas desconocidas de la planta
respecto de A.
16
Utilizando la fórmula de la distancia, debe minimizarse la
suma de las distancias:
d (x12 + x22) +d ((x1 - 300)2 + (x2 - 400)2) + d ((x1 - 700)2 + (x2 - 300)2)
No hay restricciones en cuanto a las coordenadas de la
planta ni condiciones de no negatividad, puesto que un valor
negativo de x1 significa que la planta se localiza al Oeste del
punto A. La ecuación es un programa matemático no lineal
sin restricciones.
e) PROGRAMACIÓN CUADRÁTICA
Es un caso particular de programación matemática no lineal.
Un programa matemático en el cual cada restricción gi es
lineal pero el objetivo es cuadrático se conoce como
programa cuadrático, es decir:
f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi
Ejemplo Nº 1.4:
Minimizar z = x12 + x22
Con las condiciones x1 - x2 = 3
X2 3
17
Donde ambas restricciones son lineales, con n = 2 (dos
variables):
c11 = 1; c12 = c21 = 0; c22 = 1 y d1 = d2 = 0.
f) PROGRAMACIÓN DINÁMICA
El programa matemático:
Optimizar z = f1(x1) + f2(x2) +... + fn (xn)
Con la condición x1 + x2 +... + xn b
Con todas las variables enteras y no negativas.
En que las funciones fi (xi) son funciones no lineales
conocidas de una sola variable, b es un número entero
conocido. Corresponde al modelo importante de decisión en
etapas múltiples en que el número de etapas es n. La etapa
1 comprende la especificación de la variable x1 con
contribución f1(x1) al rendimiento total; como ilustración se
presenta el siguiente ejemplo.
Ejemplo Nº 1.5:
Una persona dispone de $4000 para invertir y se le
presentan tres opciones de inversión. Cada opción requiere
de depósitos en cantidades de $1000, puede invertir lo que
18
desee en las tres opciones. Las ganancias esperadas se
presentan en el cuadro Nº 1.1.
Cuadro Nº 1.1.- GANANCIAS ESPERADAS POR OPCIÓN
INVERSION
GANANCIAS 0 1000 2000 3000 4000
OPCION 1 0 2000 5000 6000 7000
OPCION 2 0 1000 3000 6000 7000
OPCION 3 0 1000 4000 5000 8000
La pregunta que interesa al inversionista se plantea de la
siguiente manera: ¿Cuánto dinero deberá invertirse en cada
opción para maximizar las ganancias?
La formulación del modelo matemático se realiza de la
siguiente manera:
Sea z la ganancia total, que es la suma de las ganancias de
cada opción, las inversiones tienen la restricción de ser
múltiplos de $1000, la tabla muestra las fi(x) = Etapa i, (i =
1, 2,3), x es la cantidad de dinero invertida en cada opción.
El programa matemático es el siguiente:
Maximizar z = f1(x1) + f2(x2) + f3(x3)
La persona sólo posee $4000 para invertir:
19
Las condiciones son:
X1 +x2 + x3 4000
Con todas variables enteras y no negativas.
1.14. GLOSARIO
Método. Procedimiento normado y secuencial reiterativo
para encontrar la solución.
Óptimo.
Modelo. Abstracción que representa una realidad, puede
ser modelo físico o modelo lógico matemático.
Modelo lineal. Modelo lógico matemático cuyas variables
tienen por exponente a la unidad.
Óptimo. Máximo o mínimo valor de la solución de un
modelo.
Problema. Situación indeseable que impide el logro de los
objetivos, limita el desarrollo de la organización.
Recursos. Bienes o servicios que utiliza la organización.
Restricciones. Limitación de recursos, hasta un tope
máximo.
Sistema. Conjunto de partes interrelacionados y que buscan
lograr objetivos comunes.
20
Toma de decisiones. Proceso mediante el cual se decide
hacer una acción.
What if. Pregunta ¿Qué ocurre si? Útil para realizar el
análisis de sensibilidad.
21
CAPÍTULO II
OPTIMIZACIÓN LINEAL
2.11. INTRODUCCIÓN A LA OPTIMIZACIÓN LINEAL
La humanidad hace tiempo que busca, mejores maneras de
realizar las tareas cotidianas de la vida. A lo largo de la
historia de la humanidad, se puede observar la búsqueda de
fuentes más efectivas de alimentos al comienzo y luego de
materiales, energía y manejo del entorno físico. Sin
embargo, relativamente tarde en la historia de la humanidad,
comenzaron a formularse ciertas clases de preguntas
generales de manera cuantitativa, primero en palabras y
después en notaciones simbólicas.
Un aspecto predominante de estas preguntas generales era
la búsqueda de lo "mejor" o lo "óptimo". Generalmente, los
gerentes buscan simplemente lograr alguna mejora en el
22
nivel de rendimiento, es decir, un problema de "búsqueda de
objetivo", cabe destacar que estas palabras normalmente no
tienen un significado preciso.
Se han realizado grandes esfuerzos por describir complejas
situaciones humanas y sociales. Para tener significado, esto
debería escribirse en una expresión matemática que
contenga una o más variables, cuyos valores deben
determinarse. La pregunta que se formula, en términos
generales, es qué valores deberían tener estas variables
para que la expresión matemática tenga el mayor valor
numérico posible (maximización) o el menor valor numérico
posible (minimización). A este proceso general de
maximización o minimización se lo denomina optimización.
La optimización, también denominada programación
matemática, sirve para encontrar la respuesta que
proporciona el mejor resultado, la que logra mayores
ganancias, mayor producción o felicidad o la que logra el
menor costo, desperdicio o malestar. Con frecuencia, estos
problemas implican utilizar de la manera más eficiente los
recursos, tales como dinero, tiempo, maquinaria, personal,
existencias, etc.
23
Los problemas de optimización generalmente se clasifican
en lineales y no lineales, según las relaciones del problema
sean lineales con respecto a las variables. Existe una serie
de paquetes de software para resolver problemas de
optimización. Por ejemplo, LINDO o WinQSB resuelven
modelos de programas lineales y LINGO y What's Best!
resuelven problemas lineales y no lineales.
El objetivo de la optimización global es encontrar la mejor
solución de modelos de decisiones difíciles, frente a las
múltiples soluciones locales.
2.12. MODELO DE PROGRAMACIÓN LINEAL
La Programación Lineal (PL) es un procedimiento
matemático para determinar la asignación óptima de
recursos escasos, la PL es un procedimiento que encuentra
su aplicación práctica en casi todas las facetas de los
negocios, desde la publicidad hasta la planificación de la
producción; Problemas de transporte, distribución, y
planificación global de la producción son los objetos más
comunes del análisis de PL.
La industria petrolera parece ser el usuario más frecuente de
la PL. Un gerente de procesamiento de datos de una
24
importante empresa petrolera recientemente calculó que del
5% al 10% del tiempo de procesamiento informático de la
empresa es destinado al procesamiento de modelos de PL y
similares.
La programación lineal aborda una clase de problemas de
programación donde tanto la función objetivo a optimizar
como todas las relaciones entre las variables
correspondientes a los recursos son lineales.
Este problema fue formulado y resuelto por primera vez a
fines de la década del 40, rara vez una nueva técnica
matemática encuentra una gama tan diversa de aplicaciones
prácticas de negocios, comerciales e industriales y a la vez
recibe un desarrollo teórico tan exhaustivo en un período tan
corto. Hoy en día, esta teoría se aplica con éxito a
problemas de presupuestos de capital, diseño de dietas,
conservación de recursos, juegos de estrategias, predicción
de crecimiento económico y sistemas de transporte.
Recientemente la teoría de la programación lineal también
contribuyó a la resolución y unificación de diversas
aplicaciones.
25
Es importante que el lector entienda desde el comienzo que
el término "programación" tiene un significado distinto
cuando se refiere a Programación Lineal que cuando
hablamos de Programación Informática. En el primer caso,
significa planificar y organizar mientras que en el segundo
caso, significa escribir las instrucciones para realizar
cálculos. La capacitación en una clase de programación
tiene muy poca relevancia directa con la otra clase de
programación. De hecho, el término "programación lineal" se
acuñó antes de que la palabra programación se relacionara
con el software de computación. A veces se evita esta
confusión utilizando el término optimización lineal como
sinónimo de programación lineal.
Cualquier problema de PL consta de una función objetivo y
un conjunto de restricciones. En la mayoría de los casos, las
restricciones provienen del entorno en el cual usted trabaja
para lograr su objetivo.
Cuando se quiere lograr el objetivo deseado, se dará cuenta
de que el entorno fija ciertas restricciones (es decir,
dificultades, limitaciones) para cumplir con su deseo (vale
decir, el objetivo); es por eso que las religiones, como el
26
Budismo entre otras, prescriben vivir una vida abstemia. Sin
deseo, no hay dolor. ¿Puede usted seguir este consejo con
respecto a su objetivo de negocios?
El Modelamiento es el proceso de traducir el enunciado
verbal de un problema a un enunciado matemático. En
programación lineal, el enunciado matemático del problema
es un programa lineal.
El modelo de programación lineal es un modelo del tipo
lógico matemático, cuyas variables son lineales, es decir los
exponentes de las variables son exclusivamente la unidad.
2.13. PASOS PARA LA FORMULACIÓN DE MODELOS
LINEALES
El proceso de formular modelos de programación lineal es
un arte que sólo se puede dominar a través de la práctica y
la experiencia. Aunque todo problema ofrecerá algunas
características únicas, la mayor parte de los problemas
también contiene características comunes. Pueden resultar
de utilidad algunas guías de acción generales para la
formulación de modelos, entre los cuales se mencionan los
siguientes pasos:
a) Comprender el problema en su totalidad
27
Lea la descripción del problema completamente para
obtener una idea de lo que está involucrado. Identifique
aquellos elementos que piensa deberían incluirse en el
modelo; si el modelo es especialmente complejo, tome
notas que le ayudarán a enfocarse en ideas y hechos
claves.
b) Escriba un enunciado verbal de la función objetivo y
de cada una de las restricciones
¿Cuál es el objetivo? ¿Cuál es la función objetivo? Es
decir, ¿qué quiere el dueño del problema? ¿De qué
manera se relaciona el objetivo con las variables de
decisión del dueño del problema? ¿Es un problema de
maximización o minimización? El objetivo debe
representar la meta del decisor.
Posteriormente traducirá estos enunciados verbales en
enunciados matemáticos. En este paso, escribir la función
objetivo como:
Maximizar la utilidad o minimizar los costos
c) Defina las variables de decisión
Pregúntese a sí mismo cuáles son las decisiones que el
Gerente debe tomar.
28
¿Cuáles son las variables de decisión? Es decir, ¿cuáles
con las entradas controlables? Defina las variables de
decisión con precisión utilizando nombres descriptivos.
Recuerde que las entradas controlables también se
conocen como actividades controlables, variables de
decisión y actividades de decisión.
¿Qué es lo que él controla? Las variables de decisión
deberán ser escogidas para representar estas decisiones;
también deberán definirse a fin de facilitar la escritura de
un enunciado matemático de la función objetivo y del lado
izquierdo de las restricciones.
d) Describa la función objetivo en función de las
variables de decisión Traduzca su enunciado verbal de
la función objetivo, desarrollado en el paso b, en un
enunciado matemático, el cual debe ser una función lineal
de las variables de decisión.
e) Escriba las restricciones en función de las variables
de decisión
¿Cuáles son las restricciones? Es decir, ¿qué
requerimientos se deben cumplir? ¿Debería utilizar un
tipo de restricción de desigualdad o igualdad? ¿Cuáles
29
son las conexiones entre las variables? Escríbalas con
palabras antes de volcarlas en forma matemática.
Traduzca su enunciado verbal de cada restricción
desarrollada en el paso e, en un enunciado matemático;
el lado izquierdo de la ecuación resultante o de la
desigualdad deberá ser una función lineal de las variables
de decisión.
Ejemplo Nº 2.1: El problema de la empresa
Comunicaciones Electrónicas
La empresa fabrica radios portátiles que pueden utilizarse
en comunicaciones de dos vías. El nuevo producto de la
empresa, que tiene un rango de hasta 25 kilómetros, es ade-
cuado para una diversidad de usos comerciales y
personales. Los canales de distribución para el nuevo radio
son:
1. Distribuidores de equipo marino.
2. Distribuidores de equipo de oficinas.
3. Cadenas nacionales de tiendas al menudeo.
4. Pedidos por correo.
Debido a diferentes costos de distribución y promocionales,
la redituabilidad del producto variará según el canal de
30
distribución. Además, el costo de publicidad y el esfuerzo de
ventas personales requerido también variarán de acuerdo
con los canales de distribución.
El cuadro Nº 2.1 resume la contribución a la utilidad, el costo
de publicidad y los datos de esfuerzo de ventas personales
correspondientes al problema de la empresa.
La empresa ha formulado un presupuesto de publicidad de
hasta 5,000 dólares.
Está disponible un máximo de 1800 horas de la fuerza de
ventas para asignar al esfuerzo de ventas.
La Gerencia también ha decidido producir 600 unidades
durante el periodo de producción.
Finalmente, un contrato vigente con la cadena nacional de
tiendas al menudeo requiere que por lo menos se
distribuyan 150 unidades a través de este canal de
distribución.
Cuadro Nº 2.1.- DATOS DE UTILIDADES, COSTO DE
PUBLICIDAD Y TIEMPO DEL PERSONAL DE VENTAS (por
unidad vendida)
TIEMPO
CANAL DE UTILIDAD COSTO DE DEL
31
DISTRIBUCIÓN NETA PUBLICIDAD PERSONAL
Distribuidores
marinos $ 90 $ 10 2 horas
Distribuidores de
oficinas $ 84 $8 3 horas
Tiendas al menudeo $ 70 $9 3 horas
Pedidos por correo $ 60 $ 15 ninguna
La empresa ahora se enfrenta al problema de establecer
una estrategia de distribución para los radios, que maximice
la rentabilidad general de la producción de nuevos radios.
Debe tomarse decisiones en relación con cuántas unidades
deben asignarse a cada uno de los cuatro canales de
distribución, así como asignar el presupuesto de publicidad y
el esfuerzo de la fuerza de ventas a cada uno de los canales
de distribución.
SOLUCIÓN
a) Formulación de la función objetivo del problema
Un enunciado escrito del problema ha sido
presentado. Ahora escribir un enunciado verbal de la
función objetivo y de cada una de las restricciones.
Como función objetivo se puede enunciar:
32
Función objetivo: Maximizar la utilidad
b) Planteamiento de las restricciones
Para este problema se necesitan 4 restricciones,
debido a:
 un presupuesto de publicidad limitado.
 una disponibilidad limitada de la fuerza de ventas.
 un requerimiento de producción.
 un requerimiento de distribución por las tiendas al
menudeo.
Restricción 1: Gastos de publicidad ≤ Presupuesto
Restricción 2: Tiempo de ventas utilizado ≤ Tiempo
disponible
Restricción 3: Radios producidos = Requerimiento
de la Adm.
Restricción 4: Distribución al menudeo ≥ Requisito
por contrato
c) Definición de las variables
Con esta descripción verbal de la función objetivo y
de las restricciones, a continuación se definen las
variables de decisión que representan las decisiones
que el Gerente debe tomar.
33
En el caso del problema de la empresa de
comunicaciones, se enuncian las 4 variables de
decisión.
X1 = el número radios producidos para el canal de
distribución de equipos marinos.
X2 = el número radios producidos para el canal de
distribución de equipos de oficina.
X3 = el número de radios producidos para el canal de
distribución de las cadenas nacionales al
menudeo.
X4 = el número de radios producidos para el canal de
distribución de pedidos por correo.
Utilizando los datos del cuadro Nº 2.1, se escribe la
función objetivo para la maximización de la
contribución a la utilidad total asociada con los radios,
de la forma:
Maximizar 90x1 + 84x2 + 70x3 + 60x4
A continuación se desarrolla el enunciado matemático
de las restricciones del problema. Con un presu-
puesto de publicidad de 5,000 dólares, la restricción
que limita la cantidad de gasto en publicidad es
34
10x1 + 8x2 + 9x3 + 15x4 ≤ 5, 000
De manera similar, para el límite de tiempo de ventas
de 1800 horas,
2x1 + 3x2 + 3x3 ≤ 1, 800
La decisión de la administración de producir 600
unidades durante el periodo de producción actual da
1x1 + 1x2 + 1x3 + 1x4 = 600
Finalmente, para tomar en consideración las 150
unidades o más que deben ser distribuidas por la
cadena nacional de tiendas al menudeo, se agrega la
restricción:
1x3 ≥ 150
d) Formulación del modelo lineal para la empresa
Combinando todas las restricciones con los
requerimientos de no negatividad, se formula el
modelo completo de programación lineal para el
problema de la empresa:
Maximizar 90x1 + 84x2 + 70x3 + 60x4
Sujeto a:
10x1 + 8x2 + 9x3 + 15x4 ≤ 5000 Presupuesto de
35
publicidad
2x2 + 3x2 + 3x3 ≤ 1800 Disponibilidad
de la fuerza de ventas
1x1 + 1x2 + 1x3 + 1x4 = 600 Nivel de producción
1x3 ≥ 150 Requerimiento de las
tiendas al menudeo
Para x1, x2, x3, x4 ≥ 0
e) SOLUCIÓN
En el cuadro Nº 2.2 aparece parte del resultado
obtenido utilizando el software Lingo para resolver el
problema. La sección del valor de la función objetivo
muestra que la solución óptima del problema da una
utilidad máxima de 48,450 dólares.
Cuadro Nº 2.2 SOLUCIÓN DEL PROBLEMA CON
RESULTADOS POR COMPUTADORA Y LINGO PARA
LA EMPRESA
Objective Function Value = 48450.000
36
Variable Value Reduced Costs
X1 25.000 0.000
X2 425.000 0.000
X3 150.000 0.000
X4 0.000 45.000
Constraint Slack/Surplus Dual Prices
1 0.000 3.000
2 25.000 0.000
3 0.000 60.000
4 0.000 -17.000
Ejemplo Nº 2.2: El Problema del Carpintero
Durante un par de sesiones de brain-storming con un
carpintero (nuestro cliente), éste nos comunica que
sólo fabrica mesas y sillas y que vende todas las
mesas y las sillas que fabrica en un mercado. Sin
embargo, no tiene un ingreso estable y desea
optimizar la producción.
El objetivo es determinar cuántas mesas y sillas
debería fabricar para maximizar sus ingresos netos.
Comenzamos concentrándonos en un horizonte de
tiempo, es decir, un plazo de planificación, para
revisar nuestra solución semanalmente, si fuera
necesario. Para saber más acerca de este problema,
37
debemos ir al negocio del carpintero y observar lo que
sucede y medir lo que necesitamos para formular
(para crear un modelo de) su problema. Debemos
comunicarnos con el cliente y confirmar que su
objetivo es maximizar sus ingresos netos.
Los datos referentes a la utilidad unitaria por la venta
de cada producto, mesa, y silla son S/. 5.00 y S/.
3.00 respectivamente.
Los factores limitantes, que normalmente provienen
del exterior, son las limitaciones de la mano de obra
(esta limitación proviene de la familia del carpintero) y
los recursos de materia prima (esta limitación
proviene de la entrega programada). Se miden los
tiempos de producción requeridos para una mesa y
una silla en distintos momentos del día y se calculan
en 2 horas y 1 hora, respectivamente. Las horas
laborales totales disponibles por semana son sólo 40.
La materia prima requerida para una mesa y una silla
es de 1 y 2 unidades, respectivamente. El
abastecimiento total de materia prima es de 50
unidades por semana.
38
SOLUCIÓN
Se definen las variables del problema (variables de
decisión), en este caso son dos: X1 número de mesas
a fabricar y X2 sea el número de sillas a fabricar.
El problema del carpintero se trata de determinar
cuántas mesas y sillas debe fabricar por semana;
entonces se debe establecer una función objetivo:
La función objetivo es: 5X1 + 3X2, donde X1 y X2
representan la cantidad de mesas y sillas; y 5 y 3
representan los ingresos netos (por ejemplo, en
soles) de la venta de una mesa y una silla,
respectivamente.
Las restricciones son:
Restricción de mano de obra 2X1 + X2 <= 40
Restricción de materiales X1 + 2X2 <= 50
Para X1 y X2 no negativas.
Este es un modelo matemático para el problema del
carpintero.
Las variables de decisión, es decir, las entradas
controlables son X1, y X2. La salida o el resultado de
este modelo son los ingresos netos totales 5 X1 + 3
39
X2. Todas las funciones empleadas en este modelo
son lineales (las variables de decisión están elevadas
a la primera potencia). El coeficiente de estas
restricciones se denomina Factores Tecnológicos
(matriz). El período de revisión es de una semana, un
período conveniente dentro del cual es menos
probable que cambien (fluctúen) las entradas
controlables (todos los parámetros tales como 5, 50,
2,..). Incluso en un plazo de planificación tan corto,
debemos realizar el análisis what-if o de hipótesis
para responder a cualquier cambio en estas entradas
a los efectos de controlar el problema, es decir,
actualizar la solución prescripta.
Nótese que dado que el Carpintero no va a ir a la
quiebra al final del plazo de planificación, agregamos
las condiciones que tanto X1 como X2 deben ser no
negativas en lugar de los requerimientos que X1 y X2
deben ser números enteros positivos. Recuerde que
las condiciones de no negatividad también se
denominan "restricciones implícitas". Nuevamente, un
Programa Lineal funcionaría bien para este problema
40
si el Carpintero continúa fabricando estos productos.
Los artículos parciales simplemente se contarían
como trabajos en proceso y finalmente se
transformarían en productos terminados, en la
siguiente semana.
Podemos intentar resolver X1 y X2 enumerando
posibles soluciones para cada una y seleccionado el
par (X1, X2) que maximice 5X1 + 3X2 (los ingresos
netos). Sin embargo, lleva mucho tiempo enumerar
todas las alternativas posibles y si no se enumeran
todas las alternativas, no podemos estar seguros de
que el par seleccionado (como una solución) es la
mejor de todas las alternativas. Otras metodologías
preferidas (más eficientes y efectivas), conocidas
como las Técnicas de Soluciones de Programación
Lineal están disponibles en el mercado en más de
4000 paquetes de software de todo el mundo.
La solución óptima, es decir, la estrategia óptima, es
establecer X1 = 10 mesas y X2 = 20 sillas.
Programamos las actividades semanales del
carpintero para que fabrique 10 mesas y 20 sillas.
41
Con esta estrategia (óptima), los ingresos netos son
de US $ 110.
Esta solución prescripta sorprendió al carpintero dado
que debido a los mayores ingresos netos
provenientes de la venta de una mesa (US$5), él
solía fabricar más mesas que sillas.
2.14. EL MÉTODO SIMPLEX
El método del simplex fue creado en 1947 por el matemático
George Datzing, se utiliza, sobre todo, para resolver
problemas de programación lineal en los que intervienen
tres o más variables. El álgebra matricial y el proceso de
eliminación de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método simplex.
Es un procedimiento iterativo que permite ir mejorando la
solución a cada paso; el proceso concluye cuando no es
posible seguir mejorando más dicha solución.
Partiendo del valor de la función objetivo en un vértice
cualquiera, el método consiste en buscar sucesivamente
otro vértice que mejore al anterior.
La búsqueda se hace siempre a través de los lados del
polígono (o de las aristas del poliedro, si el número de
42
variables es mayor), cómo el número de vértices (y de
aristas) es finito, siempre se podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si
la función objetivo, f, no toma su valor máximo en el vértice
A, entonces hay una arista que parte de A, a lo largo de la
cual f aumenta.
Para conocer el Método SIMPLEX, se va a resolver el
siguiente modelo:
MAXIMIZAR Z = f (x, y) = 3X + 2Y
SUJETO A: 2X +Y <= 18
2X +3Y <= 42
3X +Y <= 24
X, Y >= 0
El proceso de solución consta de los siguientes pasos:
a) Convertir las desigualdades en igualdades
Se introduce una variable de holgura (h, s, d) por cada una
de las restricciones, para convertirlas en igualdades,
resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
43
Siendo h, s y d variables de holgura
b) Igualar la función objetivo a cero
- 3x - 2y + Z = 0
c) Escribir la tabla inicial simplex
En las columnas aparecerán todas las variables del
problema, en las filas, los coeficientes de las igualdades
obtenidas, una fila para cada restricción y la última fila con
los coeficientes de la función objetivo, que se realiza en el
cuadro Nº 2.3.
Cuadro Nº 2.3.- Iteración Nº 1
Variable Variable
Valores
Base de de
solución
decisión holgura
x y h s d
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z -3 -2 0 0 0 0
44
d) Encontrar la variable de decisión que entra en la base y
la variable de holgura que sale de la base
 Para escoger la variable de decisión que entra en la
base, fijarse en la última fila, la de los coeficientes de la
función objetivo y escogemos la variable con el
coeficiente negativo mayor (en valor absoluto).
En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que
cumplan la condición anterior, entonces se elige uno
cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente
negativo, significa que se ha alcanzado la solución
óptima. Por tanto, lo que va a determinar el final del
proceso de aplicación del método del simplex, es que en
la última fila no haya elementos negativos.
La columna de la variable que entra en la base se llama
columna pivote
 Para encontrar la variable de holgura que debe salir de la
base, se divide cada término de la última columna
(valores solución) por el término correspondiente de la
45
columna pivote, siempre que estos últimos sean mayores
que cero, en este caso:
18/2 [=9], 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se
hace dicho cociente. En el caso de que todos los
elementos fuesen menores o iguales a cero, entonces
tendríamos una solución no acotada y no se puede
seguir.
El término de la columna pivote que en la división
anterior dé lugar al menor cociente positivo, 8 es el
menor, indica la fila de la variable de holgura que sale
de la base es d. Esta fila se llama fila pivote
Si al calcular los cocientes, dos o más son iguales,
indica que cualquiera de las variables correspondientes
puede salir de la base.
En la intersección de la fila pivote y columna pivote
tenemos el elemento pivote operacional, 3.
e) Encontrar los coeficientes de la nueva tabla.
46
Los nuevos coeficientes de x se obtienen dividiendo
todos los coeficientes de la fila d por el pivote
operacional, 3, que es el que hay que convertir en 1.
A continuación mediante la reducción gaussiana
(operaciones por filas en matrices), se convierte en
columna unitaria, que equivale a hacer cero los
restantes términos de su columna, con lo que
obtenemos los nuevos coeficientes de las otras filas
incluyendo los de la función objetivo Z, mostrado en el
cuadro Nº 2.4.
Variable de Valores
Base Variable de holgura
decisión solución
x y h s d
h 0 1/3 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
x 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24
47
Como en los elementos de la última fila hay uno
negativo, -1, significa que no hemos llegado todavía a la
solución óptima. Hay que repetir el proceso:
1. La variable que entra en la base es y, por ser la
variable que corresponde al coeficiente -1
2. Para calcular la variable que sale, se divide los
términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
2:1/3 [=6], 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, la variable
de holgura que sale es h.
3. El elemento pivote, que ahora hay que hacer 1, es
1/3.
Operando de forma análoga a la anterior obtenemos el
cuadro Nº 2.5, que corresponde a la tercera iteración.
Variable de Variable de Valores

Base
decisión holgura solución
x y h s d
y 0 1 3 0 -2 6
48
s 0 0 -7 0 4 12
x 1 0 -1 0 1 6
Z 0 0 3 0 -1 30
Como en los elementos de la última fila hay uno
negativo, -1, significa que no hemos llegado todavía a la
solución óptima. Hay que repetir el proceso:
1. La variable que entra en la base es d, por ser la
variable que corresponde al coeficiente -1
2. Para calcular la variable que sale, dividimos los
términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
6/(-2) [=-3], 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, entonces la
variable de holgura que sale es s.
3. El elemento pivote, que ahora hay que hacer 1, es 4.
Realizando los cálculos correspondientes se obtiene
el cuadro Nº 2.6, correspondiente al tablero final, que
contiene la solución óptima final.
Cuadro Nº 2.6.- Final del proceso
49
Variable de Variable de Valores
Base
decisión holgura solución
x y h s d
y 0 1 -1/2 0 0 12
d 0 0 -7/4 0 1 3
x 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la función
objetivo son positivos, se ha llegado a la solución
óptima.
La solución óptima viene dada por el valor de Z en la
columna de los valores solución, en este caso: 33. En
la misma columna se puede observar el vértice donde
se alcanza, observando las filas correspondientes a
las variables de decisión que han entrado en la base:
D (3,12)
NOTA: Si en el problema de maximizar apareciesen como
restricciones inecuaciones de la forma: ax + by c;
multiplicándolas por - 1 se transforman en inecuaciones de
la forma - ax - by - c y estamos en el caso anterior.
50
Si en lugar de maximizar se trata de un problema de
minimizar se sigue el mismo proceso, pero
cambiando el sentido del criterio, es decir, para entrar
en la base se elige la variable cuyo valor, en la fila de
la función objetivo, sea el mayor de los positivos y se
finalizan las iteraciones cuando todos los coeficientes
de la fila de la función objetivo son negativos o al
contrario.
2.15. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL
SIMPLEX
Las sucesivas tablas que se han ido construyendo van
proporcionando el valor de la función objetivo en los distintos
vértices, ajustándose, a la vez, los coeficientes de las variables
iniciales y de holgura.
En la primera iteración (Tabla I) han permanecido todos los
coeficientes iguales, se ha calculado el valor de la función
objetivo en el vértice A (0,0), siendo este 0.
A continuación se desplaza por la arista AB, calculando el valor
de f, hasta llegar a B. Este paso aporta la Tabla II. En esta
segunda iteración se ha calculado el valor que corresponde al
vértice B (8,0): Z=f (8,0) = 24.
51
Sigue por la arista BC, hasta llegar a C, donde se para y
despliega los datos de la Tabla III. En esta tercera iteración se
ha calculado el valor que corresponde al vértice C (6,6): Z=f
(6,6)=30.
Se continúa haciendo cálculos a través de la arista CD, hasta
llegar al vértice D. Los datos que se reflejan son los del cuadro
Nº 2.6.
Concluye con este tablero final, advirtiendo que ha terminado
(antes ha comprobado que la solución no mejora al desplazarse
por la arista DE)
El valor máximo de la función objetivo es 33, y corresponde a x
= 3 e y = 12 (vértice D). Si calculas el valor de la función objetivo
en el vértice E (0,14), su valor no supera el valor 33, los vértices
donde se encuentran las soluciones se visualizan en la figura Nº
2.1.
Figura Nº 2.1.- POLÍGONO DE SOLUCIONES DEL MODELO DE
PROGRAMACIÓN LINEAL
52
2.16. INTERPRETACIÓN DE RESULTADOS Y ANALISIS DE
SENSIBILIDAD
2.16.1. INTERPRETACIÓN DE LOS RESULTADOS
Veamos el problema de la empresa de comunicaciones,
cuyo modelo fue formulado en la sección anterior y es el
siguiente:
Maximizar 90x1 + 84x2 + 70x3 + 60x4

Sujeto a:
10x1 + 8x2 + 9x3 + 15x4 ≤ 5000 Presupuesto de publicidad.
2x2 + 3x2 + 3x3 ≤ 1800 Disponibilidad de la fuerza
de ventas.
1x1 + 1x2 + 1x3 + 1x4 = 600 Nivel de producción.
1x3 ≥ 150 Requerimiento de las
tiendas al menudeo.
Para x1, x2, x3, x4 ≥ 0
SOLUCIÓN
En el cuadro Nº 2.7 se presenta la solución por
computadora, obtenida utilizando el software Lingo para
resolver el problema. La sección del valor de la función
objetivo muestra que la solución óptima del problema da
una utilidad máxima de 48,450 dólares.
53
Cuadro Nº 2.7.- RESULTADO POR COMPUTADORA Y
LINGO PARA LA EMPRESA
Objective Function Value =

Variable
48450.000 Value Reduced Costs
X1 25.000 0.000
X2 425.000 0.000
X3 150.000 0.000
X4 0.000 45.000
1 0.000 3.000
2 25.000 0.000
3 0.000 60.000
4 0.000 -17.000
La interpretación de resultados de realiza de la siguiente
manera:
a) Interpretación de los valores de las variables
Los valores óptimos de las variables de decisión están
dados por:
x1 = 25, x2 = 425, x3 =150, x4 =0
54
Entonces la estrategia óptima para la empresa es
concentrarse en el canal de distribución de equipos de
oficina con x2 = 425 unidades. Además, la empresa debe-
rá asignar 25 unidades al canal de distribución marino (x1
= 25) y cumplir con su compromiso de 150 unidades con
el canal de distribución de la cadena nacional de tiendas
al menudeo (x3 = 150). En el caso de x4 = 0, la solución
óptima indica que la empresa no debe utilizar el canal de
distribución de pedidos por correo.
b) Interpretación del costo reducido
Ahora veamos la información contenida en la columna de
costos reducidos, recuerde que éstos indican cuánto
tendrá que mejorar cada coeficiente de la función
objetivo, antes que la variable de decisión
correspondiente pueda asumir un valor positivo en la
solución óptima.
Como se observa en el resultado de la computadora, los
primeros tres costos reducidos son cero, porque las
variables de decisión correspondientes ya tienen valores
positivos en la solución óptima. Sin embargo, el costo
reducido de 45.000 para la variable x4 indica que la
55
utilidad de los nuevos radios distribuidos vía el canal de
pedidos por correo tendría que incrementar su valor
actual de 60 dólares por unidad a por lo menos $60 + $45
= $105 por unidad, antes de que resultara redituable el
uso del canal de distribución de pedidos por correo.
c) Interpretación de las restricciones
Volviendo a enunciar la información de salida de la
computadora para las variables de holgura y excedentes
y precios duales, mostrados en el cuadro Nº 2.8.
Cuadro Nº 2.8.- RESULTADOS DE LAS RESTRICCIONES
Tipo de Holgura o Precio

Nº Restricción
restricción excedente dual
Presupuesto de
1 ≤ 0 3
publicidad
Disponibilidad de
2 ≤ 25 0
la fuerza de ventas
Nivel de
3 = 0 60
producción
Requisito de la
4 ≥ 0 -17
tienda de menudeo
La restricción del presupuesto de publicidad tiene una
holgura igual a cero, indicando que se ha utilizado la
totalidad del presupuesto de 5,000 dólares.
56
El precio dual correspondiente de 3 indica que un dólar
adicional que se agregue al presupuesto de publicidad
mejorará la función objetivo (incrementando la utilidad) en
3 dólares, por lo que la posibilidad de incrementar el
presupuesto de publicidad deberá considerarlo
seriamente la empresa.
La holgura de 25 horas en la restricción de la
disponibilidad de la fuerza de ventas muestra que son
adecuadas las 1800 horas de tiempo de ventas asignadas
para distribuir los radios, producidos y que 25 horas de
tiempo de ventas se quedarán sin utilizar.
En vista de que la restricción del nivel de producción es
una igualdad, se espera que exista una holgura o un
excedente igual a cero. Sin embargo, el precio dual de 60
asociado con esta restricción muestra que si la empresa
reconsiderase el nivel de producción para los radios, el
valor de la función objetivo, es decir la utilidad, mejoraría
a la tasa de 60 dólares por unidad producida.
Finalmente, el excedente cero, asociado con el
compromiso con el canal de distribución de tiendas al
menudeo, es resultado de que esta restricción sea un
57
recurso limitante. El precio dual negativo indica que, al
incrementar el compromiso de 150 a 151 unidades, de
hecho reducirá la utilidad en 17 dólares, por lo que la
empresa de comunicaciones pudiera desear pensar en
reducir su compromiso con el canal de distribución de
tienda al menudeo. Una reducción en el compromiso
realmente mejoraría la utilidad a la tasa de 17 dólares por
unidad.
2.16.2. ANALISIS DE SENSIBILIDAD
La información adicional de análisis de sensibilidad
proporcionada por el resultado de la computadora, según
se muestra en el cuadro Nº 2.9.
Cuadro Nº 2.9.- RANGOS DE COEFICIENTES OBJETIVO Y
DEL LADO DERECHO PROPORCIONADOS POR LINGO
PARA EL PROBLEMA
OBJECTIVE COEFFICIENT
Variable RANGES
Lower Limit Current Upper Limit
Valué
X1 84.000 No Upper
X2 50.000 90.000 Limit
X3 No Lower Limit 84.000 90.000
58
X4 No Lower Limit 70.000 87.000
60.000 105.000
RIGHT HAND SIDE

RANGES
Constrain Lower Limit Current Upper Limit
t Valué
4950.000 5850.000
1 1775.000 5000.000 No Upper
2 515.000 1800.000 limt
3 0.000 600.000 603.571
4 150.000 200.000
Los rangos de optimalidad de los coeficientes de la
función objetivo son:
84 ≤ c1 < Sin límite superior
50 ≤ c2 ≤ 90
Sin límite inferior < c3 ≤ 87
Sin límite inferior < c4 ≤ 105
El rango de optimalidad asociado con el coeficiente del
canal de distribución de pedidos por correo, c4. Esta
información es consistente con la observación anterior de
la porción del resultado relativa a costos reducidos. En
ambos casos, la utilidad por unidad tendría que aumentar
59
hasta 105 dólares antes de que el canal de distribución de
pedidos por correo pudiera aparecer en la solución óptima
con un valor positivo.
Finalmente, la información del análisis de sensibilidad
sobre los rangos del lado derecho nos da los rangos de
factibilidad para los valores del lado derecho, mostrados
en el cuadro Nº 2.10.
Cuadro Nº 2.10.- ANALISIS DE SENSIBILIDAD DE
LOS RANGOS
Restricción Lado derecho mínimo Valor actual Lado derecho

máximo
Presupuesto de publicidad 4950 5000 5850
Disponibilidad de la fuerza
de ventas 1775 1800 Sin límite
superior
Nivel de producción 515 600 603.57
Requerimiento de la tienda
al menudeo 0 150 200
Son posibles varias interpretaciones de estos rangos. En
particular, recuerde que el precio dual de la restricción del
presupuesto de publicidad permitió concluir que cada
incremento de un dólar en el presupuesto mejorana la
utilidad en 3 dólares. El rango del presupuesto de
60
publicidad muestra que esta declaración sobre el valor de
incrementar el presupuesto es apropiada hasta 5850
dólares. Aumentos por encima de este nivel no
necesariamente serían benéficos. Observe también que
el precio dual de -17 para el requerimiento de las tiendas
al menudeo sugería la deseabilidad de reducir ese
compromiso. El rango de factibilidad de esta restricción
muestra que el compromiso podría reducirse a cero, y el
valor de la reducción sería a la tasa de 17 dólares por
unidad.
El análisis de sensibilidad, es decir, el análisis de
postoptimalidad, dado por los paquetes de software por
computadora de los problemas de programación lineal
toman en consideración un solo cambio a la vez,
manteniendo todos los demás coeficientes del problema
según fueron especificados originalmente.
Finalmente, recuerde que la solución completa al
problema de la empresa solicito información no sólo del
número de unidades a distribuir en cada canal, sino
también en la asignación a cada canal de distribución del
presupuesto de publicidad y del esfuerzo de la fuerza de
61
ventas. En vista de que la solución óptima es x1, = 25, x2
= 425, x3 = 150 y x4 = 0, simplemente podemos evaluar
cada término en una restricción dada para determinar
cuanto del recurso de dicha restricción se asigna a cada
canal de distribución. Por ejemplo, la restricción del
presupuesto de publicidad de:
10x1 + 8x2 + 9x3 + 15x4 ≤ 5000
Muestra que 10x1, = 10(25) = $250, 8x2 = 8(425) = $3400,
9x3 = 9(150) = $1350 y 15x4 = 15(0) = $0. Por lo que las
asignaciones del presupuesto de publicidad son
respectivamente $250, $3400, $1350 y $0 para cada uno
de los cuatro canales de distribución.
2.17. EL PROBLEMA DUAL
2.17.1. PROBLEMA DUAL CONSTRUCCIÓN Y
SIGNIFICADO
Asociado a cada problema (primario) de PL existe un
problema correspondiente denominado problema dual. La
siguiente clasificación de las restricciones de las variables
de decisión resulta útil y fácil de recordar para construir el
problema dual.
Construcción del Problema Dual
62
Objetivo: Max (por
Objetivo: Min (por
ejemplo las
ejemplo los costos)
utilidades) Tipos de
variables: Tipos de
Tipos de
restricciones:
restricciones: > 0 una condición
usual >=una restricción

<= una restricción
usual
usual ... sin restricción
de signo = una restricción

= una restricción
limitada (estricta)
limitada (estricta) < 0 una condición
inusual <= una restricción

>= una restricción
inusual
inusual
Existe una correspondencia uno a uno entre el tipo de
restricción y el tipo de variable, utilizando esta
clasificación de restricciones y variables tanto para los
problemas primarios como los duales.
2.17.2. PASOS PARA LA CONSTRUCCIÓN DE
PROBLEMAS DUALES
63
Si el problema primario es un problema de maximización,
entonces su problema dual es un problema de
minimización (y viceversa).
 Utilice el tipo de variable de un problema para
determinar el tipo de restricción del otro problema.
 Utilice el tipo de restricción de un problema para
determinar el tipo de variable del otro problema.
 -Los elementos RHS de un problema se
transforman en los coeficientes de la función
objetivo del otro problema (y viceversa).
 Los coeficientes de la matriz de las restricciones de
un problema son la transposición de los
coeficientes de la matriz de las restricciones del
otro problema.
Puede verificar las reglas de construcción del problema
dual utilizando su paquete WinQSB.
EJEMPLO:
Considere el siguiente problema primario:
MINIMIZAR X1 - 2X2
SUJETO A:
X1 + X2 >= 2
64
X1 - X2 >= -1
X2 >= -
X1, X2 >= 0
Siguiendo la regla de construcción antes mencionada, el
problema dual es:
MAXIMIZAR 2U1 - U2 + 3U3
SUJETO A:
U1 + U2 <= 1
U1 - U2 + U3 <= -2
U1 <= 0
U2 <= 0
U3 <= 0
Ejemplo:
El Problema Dual del Problema del Carpintero.
Maximizar 5X1 + 3X2
Sujeto a:
2X1 + X2 <= 40
X1 + 2X2 <= 50
X1 <= 0
X2 <= 0
El problema dual es:
65
Minimizar 40U1 + 50U2
Sujeto a:
2U1 + U2 >= 5
U1 + 2U2 >= 3
U1 >= 0
U2 >= 0
2.17.3. APLICACIONES DEL PROBLEMA DUAL
La dualidad se utiliza en una amplia gama de aplicaciones
tales como:
a) En algunos casos, puede ser más eficiente resolver el
problema dual que el primario.
b) La solución dual proporciona una interpretación
económica importante tal como los precios sombra (es
decir, los valores marginales de los elementos RHS)
que son los multiplicadores Lagrangianos que
demuestran una cota (estricta) del valor óptimo del
problema primario y viceversa. Históricamente, el
precio sombra se definió como la mejora en el valor de
la función objetivo por aumento unitario en el lado
derecho, porque el problema generalmente adoptaba
66
la forma de una mejora de maximización de utilidades
(es decir, un aumento).
El precio sombra puede no ser el precio de mercado, el
precio sombra es por ejemplo el valor del recurso bajo
la "sombra" de la actividad comercial. Se puede
realizar un análisis de sensibilidad, es decir un análisis
del efecto de pequeñas variaciones en los parámetros
del sistema sobre las medidas de producción,
calculando las derivadas de las medidas de producción
con respecto al parámetro.
c) Si una restricción en un problema no es obligatoria (en
otras palabras, el valor LHS o valor del lado izquierdo)
concuerda con el valor RHS), la variable asociada en el
problema es cero. De manera inversa, si una variable
de decisión en un problema no es cero, la restricción
asociada en el otro problema es obligatoria, a estos
resultados se los conoce como Condiciones
Complementarias de Holgura.
 Obtener el rango de sensibilidad del RHS de un
problema partiendo del rango de sensibilidad del
coeficiente de costos del otro problema y viceversa.
67
Ejemplo:
El Problema dual del problema del carpintero y su
interpretación.
En esta sección, construiremos el Problema Dual del
Problema del Carpintero y presentaremos la
interpretación económica del mismo.
Recordemos los parámetros de entrada no controlables
del Problema del Carpintero mostrados en el cuadro Nº
2.11.
Cuadro Nº 2.11.- DATOS DE ENTRADA NO
CONTROLABLES
Recursos Mesas Sillas Disponible
Mano de obra 2 1 40
Materia prima 1 2 50
Ingresos netos 5 3
Y su formulación de PL
Maximizar Z = 5 X1 + 3 X2
2X1 + X2 <= 40 restricción de m.o.
68
X1 + 2X2 <= 50 restricción de materialestanto X1
como X2 son no negativas.
Donde X1 y X2 representan la cantidad de mesas y
sillas a fabricar.
Supóngase que el Carpintero desea contratar un seguro
para sus ingresos netos, digamos que:
U1 = el monto en dólares pagadero al Carpintero por
cada hora de trabajo perdida (por enfermedad, por
ejemplo),
U2 = el monto en dólares pagadero al Carpintero por
cada unidad de materia prima perdida (por incendio, por
ejemplo).
Por supuesto que el corredor de seguros intenta
minimizar el monto total de US $ (40U1 + 50U2)
pagadero al Carpintero por la Compañía de Seguros.
Sin embargo, como es de esperar, el Carpintero fijará
las restricciones (es decir las condiciones) para que la
compañía de seguros cubra toda su pérdida que
equivale a sus ingresos netos debido a que no puede
fabricar los productos.
69
En consecuencia, el problema de la compañía de
seguros es:
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 >= 5 ingresos netos por una mesa
1U1 + 2U2 >= 3 ingresos netos por una silla
U1, U2 son no negativas.
Si implementa este problema en un paquete de
software, verá que la solución óptima es U1 = US $ 7/3 y
U2 = US $ 1/3 con el valor óptimo de US $ 110 (el monto
que el Carpintero espera recibir). Esto asegura que el
Carpintero pueda manejar su vida sin inconvenientes. El
único costo es la prima que le cobra la compañía de
seguros.
Como puede ver, el problema de la compañía de
seguros está estrechamente relacionado con el
problema original.
Según la terminología del proceso de diseño de modelos
de IO/CA, el problema original se denomina Problema
Primario mientras que el problema relacionado se
denomina Problema Dual
70
Tal como vimos en el Problema del Carpintero y su
Problema Dual, el Valor Optimo es siempre el mismo
para ambos problemas. Esto se denomina Equilibrio
Económico entre el Problema Primario y el Problema
Dual.
ERRORES DE REDONDEO COMETIDOS POR LOS
GERENTES: tenga cuidado siempre que redondee el
valor de los precios sombra. Por ejemplo, el precio
sombra de la restricción de recursos en el problema
anterior es 8/3, por ende, si usted desea comprar más
de este recurso, no debería pagar más de US $ 2.66.
Sin embargo, siempre que usted quiera vender cualquier
unidad de este recurso, no debería hacerlo a un precio
inferior a US $ 2.67.
Podría darse un error similar si usted redondea en los
límites de los rangos de sensibilidad. Como siempre,
hay que prestar atención porque el límite superior e
inferior debe redondearse para abajo y para arriba,
respectivamente.
2.17.4. CÁLCULO DE LOS PRECIOS SOMBRA
71
Ahora ya sabe que los precios sombra son la solución del
problema dual, en esta sección presentamos un ejemplo
numérico.
Calcule el precio sombra para ambos recursos en el
siguiente problema de PL:
Maximizar - X1 + 2X2
Sujeto a:
X1 + X2 <= 5
X1 2X2 <= 6
Tanto X1 como X2 son no negativas.
La solución de este problema primario (utilizando por
ejemplo el método gráfico) es X1 = 0, X2 = 3, con el
sobrante S1 = 2 del primer recurso mientras que el
segundo recurso se utiliza por completo, S2 = 0.
Los precios sombra son la solución del problema dual:
Minimizar 5U1 + 6U2
Sujeto a:
U1 + U2 >= -1
U1 + 2U2 >= 2
tanto U1 como U2 son no negativas.
72
La solución del problema dual (utilizando por ejemplo el
método gráfico) es U1 = 0, U2 = 1 que son los precios
sombra para el primer y el segundo recurso,
respectivamente. Fíjese que siempre que la holgura /
excedente de una restricción no es cero, el precio sombra
relacionado con ese RHS de la restricción es siempre
cero, pero puede no darse el caso contrario.
En este ejemplo numérico S1 = 2 (es decir, el valor de
holgura del RHS 1 del problema primario), que no es
cero; por lo tanto U1 es igual a cero tal como es de
esperar.
2.17.5. COMPORTAMIENTO DE LOS CAMBIOS EN LOS
VALORES RHS DEL VALOR ÓPTIMO
Para estudiar los cambios direccionales en el valor óptimo
con respecto a los cambios en el RHS (sin restricciones
redundantes y con todos los RHS > =0) distinguimos los
dos casos presentados a continuación:
Caso I: Problema de Maximización
Para restricción de >= cambio en la misma dirección. Vale
decir que un aumento en el valor RHS no produce una
disminución en el valor óptimo sino que éste aumenta o
73
permanece igual según la restricción sea obligatoria o no
obligatoria.
Para restricción de <= cambio en la dirección opuesta.
Vale decir que un aumento en el valor RHS no produce
un aumento en el valor óptimo sino que éste disminuye o
obligatoria.
Para restricción de = el cambio puede ser en cualquier
dirección (ver la sección Más por Menos en este sitio).
Caso II: Problema de Minimización
Para restricción de <= cambio en la dirección opuesta.
Vale decir que un aumento en el valor RHS no produce
un aumento del valor óptimo sino que éste disminuye o
obligatoria).
Para restricción de >= cambio en la misma dirección. Vale
decir que un aumento en el valor RHS no produce una
disminución del valor óptimo sino que éste aumenta o
obligatoria.
74
Para restricción de = el cambio puede ser en cualquier
dirección (ver la sección Más por Menos en este sitio).
2.17.6. INTERPRETACIÓN DEL PRECIO SOMBRA
El Precio Sombra indica cuánto cambiará la función
objetivo si cambiamos el lado derecho de la
correspondiente restricción. Esto normalmente se
denomina "valor marginal", "precios duales" o "valor dual"
para la restricción. Por lo tanto, el precio sombra puede
no coincidir con el "precio de mercado".
Por cada restricción del RHS, el Precio Sombra indica
exactamente cuánto cambiará la función objetivo, si se
cambia el lado derecho de la restricción correspondiente
dentro de los límites fijados por el rango de sensibilidad
del RHS.
Por consiguiente, por cada valor RHS, el precio sombra
es el coeficiente del cambio en el valor óptimo causado
por cualquier aumento o disminución admisible en el RHS
dentro del cambio admisible.
Precio Sombra = Cambio en el Valor Optimo / Cambio en el RHS
Dado que el cambio en el RHS está dentro del rango de
sensibilidad.
75
Desafortunadamente, existen interpretaciones erróneas
con respecto a la definición del precio sombra. Una de
ellas indica: "En los problemas de programación lineal, el
precio sombra de una restricción es la diferencia entre el
valor optimizado de la función objetivo y el valor de la
función objetivo, evaluada de manera opcional, cuando el
RHS de una restricción aumenta en una unidad". El último
sitio Web establece lo siguiente "Precios Sombra: los
precios sombra para un problema de programación lineal
son las soluciones para su correspondiente problema
dual. El precio sombra i° es el cambio en la función
objetivo que resulta del aumento en una unidad en la
coordenada i° de b. Un precio sombra también es el
monto que un inversor tendría que pagar por una unidad
de un recurso para comprarle la parte al fabricante."
2.17.7. PRECIOS SOMBRA ALTERNATIVOS
Supóngase que tenemos una PL que tiene una única
solución óptima. ¿Es posible tener más de un conjunto de
precios duales?
Sí, es posible. Considere el siguiente problema:
76
Minimizar 16X1 + 24X2
sujeto a:
X1 + 3X2 >= 6
2X1 + 2X2 >= 4
todas las variables de decisión > 0.
Su dual es:
Maximizar 6U1 + 4U2
sujeto a:
U1 + 2U2 <= 16
3U1 + 2U2 <= 24
todas las variables de decisión > 0,
Este problema dual tiene diversas soluciones alternativas,
tales como, (U1 = 8, U2 = 0) y (U1 = 4, U2 = 6). Todas las
combinaciones convexas de estos dos vértices también
son soluciones.
Existen casos generales para los cuales los precios
sombra no son únicos. Como en el ejemplo anterior,
siempre que exista redundancia entre las restricciones, o
si la solución óptima es "degenerada", puede haber más
de un conjunto de precios duales. En general, las
77
restricciones lineales independientes son condición
suficiente para que exista un único precio sombra.
2.18. USOS Y APLICACIONES DE LOS MODELOS DE
OPTIMIZACION LINEAL
2.18.1. APLICACIONES GENERALES DE LA
En la práctica, de todos los métodos de optimización
conocidos, la programación lineal ha demostrado ser uno
de los más exitosos procedimientos cuantitativos
administrativos para la toma de decisiones.
Son numerosas las aplicaciones en la industria química,
de aerolíneas, del acero, del papel, del petróleo y muchas
otras, entre los problemas más importantes y útiles se
incluyen:
Programación de la producción.
Selección de medios.
Planeación financiera.
Inversiones de capital.
Transporte.
Localización de plantas.
Mezclas de productos.
78
Planeamiento de necesidades de personal.
Composición de mezclas.
Como sugiere esta diversidad de aplicaciones, la
programación lineal es una herramienta flexible de
resolución de problemas, buscando optimizar los
resultados.
2.18.2. APLICACIONES EN MERCADOTECNIA
Se puede utilizar la programación lineal para determinar
el mix adecuado de medios de una campaña de
publicidad. Supóngase que los medios disponibles son
radio, televisión y diarios. El problema es determinar
cuántos avisos hay que colocar en cada medio. Por
supuesto que el costo de colocación de un aviso depende
del medio elegido. El objetivo es minimizar el costo total
de la campaña publicitaria, sujeto a una serie de
restricciones. Dado que cada medio puede proporcionar
un grado diferente de exposición a la población meta,
puede haber una cota inferior con respecto a la
exposición de la campaña. Asimismo, cada medio puede
tener distintos ratings de eficiencia para producir
resultados deseables y por consiguiente puede haber una
79
cota inferior con respecto a la eficiencia. Además, puede
haber límites con respecto a la disponibilidad para
publicar en cada medio.
Las aplicaciones de programación lineal en
mercadotecnia son numerosas. En esta sección
analizaremos aplicaciones en la selección de medios y en
la investigación de mercados.
2.18.3. SELECCIÓN DE MEDIOS
Las aplicaciones de selección de medios en la
programación lineal están diseñadas para ayudar a los
administradores de mercadotecnia a asignar un
presupuesto fijo de publicidad a diversos medios.
Los medios potenciales incluyen periódicos, revistas,
radio, televisión y correo directo; en estas aplicaciones el
objetivo es maximizar el alcance, frecuencia y calidad
de la exposición.
Las restricciones sobre la asignación de recursos
permisible generalmente aparecen al considerar políticas
de la empresa, requisitos contractuales y disponibilidad
de medios. En la aplicación que sigue se ilustra cómo
80
puede formularse un problema de selección de medios y
resolverse utilizando un modelo de programación lineal.
Ejemplo:
Una empresa de promoción al turismo esta desarrollando
una comunidad habitacional a la orilla de un lago de
propiedad privada, el mercado principal para los terrenos
y casas a la orilla del lago que esperan vender incluye
todas las familias de ingresos medio y alto dentro de
aproximadamente 100 Km. a la redonda del proyecto. La
empresa ha contratado a la agencia de publicidad J&J
para diseñar la campana publicitaria.
Después de considerar posibles medios y el mercado a
cubrir, J&J ha recomendado que la publicidad del primer
mes se limite a cinco medios, al final del mes, J&J
reevaluara su estrategia con base en los resultados del
mes.
J&J ha reunido datos sobre la cantidad de clientes meta
potenciales, el costo por anuncio, el número máximo de
veces que cada uno de ellos esta disponible y la
evaluación de la calidad de la exposición de cada uno de
los cinco medios.
81
La evaluación de la calidad se mide en función de una
unidad de calidad de exposición, una medida del valor
relativo de un anuncio en cada medio, esta medida, que
se basa en la experiencia de J&J en el negocio de la
publicidad, toma en consideración factores como la
demografía del auditorio (edad, ingresos y educación del
auditorio alcanzado), la imagen presentada y la calidad
del anuncio. La información que se ha reunido se
presenta en el cuadro Nº 2.12.
La empresa turística autorizó a J&J un presupuesto de
publicidad de 30,000 dólares para la campaña del primer
mes, además, la empresa impuso las restricciones
siguientes sobre la forma en que J&J puede asignar estos
fondos; debe utilizar por lo menos 10 comerciales de
televisión, se deben alcanzar por lo menos 50,000
clientes potenciales y no pueden gastarse mas de 18,000
dólares en anuncios en televisión.
La pregunta es: ¿Que plan de selección de medios
deberá recomendarse?
SOLUCIÓN:
82
La decisión a tomar es cuantas veces utilizar cada uno de
los medios. Empezamos definiendo las variables de
decisión:
X1 = número de veces en que se utiliza la televisión
diurna
X2 = número de veces en que se utiliza la televisión
nocturna
X3 = número de veces en que se utiliza el periódico
cotidiano
X4 = número de veces en que se utiliza el periódico
dominical
X5 = número de veces en que se utiliza la radio
Los datos del cuadro Nº 2.12 sobre la calidad de la
exposición muestran que cada anuncio en televisión
diurna se clasifica en 65 unidades de calidad de
exposición, por lo que un plan publicitario con anuncios
de televisión diurna proporcionara un total de 65 X1
unidades de calidad de exposición.
Cuadro Nº 2.12.- ALTERNATIVAS DE MEDIOS DE
PUBLICIDAD PARA LA EMPRESA
83
Número de Número
clientes máximo de Unidades de
potenciales Costo por tiempo disponible calidad de
Medios de publicidad alcanzados anuncio por mes* exposición
1. Televisión diurna (1 min), estación WKLA 1000 $ 1500 15 65

2. televisión vespertina (30 seguntos), stación WKLA 2000 3000 10 90
3. Periódico diario (página completa) 1500 400 25 40
The Morning Journal
4. Revista dominical del periódico 2500 1000 4 60

(1/2 página a color)
The Sunday Press
5. Radio, noticias de las 8:00 A.M. o de las 300 100 30 20

5:00 P.M. (30 segundos), estación KNOP
* El máximo número de veces que está disponible el medio es el número máximo de veces que puede utilizarse el medio (por
ejemplo, cuatro domingos del medio 4) o el número máximo de veces que BP&J recomienda que se utilice cada uno
Continuando con los datos presentados en el cuadro Nº
2.12, encontramos que la televisión diurna (X1) está
clasificada en 65 unidades de exposición, la televisión
nocturna (X2) está clasificada en 90 unidades de
exposición, el periódico diario (X3) en 40; el dominical (X4)
en 60 y la radio (X5) en 20.
Con el objetivo de maximizar las unidades totales de
calidad de exposición para el plan general de selección de
medios, la función objetivo se convierte en:
84
Maximizar 65 X1 + 90 X2 + 40 X3 + 60 X4 + 20 X5
(calidad de la exposición).
A continuación se formula las restricciones para el modelo
a partir de la información dada:
X1 ≤ 15
X2 ≤ 10
X3 ≤ 25 Disponibilidad
X4 ≤ 4 de los medios
X5 ≤ 30
1500 X1 + 3000 X2 + 400 X3 + 1000 X4 + 100 X5 ≤ 30,000 Presupuesto
X1 + X2 ≥ 10
1500 X1 + 3OOO X2 ≤ 18,000 Restricciones
deClientes
1000 X1 + 2000 X2 + 1500 X3 + 2500 X4 + 300 X5 ≥ 50,000 la televisión
Xi ≥ 0
La solución por computadora de este modelo de
programación lineal con cinco variables y nueve
restricciones aparece en el cuadro Nº 2.13.
Cuadro Nº 2.13.- LA SOLUCIÓN DE LINGO PARA EL PROBLEMA DE

LA EMPRESA DE TURISMO
85
X1 10.000 0.000
X2 0.000 65.000
X3 25.000 0.000
X4 2.000 0.000
X5 30.000 0.000

Disponibilidad de
1 5.000 0.000
los medios
2 10.000 0.000
3 0.000 16.000 Presupuesto
4 2.000 0.000
Restricciones de
5 0.000 14.000
6 0.000 0.060 la televisión
7 0.000 -25.000
Disponibilidad de
8 3000.000 0.000
9 11500.003 0.000 los medios
La solución óptima requiere que se distribuyan anuncios
entre televisión diurna, periódico diario, periódico
dominical y radio. El número máximo de unidades de
calidad de exposición es 2370 y el número total de
clientes alcanzados es de 61,500. La columna de costos
reducidos del cuadro Nº 2.13, indica que el número de
unidades de calidad de exposición para televisión
vespertina tendría que aumentar en por lo menos 65
antes que esta alternativa de medios pudiera aparecer en
la solución óptima; nótese que la restricción presupuestal
(restricción 6) tiene un precio dual de 0.060, significa que
86
un incremento de un dólar en el presupuesto de
publicidad llevará a un incremento de 0.06 unidades de
calidad de exposición.
El precio dual de -25.000 correspondiente a la restricción
7 indica que una reducción en el número de comerciales
en televisión aumentara la calidad de exposición del plan
de publicidad, por lo que la empresa turística debería
considerar la reducción del requisito de tener por lo
menos 10 comerciales de televisión.
Una posible limitación a este modelo es que, incluso si la
medida de calidad de exposición no estuviera sujeta a
error, no hay ninguna garantía que la maximización de la
calidad de exposición total lleve a una maximización de
las utilidades o de las ventas (un sustituto acostumbrado
de las utilidades). Sin embargo, esto no es un defecto de
la programación lineal sino un defecto en el uso de la
calidad de exposición como criterio. Si fuéramos capaces
de medir directamente el efecto de un anuncio sobre las
utilidades, podríamos utilizar la utilidad total como el
87
objetivo a maximizar, el plan de publicidad para la
empresa se presenta en el cuadro Nº 2.14.
Cuadro Nº 2.14.- PLAN DE PUBLICIDAD PARA LA EMPRESA
TURISTICA
Medios Frecuencia Presupuesto
Televisión diurna 10 $ 15.000
Periódico diario 25 10.000
Periódico dominical 2 2.000
Radio 30 3.000
$ 30.000
Clientes totales alcanzados = 61,500
Unidades de calidad de exposición = 2,370
2.18.4. INVESTIGACIÓN DE MERCADOS
Una organización lleva a cabo la investigación de
mercados para aprender lo relacionado con las
características de los consumidores, sus actitudes y
preferencias. A menudo, las empresas de investigación
de mercados que se especializan en obtener esta
información son las que llevan a cabo la investigación en
88
nombre de las organizaciones cliente. Los servicios
típicos ofrecidos por una empresa de investigación de
mercados incluyen el diseño del estudio, la conducción de
encuestas de mercado, el análisis de los datos
recolectados y la preparación de informes de resumen y
de recomendaciones para el cliente. En la fase del diseño
de la investigación pueden establecerse metas o cuotas
para el número y tipo de personas que deben
encuestarse.
El objetivo de la empresa de investigación de mercados
es conducir la encuesta de manera que se satisfagan las
necesidades del cliente a un costo mínimo.
Ejemplo:
MS&Cia se especializa en la evaluación de la reacción de
los consumidores a nuevos productos, servicios y
campañas publicitarias, una empresa cliente ha solicitado
la ayuda de MS para saber cuál es la reacción de los
consumidores ante un producto domestico recién
introducido en el mercado.
En reuniones con el cliente, MS estuvo de acuerdo en
efectuar entrevistas personales puerta por puerta para
89
obtener respuestas en hogares con niños y en hogares
sin niños, además MS estuvo de acuerdo en hacer
entrevistas tanto durante el día como durante la noche; de
manera específica, el contrato del cliente exigía que MS
realizara 1000 entrevistas bajo las siguientes guías de
acción.
1. Se entrevistaran por lo menos 400 hogares con niños.
2. Se entrevistaran por lo menos 400 hogares sin niños.
3. El número total de hogares entrevistados por la noche
debe ser por lo menos tan elevado como el de los
entrevistados durante el día.
4. Por lo menos 40% de las entrevistas en hogares con
niños deberán hacerse durante la noche.
5. Por lo menos 60% de las entrevistas en hogares sin
niños deberán efectuarse durante la noche.
Debido a que las entrevistas en hogares con niños
ocupan más tiempo del entrevistador, y debido a que los
entrevistadores de la noche cobran más que los diurnos,
el costo varía según el tipo de entrevista; con base en
estudios de investigaciones anteriores, las estimaciones
90
de los costos de entrevistas se indican en el cuadro Nº
2.15.
Cuadro Nº 2.15.- COSTOS DE LAS ENTREVISTAS
Concepto Costo de la entrevista

Hogar Día Noche
Con niños $20 $25
Sin niños $18 $20
¿Cual es el plan de entrevistas, tipo de hogar y hora del
día que satisface los requisitos del contrato, a un costo
total de entrevistas mínimo?
SOLUCIÓN:
Formulación del modelo
Al formular el modelo de programación lineal para el
problema MS se utilizará la siguiente notación de las
variables de decisión:
X1 = número de entrevistas diurnas en hogares con
niños.
X2 = número de entrevistas nocturnas en hogares con
niños.
X3 = número de entrevistas diurnas en hogares sin niños.
91
X4 = número de entrevistas nocturnas en hogares sin
niños.
Empezamos la formulación del modelo de programación
lineal utilizando los datos de costo por entrevista para
desarrollar la función objetivo;
Mínimizar 20 X1 + 25 X2 + 18 X3 + 20 X4
La restricción que requiere un total de 1000 entrevistas es
X1 + X2 + X3 + X4 = 1000
Las cinco especificaciones que definen los tipos de
entrevistas son las siguientes:
 Hogares con niños:
X1 + X2 ≥ 400
 Hogares sin niños:
X3 + X4 ≥; 400
 Por lo menos tantas entrevistas nocturnas como
diurnas:
X2 + X4 ≥ X1 + X3
El formato normal para la formulación de modelos de
programación lineal y de entrada a la computadora coloca
todas las variables de decisión del lado izquierdo de la
desigualdad y, del lado derecho, una constante
92
(posiblemente cero), por lo que volvemos a escribir esta
restricción de la forma
-X1 + X2 – X3 + X4 ≥ 0
 Por lo menos 40% de las entrevistas en hogares con
niños durante la noche:
X2 ≥ 0.4 (X1 + X2) o -0.4X1 + 0.6X2 ≥ 0
 Por lo menos 60% de las entrevistas en hogares sin
niños durante la noche:
X4 ≥ 0.6(X3 + X4) o -0.6 X3 + 0.4 X4 ≥ 0
Cuando agregamos los requisitos de no negatividad, el
modelo de programación lineal con cuatro variables y seis
restricciones se convierte en
Minimizar 20 X1 + 25 X2 + 18 X3 + 20 X4
Sujeto a
X1 + X2 + X3 + X4 = 1000 Entrevistas totales
X1 + X2 ≥ 400 Hogares con niños
X3 + X4 ≥ 400 Hogares sin niños
-X1 + X2 - X3 + X4 ≥ 0 Entrevistas nocturnas
-0.4 X1 + 0.6 X2 ≥ 0 Hogares en la noche
con niños
-0.6 X3 + 0.4 X4 ≥ 0 Hogares por la noche
93
sin niños
X1, X2, X3, X4 ≥ 0 variables no negativos
En el cuadro Nº 2.16 aparece el número total de
entrevistas, mientras que la solución por computadora de
este programa lineal aparece en el cuadro Nº 5.6 La
solución muestra que el costo mínimo de 20,320 dólares
ocurre con el siguiente programa de entrevistas.
Cuadro Nº 2.16.- NÚMERO TOTAL DE ENTREVISTAS
Número de entrevistas
Diurno Nocturno Totales
Hogar
240 160 400
Con niños
240 360 600
Sin niños
480 520 100
Totales
0
Cuadro Nº 2.17.- S0LUCIÓN DE LINGO AL PROBLEMA DE
INVESTIGACIÓN DE MERCADOS
94
X1 240.000 0.000
X2 160.000 0.000
X3 240.000 0.000
X4 360.000 0.000
1 0.000 -19.200
2 0.000 -2.800
3 200.000 0.000
4 40.000 0.000
5 0.000 -5.000
6 0.000 -2.000
Entonces, se programaran 480 entrevistas durante el día
y 520 durante la noche.
Los hogares con niños serán cubiertos mediante 400
entrevistas y los hogares sin niños serán cubiertos
mediante 600 entrevistas.
95
2.18.5. APLICACIONES FINANCIERAS
El problema del inversor podría ser un problema de
selección del mix de su cartera de inversiones. En
general, la variedad de carteras puede ser mucho mayor
que lo que indica el ejemplo y se pueden agregar muchas
más restricciones distintas. Otro problema de decisión
implica determinar la combinación de métodos de
financiación para una cantidad de productos cuando
existe más de un método de financiación disponible.
El objetivo puede ser maximizar las ganancias totales
cuando las ganancias de un producto determinado
dependen del método de financiación. Por ejemplo, se
puede financiar con fondos internos, con deuda a corto
plazo o con financiación intermedia (créditos
amortizados). Puede haber limitaciones con respecto a la
disponibilidad de cada una de las opciones de
financiación, así como también restricciones financieras
que exijan determinadas relaciones entre las opciones de
financiación a los efectos de satisfacer los términos y
condiciones de los préstamos bancarios o financiación
intermedia. También puede haber límites con respecto a
96
la capacidad de producción de los productos. Las
variables de decisión serían la cantidad de unidades que
deben ser financiadas por cada opción de financiación.
La programación lineal se ha aplicado en las finanzas, en
problemas que involucran presupuestos de capital,
decisiones de fabricar o comprar, asignación de activos,
selección de carteras, planeación financiera y muchos
más. En esta sección describiremos un problema de
selección de cartera y otro que involucra el financiamiento
de un programa de retiro acelerado.
2.18.5.1. SELECCIÓN DE CARTERA
Los problemas de selección de cartera implican
situaciones en las que un administrador finan-
ciero debe seleccionar inversiones especificas
por ejemplo acciones y bonos entre una
diversidad de alternativas de inversión. Los
administradores de fondos mutualistas,
uniones de crédito, aseguradoras y bancos
frecuentemente se encuentran ante este tipo
de problemas.
97
Por lo general, la función objetivo para los
problemas de selección de cartera es la
maximización de un rendimiento esperado o la
minimización de un riesgo, Comúnmente las
restricciones toman la forma de limitaciones en
lo que se refiere al tipo de inversiones
permisibles, las leyes estatales, las políticas de
la empresa, el riesgo máximo permisible, y así
sucesivamente; problemas de este tipo se han
formulado y resuelto utilizando una diversidad
de técnicas de programación matemática.
En esta sección se muestra como formular y
resolver un problema de selección de cartera
como un programa lineal.
Ejemplo:
Considere el caso de una financiera, acaba de obtener
100,000 dólares convirtiendo bonos industriales en
efectivo, y ahora está buscando otras oportunidades de
inversión para estos fondos. Con base en las inversiones
actuales de la financiera, el analista principal financiero de
la empresa recomienda que todas las nuevas inversiones
98
se efectúen en la industria petrolera, en la industria del
acero o en bonos del gobierno. Específicamente, el ana-
lista ha identificado cuatro oportunidades de inversión y
ha proyectado sus tasas de rendimiento anual, las
inversiones y las tasas de rendimiento aparecen en el
cuadro Nº 2.18.
La administración de la financiera ha impuesto las
siguientes guías de inversión.
1. Ninguna de estas industrias (petrolera o acero) debe
recibir más de 50,000 dólares.
2. Los bonos del gobierno deben ser por lo menos 25%
de las inversiones de la industria del acero.
3. En la inversión en Pacific Oil, la inversión de elevado
rendimiento, pero de alto riesgo, no puede ser
mayor de 60% de la inversión total en la industria
petrolera.
¿Que recomendaciones de cartera inversiones y montos
deberán darse para los 100,000 dólares disponibles?
SOLUCIÓN
Dado el objetivo de maximizar el rendimiento proyectado
sujeto a restricciones impuestas por razones
99
presupuestales y por la administración, respondemos a
esta pregunta formulando un modelo de programación
lineal. Su solución nos dará las recomendaciones de
inversión.
Sean las siguientes variables:
X1 = Dólares invertidos en Atlantic Oil
X2 = Dólares invertidos en Pacific Oil
X3 = Dólares invertidos en Midwest Oil
X4 = Dólares invertidos en Huber Steel
X5 = Dólares invertidos en bonos del gobierno
Cuadro Nº 2.18.- OPORTUNIDADES DE INVERSIÓN PARA
LA FINANCIERA
TASA DE RENDIMIENTO
Nº INVERSIÓN EN
PROYECTADO
01 Atlantic Oil 7.3 %
02 Pacific Oil 10.3 %
03 Midwest Oilw 6.4 %
04 Huber Steel 7.5 %
05 Bono del Gobierno 4.5 %
100
Utilizando las tasas de rendimiento proyectadas, que
aparecen en el cuadro Nº 2.18 se escribe la función
objetivo para la maximización del rendimiento total de la
cartera, de la forma:
Maximizar 0.073 X1 + 0.103 X2 + 0.064 X3 + 0.075 X4 + 0.045 X5
La restricción que se refiere a la especificaci6n de la
inversión de los 100,000 dólares se formula así:
X1 + X2 + X3 + X4 + X5 = 100,000
Las restricciones respecto a que ni la industria petrolera ni
la del acero deben recibir más de 50,000 dólares se
formulan de la siguiente manera:
X1 + X2 + X3 ≤50,000
X4 ≤50,000
El requisito de que los bonos del gobierno sean por lo
menos 25% de la inversión en la industria del acero, se
expresa de la forma:
X5 ≥ 0.25 (X4)
Es decir - 0.25 X4 + X5 ≥ 0
Finalmente, la restricción de que Pacific Oil no puede ser
mayor del 60% de la inversión total de la industria
petrolera es
101
X2 ≤ 0.60 (X1 + X2 + X3)
Es decir - 0.60 X1 + 0.40 X2 – 0.60 X3 ≤ 0
Al agregar las restricciones de no negatividad, obtenemos
el modelo de programación lineal completo
correspondiente al problema de inversión de la
Financiera, formulado de esta manera:
Máximizar 0.073X1+ 0.103X2 + 0.064X3 + 0.075X4+0.045X5
El problema se resolvió utilizando Lingo, el resultado
aparece en el cuadro Nº 2.19 en la que se muestra la
forma en que se dividen los fondos entre valores; observe
que la solución óptima indica que la cartera deberá
quedar diversificada entre todas las oportunidades de
inversión, excepto Midwest Steel. El rendimiento anual
proyectado para esta cartera es de 8,000 dólares, es
decir un rendimiento general de 8%.
Sujeto a:
X1 + X2 + X3 + X4 + X5 = 100,000 Fondos disponibles
X1 + X2 + X3 ≤ 50,000 Tope de la industria petrolera
X4 ≤ 50,000 Tope de la industria del acero
102
- 0.25X4 + X5 ≥ 0 Tope de los bonos del gobierno
-0.60X1 + 0.40X2 – 0.60 X3 ≤ 0 Restricción sobre Pacific Oil
X1, X2, X3, X4, X5 ≥ 0 Condición de no negatividad
También los resultados muestran que el precio dual de la
restricción 3 es cero. La razón es que el máximo de la
industria del acero no es un recurso limitante; los
incrementos en el límite de 50,000 dólares de la industria
del acero no mejoraran el valor de la función objetivo.
Cuadro Nº 2.19.- S0LUCIÓN CON LINGO PARA EL PROBLEMA
DE LA FINANCIERA

X1 20000.000 0.000
X2 30000.000 0.000
X3 0.000 0.011
X4 40000.000 0.000
X5 10000.000 0.000
103
1 0.000 0.069
2 0.000 0.022
3 1000.000 0.000
4 0.000 -0.024
5 0.000 0.030
De hecho, la variable de holgura para esta restricción
muestra que la inversión actual de la industria de acero
queda 10,000 dólares por debajo de su límite de 50,000.
Los precios duales para las demás restricciones son
diferentes de cero, que indica que estas restricciones si
tienen recursos limitantes.
El precio dual de 0.069 para la restricción 1 muestra que
la función objetivo se puede incrementar en 0.069, si se
puede tener disponible un dólar más para inversión en
cartera; si se pueden obtener mas fondos a un costo
menor de 6.9%, la administración debería pensar en su
obtención. Sin embargo, si es posible obtener un
rendimiento adicional de 6.9% invirtiendo fondos en algún
104
otro lugar (distinto de estas cuatro inversiones) la
administración deberá poner en cuestionamiento la
validez de invertir la totalidad de los 100,000 dólares en
esta cartera.
Se pueden dar interpretaciones similares a los demás
precios duales. Note que el precio dual de la restricción 4
es negativa en -0.024; este resultado indica que al
aumentar el valor del lado derecho de la restricción en
una unidad se puede esperar que la función objetivo
empeore en 0.024. Esto es, en términos de la cartera
óptima, si Welte invierte un dólar adicional en bonos del
gobierno (más allá del requisito mínimo) el rendimiento
total se reducirá en $0,024. Para ver por que ocurre esta
reducción, observe de nuevo, del precio dual de la
restricción 1, que el rendimiento marginal de los fondos
invertidos en la cartera es 6.9% (el rendimiento promedio
es 8%).
La tasa de rendimiento de los bonos del gobierno es de
4.5%, por lo que el costo de invertir un dólar adicional en
bonos del gobierno es la diferencia entre los rendimientos
marginales de la cartera y de los bonos del gobierno:
105
6.9% - 4.5% = 2.4%.
Note que la solución optima muestra que Midwest Steel
no deberá incluirse en la cartera (X3 = 0). El costo
reducido asociado de 0.011 para X3 nos indica que el
coeficiente de la función objetivo de Midwest Steel tendrá
que aumentar en 0.011 antes de poder considerar como
aconsejable la alternativa de invertir en Midwest Steel.
Con este aumento, el rendimiento de Midwest Steel seria
de 0.064 + 0.011 = 0.075, lo que haría que esta inversión
fuera igual de deseable que la alternativa de inversión de
Huber Steel (actualmente seleccionada).
Finalmente, una modificación simple del modelo de
programación lineal de la financiera nos permite
determinar, en valor fraccionario, la parte de los fondos
disponibles invertidos en cada valor. Esto es, dividimos
entre 100,000 cada uno de los valores del lado derecho;
entonces, los valores óptimos de las variables nos darán
la fracción de los fondos que deberán invertirse en cada
una de los valores, para una cartera de cualquier tamaño.
2.18.5.2. PLANEAMIENTO FINANCIERO
106
La programación lineal se ha utilizado para una
diversidad de aplicaciones de plantación fi-
nanciera. El Método Cuantitativo en Acción:
Uso de Programación Lineal para la
Estructuración Optima de Arrendamientos,
describe la forma en que la programación lineal
optimiza la estructura de un arrendamiento
apalancado.
Ejemplo:
La Positiva ha establecido un programa para planes de
retiro anticipado como parte de su reestructuración
corporativa. Al cierre del periodo de aplicación voluntaria,
68 empleados habían elegido un retiro anticipado, como
resultado de estos planes de retiro anticipado.
La empresa ha incurrido durante los siguientes 8 años en
las siguientes obligaciones mostradas en el cuadro Nº
2.20.
Cuadro Nº 2.20.- NECESIDADES DE EFECTIVO
107
Años 1 2 3 4 5 6 7 8
Nec.de
efectivo 430 210 222 231 240 195 225 255
(miles de
soles)
Las necesidades de efectivo (en miles de soles) deben
desembolsarse al principio de cada año.
El tesorero corporativo debe determinar cuanto dinero
debe apartar hoy para cumplir con las obligaciones
financieras a 8 años conforme venzan, el plan financiero
del programa de retiro incluye inversiones en bonos del
gobierno, así como en ahorro, las inversiones en bonos
del gobierno se limitan a tres alternativas presentadas en
el cuadro Nº 2.21.
Cuadro Nº 2.21.- INVERSIÓN EN BONOS DEL GOBIERNO
Tipo de Bonos Precio por Tasa de Años hasta
del Gobierno Bono Rendimiento vencimiento
$ %
01 1150 8.875 5
02 1000 5.500 6
03 1350 11.750 7
108
Los bonos del gobierno tienen un valor a la par de 1000
dólares, lo que significa que incluso teniendo precios
diferentes, cada bono pagara 1,000 dólares al
vencimiento. Las tasas mostradas se basan en el valor a
la par. Para efectos de planeación, el tesorero ha
supuesto que cualquier fondo no invertido en bonos se
colocara en ahorro y ganara interés a la tasa anual de
4%.
SOLUCIÓN
Se definen las variables de decisión de la siguiente
manera:
F = dólares totales requeridos para cumplir con la
obligación a 8 años del plan de retiro
B1 = unidades del bono 1 adquiridas (valor a la par
= $1000)
= $1000)
= $1000)
Si = inversión en ahorros al principio del año i para i = 1,. ,8
109
La función objetivo es minimizar los dólares totales
necesarios para cumplir con la obligación a 8 años del
plan de retiro, es decir:
Minimizar F
Una característica clave de este tipo de problema de
planeación financiera es que existe una restricción para
cada uno de los años en el horizonte de planeamiento, en
general, cada restricción toma la forma:
Fondos disponibles _ Fondos invertidos en = Obligación en efectivo

al principio del año bonos y ahorros para el año actual
Definimos F como los fondos disponibles al principio del
año 1, con un precio actual de 1,150 dólares para el fondo
1 y las inversiones expresadas en miles de dólares; la
inversión total para Bl unidades del bono 1 sería 1.15B1
De manera similar, la inversión total en los bonos 2 y 3
sería de 1B2 y de 1.35B3 respectivamente. La inversión
en ahorro para el año 1 es S1 Utilizando estos resultados
y la obligación del primer Año de 430, obtenemos la
restricción para el año 1:
F - 1.15B1- B2- 1.35B3- S1- 430 = 430 Año 1
110
Las inversiones en bonos solo pueden ocurrir este primer
año y se conservarán hasta su vencimiento.
Los fondos disponibles al principio del Año 2 incluyen los
rendimientos sobre la inversión del monto 8.875% del
valor a la par del bono 1, 5.5% del valor a la par del bono
2, 11.75% del valor a la par del bono 3 y 4% del ahorro.
Para el Año 2 el nuevo monto a invertir en ahorro es S2.
Con una obligación de 210, la restricción para el Año 2
es:
0.08875B1 + 0.055B2 + 0.1175B3 - 1.04S1 - S2 = 210 Año 2
Similarmente, las restricciones para los años 3 a 8 son:
0.08875B1+ 0.055B2 + 0.1175B3-1.04S2-S3 = 222 Año 3
0.08875B1+ 0.055B2 + 0.1175B3-1.04S3 -S4 = 231 Año 4
0.08875B1+ 0.055B2 + 0.1175B3- l.04 S4 -S5 = 240 Año 5
1.08875B1+ 0.055B2 + 0.1175B3-1.04 S5 -S6 = 195 Año 6
1,055B2 + 0.1175B3-1.04 S6 -S7 = 225 Año 7
1.1175B3-1.04S7-S8 = 255 Año 8
Observe que la restricción correspondiente al Año 6
muestra que los fondos disponibles del bono 1 son
iguales a 1.08875B1 El coeficiente 1.08875 refleja que el
bono 1 vence al final del Año 5; como resultado, al
111
principio del Año 6 quedara disponible el Valor par del bo-
no 1, más el interés durante el Año 5.
También, puesto que el bono 1 vence en el Año 5 y
queda disponible para usarse al principio del Año 6, la
variable B1 ya no aparece en las restricciones de los años
7 y 8; note una interpretación similar para el bono 2, que
vence al final del año 6 y deja el valor par más el interés
disponible al principio del Año 7. Además, el bono 3
vence al final del Año 7, dejando el valor par, mas su
interés, disponibles al principio del Año 8.
Finalmente, observe que en la restricción correspondiente
al año 8 aparece una variable S8. La obligación
correspondiente al fondo de retiro se terminara a principio
del Año 8, por lo que anticipamos que S8 será igual a
cero y no se hará ninguna inversión en ahorro. Sin
embargo, la formulación incluye a S8, en caso de que los
ingresos por bonos, mes los intereses del ahorro del año
7 excedan la necesidad de 255 de efectivo para el Año 8.
Por lo que S8 es una variable de excedente, que mostrara
cualquier fondo que quede después de haber satisfecho
las necesidades de efectivo del año 8.
112
La solución del programa lineal con 12 variables y 8
restricciones aparece en el cuadro Nº 2.22, con el valor
de función objetivo de 1 728 794, la inversión total
requerida para cumplir con la obligación a 8 años del plan
de retiro es de 1, 728,794 dólares.
Utilizando los precios actuales de 1150, 1000 y 1350
dólares respectivamente para cada uno de los bonos,
podemos resumir la inversión inicial en los tres bonos
como sigue:
Cuadro Nº 2.22.- INVERSIÓN INICIAL EN LOS TRES BONOS
Bono Valor de la variable de decisión Monto de la inversión
1 B1=144.988 $1150 (144.988) = $ 166.736
2 B2=187.856 $1000 (187.856) = $ 187.856
3 B3=228.188 $1350 (228.188) = $ 308.054
La solución óptima mostrada en el cuadro Nº 2.23
muestra que todas las variables de decisión S1, S2, S3 y
S4 son superiores a cero, lo que indica que en cada uno
de los cuatro primeros años es necesario hacer inversión
en ahorro. Sin embargo, en los años 6 hasta el 8 con el
interés de los bonos, mas sus vencimientos, serán
113
suficientes para cubrir las necesidades de efectivo del
programa de retiro.
En esta aplicación los precios duales tienen una
interpretación interesante; cada valor del lado derecho
corresponde al pago que deberá efectuarse ese año.
Note que los precios duales son negativos, lo que indica
que en cualquier año, una reducción del pago resultaría
benéfica porque los fondos totales necesarios para la
obligación del programa de retiro serian inferiores.
Cuadro Nº 2.23.- S0LUCIÓN DE LINGO PARA EL PROBLEMA DE LA
POSITIVA
F 1728.79385 0.00000
B1 144.98815 0.00000
B2 187.85585 0.00000
B3 228.18792 0.00000
S1 636.14794 0.00000
S2 501.60571 0.00000
S3 349.68179 0.00000
S4 182.68091 0.00000
114
S5 0.00000 0.06403
S6 0.00000 0.01261
S7 0.00000 0.02132
S8 0.00000 0.67084
1 0.00000 -1.00000
2 0.00000 -0.96154
3 0.00000 -0.92456
4 0.00000 -0.88900
5 0.00000 -0.85480
6 0.00000 -0.76036
7 0.00000 -0.71899
8 0.00000 -0.67084
La solución también muestra que se colocaran en ahorro
636,148 dólares (véase S1) al principio del primer año.
Empezando con 1, 728,794 dólares la empresa puede
efectuar las inversiones especificadas en bonos y ahorro,
y tener el suficiente sobrante para cumplir con la
necesidad de efectivo del primer año del programa de
retiro, que es de 430,000 dólares.
115
2.18.6. APLICACIONES EN LA ADMINISTRACIÓN DE LA
PRODUCCIÓN Y DE LAS OPERACIONES
Muchas veces en las industrias de proceso, una materia
prima en particular puede transformarse en una gran
variedad de productos. Por ejemplo, en la industria
petrolera, el crudo puede refinarse para producir nafta,
kerosene, aceite para calefaccionar y distintas clases de
aceite para motor. Según el margen de ganancia actual
de cada producto, el problema es determinar la cantidad
que se debería fabricar de cada producto. Esta decisión
está sujeta a numerosas restricciones tales como límites
de las capacidades de diversas operaciones de refinado,
disponibilidad de materia prima, demandas de cada
producto y políticas gubernamentales con respecto a la
fabricación de determinados productos. En la industria de
productos químicos y de procesamiento de alimentos
existen problemas similares.
Se han desarrollado muchas aplicaciones de
programación lineal para la administración de la
producción y de las operaciones, incluyendo la
programación de la producción, necesidades de personal,
116
control de inventarios y planeamiento de la capacidad. En
esta sección se explican los siguientes casos: decisiones
de fabricar o comprar, programación de la producción y
asignación de la mano de obra.
2.18.6.1.DECISIÓN DE FABRICAR O COMPRAR
Ilustramos el uso de un modelo de programación
lineal para determinar cuanto, de cada una de
las diversas partes componentes, debe producir
la empresa, y cuanto deberá adquirir de un
proveedor externo. Este tipo de decisión se
conoce como una decisión de fabricar y/o
comprar.
Ejemplo:
La Compañía vende varios productos para
oficina y de ingeniería. Actualmente, se está
preparando la introducción de dos nuevas
calculadoras: una para el mercado de oficinas,
llamada Financial Manager; y otra para el
mercado de ingeniería conocida como
Technician.
117
Cada calculadora tiene tres componentes: una
base, un cartucho electrónico y una carátula o
parte superior. En ambas calculadoras se utiliza
la misma base, pero los cartuchos y las
carátulas son diferentes. La empresa puede
fabricar todos los componentes, o puede
adquirirlos de proveedores externos. Los costos
de manufactura y los precios de adquisición de
los componentes se resumen en el cuadro Nº
2.24.
Los encargados de pronósticos en la compañía
indican que serán necesarias 3000 calculadoras
Financial Manager y 2000 Technician. Sin
embargo, la capacidad de producción está
limitada. La empresa cuenta con 200 horas de
tiempo normal de fabricación y 50 horas de
tiempo extra, que pueden utilizarse para la
fabricación de calculadoras. El tiempo extra
implica un sobrecosto, a un costo adicional de 9
dólares la hora, el cuadro Nº 2.25 muestra los
118
tiempos de fabricación (en minutos) de dichos
componentes.
El problema para la compañía es determinar
cuántas unidades de cada componente
manufacturar y cuántas adquirir.
SOLUCIÓN
Definimos las variables de decisión como sigue:
BM = número de bases fabricadas
BP = número de bases adquiridas
FCM = número de cartuchos Financial fabricados
FCP = número de cartuchos Financial adquiridos
TCM = número de cartuchos Technician fabricados
TCP = número de cartuchos Technician adquiridos
FTM = número de carátulas Financial fabricadas
FTP = número de carátulas Financial adquiridas
TTM = número de carátulas Technician fabricadas
TTP = número de carátulas Technician adquiridas
119
Cuadro Nº 2.24.- COSTOS DE MANUFACTURA Y PRECIOS DE
ADQUISICIÓN PARA LOS COMPONENTES DE LAS
CALCULADORAS DE JANDERS
Costo por unidad
Manufactura
Componente (Tiempo normal) Adquisición
Base $ 0.50 $ 0.60
Cartucho Financial 3.75 4.00
Cartucho Technician 3.30 3.90
Carátula Financial 0.60 0.65
Carátula Technician 0.75 0.78
Cuadro Nº 2.25.- TIEMPO EN MINUTOS DE MANUFACTURA POR
UNIDAD DE LOS COMPONENTES DE LAS CALCULADORAS DE
JANDERS
Tiempo de
Componente manufactura
Base 1.0
Cartucho Financial 3.0
Cartucho Technician 2.5
120
Carátula Financial 1.0
Carátula Technician 1.5
Es necesaria una variable de decisión adicional para
determinar las horas de tiempo extra que se deberán
programar:
OT = número de horas de tiempo extra a programar
La función objetivo es minimizar el costo total,
incluyendo costos de manufactura de adquisición y de
tiempo extra.
Utilizando los datos de costo unitario de la tabla Nº
7.10 y la tasa de costo por tiempo extra de 9 dólares
la hora, escribimos la función objetivo de la forma:
Minimizar 0.5BM + 0.6BP + 3.15FCM + 4FCP + 3.31TCM +
3.9TCP
+ Q.6FTM + Q.65FTP + 0.15TTM + 0.787TP + 9OT
Las cinco primeras restricciones definen la cantidad
que se debe obtener de cada componente para
satisfacer la demanda de 3000 calculadoras Financial
Manager y 2000 Technician. Se necesita un total de
121
5000 bases, y el volumen de los otros dos
componentes depende de la demanda de cada
calculadora en particular. Las cinco restricciones de
demanda son:
BM + BP = 5000 Bases
FCM + FCP = 3000 Cartuchos Financial
TCM + TCP = 2000 Cartuchos Technician
FTM + FTP = 3000 Carátulas Financial
TTM + TTP = 2000 Carátulas Technician
Se necesitan dos restricciones para garantizar que no
se exceda la capacidad de producción en tiempo
tanto normal como extra. La primera restricción limita
la capacidad del tiempo extra a 50 horas, es decir:
OT≤ 50
La segunda restricción dice que el tiempo total de
manufactura necesario para todos los componentes
debe ser menor que o igual a la capacidad total de
producción, incluyendo tiempo normal y extra. El
tiempo de manufactura de los componentes se
expresa en minutos, por lo que expresamos la
restricción de capacidad total de producción en
122
minutos, convirtiéndose las 200 horas de capacidad
de tiempo normal en 60(200) = 12,000 minutos. En
este momento el tiempo extra necesario es
desconocido, por lo que escribiremos el tiempo extra
como 60OT minutos. Utilizando los tiempos de
manufactura del cuadro Nº 7.14, se desarrolla la
restricción:
BM + 3FCM + 2.5TCM + FTM + 1.5TTM ≤ 12,000 + 60OT
Pasando la variable de decisión correspondiente al
tiempo extra al lado izquierdo de la restricción,
obtenemos la restricción por capacidad de
producción:
BM + 3FCM + 2.5TCM + FTM + 1.5TTM - 60OT ≤ 12,000
La formulación completa del problema de fabricar o
adquirir incluyendo todas las variables de decisión
mayores que o igual a cero se formula de la siguiente
manera:
Minimizar 0.5BM + 0.6BP + 3.15FCM + AFCP + 3.3TCM +3.9TCP +
0.6FTM + 0.65FTP + 0.757TM + 0.787TP + 9OT
Sujeto a:
BM + JSP = 5000 Bases
123
FCM + FCP = 3000
Cartuchos financial
TCM + TCP = 2000
Cartuchos Technician
FTM + FTP = 3000
Carátulas Financial
TTM + TTP = 2000
Carátulas Technician
OT ≤ 50 Horas de
tiempo extra
BM + 3FCM + 2.5TCM + FTM + 1.5TTM - 60OT ≤ 12,000 Capacidad
de Produc.
La solución por computadora de este programa lineal
con 11 variables y 7 restricciones aparece en el
cuadro Nº 2.26.
La solución óptima indica que deben fabricarse la
totalidad de las 5000 bases (BM), 667 cartuchos
Financial Manager (FCM) y 2000 cartuchos
Technician (TCM). Los restantes 2333 cartuchos
Financial Manager (FCP), todas las carátulas
Financial Manager (FTP) y todas las carátulas
Technician (TTP) deberán ser adquiridas. No es
necesario tiempo extra de manufactura y el costo total
asociado con el plan óptimo de fabricar o adquirir es
de 24,443.33 dólares.
124
El análisis de sensibilidad nos da alguna información
adicional sobre la capacidad de tiempo extra no
utilizada. La columna de costos reducidos muestra
que el sobrecosto de tiempo extra (OT) tendría que
disminuir en 4 dólares la hora, antes de que pudiera
considerarse producción en tiempo extra. Esto es, si
el sobrecosto por tiempo extra es $9 - $4 = $5 o
menos, la compañía pudiera desear reemplazar parte
de los componentes adquiridos por componentes fa-
bricados en tiempo extra.
El precio dual para la restricción por capacidad de
producción es decir la séptima, es 0.083. Este precio
indica que una hora adicional de capacidad de
manufactura vale $0.083 por minuto, es decir
($0.083)(60) = $5 por hora. El rango de factibilidad de
la restricción 7 muestra que esta conclusión es válida
hasta que el total del tiempo ordinario se eleve a
19,000 minutos, es decir a 316.7 horas.
125
También indica el análisis de sensibilidad que una
modificación a los precios cargados por los
proveedores externos puede afectar la solución
óptima.
Por ejemplo, el rango de optimalidad del coeficiente
de la función objetivo para BP es de 0.583, sin límite
superior. Si el precio de adquisición de las bases se
mantiene en $0.583 o más, el número de bases
adquiridas (BP) se conservará en cero.
Sin embargo, si el precio de adquisición baja por
debajo de $0.583, la compañia debería empezar a
adquirir las bases en lugar de fabricarlas. Se pueden
llegar a similares conclusiones de análisis de
sensibilidad sobre los rangos de precio de adquisición
de los demás componentes.
Cuadro Nº 2.26.- LA SOLUCIÓN DE LINGO EL PROBLEMA
DE FABRICAR O ADQUIRIR DE JANDERS
Objective Function Value = 24443,333
126
BM 5000,000 0,000
BP 0,000 0,017
FCM 666,667 0,000
FCP 2333,333 0,000
TMC 2000,000 0,000
TCP 0,000 0,392
FMT 0,000 0,033
FTP 3000,000 0,000
TTM 0,000 0,095
TTP 2000,000 0,000
OT 0,000 4,000
1 0,000 -0,583
2 0,000 -4,000
3 0,000 -3,508
4 0,000 -0,650
5 0,000 -0,780
6 50,000 0,000
7 0,000 0,083
2.18.6.2.PROGRAMACIÓN DE LA PRODUCCIÓN
127
Una de las aplicaciones de mayor importancia
en la programación lineal se ocupa de la
planeación de la producción para varios
periodos.
La solución a un problema de programación de
la producción, permite a la administración
establecer un programa eficiente a bajo costo
para uno o más productos durante varios
periodos (semanas o meses); esencialmente un
problema de programación de la producción se
puede ver como un problema de mezclas de
productos para cada uno de los diferentes
periodos en el futuro, el gerente debe determinar
los niveles de producción que le permitan a la
empresa cumplir con las necesidades de la
demanda del producto, dadas las restricciones o
limitaciones en capacidad de producción,
capacidad de mano de obra, espacio de
almacenamiento, y, al mismo tiempo, minimizar
el costo total de producción.
128
Una ventaja del uso de la programación lineal
para problemas de programación de la pro-
ducción es que éstos son recurrentes.
Se debe definir un programa de producción para
el mes actual y después de nuevo para el mes
siguiente, para el mes después del siguiente, y
así sucesivamente.
Cuando se estudia el problema cada mes, el
gerente de producción encontrará que, aunque
haya cambiado la demanda de los productos,
los tiempos de producción, las capacidades de
producción, las limitaciones de espacio de
almacenamiento, etc., son aproximadamente los
mismos, por lo que básicamente se está
resolviendo el mismo problema manejado en
meses anteriores y con frecuencia se puede
aplicar un modelo de programación lineal de tipo
general para el proceso de programación de la
producción.
Una vez formulado el modelo, el gerente puede
simplemente aportar los datos de demanda,
129
capacidades, etc. correspondientes a un periodo
de producción dado y utilizar repetidamente el
modelo de programación lineal para elaborar el
programa de producción, a continuación veamos
el caso de Manufacturas S.A..
Ejemplo:
Manufacturas S.A. produce dos componentes
electrónicos para un importante fabricante de
motores de avión, cada trimestre dicho
fabricante notifica a la oficina de ventas de
manufacturas sus necesidades mensuales de
componentes de los tres meses siguientes, que
pueden variar de manera considerable
dependiendo del tipo de motor que el fabricante
de motores esté produciendo.
La orden mostrada en el cuadro Nº 2.27 se
acaba de recibir los pedidos para los siguientes
tres meses.
Una vez procesada la orden, se envía una
notificación de demanda al departamento de
130
control de la producción, que entonces debe
desarrollar un plan de producción a tres meses
de los componentes.
Para llegar al programa deseado, el gerente de
producción deseará identificar
1. El costo total de la producción,
2. El costo de mantener inventario,
3. El costo de cambio de nivel de la producción.
Al desarrollar el modelo, supongamos que Xim
representa el volumen de producción en
unidades del producto i en el mes m.
Aquí i = 1, 2, y m = 1, 2, 3; i = 1 se refiere al
componente 322A, i = 2 al componente 802B, m
= 1 a abril, m = 2 a mayo y m = 3 a junio. El pro-
pósito de este doble subíndice es obtener una
notación más descriptiva.
Cuadro Nº 2.27.- PROGRAMA DE PRODUCCIÓN
PARA TRES MESES
Componente Abril Mayo Junio
322 A 1000 3000 5000
131
802 B 1000 500 3000
La notación x23 es más descriptivo,
identificando directamente producto y mes
representados en la variable (producto 2, mes
3).
Si el componente 322A cuesta 20 dólares por
unidad producida y el componente 802B, 10 por
unidad producida, la parte del costo de
producción total de la función objetivo es:
Costo de producción total = 20x11 + 20x12 + 20x13 + 10x21 + 10x22 + 10x23
En vista de que el costo de producción por
unidad es igual todos los meses, no es
necesario que incluyamos los costos de
producción en la función objetivo; esto es,
independientemente del programa de
producción que se seleccione, el costo de
producción total se conservará; en otras
palabras, los costos de producción no son
relevantes en la decisión de programación de la
producción bajo consideración.
132
En aquellos casos en los que se espera que el
costo de producción por unidad cambie todos
los meses, los costos variables por unidad de
producción de cada mes se deberán incluir en
la función objetivo. Dado que la solución para el
problema de Bollinger Electronics será la
misma, independientemente de que se incluyan
o no estos costos, los hemos incluido de forma
que la función objetivo de la programación lineal
incluya todos los costos asociados con el
problema.
A fin de incorporar los costos de mantener
inventarios en el modelo, hacemos que s¡m re-
presente el nivel de inventarios del producto i al
final del mes m. Manufacturas ha determinado
que, en base mensual los costos de mantener
inventarios son de 1.5% del costo del producto;
esto es, (0.015)($20) = $0.30 por unidad en lo
que se refiere al componente 322A, y
(0.015)($10) = $0.15 por unidad en lo que se
refiere al componente 802B.
133
Una hipótesis común que se hace al utilizar el
procedimiento de programación lineal para la
programación de la producción, es que los
inventarios finales mensuales son una
aproximación aceptable a los niveles de
inventarios promedio a lo largo del mes.
Utilizando esta hipótesis, se asume que la
porción del costo de mantener inventarios de la
función objetivo, es de la forma:
Costo mantener inventarios = 0.30s11 + 0.30s12 + 0.30S13 + 0.15s21 + 0.15S22
+0.15S23
Para incorporar los costos de las fluctuaciones
en los niveles de producción de un mes a otro,
es necesario que definamos dos variables
adicionales:
Im = incremento en el nivel de producción
necesario durante el mes m
Dm = reducción en el nivel de producción total
necesario durante el mes m
134
Después de estimar el efecto por separación de
personal, rotación de personal, costos de capa-
citación por reasignación y otros costos
asociados con niveles fluctuantes de producción,
la empresa estima que el costo asociado con un
incremento del nivel de producción para cualquier
mes es de $0.50 por unidad; el costo
correspondiente, asociado con una reducción en
el nivel de producción para cualquier mes es de
$0.20 por unidad, por lo que la tercera parte de la
función objetivo es de la forma:
Costos por cambio en niveles de producción =
0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2 + 0.20D3
Note que el costo asociado con los cambios en
niveles de producción es una función del cambio
en el número total de unidades producidas en el
mes m, comparadas con el número total de
unidades producidas en el mes m - 1.
En otras aplicaciones de programación de la
producción se pueden medir las fluctuaciones en
135
el nivel de producción en función de horas
máquina u horas de mano de obra requeridas, en
lugar de hacerlo en términos del número total de
unidades producidas.
Combinando los tres costos, la función objetivo
completa se convierte en:
Minimizar 20x11 + 20x12 + 20x13 + 10x21 + 10x22 +
10x23 + 0.30s11 + 0.3s12 + 0.30s13 + 0.15s21 + 0.15s22
+ 0.15s23 + 0.50I1 + 0.50I2 + 0.50I3 + 0.20D1 + 0.20D2
+ 0.20D3
Respecto a las restricciones, primero se debe
garantizar que el programa cumpla con la
demanda del cliente; dado que las unidades
embarcadas pueden provenir de la producción
del mes actual o del inventario excedente de
meses anteriores, el requisito de demanda es de
la forma:
136
 Inventario 
   Inventario 
 final   producción     Demanda 
 
 del mes   actual  
  final de    
    este mes   
de este mes
  
 anterior 
 
Suponga que los inventarios al principio del
periodo de programación de 3 meses fueran de
500 unidades para el componente 322A y de 200
unidades para el componente 8O2B. La demanda
para ambos productos en el primer mes (abril) fue
de 1000 unidades, por lo que las restricciones
para cumplir la demanda del primer mes se
convierten en:
500 + x11 – s11 =

1000
200 + X21 - S21 =
1000
Pasando las constantes al lado derecho se tiene:
x11 - s11 = 500
x21 - s21 = 800
137
De manera similar, necesitaremos restricciones
de demanda para ambos productos en el se-
gundo y en el tercer mes, las escribimos como
sigue:
Mes 2
S11 - x12 – s12 = 300
S21 - x22 – s22 = 500
Mes 3
S12 - x13 – s13 = 5000
S22 - x23 – s23 = 3000
Si la empresa define un nivel mínimo de
inventario al final del periodo de 3 meses de por
lo menos 400 unidades del componente 322A y
200 unidades del componente 802B, podemos
agregar las restricciones:
s13  400
s23  200
Suponga que tenemos la siguiente información
adicional sobre la capacidad de máquinas, mano
de obra y de almacenamiento que se muestran
en el cuadro Nº 2.28.
138
Las necesidades de máquina, mano de obra y
almacenamiento para los componentes 322a y
802b se detalla en el cuadro Nº 2.29.
Cuadro Nº 2.28.- CAPACIDADES DE MÁQUINA,
MANO DE OBRA Y ALMACENAMIENTO PARA
MANUFACTURAS
Cap. Cap. de Cap. de
Mes máquina m. o. almac.
(horas) (horas) (pies2)
Abril 400 300 10,000
Mayo 500 300 10,000
junio 600 300 10,000
Cuadro Nº 2.29.- NECESIDADES DE MÁQUINA,
MANO DE OBRA Y ALMACENAMIENTO PARA
LOS COMPONENTES 322A Y 802B
Máquina Mano de obra Almacenamiento

Componente
(horas/unidad) (horas/unidad) (pies2 /unidad)
322A 0.10 0.05 2
802B 0.08 0.07 3
139
Las siguientes restricciones son necesarias para
reflejar estas limitaciones.
Capacidad de máquina
0.10x11 + 0.08x21  400 Mes 1
0.10x12 + 0.08x22  500 Mes 2
0.10x13 + 0.08x23  600 Mes 3
Capacidad de mano de obra
0.05x11 + 0.07 x21  300 Mes 1
0.05x12 + 0.07 x22  300 Mes 2
0.05x13 + 0.07 x23  300 Mes 3
Capacidad de almacenamiento
2S11 + 3S21  10,000 Mes 1
2s12 + 3S22  10,000 Mes 2
2s13 + 3s23  10,000 Mes 3
A fin de garantizar que Im y Dm reflejen el
aumento o disminución en el nivel de producción
total del mes m, deberá agregarse un conjunto
final de restricciones. Suponga que los niveles de
producción para marzo, el mes anterior al inicio
del periodo actual de programación de la pro-
140
ducción, han sido de 1500 unidades del
componente 322A y de 1000 unidades del
componente 802B, con un nivel total de
producción de 1500 + 1000 = 2500 unidades. Se
determina el cambio en la producción para abril a
partir de la relación:
Producción de abril - Producción de marzo = Cambio
Utilizando las variables de producción de abril,
x11 y x21 y la producción de marzo de 2500
unidades se tiene:
(x11 + x21) - 2500 = Cambio
El cambio puede ser positivo o negativo, un
cambio positivo reflejará un incremento en el nivel
total de la producción, mientras que uno negativo
reflejará una reducción en el nivel total de
producción; se puede utilizar el incremento en la
producción para abril, I1 y la reducción para abril,
D1, a fin de definir la restricción por cambio en la
producción total del mes de abril:
(x11 + x21) - 2500 = I1 - D1
141
Naturalmente, durante un mismo mes no se
puede tener simultáneamente incremento y
reducción en producción, por lo que, ya sea I1 o
D1 será igual a 0.
Por ejemplo, si abril necesita 3000 unidades de
producción, I1 = 500 y D1 = 0
Si abril necesita 2200 unidades de producción, I2
= 00 y D2 = 300
Este procedimiento de identificar el cambio del
nivel de producción como la diferencia entre dos
variables no negativas, I1 y D1 permite cambios
tanto positivos como negativos en el nivel total de
producción.
Si se hubiera utilizado una sola variable (por
ejemplo, cm) para representar el cambio del nivel
de producción, en vista del requerimiento de no
negatividad, sólo hubieran sido posibles cambios
positivos.
Aplicando el mismo procedimiento en mayo y
junio (restando siempre la producción total del
mes anterior de la producción total del mes
142
actual) obtenemos las restricciones del segundo y
tercer mes del periodo de programación de la
producción:
(x12 + x22) - (x11 + x21) = I2 –
D2
(x13 + x23) - (x12 + x21) = I3 –
D3
Ordenando las variables del lado izquierdo y las
constantes del lado derecho, obtenemos el juego
completo de lo que comúnmente se conoce como
restricciones de suavización de la producción:
x11 + x21 - I1 + D1 = 2500
x11 - x21 + x12 + x22 - I2 + D2 = 0
- x12 - x22 + x13 + x23 - I3 + D3 = 0
El problema inicialmente bastante reducido, de 2
productos y 3 meses de programación, ahora ha
crecido hasta un problema de programación lineal
con 18 variables y 20 restricciones. Note que en
este problema sólo hay la preocupación por un
tipo de proceso de máquina, un tipo de mano de
obra y un tipo de área de almacenamiento. Los
143
problemas reales de programación de la
producción por lo general implican varios tipos de
máquinas, varios grados de mano de obra o
varias áreas de almacenamiento que requieren
programas lineales a gran escala. Por ejemplo,
un problema que involucre 100 productos, que
requieren de un periodo de 12 meses puede
alcanzar más de 1000 variables y restricciones.
En el cuadro Nº 2.30 se presenta la solución por
computadora del problema de programación de la
producción de Manufacturas, en tanto que el
cuadro Nº 2.31 contiene una parte del informe a
la administración basado en la solución por
computadora.
144
Cuadro Nº 2.30.- LA SOLUCIÓN DE LINGO PARA
EL PROBLEMA DE MANUFACTURAS
Objetive Function Value = 225295,000
X11 500,000 0,000
X12 3200,000 0,000
X13 5200,000 0,000
X21 2500,000 0,000
X22 2000,000 0,000
X23 0,000 0,128
S11 0,000 0,172
S12 200,000 0,000
S13 400,000 0,000
S21 1700,000 0,000
S22 3200,000 0,000
S23 200,000 0,000
I1 500,000 0,000
I2 2200,000 0,000
I3 0,000 0,072
D1 0,000 0,700
D2 0,000 0,700
D3 0,000 0,628
145
1 0,000 -20,000
2 0,000 -10,000
3 0,000 -20,128
4 0,000 -10,150
5 0,000 -20,428
6 0,000 -10,300
7 0,000 -20,728
8 0,000 -10,450
9 150,000 0,000
10 20,000 0,000
11 80,000 0,000
12 100,000 0,000
13 0,000 1,111
14 40,000 0,000
15 4900,000 0,000
16 0,000 0,000
17 8600,000 0,000
18 0,000 0,500
19 0,000 0,500
146
20 0,000 0,428
Cuadro Nº 2.31.- INFORME A LA ADMINISTRACIÓN SOBRE LA
PRODUCCIÓN Y EL USO DE LOS RECURSOS PARA EL TRIMESTRE
Actividad Abril Mayo Junio
Producción
Componente 322A 500 3,200 5,200
Componente 802B 2,500 2,000 0
Totales 3 5,200 5,200
Inventario final
Componente 322A 0 200 400
Componente 802B 1,700 3,200 200
Uso de máquina
Horas programadas 250 480 520
Horas de capacidad libres 150 20 80
Uso de mano de obra
Horas programadas 200 300 260
Horas de capacidad libres 100 0 40
Almacenamiento
Almacenamiento programado 5,100 10,000 1,400
Capacidad libre 4,900 0 8,600
Costo total de producción, de $225.295
147
inventarios y de suavización
de la producción =
Los costos de aumentar o reducir el volumen total de
producción tienden a suavizar las variaciones
mensuales; de hecho, el programa de costo mínimo
exige un incremento de 500 unidades en la producción
total de abril y un aumento de 2200 unidades en la
producción total de mayo. El nivel de 5200 unidades de
producción de mayo se retiene entonces durante junio.
La sección de uso de máquinas del informe muestra una
amplia capacidad de máquina en todos los tres meses;
sin embargo, en el mes de mayo la capacidad de maño
de obra se utiliza totalmente (holgura = 0 para la
restricción 13), el precio dual muestra que en mayo una
hora adicional de capacidad de mano de obra mejoraría
la función objetivo (costo inferior) en aproximadamente
1.11 dólares.
Un modelo de programación lineal para un sistema de
producción de dos productos y de tres meses puede dar
148
información valiosa por lo que se refiere a identificar un
programa de producción a costo mínimo.
En sistemas de producción más grandes, en los que el
número de variables y de restricciones es demasiado
elevado para llevar un control manual, los modelos de
programación lineal pueden representar una ventaja
significativa en el desarrollo de programas de
producción que ahorren costos.
Aquí se muestra cómo pueden ser los modelos de
programación lineal grandes para aplicaciones que
involucren la programación de la producción.
2.18.7. ASIGNACIÓN DE LA FUERZA DE TRABAJO
Los problemas de asignación de la fuerza de trabajo
ocurren con frecuencia cuando los gerentes de
producción deben tomar decisiones que involucren
requerimientos de personal para un periodo de
planeación dado.
Las asignaciones de la fuerza de trabajo a menudo tienen
algo de flexibilidad, y por lo menos parte del personal
149
puede asignarse a más de un departamento o centro de
trabajo.
Éste es el caso cuando a los empleados se les ha dado
capacitación cruzada en dos o más puestos o, por
ejemplo, cuando puede transferirse personal de ventas de
una a otra tienda.
En la aplicación que sigue se muestra cómo utilizar la
programación lineal para determinar no sólo cuál es la
mezcla óptima del producto, sino también cuál es la
asignación óptima de la fuerza de trabajo.
El ejemplo de Manufacturing Company, que fabrica dos
productos con contribuciones a la utilidad por unidad de
$10 y $9 respectivamente.
En el cuadro Nº 2.32 aparecen las necesidades de mano
de obra por unidad producida y las horas totales de mano
de obra disponible por personal asignado a cada uno de
los cuatro departamentos.
Cuadro Nº 2.32.- HORAS DE MANO DE OBRA DEPARTAMENTAL
POR UNIDAD Y HORAS TOTALES DISPONIBLES PARA
MANUFACTURING COMPANY
Horas de mano de obra por unidad
150
Total de horas
Departamento Producto 1 Producto 2 disponibles
1 0,65 0,95 6 500
2 0,45 0,85 6 000
3 1,00 0,70 7 000
4 0,15 0,3 1 400
El número de horas disponibles en cada departamento es
fijo, entonces se formula el problema de Manufacturing
Company como un programa lineal estándar de mezclas
de productos, con las siguientes variables de decisión:
P1 = unidades del producto 1
P2 = unidades del producto 2
La solución óptima al modelo de programación lineal
aparece en el cuadro Nº 2.33, y Nº 2.34, en las cuales se
mencionan que se necesitan 5744 unidades del producto
1, 1795 unidades del producto 2 y se obtiene una utilidad
total de 73,590 dólares.
Cuadro Nº 2.33.- SOLUCIÓN DE LINGO PARA EL PROBLEMA DE
MANUFACTURAS SI NO ESTAN PERMITIDAS LAS
TRANSFERENCIAS
151
DE LA FUERZA DE TRABAJO
Variable Value Reduce Costs
P1 5743,590 0,000
P2 1794,872 0,000
Constraint Slack Dual Prices
1 1061,538 0,000
2 1889,744 0,000
3 0,000 8,462
4 0,000 10,256
Con esta solución óptima, los departamentos 3 y 4 están
operando a plena capacidad y los departamentos 1 y 2
tienen una holgura de aproximadamente 1062 y de 1890
horas, respectivamente. Pudiéramos prever que la mezcla
de productos cambiaría y que la utilidad total aumentaría
si fuera posible revisar la asignación de la fuerza de
trabajo de manera que la holgura, es decir las horas libres
152
de los departamentos 1 y 2, pudiera transferirse a los que
actualmente trabajan a plena capacidad. Sin embargo, el
gerente de producción pudiera encontrarse ante la
incertidumbre de cómo reasignar la fuerza de trabajo
entre los cuatro departamentos.
Ampliando el modelo de programación lineal a fin de
incluir variables de decisión que nos ayuden a determinar
la asignación óptima de la fuerza de trabajo, además de
una mezcla de productos que maximice a la utilidad.
Suponga que la compañía tiene un programa de
capacitación cruzada que permite que algunos empleados
puedan ser transferidos entre departamentos.
Aprovechando estas habilidades de capacitación cruzada,
un número limitado de empleados y de horas de mano de
obra pueden transferirse de un departamento a otro. Por
ejemplo, la capacitación cruzada permite transferencias
según se puede observar en el cuadro Nº 2.34, donde se
muestra que algunos empleados que están asignados al
departamento 1 tienen capacidades cruzadas en el
cuadro N° 2.35, que les permite pasar al departamento 2
o al 3.
153
La columna del lado derecho muestra que, para el
periodo de planeación de la producción actual, es posible
transferir un máximo de 500 horas del departamento 1.
Para los departamentos 2, 3 y 4 se muestran capacidades
de transferencia cruzadas similares.
Cuadro Nº 2.34.- SOLUCIÓN PARA EL PROBLEMA MANUFACTRAS
SI ESTAN PERMITIDAS TRANSFERENCIAS DE LA FUERZA DE
TRABAJO
Variable Value Reduce Costs
P1 5743,590 0,000
P2 1794,872 0,000
1 1061,538 0,000
2 1889,744 0,000
3 0,000 8,462
4 0,000 10,256
Cuadro Nº 2.35.- CAPACIDAD POR CAPACITACIÓN CRUZADA
E INFORMACIÓN DE CAPACIDADES
154
Transferencias por capacitación cruzada
permitidas al departamento
Del Horas máximas
departamento 1 2 3 4 transferibles
1 -- si si -- 400
2 -- -- si si 800
3 -- -- -- si 100
4 si si -- -- 200
Cuando las asignaciones de la fuerza de trabajo son
flexibles, no sabemos automáticamente cuántas horas de
mano de obra deberían asignarse o transferirse de cada
departamento. Es necesario que, para tomar en
consideración estos cambios, agreguemos variables de
decisión al modelo de programación lineal.
Sean:
bi = horas de mano de obra asignadas al departamento i,
para i = 1, 2, 3 y 4
tij = horas de mano de obra transferidas del departamento
i al j
155
Con la adición de las variables de decisión b1 b2, b3 y b4,
se escribe las restricciones por capacidad para los cuatro
departamentos, según sigue:
0.65P1 + 0.95P2  b1
0.45P1 + 0.85P2  b2
1.00P1 + 0.70P2  b3
0.15P1 + 0.30P2  b4
Dado que b1 b2, b3 y b4 son ahora variables de decisión,
se sigue la práctica normal de poner las variables del lado
izquierdo de las desigualdades, entonces las primeras
cuatro restricciones del modelo de programación lineal
son:
0.65P1 + 0.95P2 – b1  0
0.45P1 + 0.85P2 – b2  0
1.00P1 + 0.70P2 – b3  0
0.15P1 + 0.30P2 –b4  0
Las horas de mano de obra finalmente asignadas a cada
departamento deben determinarse mediante una serie de
ecuaciones de equilibrio de mano de obra.
156
Es decir, de restricciones que incluyan el número de
horas inicialmente asignadas a cada departamento, más
el número de horas transferidas al departamento, y
menos el número de horas transferidas fuera del
departamento.
Utilizando como ejemplo el departamento 1,
determinamos la asignación de la fuerza de trabajo de
acuerdo a la siguiente fórmula:
 Horas   Horas   Horas 

     
b1   inicialmente en    transferidas al    transferidos del 
 el departamento 1  departamento 1  departamento 1 
     
Utilizando las variables de decisión de transferencia ti1
para identificar las transferencias hacia el departamento
1, y t1j para identificar las transferencias del
departamento 1.
En el cuadro Nº 2.36 se muestra que la capacidad de
capacitación cruzada respecto al departamento 1 está
restringida a transferencias del departamento 4 (variable
t41) y transferencias hacia el departamento 2 o del 3
(variables t12 y t13). Por lo que podemos expresar la
157
asignación total de la fuerza de trabajo del departamento
1 de la forma:
b1 = 6500 + t41 – t12 – t13
Pasando las variables de decisión de transferencia de la
fuerza de trabajo al lado izquierdo, tenemos la ecuación o
restricción de equilibrio de maño de obra
b1 - t41 + t12 + t13 = 6500
Esta forma de restricción será necesaria para cada uno
de los cuatro departamentos. Por lo que al modelo se
añadirían las siguientes restricciones de equilibrio de
maño de obra para los departamentos 2, 3 y 4.
b2 – t12 – t42 + t23 + t24 = 6000
b3 – t13 – t23 + t34 = 7000
b4 – t24 – t34 + t41 + t42 = 1400
Finalmente, dado que en el cuadro Nº 2.37 se ve que es
limitado el número de horas que pueden ser transferidas
de cada departamento, debe agregarse la restricción por
capacidad de transferencia para cada uno de los cuatro
departamentos. Estas restricciones adicionales son:
t12 + t13  400
t23 + t24  800
158
t34  100
t41 + t42  200
El modelo de programación lineal completo tiene 2
variables de decisión de producción (P1 y P2), 4 variables
de asignación de fuerza de trabajo de departamentos (b1,
b2, b3 y b4), 7 variables de transferencia (t12, t13, t23, t24, t34,
t41 y t42) y 12 restricciones.
159
Cuadro Nº 2.36.- SOLUCIÓN DE LINGO PARA EL PROBLEMA DE
TRANSFERNCIA DE CAPACIACION CRUZADA
Objective Function Value 84011.229
Variable Valué Reduced Costs
Pl 6824.859 0.000
P2 1751.412 0.000
Bl 6100.000
0.000
B2 5200.000 0.000
B3 8050.847 0.000
B4 1549.153 0.000
T41 0.000 7.458
T12 0.000 8.249
T13 400.000 0.000
T42 0.000 8.249
T23 650.847 0.000
T24 149.153 0.000
T3 4 0.000 0.000
Contraint Snack/Surplus Dual
Prices
1 0.000 0.791
160
2 640.113 0.000
3 0.000 8.249
4 0.000 8.249
5 0.000 0.791
6 0.000 0.000
7 0.000 8.249
8 0.000 8.249
9 0.000 7.458
10 0.000 8.249
11 100.000 0.000
12 200.000 0.000
161
Interpretación de resultados:
La utilidad de la empresa puede aumentar de 10,421
dólares a 84,011 dólares, aprovechando la capacitación
cruzada y transferencias de la fuerza de trabajo. La
mezcla óptima de productos de 6825 unidades del
producto 1 y 1751 unidades del producto 2 se puede
conseguir siempre que se transfieran t13 = 400 horas del
departamento 1 al 3; t23 = 751 del departamento 2 al 3; y
t24 = 149 horas del departamento 2 al 4. Las asignaciones
resultantes de la fuerza de trabajo para los depar-
tamentos 1 a 4 alcanzarán 6100, 5200, 8051 y 1549
horas respectivamente. El modelo de programación lineal
de esta sección automáticamente asigna empleados y
horas de maño de obra a los departamentos de la manera
más redituable posible.
2.18.8. APLICACIONES DE MEZCLAS DE PRODUCTOS
Siempre que se realice el trabajo de combinar dos o más
recursos para producir uno o más productos se dan
problemas de mezclas.
162
En estas situaciones, los recursos contienen uno o más
ingredientes esenciales que deben mezclarse y dar
productos terminados, que contendrán porcentajes
específicos de cada uno de ellos.
En la mayoría de estas aplicaciones, la administración
debe decidir cuánto debe adquirir de cada recurso para
satisfacer las especificaciones del producto y las
demandas del mismo a un costo mínimo.
Los problemas de mezclas ocurren con frecuencia en las
industrias: petrolera (la combinación de crudos para
producir gasolinas de distintos octanajes), la industria
química (la mezcla de productos químicos para producir
fertilizantes o herbicidas), la industria alimentaria (la
mezcla de ingredientes para producir refrescos, sopas y
otros) entre los más comunes.
En esta sección se ilustra la manera de aplicar la
programación lineal a un problema de mezclas en la
industria petrolera.
Ejemplo:
La Oil Company produce gasolina normal y extra para
estaciones de servicio independientes, la refinería
163
produce las gasolinas mezclando tres componentes de
petróleo, las gasolinas se venden a distintos precios y los
componentes de petróleo tienen costos diferentes.
El objetivo de la empresa es determinar cómo mezclar los
tres componentes en las dos clases de gasolinas,
maximizando las utilidades.
Los datos disponibles muestran que la gasolina normal
puede venderse a un dólar por galón y la extra a $1.08
por galón; para el periodo actual de planeación de la
producción, la empresa puede obtener los tres
componentes de petróleo al costo por galón y en las
cantidades mostradas en el cuadro Nº 2.37; las
especificaciones del producto para las gasolinas normal y
extra limitan las cantidades de cada componente que se
pueden utilizar en cada gasolina, en el cuadro Nº 2.38 se
precisa las especificaciones de los productos.
Los compromisos actuales con los distribuidores
requieren que la empresa produzca por lo menos 10,000
galones de gasolina normal.
El problema de mezclas de la compañía es determinar
cuántos galones de cada componente deberán utilizar en
164
la mezcla de gasolina normal y cuántos en la de gasolina
extra.
Cuadro Nº 2.37.- COSTO Y SUMINISTRO DE PETRÓLEO
PARA EL PROBLEMA DE MEZCLAS
Componente del petróleo Costo / galón Máximo disponible
1 $0.50 5,000 galones
2 $0.60 10,000 galones
3 $0.84 10,000 galones
Las especificaciones del producto se dan a continuación:
Cuadro Nº 2.38.- ESPECIFICACIONES DE PRODUCTO PARA EL
PROBLEMA DE MEZCLAS
Producto Especificaciones
Gasolina normal máximo 30% del componente 1
mínimo 40% del componente 2
máximo 20% del componente 3
Gasolina extra máximo 40% del componente 1
SOLUCIÓN
165
La solución de mezcla óptima deberá maximizar la
utilidad de la empresa, sujeto a las restricciones de
suministros disponibles de petróleo que aparecen en el
cuadro Nº 7.26, a las especificaciones de los productos
que aparecen en el cuadro Nº 7.27 y a los 10,000
galones requeridos de gasolina normal.
Definimos las variables de decisión de la forma:
xij = cantidad de galones del componente i utilizados en
la gasolina j
Donde i = 1, 2 ó 3 para los componentes 1, 2 ó 3
y j = r, si es normal o j = p si es extra
Entonces las seis variables de decisión son:
X1r = galones del componente 1 en la gasolina normal
X1p = galones del componente 1 en la gasolina extra
El total de galones producidos de cada tipo de gasolina es
la suma del número de galones producidos utilizando
cada uno de los tres componentes de petróleo.
166
Total de galones producidos:
Gasolina normal = x1r + x2r + x3r
Gasolina extra = x1p + x2p +x3p
Los galones totales de cada componente de petróleo se
calculan de una manera similar. Uso total de
componentes de petróleo
Componente 1 = x1r + x1p
Componente 2 = x2r + x2p
Componente 3 = x3r + x3p.
Se desarrolla la función objetivo de maximizar la
contribución a la utilidad, identificando la diferencia entre
el ingreso total proveniente de ambas gasolinas y el costo
total de los tres componentes de petróleo. Al multiplicar el
precio por galón de un dólar por el total de galones de
gasolina normal y el precio por galón de $1.08 por el total
de galones de gasolina extra, y el costo por galón de los
componentes, según las cifras del cuadro Nº 2.39 por los
galones totales de cada uno de los componentes
utilizados, se obtiene la función objetivo:
Maximizar 1.00 (x1r + x2r + x3r) + 1.08 (x1p + x2p + x3p)
167
- 0.50(x1r + x1p) - 0.60(x2r + x1p) - 0.84(x3r + x3p)
Una vez combinados los términos, la función objetivo se
convierte en
Maximizar 0.50x1r + 0.40x2r + 0.16x3r + 0.58x1p +
0.48x2p + 0.24x3p
Las limitaciones y la disponibilidad de los tres
componentes de petróleo son:
x1r + x1p  5,000 componente 1
Ahora se requieren seis restricciones para cumplir con las
especificaciones de producto enunciadas en el cuadro Nº
2.40.
La primera especificación precisa que para la gasolina
normal, el componente 1 no puede representar más de
30% del total de galones de gasolina normal producida.
X1r  0.30 (x1r + x2r + x3r)
Si volvemos a escribir esta restricción con las variables
del lado izquierdo y una constante del lado derecho
queda:
0.70x1r - 0.30x2r - O.3Ox3r  0
168
La especificación del segundo producto listado en el
cuadro Nº 7.27 se convierte en:
x2r  0.40(x1r + x2r + x3r)
y por lo tanto:
-0.40x1r + 0.60x2r - 0.40x3r  0
De manera similar, se precisa las cuatro especificaciones
de mezcla restantes que se enlistan en el cuadro Nº 4.27
de la forma:
-0.20x1r - 0.20x2r + O.8Ox3r 0

+ 0.75x1p - 0.25x2p, - 0.25x3p  0
-0.40x1p + 0.60x2p - 0.40x3p 0
-0.30x1p - 0.30x2p + O.7Ox3p  0
La restricción de por lo menos 10,000 galones de
gasolina normal es
x1r + x2r + x3r  10,000
El modelo de programación lineal completo, con seis
variables de decisión y diez restricciones se formula de la
siguiente manera:
Max. 0.50x1r + 0.40x2r + 0.16x3r + 0.58x1p + 0.48x2p, + 0.24x3p
Sujeto a:
x1r + x1p  5,000

x2r + x2 p  10,000
169
x3r x3 p  10,000
-0.70x1r - 0.30x2r - 0.30x3r  0
-0.40x1r - 0.60x2r - 0.40x3r  0
-0.20x1r - 0.20x2r - 0.80x3r  0
0.75x1p – 0.25x3 p – 0.25x3 p  0
-0.40x1p – 0.60x3 p – 0.40x3 p  0
0.30x1p – 0.30x3 p – 0.70x3 p  0
1r + x2r + x3r > 0
x1r, x2r, x3r, x1p, x2p, x3p  0

La solución por computadora del problema de mezclas de
la compañía aparece en el cuadro Nº 2.39.
Cuadro Nº 2.39.- SOLUCIÓN PARA EL PROBLEMA DE MEZCLAS
DE LA EMPRESA
variable Value Reduced Costs
X1R 0.000 0.000
X2R 8000.000 0.000
X3R 2000.000 0.000
X1R 5000.000 0.000
X2R 2000.000 0.000
X3R 8000.000 0.000
170
1 0.000 0.580
2 0.000 0.480
3 0.000 0.240
4 3000.000 0.000
5 4000.000 0.000
6 0.000 0.000
7 1250.000 0.000
8 4000.000 0.000
9 3500.000 0.000
10 0.000 -0.080
La solución óptima, con una utilidad de 9,300 dólares, la
estrategia óptima de mezclado se presenta en el cuadro
Nº 2.40, en la que se detalla que deben producirse 10,000
galones de gasolina normal y 15,000 galones de la
gasolina extra.
Cuadro Nº 2.40.- SOLUCIÓN DE MEZCLAS DE GASOLINA
Galones de componente
Gasolina Componente Componente Componente Total
1 2 3
Normal 0 8000 2000 10.000
Extra 5000 2000 8000 15.000
171
La gasolina normal debe manufacturarse como la
combinación de 8000 galones del componente 2 y de
2,000 galones del componente 3. Los 15,000 galones de
gasolina extra se elaborarán como una mezcla de 5000
galones del componente 1, 2000 galones del
componente 2 y 8000 galones del componente 3.
La interpretación de las variables de holgura y de
excedente asociadas con las restricciones de la
especificación de producto (restricciones 4 a 9) necesita
alguna aclaración. Si la restricción es tipo <=, el valor de
la variable de holgura se puede interpretar como los
galones de uso del componente por debajo de la cantidad
máxima del uso de componentes especificado por la
restricción.
Por ejemplo, la holgura de 3000.000 de la restricción 4
muestra que el uso del componente 1 está 3000 galones
por debajo de la cantidad máxima del componente 1 que
podría haberse utilizado en la producción de 10,000
galones de gasolina normal.
172
Si la restricción por especificación de producto es tipo ,
una variable de excedente mostraría los galones de uso
del componente por encima de la cantidad mínima de uso
especificado por la restricción de mezcla. Por ejemplo, el
excedente de 4000.000 de la restricción 5 muestra que el
uso del componente 2 es de 4000 galones por encima de
la cantidad mínima del componente 2 que debe usarse en
la producción de 10,000 galones de gasolina normal.
2.19. CASOS EMPRESARIALES DE APLICACIÓN DE LA
2.19.1. CASO PROGRAMACION DE LA PRODUCCION EN
UNA EMPRESA TEXTIL
a) DESCRIPCIÓN DEL PROBLEMA
La Compañía Peruana de Textiles S.A. elabora cinco
tipos de tela, cada una de ellas puede tejerse en uno o
más de los 38 telares de la fábrica. El departamento de
ventas ha pronosticado demanda para el mes siguiente
como se muestra en el cuadro Nº 2.41.
Cuadro Nº 2.41.- DEMANDA Y PRECIO DE LAS TELAS
Demanda Precio de venta Costo variable Precio de adq.
Tela Yardas Dólares/Yarda Dólares/Yarda Dólares/Yarda
173
1 16500 0.99 0.66 0.80
2 22000 0.86 0.55 0.70
3 62000 1.10 0.49 0.60
4 7500 1.24 0.51 0.70
5 62000 0.70 0.50 0.70
La fábrica opera las 24 horas al día y está programada
para 30 días durante en el mes siguiente.
La fábrica tiene 2 tipos de telares: dobbie y normal, los
primeros son más versátiles y pueden utilizarse para
producir las 5 telas. Los telares normales solo pueden
producir 3 de las telas. Hay un total de 38 telares: 8
dobbies y 30 normales. En el cuadro Nº 2.42 se da la
producción de cada una de las telas en cada tipo de telar.
Cuadro Nº 2.42.- PRODUCCIÓN POR TIPO DE TELAR
Velocidad del Telar (yardas/hora)
Tipo Tela Dobbie Normal
1 4.63 --
2 4.63 --
3 5.23 5.23
4 5.23 5.23
5 4.17 4.17
Las telas 1 y 2 solo pueden manufacturarse en el telar
dobbie
174
El tiempo requerido para producir una tela a otra es
despreciable, y no merece ser tomado en consideración.
La empresa satisface toda la demanda, ya sea con tela
propia o con tela adquirida de otra fábrica. Esto es, las
telas que no pueden ser tejidas en la planta debido a
limitaciones en la capacidad de los telares, se adquirirán
de otra fábrica.
b) PLANTEAMIENTO DEL PROBLEMA
DEFINICION DE VARIABLES
Xij = Yardas de tela del tipo i a producir el mes siguiente
en la maquina j
(i = 1, 2, 3, 4,5) (j = 1(dobbie), 2(normal))
Yi = Yardas de tela del tipo i a comprar el mes siguiente
(j=1, 2, 3, 4,5)
z=utilidad
En el cuadro Nº 2.43 se describe las variables para la
producción de tela.
Cuadro Nº 2.43.- DESCRIPCIÓN DE VARIABLES PARA
PRODUCCION
Variable Descripción Variable Descripción
175
Variable Descripción Variable Descripción
X11 Yardas de Tela de Tipo X12 Yardas de Tela de Tipo
1 Producidas por el 1 Producidas por el
Telar Dobbie Telar Normal
En el cuadro Nº 2.44 se describe las variables para la
compra de tela.
Cuadro Nº 2.44.- DESCRIPCIÓN DE VARIABLES PARA
COMPRAS
176
Variable Descripción
Y1 Yardas de Tela de Tipo 1
Compradas
Compradas
Compradas
Compradas
Compradas
En el cuadro Nº 2.45 se detalla las horas disponibles por
telar.
Cuadro Nº 2.45.- HORAS POR DISPONIBLES POR
TELARES
Maquin Velocidad del telar yardas/hora Disponibilidad de Horas
T1 T2 T3 T4 T5 q h/día d/me Tot hrs
Dobbie 4.63 4.63 5.23 5.23 4.17 8 24 30 5760
Normal 0 0 5.23 5.23 4.17 30 24 30 21600
177
Donde T1, T2, T3, T4 y T5 son los telares; q la cantidad
de telares.
c) MODELO PARA PROGRAMAR LA PRODUCCIÓN
CON EL SOFTWARE LINGO
Xij = Yardas de tela del tipo i a producir el mes siguiente
en la maquina:
(i = 1,2,3,4,5) (j = 1(dobbie), 2(normal))
Yi = Yardas de tela del tipo i a comprar el mes siguiente
(i=1, 2, 3, 4, 5)
z=utilidad
Max = (0.99-0.66)*X11 + (0.86-0.55)*X21 + (1.10-0.49)*X31 +
(1.24-0.51)*X41 + (0.70-0.50)*X51 + (1.10-0.49)*X32 + (1.24-
0.51)*X42 + (0.70-0.50)*X52 + (0.99-0.80)*Y1 + (0.86-
0.70)*Y2 + (1.10-0.60)*Y3 + (1.24-0.70)*Y4 + (0.70-0.70)*Y5;
! HORAS MAQUINA DISPONIBLE DE LOS TELARES

DOBBIE;
(1/4.63)*X11 + (1/4.63)*X21 + (1/5.23)*X31 + (1/5.63)*X41 +

(1/4.17)*X51 <= 24*8*30;
178
! HORAS MAQUINA DISPONIBLE DE LOS TELARES
NORMALES;
(1/5.23)*X32 + (1/5.23)*X42 + (1/4.17)*X52 <= 24*30*30;
¡DEMANDA DE TELAS!
X11 + Y1 = 16500; Demanda de tela tipo 1;
X21 + Y2 = 22000; Demanda de tela tipo 2;
X31 + X32 + Y3 = 62000; Demanda de tela tipo 3;
d) SOLUCIÓN CON EL PROGRAMA LINGO
El programa Lingo versión 10.0, provee la solución al
modelo lineal planteado, en el cuadro Nº 2.46 se aprecia
la solución.
Cuadro Nº 2.46.- SOLUCIÓN DEL PROBLEMA DE
PRODUCCIÓN TEXTIL
Global optimal solution found.
Objective value: 62531.49
Total solver iterations: 4
Variable Value Reduced Cost
X11 4668.800 0.000000
X21 22000.00 0.000000
X31 0.000000 0.1393881E-01
X41 0.000000 0.5133215E-02
179
X51 0.000000 0.1748201E-01
X32 27707.81 0.000000
X42 7500.000 0.000000
X52 62000.00 0.000000
Y1 11831.20 0.000000
Y2 0.000000 0.1000000E-01
Y3 34292.19 0.000000
Y4 0.000000 0.8000000E-01
Y5 0.000000 0.6203837E-01
Row Slack or Surplus Dual Price
1 62531.49 1.000000
2 0.000000 0.6482000
3 0.000000 0.5753000
4 0.000000 0.1900000
5 0.000000 0.1700000
6 0.000000 0.5000000
7 0.000000 0.6200000
8 0.000000 0.6203837E-01
e) INTERPRETACION DE RESULTADOS
180
En el cuadro Nº 2.47 se detalla el programa de
producción y la compra de tela, así como las
asignaciones de telares para cada tipo de tela.
Cuadro Nº 2.47.- PROGRAMA DE PRODUCCIÓN
Tipo de Yardas a Yardas a Cantidad
tela producir en el producir en el a adquirir
telar Dobbie telar Normal
1 4668.80 0.00 11831.20
2 22000.00 0.00 0.00
3 0.00 27707.81 34292.19
4 0.00 7500.00 0.00
5 0.00 62000.00 0.00
Para optimizar el modelo de producción se recomienda
que el telar dobbie se utilice únicamente para producir
telas del tipo 1 y 2 y el telar Normal se utilice para
producir telas del tipo 3,4, y 5 y se debe adquirir telas del
tipo 1 y 3.
 La contribución total proyectada a la utilidad
La contribución total proyectada a la utilidad es de
62531.49 dólares.
181
 Análisis del valor de tiempo adicional del telar
Cada hora-máquina adicional del telar Dobbie aumentará
la utilidad en 0.6482 dólares.
Cada hora-máquina adicional del telar Normal aumentará
la utilidad en 0.5753 dólares.
Si la fábrica adquiere un nuevo telar Dobbie la utilidad
aumentará en 30*24*0.6482=466.704 dólares mensuales.
2.19.2. CASO COMPAÑÍA CONSTRUCTORA DE BARCOS
a) PLANTEAMIENTO DEL PROBLEMA
El gerente de producción de de la empresa, debe
determinar cuántas unidades del modelo C21 debe
producir durante los siguientes 4 trimestres. La empresa
tiene un inventario inicial de 100 barcos Classic 21 y para
los cuatro trimestres la demanda es de 2000 unidades en
el trimestre I, 4000 en el trimestre II, 3000 en el trimestre
III, y 1500 en el trimestre IV. La empresa tiene un límite
de capacidad de producción en cada trimestre. Esto es
posible producir hasta 4000 unidades en el trimestre I,
3000 en el trimestre II, 2000 en el trimestre III y 4,000 en
el trimestre IV. Cada barco que se quede en inventario en
182
los trimestres I y II incurre en un costo de mantenimiento
de inventarios de 250 dólares por unidad; el costo de
mantenimiento correspondiente a los trimestres III y IV es
de 300 dólares por unidad. Los costos de producción del
primer trimestre son de 10000 dólares por unidad; se
espera que estos costos aumenten en 10% por trimestre,
en razón a incrementos en costo de mano de obra y de
materiales. La administración ha indicado que el
inventario final del trimestre IV debe ser por lo menos de
500 barcos.
En el cuadro Nº 2.48 se detalla la demanda para cada
trimestre.
Cuadro Nº 2.48.- DEMANDA ANUAL POR TRIMESTRE
DEMANDA
INV 1TRI 2TRI 3TRI 4TRI
INICIAL
100 2000 4000 3000 1500
183
En el cuadro Nº 2.49 se detallan la capacidad de
producción, los costos de producción y los costos de
mantenimiento por unidad.
Cuadro Nº 2.49.- CAPACIDAD Y CVOSTOS DE
PRODUCCIÓN
CAPACIDAD DE PRODUCCION
1TRI 2TRI 3TRI 4TRI
4000 3000 2000 4000
COSTOS DE PRODUCCION por
unidad
1TRI 2TRI 3TRI 4TRI
10000 11000 12100 13310
COSTOS DE MANTENIMIENTO
por unidad
1TRI 2TRI 3TRI 4TRI
250 250 300 300
184
La gerencia solicita que Formule un modelo de
programación lineal que puede ser utilizado para
determinar el programa de producción que minimice el
costo total de cumplir con la demanda de cada uno de los
trimestres, sujeto a la capacidad de producción de cada
trimestre y también al inventario final requerido del
trimestre 4
SOLUCIÓN
a) Definición de las variables
X1: volumen de producción en unidades del producto C21 en el
trimestre I
trimestre II
X3: Volumen de producción en unidades del producto C21 en
el trimestre III
trimestre IV
b) Obtención del costo total de producción e
inventario
Costo total de producción =
10000X1+11000X2+12100X3+13310X4
185
Para la obtención del costo de inventario se consideran
las siguientes variables:
S1: costo de mantener en inventario del producto C21 en
el trimestre I
el trimestre II
el trimestre III
el trimestre IV
Costo de Mantener en inventario =
250S1+250S2+300S3+300S4
c) Formulación de la función objetivo y sus
restricciones
MIN Z = 10000X1+11000X2+12100X3+13310X4+
250S1+250S2+300S3+300S4
Las restricciones de la demanda mensual se plantean
según la siguiente regla:
186
 Inventario 
   Inventario 
 final   producción     Demanda 
 del mes    actual    final de    
de este mes 
      
 anterior   este mes 
 
100+X1-S1=2000
S1+X2-S2=4000
S2+X3-S3=3000
S3+X4-S4=1500
S4>=500
Las cantidades a producir se plantean de acuerdo a las
siguientes restricciones:
X1<=4000
X2<=3000
X3<=2000
X4<=4000
d) Formulación del modelo de optimización lineal
El modelo lineal del problema es el siguiente:
MIN
=10000*X1+11000*X2+12100*X3+13310*X4+250*S1+250*S2+
300*S3+300*S4;
187
Sujeto a: 100+X1-S1=2000;
S1+X2-S2=4000;
S2+X3-S3=3000;
S3+X4-S4=1500;
S4>=500;
X1<=4000;
X2<=3000;
X3<=2000;
X4<=4000;
El inventario final del trimestre 4 debe ser por lo menos
500 barcos.
Minimizar costo total.
e) Solución del modelo con el software lingo
En el cuadro Nº 2.50 se presenta los resultados obtenidos
mediante el programa Lingo.
Cuadro Nº 2.50.- SOLUCIÓN DEL MODELO DE
PROGRAMACIÓN LINEAL
188
f) Interpretación de resultados
En el cuadro Nº 2.51, se muestra para cada trimestre
la cantidad de unidades a fabricar, el inventario final y
los costos requeridos.
Cuadro Nº 2.51.- CANTIDAD INVENTARIO Y COSTO TOTAL
TRIMESTRE CANTIDAD CANTIDAD COSTO
A EN TOTAL $
FABRICAR INVENTARIO
I 1900 250 10000
II 4000 250 11000
189
III 3000 300 12100
IV 1500 300 13310
2.19.3. CASO EMPRESA PRODUCTORA DE CALZADOS
a) Planteamiento del problema
La empresa produce dos tipos de calzados: calzado tipo
sport, calzado tipo normal; para lo cual utiliza los
siguientes recursos indicados en el cuadro Nº 2.52.
Cuadro Nº 2.52.- RECURSOS PARA LA PRODUCCIÓN
Tipo de Tiempo Tiempo Tiempo
calzado maquina Nº1 maquina Nº2 maquina
(min) (min) Nº3 (min)
Sport 50 30 25
Normal 30 22 20
Disponibilidad de
tiempo de 500 400 300
maquina
Los costos de los materiales se detallan en el cuadro Nº
2.53.
Cuadro Nº 2.53.- COSTO DE LOS MATERIALES
Materiales Kilos Costo
190
Hilos 10 30
Cuero 500 200
Cromo falsa 300 50
Terokal 5 30
Pvc 5 10
La demanda por mes se detalla en el cuadro Nº 2.54.
Cuadro Nº 2.54.- DEMANDA MENSUAL DE CALZADOS
Tipo de calzado Demanda /mes Precio
Sport y sus modelos 90 95
Normal y sus 150 80
modelos
b) SOLUCIÓN
Variables a utilizar:
Xij: Cantidad del calzado tipo i modelo j a producir.
i---tipo de calzado.
j--- modelo de calzado.
FORMULACIÓN DEL MODELO DE PROGRAMACIÓN
LINEAL:
Función objetiva:
191
max = 95*(x11+x12+x13+x14+x15) +80*(x21+x22+x23+x24+x25)-
30*(x13+x23)-200*(x11+x21)-50*(x12+x22)-30*(x14+x24)-
10*(x15+25);
Restricciones:
Demanda del calzado tipo Sport:
x11+x12+x13+x14+x15>= 90;
Demanda del calzado tipo normal:
x21+x22+x23+x24+x25>=150;
Tiempo del calzado Sport y normal en la maquina 1:
50*(x11+x12+x13+x14+x15)+30*(x21+x22+x23+x24+x25)<=500;
30*(x11+x12+x13+x14+x15)+22*(x21+x22+x23+x24+x25) <=400;
25*(x11+x12+x13+x14+x15)+20*(x21+x22+x23+x24+x25)<=300;
Disponibilidad de cuero:
x11+x21<=500;
Disponibilidad de cromo:
x12+x22<=300;
Disponibilidad de hilos:
192
x13+x23<=10;
Disponibilidad de terokal:
x14+x24<=5;
Disponibilidad de PVC:
x15+x25<=5;
La solución se muestra en el cuadro Nº 2.55.
Cuadro Nº 2.55.- SOLUCIÓN DEL PROBLEMA DEL ZAPATERO
Global optimal solution found.
Objective value:
660.0000
Total solver iterations:
Variable Value
Reduced Cost
X11 0.000000
170.0000
X12 0.000000
20.00000
X13 0.000000
0.000000
193
X14 4.000000
0.000000
X15 0.000000
10.00000
X21 0.000000
170.0000
X22 0.000000
20.00000
X23 4.000000
0.000000
X24 1.000000
0.000000
X25 5.000000
0.000000
Row Slack or Surplus Dual Price
1 660.0000 1.000000
2 86.00000 0.000000
3 140.0000 0.000000
4 0.000000 0.2000000
5 60.00000 0.000000
6 0.000000 2.200000
7 500.0000 0.000000
194
8 300.0000 0.000000
9 6.000000 0.000000
10 0.000000 0.000000
11 0.000000 30.00000
c) Interpretación de resultados
Función objetivo: 660.0000
Variables de decisión
Calzado 1 producido con el material 1: x11=0
Calzado 1 producido con el material 5: x15= 0
Interpretación de las Variables de holgura y
superfluas:
*Y1=86
Interpretación:
195
Se han producido 86 unidades más de calzado Sport:
*Y2=140
Interpretación:
Se ha producido 140 unidades más del calzado normal
*Y3=0
Interpretación:
Se ha utilizado todo el tiempo disponible en la maquina 1
*Y4=60
Interpretación:
Quedan 60 minutos disponibles en la maquina 2
*Y5=0
Interpretación:
Se ha utilizado todo el tiempo en la maquina 3
*Y6=500
Interpretación:
Se ha utilizado 500 kilos más de cuero
*Y7=300
Interpretación:
Se han utilizado 300 kilos más de cromo
*Y8=6
Interpretación:
196
Quedan disponibles 6 kilos de hilo
*Y9=0
Interpretación:
Se ha utilizado todo el material de terokal
*Y10=0
Interpretación:
Se ha utilizado todo el material de PVC
Interpretación de los precios sombra
Para x11=170:
*si se produce “m” unidad adicional del x11 la función
objetivo disminuye en
660-m (170);
Para x12=20:
objetivo disminuye en
660-m (20);
Para x13=0:
objetivo no varia
Para x14=0:
197
objetivo no varia
Para x15=10;
objetivo varia en
660-m(10)
Para x21=170
objetivo varia en
660-x21(170)
Para x22=20:
objetivo varia en
660-m(20)
Para x23=0:
objetivo no varia
Para x24=0:
objetivo no varia
Para x25:
198
objetivo no varía.
2.19.4. CASO COMPAÑÍA MAQUINADO
La compañía MAQUINADO S.A. fabrica dos tipos de ejes
en dos modelos de máquinas y en dos turnos de trabajo.
El pronóstico de demanda de ejes para los próximos 3
meses es el siguiente:
Eje 1 Eje 2
Octubre 50 000 30 000
Noviembre 80 000 50 000
Diciembre 50 000 40 000
Los ejes se fabrican en cualquier máquina cuya
capacidad de producción es de 50 ejes1 por una hora y
60 ejes2 por hora en cada máquina. El porcentaje de
piezas defectuosas se muestran a continuación.
MAQUINA A MAQUINA B
Eje 1 10 % 6%
Eje 2 10/6 % 8%
Actualmente hay un stock de 2000 ejes1 y 3000 ejes2 y
se desea al terminar diciembre tener un stock de 10 000
ejes de cada tipo. El costo de materia prima es S/. 200
199
por cada eje el costo por hora de la maquina A es de S/. 2
700 y S/. 2 900 por hora de la maquina B. El costo de
mano de obra es de S/. 4 por hora en el turno de día y de
S/. 6 por hora en el turno de la noche. La producción de
un mes que es almacenada para un mes posterior tiene
un costo de inventario de S/. 1 por mes. MAQUINADO
S.A. dispone de dos máquinas modelo A y tres máquinas
modelo B cada máquina es manejada por un operario.
Cada mes tiene cuatro semanas y cada turno trabaja 48
horas semanales. El departamento de Planteamiento y
Control de la producción desea determinar el plan de
producción para los próximos tres meses.
Formulación del modelo:
Sea:
 Función objetivo:
200
( )(
( )(
( )(
( )(
Restricciones:
 Demanda por mes Eje 1:
 Octubre:
 Noviembre:
201
 Diciembre:
 Demanda por mes Eje 2:
 Octubre:
 Noviembre:
 Diciembre:
 Inventario final Eje 1:
 Inventario final Eje 2:
202
 Tiempo fabricación Eje 1:
 Maquina A:
 Octubre:
 Noviembre:
 Diciembre:
203
 Maquina B:
 Octubre:
 Noviembre:
 Diciembre:
 Tiempo de fabricación del eje 2:
 Maquina A:
 Octubre:
 Noviembre:
 Diciembre:
 Maquina B:
 Octubre:
204
 Noviembre:
 Diciembre:
 No negatividad
Implementación del modelo:
!SEA:
Xijkl
DONDE:
i->TIPO DE EJE(1,2)
j->MODELO DE MAQUINA(A,B)
k->TURNO(D,N)
l->MES(1,2,3);
!FUNCION OBJETIVO;
MIN = (200-
2700/50)*(4/50*(X1AD1+X1AD2+X1AD3)+6/50*(X1AN1+X1AN2+X1AN3))
+(200-
2900/50)*(4/50*(X1BD1+X1BD2+X1BD3)+6/50*(X1BN1+X1BN2+X1BN3))+
(200-
2700/60)*(4/60*(X2AD1+X2AD2+X2AD3)+6/60*(X2AN1+X2AN2+X2AN3))
+(200-
2900/60)*(4/60*(X2BD1+X2BD2+X2BD3)+6/50*(X2BN1+X2BN2+X2BN3));
205
!RESTRICCIONES;
!EJE 1;
9*(X1AD1+X1AN1)/10+47*(X1BD1+X1BN1)/50>= 50000;
9*(X1AD2+X1AN2)/10+47*(X1BD2+X1BN2)/50>= 80000;
9*(X1AD3+X1AN3)/10+47*(X1BD3+X1BN3)/50>= 50000;
! EJE2;
59*(X2AD1+X2AN1)/60+23*(X2BD1+X2BN1)/25>= 30000;
59*(X2AD2+X2AN2)/60+23*(X2BD2+X2BN2)/25>= 50000;
59*(X2AD3+X2AN3)/60+23*(X2BD3+X2BN3)/25>= 40000;
! INVENTARIO FINAL EJE 1;
2000+9*(X1AD1+X1AN1)/10+47*(X1BD1+X1BN1)/50-
50000+9*(X1AD2+X1AN2)/10+47*(X1BD2+X1BN2)/50-
80000+9*(X1AD3+X1AN3)/10+47*(X1BD3+X1BN3)/50-50000=10000;
! INVENTARIO FINAL EJE 2;
3000+59*(X2AD1+X2AN1)/60+23*(X2BD1+X2BN1)/25-
30000+59*(X2AD2+X2AN2)/60+23*(X2BD2+X2BN2)/25-
50000+59*(X2AD3+X2AN3)/60+23*(X2BD3+X2BN3)/25-
40000=10000;
! TIEMPO DE FABRICACION;
! EJE 1;
(X1AD1+X1AN1)/50<=48*4*2*2;
(X1AD2+X1AN2)/50<=48*4*2*2;
(X1AD3+X1AN3)/50<=48*4*2*2;
(X1BD1+X1BN1)/50<=48*4*2*3;
(X1BD2+X1BN2)/50<=48*4*2*3;
(X2BD3+X2BN3)/50<=48*4*2*3;
! EJE 2;
(X2AD1+X2AN1)/60<=48*4*2*2;
(X2AD2+X2AN2)/60<=48*4*2*2;
206
(X2AD3+X2AN3)/60<=48*4*2*2;
(X2BD1+X2BN1)/60<=48*4*2*3;
(X2BD2+X2BN2)/60<=48*4*2*3;
(X2BD3+X2BN3)/60<=48*4*2*3;
207
Solución del modelo:
208
Para minimizar los costos de producción cuyo valor es
3631916se debe de producir:
 0 ejes tipo 1 en la maquina A en el turno de día en el
mes de octubre.
 28 728 ejes tipo 1 en la maquina A en el turno de día
en el mes de noviembre.
 0 ejes tipo 1 en la maquina A en el turno de día en el
mes de diciembre.
 0 ejes tipo 1 en la maquina A en el turno de noche
en el mes de octubre.
en el mes de diciembre.
 57 600 ejes tipo 1 en la maquina B en el turno de día
209
 0 ejes tipo 1 en la maquina B en el turno de noche
 0 ejes tipo 2 en la maquina B en el turno de día en el
mes de octubre.
210
 0 ejes tipo 2 en la maquina B en el turno de día en el
mes de diciembre.
2.19.5. CASO EMPRESA AGRICOLA
Una empresa agrícola explota una finca de 200 hectáreas
de regadío que puede dedicar en principio a dos cultivos
C1 y C2. Los ingresos y costos variables por hectárea
para cada cultivo figuran en la siguiente tabla:
Ingresos por Costos variables por

hectárea hectárea
Cultivo C1 14 000 6 000
Cultivo C2 15 000 6 000
Los costos fijos no influyen en la programación, puesto
que son independientes del plan de cultivo. El cultivo C1
puede repetirse indefinidamente todos los años en la
211
misma parcela; en cambio, el cultivo C2 ha de
implantarse en parcelas que el año anterior llevaron el
otro cultivo, pues si no se sigue esta norma técnica
(rotación de cosechas), disminuirán apreciablemente los
rendimientos.
La concesión de riego es de 1 litro por segundo y
hectárea. Es decir, 518 400 al mes para toda la finca.
Si las necesidades de agua de los cultivos en el mes
juntos son: (C1 = 3 000 , C2 = 4 000 )
La cosecha de C2 solo tiene salida en un mercado local,
que puede absorber como máximo la producción de 60
hectáreas. De dicho cultivo. Determinar las superficies a
cultivarse para obtener el beneficio máximo.
Formulación del modelo
Sea:
 Función objetivo:
 Restricciones:
212
 Rotación de cosechas:
 Capacidad de agua:
 Demanda del cultivo C2:
 No negatividad:
!SEA:
Xi
DONDE:
i->HECTARIA POR TIPO DE CULTIVO(1,2);
!FUNCION OBJETIVO;
MAX = 14000*X1+15000*X2-6000*(X1+X2);
! RESTRICCIONES;
! ROTACION DE COSECHAS;
X2<=X1;
! CAPACIDAD DE AGUA;
3000*X1+4000*X2 <= 518400;
! DEMNDA DEL CULTIVO C2;
213
X2<= 60;
214
Para maximizar el beneficio cuyo valor es 1382400 se
debe de producir:
 172.8 hectáreas del cultivo C1.
 0 hectáreas del cultivo C2.
2.19.6. CASO EMPRESA PRODUCTORA DE GUANTES
Planteamiento del problema:
La compañía Guantes E.P.S es una empresa de
autogestión, cuya finalidad es la fabricación de guantes
industriales. Actualmente, presenta algunos problemas de
decisiones administrativas de sus recursos por lo que
tiene que decidir la cantidad de cada tipo de guante a
producir para optimizar sus ingresos.
215
Actualmente se producen tres tipos de guantes,
clasificados en:(guantes de tipo A, guantes de tipo B y
guantes de tipo C).
Los costos detallados de cada uno de los guantes y el
precio de venta son los siguientes:
COSTOS Gastos indirectos Precio de

Guante
Mano de obra Materiales de fabricación venta
A 0.57 1.90 0.85 4.15
B 0.46 2.20 0.72 4.33
C 0.44 1.62 0.56 3.80
Se cuenta con el siguiente disponible para los siguientes
rubros:
Mano de obra 8 000

Materiales 40 000
Gastos indirectos de 12 000
fabricación
Se debe mencionar los siguientes aspectos:
a) La cuota de exportación de los guantes tipo A se
redujo a 20 000 pares mensuales por lo que la
compañía se redujo a 10 000 pares de exportación.
b) Además los reglamentos elaborados a fin de lograr
el desarrollo de las pequeñas empresas establecen
que se debe producir el guante tipo C a lo más el
60% de la producción del guante B.
El gerente de operaciones, Ramiro Irabien, quiere
determinar la solución factible.
216
Formulación del modelo:
Sea:
Función objetivo
Restricciones:
 Costos:
 Mano de obra:
 Materiales:
 Gastos indirectos de fabricación:
 Demanda del guantes:

 Tipo A:
 Tipo B y C:
No negatividad
217
! SEA:
Xi
DONDE:
i->TIPO DE GUANTE(A,B,C);
! FUNCION OBJETIVO;
MAX = 4.15*XA+4.33*XB+3.80*XC-
((0.57+1.90+0.85)*XA+(0.46+2.20+0.72)*XB+(0.44+
1.62+0.56)*XC);
! RESTRICCIONES;
! COSTOS;
0.57*XA+0.46*XB+0.44*XC<=8000;
1.90*XA+2.20*XB+1.62*XC<=40000;
0.85*XA+0.72*XB+0.56*XC<=12000;
! DEMANDA;
XA >= 10000;
XC/XB <= 0.60;
218
Para maximizar las ganancias cuyo valor máximo
es13567.13 se debe de producir:
 10 000 pares de guantes del tipo A
 3 176 pares de guantes del tipo B
 1 906 pares de guantes del tipo C
2.20. GLOSARIO
Costo oculto. Un costo que no es afectado por la decisión
tomada. Es un costo en el cual se incurrirá independientemente de
los valores que asuman las variables de decisión.
Costo reducido. Cantidad en la cual debería mejorarse el
coeficiente de una decisión objetivo (incremento para un problema
219
de decisión, decremento para uno de decisión), antes de que la
variable correspondiente pueda asumir un valor positivo en la
decisión óptima.
Información cuantitativa. Información en forma de números sobre
los valores de los recursos y las variables.
Factores cualitativos. Factores que califican cualidades en un
número definido de rangos.
Método heurístico. Procedimiento de solución de problemas por
medio de heurísticas o decisiones aceptables.
Método simplex. Procedimiento desarrollado por Datzing, que
resuelve el sistema de ecuaciones por medio de iteraciones
sucesivas, encontrando mejores soluciones en cada iteración.
Modelos estocásticos. Modelos lógico matemático que por lo
menos una de sus variables tiene una distribución de probabilidad
o una de sus variables es probabilística.
Precio dual. La mejora en el valor del incremento unitario de la
decisión objetivo en el valor del lado derecho de una decisión.
Rango de optimalidad. Rango de valores en los cuales puede
variar un coeficiente de decisión objetivo sin causar ningún cambio
en los valores de la variable de decisión de la decisión óptima.
220
Rango de factibilidad. Rango de valores en el cual puede variar
un lado derecho, sin cambiar el valor ni la decisión del precio dual.
Regla del 100 por ciento. Regla que indica cuando cambios
simultáneos en dos o más coeficientes de decisión objetivo no
causaran una decisión en los valores decisión de las variables de
decisión. También es aplicable para indicar cuando dos cambios o
más del lado derecho no causaron un cambio en ningún precio
dual.
Paquete de software. Conjunto de programas aplicativos para la
solución de modelos específicos.
Problema primal. Problema original, con las variables de decisión
y los recursos limitados.
Problema dual. Problema derivado del primal, ahora los
coeficientes de la función objetivo son los recursos y los
coeficientes de la función objetivo original son los recursos.
Precio sombra. Precio sombra indica exactamente cuánto
cambiará la función objetivo al coger unidades adicionales de los
recursos.
Administración de la producción. Consiste en el planeamiento,
la ejecución y el control de la producción en la empresa.
221
Aplicación. Utilización de una herramienta para un propósito
específico.
Bonos del gobierno. Documentos valorados que emite el
Gobierno central con el fin de venderlos ofreciendo una tasa de
rentabilidad, la emisión se realiza con el fin de recaudar dinero.
Capacidad de producción. El conjunto de recursos de producción
que dispone la empresa, incluye maquinaria, materiales, insumos,
mano de obra, energía, agua, financiamiento.
Capacidad de mano de obra. Total de las horas hombre que
dispone la empresa.
Cartera. Grupo de opciones de inversión, cada uno de los cuales
ofrece determinadas tasas de rentabilidad.
Costo total. Costo en que se incurre para la producción de algún
producto, la componen el costo variable mas el costo fijo.
Espacio de almacenamiento. Área total disponible apropiada
para almacenar bienes.
Investigación de mercados. Estudio cuyo objetivo es encontrar la
demanda de bienes y servicios actuales y futura.
Inversión en cartera. Monto de dinero destinado a la inversión en
todas las opciones.
222
Planeación financiera. Previsión de las necesidades de
financiamiento a futuro en la organización.
Programación de la producción. Detalle de la producción por
periodos futuros.
Mix. Conjunto de componentes, conjunto de productos, variedad
de productos.
Inventario. Cantidad de bienes o productos que están en almacén
esperando ser utilizados, constituye un capital inmovilizado de la
empresa.
Telares. Máquinas de tejer hilos, con ella se fabrican las telas.
Yarda. Unidad de medida de longitud inglesa, 1 yarda equivale a
Variables de decisión. Variables correspondientes a las
cantidades a producir, comprar.
CAPÍTULO III
223
PLANIFICACIÓN Y ADMINISTRACIÓN DE PROYECTOS CON
PERT – CPM
3.1. ANTECEDENTES DE PERT Y CPM
Uno de los primeros casos documentados de la época
actual sobre la administración y planificación de proyectos
se refiere al proyecto de armamentos del Polaris,
empezando 1958. Así surgió el PERT (Program Evaluation
and review Technique: Técnica de revisión y evaluación de
programa). La metodología desarrollada por la técnica PERT
demostró se de mucha utilidad de tal manera que comenzó
a aplicarse en otros tipos de proyectos y a generalizarse su
uso tanto en el gobierno como en el sector privado.
Simultáneamente o en la misma época, trabajadores de la
Compañía DuPont junto a la empresa constructora de
computadoras Remington Rand, desarrolló el método de la
ruta crítica (CPM: Critical Path Method) con el objetivo de
controlar el mantenimiento de proyectos de plantas químicas
de DuPont. El CPM es idéntico al PERT en concepto y
metodología, por lo que es muy probable que ambos
métodos hayan sido desarrollados por las mismas personas.
La principal diferencia entre ellos es que la forma como se
224
realizan los estimados de tiempo para las actividades del
proyecto son determinísticos con CPM y probabilísticos con
PERT.
3.2. ETAPAS DE LA PLANIFICACIÓN DE PROYECTOS
La planificación de proyectos comprende cuatro etapas:
1. Planificación.
a.- Definición del proyecto
b.- Redacción de lista de Actividades
c.- Definición de precedencias para las actividades.
d.- Elaboración de Matriz de Tiempos.
e.- Listado de recursos necesarios para el proyecto.
f.- Cálculo de los costos implicados en el desarrollo del
proyecto.
225
2. Programación.
a.- Elaboración de diagrama de Gantt o red (pert) de
Actividades.
b.- Calculo de las variaciones en los costos y pendientes
c.- Determinación de las actividades críticas y de la ruta o
camino crítico.
d.- Verificación de las limitaciones de tiempo, de recursos y
económicos
e.- Revisión de las holguras.
f.- Cálculo de la probabilidad de retraso
3. Ejecución.
a.- Aprobación del proyecto
b.- Ordenes de trabajo
4.- Evaluación y Control.
c.- Elaboración de gráficas de control
d.- Redacción de reportes y análisis de los avances
e.- Toma de decisiones y ajustes
226
3.3. CONSTRUCCIÓN DE LA RED DEL PROYECTO
Construcción de la Red:
Para construir la red o grafo se siguen las siguientes reglas:
1: Una actividad se representa con una y solamente una
flecha en la red.
2: Entre dos eventos sucesivos: inicial y terminal solamente
hay una actividad.
3: Para que las relaciones de precedencia se muestren de
forma correcta en el grafo, al agregar una nueva actividad se
deben responder las siguientes preguntas:
¿Qué actividades deben terminarse para que la actividad
pueda comenzar?
¿Qué actividades siguen a esta actividad?
¿Qué actividades se realizan de manera simultánea con
esta actividad?
Dos actividades no pueden tener el mismo nodo inicial y
terminal.
227
Para resolver el caso anterior se introduce una actividad
ficticia D
Una actividad parte de un nodo inicial i hacia un nodo
terminal j, se representa solo una vez en la red.
228
Una actividad se puede descomponer en segmentos, cada
segmento es una flecha separada.
A y B preceden a C, pero E es precedida solamente por B.
La forma correcta de representación es incluyendo una
actividad ficticia D.
Cálculo de la Ruta Crítica:
Se hace en dos etapas:
La primera etapa comprende los cálculos hacia adelante,
comenzando en el nodo de inicio y moviéndose hasta el
nodo final. En cada nodo se calcula el tiempo de inicio más
próximo (TIPi).
229
Si i = 0 entonces estamos en el nodo inicial y TIP0 = 0. Si Dij
es la duración de la actividad que parte de i y termina en j,
los cálculos hacia adelante se obtienen utilizando la fórmula:
Para todas las actividades (i, j) en la red.
La segunda etapa comprende los cálculos hacia atrás,
comenzando en el nodo terminal o final y moviéndose hasta
el nodo inicial. En cada nodo se calcula el tiempo de
terminación más tardío (TTTj).
Si j = n entonces estamos en el nodo terminal y TTTn = TIPn
para comenzar los cálculos hacia atrás. Si Dij es la duración
de la actividad que parte de i y termina en j, los cálculos
hacia atrás se obtienen utilizando la fórmula:
Para todas las actividades (i, j) en la red.
Una actividad será crítica y formará parte de la ruta crítica si
cumple las siguientes condiciones:
230
Las actividades críticas se distinguen en la red con un color
diferente:
Cálculo de las Holguras.
Primero necesitamos calcular el tiempo de inicio más tardío
(IT) y el tiempo de terminación más próximo (TT), lo cual
hacemos con las siguientes fórmulas:
La holgura total HT para la actividad (i, j) es la diferencia
entre el máximo tiempo disponible para realizar la actividad
y su duración.
231
La holgura libre HL para la actividad (i, j) es el exceso de
tiempo disponible sobre su duración, y parte de suponer
que todas las actividades inician tan pronto como sea
posible.
Las actividades críticas tienen tanto holgura total como
holgura libre igual a cero. Una actividad no crítica puede
tener holgura libre igual a cero.
3.4. TECNICA DEL PERT
La técnica del camino crítico es un proceso administrativo de
planeación o planificación, programación, ejecución,
supervisión y control de las actividades que componen un
proyecto. El proyecto a desarrollarse tiene limitaciones de
tiempo y recurso, así como consideraciones de costos, por
lo que deberá culminarse dentro de un tiempo crítico y al
menor costo) optimización de recursos). Para trabajar con
esta técnica se utilizan los siguientes recursos:
a) Diagrama de red
Es una red de círculos o eventos numerados y
conectados con arcos o flechas, donde se muestran todas
232
las actividades y eventos que intervienen en un
determinado proyecto expresando además las relaciones
de prioridad entre las actividades en la red.
b) Actividad
Corresponde a un período de tiempo. Es un trabajo,
acción u operación que se debe realizar como parte de un
proyecto, se representa mediante una rama o arco de
flecha o de red en el diagrama PERT. Para ello es
necesaria una lista de actividades exhaustiva y ordenada
donde que muestra todas las diferentes actividades que
intervienen en la realización de un proyecto.
Las actividades predecesoras o antecedentes
inmediatos, son las actividades que deben Preceder
(estar antes) inmediatamente a una actividad determinada
o dada en un proyecto.
Las actividades ficticias, son actividades imaginarias
que existen dentro del diagrama de red, sólo con la
finalidad de establecer las relaciones de precedencia que
de otra forma no se podrían establecer. A estas
actividades no se les asigna tiempo alguno, es decir
233
tienen tiempo cero. Las actividades ficticias permiten
dibujar redes con las relaciones de Precedencia
apropiadas, se representa por medio de una línea
punteada.
c) Evento
Corresponde a un momento en el tiempo. Se identifican al
comienzo o a la terminación de una actividad. Se dice que
se realiza un evento, cuando todas las actividades que
llegan a un mismo nodo han sido terminadas. Se
representan con círculos numerados y forman parte del
diagrama de red. En cada arco de flecha se dibujan al
principio y al fin de las actividades que intervienen en el
proyecto.
d) Arco de flecha o Rama
Son las flechas o arcos que forman parte del diagrama de
red, significan las actividades en el proyecto.
e) Ruta crítica o camino crítico
Un camino es una serie de actividades sucesivas
conectadas, que conduce del principio del proyecto al
final del mismo. El camino que requiera el mayor trabajo,
es decir, el camino más largo dentro de la red se
234
denomina ruta crítica o camino crítico de la red del
proyecto. El tiempo requerido para recorrer este camino o
ruta crítica, es el que se necesita o requiere para terminar
el proyecto.
f) Elementos básicos de la Técnica PERT
Holgura o margen. Es el tiempo libre en la red, es decir, la
cantidad de tiempo que se puede retrasar o demorar una
actividad sin afectar la fecha de terminación del proyecto
total.
Tiempo de Inicio más Temprano (cercano o próximo,
TIPi): Es el tiempo más temprano o próximo en que
puede comenzar una actividad.
Tiempo de Inicio más Lejano (o tardío o remoto, ITij): Es
el tiempo más lejano o tardío en que puede iniciar una
actividad sin que se retrase el proyecto total.
Tiempo de Terminación más Temprano, TTij: Es el tiempo
más cercano en que puede finalizar una actividad.
Tiempo de Terminación más Lejano o Tardío, TTTi: Es el
tiempo más lejano o tardío en que puede finalizar una
actividad sin que se retrase el proyecto total.
235
3.5. TIEMPOS DE CULMINACIÓN DE UNA ACTIVIDAD Y
TIEMPO DE CULINACIÓN DEL PROYECTO UTILIZADOS
EN PERT
El tiempo de culminación de una actividad es el tiempo
necesario para llevar a cabo una actividad.
Inclusión de tiempos probabilísticos:
Suponemos que el tiempo requerido para realizar una
actividad sigue una distribución beta. La distribución de
tiempo para cualquier actividad se define mediante tres
estimaciones de tiempo:
1) Tiempo estimado más probable: m.
2) Tiempo estimado optimista: a.
3) Tiempo estimado pesimista: b.
En el gráfico a continuación se muestra la forma de la
distribución beta para los tres tiempos estimados.
La figura Nº 3.1 muestra la distribución de los tiempos de las
actividades del proyecto.
236
Figura Nº 3.1.- DISTRIBUCIÓN DE PROBABILIDAD BETA
Tiempo esperado para una actividad. Es el tiempo
calculado usando el promedio ponderado o la media
aritmética de (a + b)/2 y 2m.
Es decir: (a+b + 4m)/6.
El tiempo más probable (D) es el tiempo requerido para
terminar la actividad bajo condiciones normales.
Los tiempos optimistas y pesimistas proporcionan una
medida de la incertidumbre relacionada con cada actividad,
incluyendo desperfectos en maquinarias y equipos,
disponibilidad de mano de obra, retardo la entrega de
materiales y otros factores no controlables por los
administradores y directores del proyecto.
237
Para calcular el valor esperado suponemos que el punto
medio (a + b)/2 tiene una ponderación igual a la mitad de
tiempo más probable m, Calculando la media aritmética de
estos dos valores, obtenemos:
Suponiendo igualmente que al menos 90% de cualquier
función densidad de probabilidad está dentro de tres
desviaciones estándares de su media, la varianza es:
El tiempo esperado de finalización de un proyecto es la
suma de todos los tiempos esperados de las actividades
sobre la ruta crítica. Igualmente si suponemos (quizá no de
forma real o demostrable) que las distribuciones de los
tiempos de las actividades son independientes, la varianza
del proyecto es la suma de las varianzas de las actividades
sobre la ruta crítica.
3.6. ANÁLISIS PERT DE CULMINACIÓN DEL PROYECTO
Todos los cálculos se hacen bajo el supuesto que los
tiempos de las actividades se conocen. A medida que el
238
proyecto avanza, los tiempos estimados se utilizan para
controlar y evaluar el progreso del proyecto. Si ocurre algún
retardo en el proyecto, se hacen esfuerzos por lograr que el
proyecto quede de nuevo según lo programado cambiando
la asignación de recursos, el gráfico del tiempo esperado de
culminación se visualiza en la figura Nº 3.2.
Figura Nº 3.2.- TIEMPO ESPERADO DE TERMINACIÓN
DEL PROYECTO
Todos los cálculos se hacen bajo el supuesto que los
tiempos de las actividades se conocen. A medida que el
proyecto avanza, los tiempos estimados se utilizan para
controlar y evaluar el progreso del proyecto. Si ocurre algún
retardo en el proyecto, se hacen esfuerzos por lograr que el
239
proyecto quede de nuevo según lo programado cambiando
la asignación de recursos.
Si para un camino cualquiera la esperanza y la varianza son:
E {μi} = ΣDi
Var {μi} = ΣVk
k son las actividades sobre la ruta más larga que lleva a i.
Si μi es la suma de variables aleatorias independientes,
entonces según el teorema del límite central, es casi
normalmente distribuida con media E{μi} y varianza var {μi}.
Ante un tiempo especificado por el analista TPi, y sabiendo
que μi es el tiempo de ocurrencia más próximo, podemos
calcular la probabilidad:
Z representa una variable aleatoria normal estándar con
media 0 y varianza 1.
La figura Nº 3.3 presenta el área para la probabilidad de
culminación del proyecto antes de Tpi.
240
Figura Nº 3.3.- PROBABILIDAD DE CULMINACIÓN ANTES DE T
3.7. TECNICA DEL CPM
3.7.1. TIEMPOS DE CULMINACIÓN DEL PROYECTO
Tiempo normal (n). Es el tiempo necesario para
terminar una actividad si esta se realiza en forma
normal. Es el tiempo máximo para terminar una
actividad con el uso mínimo de recurso.
Tiempo acelerado (c). Tiempo que sería necesario
si no se evita costo alguno con tal de reducir el
tiempo del proyecto. Tiempo mínimo posible para
terminar una actividad con la concentración máxima
de recursos.
3.7.2. COSTOS
La duración de una actividad puede disminuirse
aumentando los recursos que se le asignan, con el

241
consiguiente aumento en los costos. Según se
muestra en la figura Nº 3.4, la línea con pendiente
creciente desde la duración normal hasta la duración
mínima (si esto no se cumple el análisis no es
válido).
Figura Nº 3.4.- PENDIENTE DE COSTOS
La ruta crítica se calcula con la duración normal de
las actividades, es decir menor costo, y se calcula el
costo correspondiente a este programa.
Luego se considera una reducción en la duración del
proyecto, tomando en cuenta únicamente las
actividades críticas. Se hace el análisis tomando
242
aquella actividad crítica con pendiente de costo más
pequeña, y se recorta tanto como sea posible.
Esto da lugar, quizá a otra ruta crítica, con un costo
más alto. El procedimiento se repite hasta que todas
las actividades críticas estén en su duración mínima.
El resultado final es una curva de costo para los
diferentes programas con sus correspondientes
costos, como al aumentar la duración del proyecto
aumentan los costos indirectos debemos considerar
el costo total que es la suma de los costos indirectos
mas los directos. El programa óptimo es aquel con
costo total mínimo se visualiza en la figura Nº 3.5.
243
Figura Nº 3.5.- DETERMINACIÓN DEL PROGRAMA DE COSTO
MÍNIMO
3.8. GLOSARIO
PERT. Técnica probabilística para la administración de
proyectos, los tiempos de culminación de cada actividad
obedecen a una distribución de probabilidad.
CPM. Técnica determinística para la administración de
proyectos, los tiempos de culminación de cada actividad son
fijos, existe la posibilidad de cortar el tiempo de culminación de
las actividades con el consiguiente incremento de costos.
Determinística. Los eventos son determinados, fijos, ocurren
con certeza.
244
Probabilístico. Los eventos son probables, existe un cierto
grado de probabilidad de ocurrencia.
Actividad. Acción que necesita recursos para su realización.
Precedencia. Hechos, eventos o actividades que anteceden a
otra.
Ruta crítica. Camino más largo para llegar desde el nodo
inicial al nodo final.
Holgura. Cantidad que sobra, que no se ha utilizado.
Red. Conjunto de arcos entrelazados.
Tiempo de culminación. Tiempo que consume una actividad
en su realización, desde el inicio hasta la culminación.
245
CAPITULO IV
TEORIA DE INVENTARIOS
4.1. INTRODUCCIÓN
Las organizaciones utilizan recursos para utilizarlos en sus
procesos, entre estos recursos se cuentan con materia
prima, insumos, maquinarias, energía, mano de obra, fondos
en los bancos, etc.
246
Los recursos anteriormente mencionados, que están
esperando ser utilizados reciben el nombre de inventarios,
es decir inventario es el conjunto de bienes o servicios que
están esperando ser utilizados, pero que actualmente están
inactivos y por lo tanto no están siendo añadidos con valor.
4.2. LA ADMINISTRACION DE INVENTARIOS
La administración del inventario tiene fuerte impacto en
todas las áreas de la empresa, particularmente: Producción,
Mercadotecnia, Finanzas
Los inventarios son necesarios para el desarrollo de los
negocios y ellos representan ciertos costos que deben ser
minimizados para maximizar las ganancias de la empresa.
El problema de Inventarios se reduce a las siguientes
interrogantes:
¿Qué cantidad se debe pedir o producir?
¿Cuándo se debe pedir o producir?
La decisión de cuanto ordenar implica la selección de una
cantidad de pedido que signifique un equilibrio entre:
Mantener inventarios reducidos y hacer pedidos frecuentes
247
Mantener inventarios numerosos y hacer pedidos poco
frecuentes
4.3. OBJETIVOS Y FUNCION DE LOS INVENTARIOS
Dentro de la empresa existen diferentes objetivos de
Inventario:
• EL Dpto. Financiero prefiere mantener los inventarios en
un nivel
Bajo para conservar y tener flujo de capital y efectivo.
• El Dpto. de Mercadotecnia se inclina por tener niveles
altos de inventario para reforzar las ventas y pedidos.
• El Dpto. de Producción desea inventarios adecuados
para una producción eficiente y niveles de empleo
homogéneos tanto de maquinarias como de personal.
248
FLUJO DE LOS INVENTA
Demanda
Cliente
Inventario
Venta Su
Función de los inventarios
1. Inventario de transito o de conducto, formados por
suministros para cubrir retardos en el manejo y el transito.
2. Inventario de tamaño de lote, pedidos por lote por ser mas
3. Económicos.
4. Inventario de Seguridad, para prevenir faltantes debido a
fluctuaciones inciertas de la demanda.
249
5. Inventarios estaciónales, diseñados para cumplir mas
económicamente la demanda estacional, variando los
niveles de producción para satisfacer fluctuaciones de la
demanda.
6. Inventarios de Desacople, tienen como función desunir
funciones.
4.4. CARACTERISTICAS DE LOS SISTEMAS DE
INVENTARIOS
La administración de inventarios presenta las siguientes
características:
4.4.1. COSTOS DE INVENTARIO
a) Costo de Pedido. son los costos asociados con el
reabastecimiento del inventario, estos varían con el numero
de pedidos.
b) Costo de Mantenimiento. Costos asociados por mantener un
nivel dado de inventarios disponibles. Comprenden:
• Costos de Oportunidad
• Costos de Almacenamiento
• Deterioro del Producto u Obsolescencia
• Impuestos, Depreciación, Seguros
250
c) Costos de Agotamiento: Las paralizaciones en que se
incurre.
Cuando se queda sin mercancía, o cuando se pierde ventas.
d) Precio de Compra. en el que se asegura descuentos por
cantidades, o una producción en lotes grandes, se traduce
en una disminución de costos.
4.4.2. TIPOS DE DEMANDA
a) Demanda Determinística
Las cantidades pedidas sobre los periodos
subsiguientes se conocen con certeza.
b) Demanda Probabilística.
La demanda sobre un periodo futuro de tiempo es
incierta y se puede describir en términos de una
distribución.
c) Demanda Estática. La demanda sobre periodos de
tiempo iguales es constante.
d) Demanda Dinámica. La demanda varia en cada
periodo de tiempo.
4.4.3. TIPOS DE PEDIDO O CICLO DE PEDIDO
251
a) Revisión Continua.- El registro del nivel de
inventario se monitorea continuamente hasta hacer
un nuevo pedido.
b) Revisión Periódica.- Los pedidos se colocan en
intervalos regulares de tiempo
252
MODELO DE INVENTARIO
 Supongamos que:
 I= tasa de costo anual.
20%
 C=costo unitario de un
elemento del inventario.
$ 26
 Ch=Costo anual de
posesión de una unidad en
el inventario
 Ch=0, 2*26=5, 2
Figura N° 3.1.- MODELO DE INVENTARIO
4.5. MODELOS DE INVENTARIO
253
Existen dos tipos de modelo de inventarios: modelo de
compra sin déficit y modelo de compra con déficit.
4.5.1. MODELO DE COMPRA SIN DEFICIT
Se supone lo siguiente:
La demanda D se efectúa a una tasa constante
La tasa de reemplazo es instantánea
Todos los coeficientes de costo son constantes
C1 costo unitario / periodo
C2 costo de ordenar la compra
C3 costo de mantenimiento / unidad
Suposición Q = Im
24/10/2010 MG. Fidel Arauco C.
Tenemos:
Im inventario máximo
Q cantidad económica pedido
254
t tiempo entre pedido
T tiempo planeado anual
D demanda del articulo unidades/ año
Costo Total/Periodo = Costo Unitario/Periodo+Costo
de Ordenar/periodo+Costo de Mantener/Periodo
Costo Total /Año = Costo Total /Periodo* Numero de
Periodos /Año
Donde:
C1*Q Costo de Q unidades/periodo
C2 Costo de Ordenar/periodo
Q/2 inventario Promedio por periodo
C3*t*(Q/2) Costo de Mantenimiento del Inv.
Por periodo
Costo Total por Periodo:
Cp = C1*Q+C2+C3*t*Q/2..................1
Tiempo del Periodo t= Q/D
Periodos/Año N = D/Q
Reemplazando Valores en 1:
Cp = C1*Q + C2 + C3*(Q/D)*(Q/2)
255
Costo Total por Año: C = N*Cp
C = C1*D + C2* (D/Q) + C3* (Q/2).......incluido el precio
de compra
El lote económico se encuentra derivando con respecto
aQ
Entonces Qe = SQRT ( (2*C2*D)/C3 )
Q
t
Análisis de sensibilidad
256
La política optima de la Cantidad Económica de Pedido
deberá aprovecharse en el Futuro o no dependiendo del
realismo de la hipótesis. El modelo del Qe no es mas que
Una representación electiva de la realidad; una
abstracción y una aproximación.
Que tan sensibles son los resultados del modelo en
cuanto a los resultados y los datos.
Se puede comparar la sensibilidad de los costos totales C
de cualquier sistema operativo.
Con los costos totales C* de un sistema optimo de
inventarios usando la relación:
K = C/C* donde K es la medida de sensibilidad
o K = 0.5 * ( Q*/Q + Q/Q* )
Desviación de la variable de decisión
Q = K Q*
Si
K = 1 entonces Q = Q*
K > 1 entonces Q > Q*
K < 1 entonces Q < Q*
Existencias de seguridad
257
Sirven de amortiguador para absorber las variaciones de
la demanda y del tiempo de anticipación.
Intervalo Administrativo de Operación:
Qs = (1 + X) Q*
Qi = (1- X) Q*
Donde:
X tasa de desviación
Qs cantidad superior
Qi cantidad inferior
258
CASO:
La Empresa Thompson tiene un contrato con el Dpto de
Defensa por 150000 rodamientos al año. La Thompson
ordena a un proveedor el metal para los rodamientos en
lotes de 40000 unidades.
Cuesta $40 colocar un pedido y los costos de manejo se
calculan 20% del costo del producto $1.15, la empresa
desea conocer:
La cantidad optima a ordenar, el porcentaje de variación
de la cantidad pedida con respecto al optimo, cuanto le
cuesta esta variación y calcular el intervalo de operación
para una tasa del 15%.
Solución:
Datos D = 150000 Q = 40000 C1 = $0.15 C2 =
$40.00 C3 = $0.15 * 0.20 X = 0.15
Cantidad Optima a Pedir: Q* = SQRT ((2 * C2 * D)/
C3) = 20000
Comparando la cantidad Q*, con la Q real
C / C* = 0.5 (20000/40000 + 40000/20000) = 1.2La
cantidad pedida 40000 se desvía de la optima 20000 en
100%
259
Los costos solo son el 25% mas elevados que el óptimo.
Los costos suplementarios (marginales) de la cantidad
ordenada no optima:
K = C / C* C = K C*
Entonces C = C2* (D/Q) + C3* ( Q/2) = 0.25 * 40(
15000/20000 ) + 0.03(20000/2)
= $ 150.00
Intervalo de Operación del Lote.
Qs = 1.15 * (20000) = 23000
Qi = 0.85 * (20000) = 17000
4.5.2. MODELO DE COMPRA CON DEFICIT
Ocurre cuando hay faltantes, por lo tanto la cantidad
de faltantes debe ser el óptimo, para tener costos
óptimos por faltantes, el modelo se presenta en la
siguiente figura.
260
Costo mínimo
tota
Costo de pedido
Costo Total/periodo = Costo unitario /periodo
+ Costo de ordenar compra/ periodo
+ Costo de Mantener el Inventario/periodo
+ Costo de Déficit/periodo
261
Cp = C1 *Q + C2 + C3 * t1 * (im./2) + C4 * t2 * (s/2)
Reemplazando Valores
Cp = C1*Q + C2 + C3 * ( ( Q-S )2/2D ) + C4 * ( S2/2D )
Costo Total/ año C = N * Cp
C = C1*D + C2* ( D/Q ) + C3* (Q-S )2/2Q + C4* (S2/2Q )
Derivando C con respecto a Q y S resolviendo para estos valores
Q = ( ( ( 2 C2 D ) /C3 ) * ( ( C3 +C4 ) / C4 ) )1/2
S = ( ( ( 2 C2 D )/C4 ) * ( C3 / ( C3 + C4 ) ) )1/2
PROBLEMA:
Se tiene los siguientes datos D = 18000/año C1 = $1.0 C2 =
$400 C3 = $1.20/año
C4 = $5/año Año = 360 días
Solución
1.- Cantidad Óptima a Pedir
Q* = ( ( ( 2*400*18000 ) / 1.20 ) * ( ( 1.20 + 5.0 ) / 5.0 ) ) 1/2 =
3855.43
2.- Numero de Unidades Agotadas
S* = ( ( ( 2* 400*18000 ) / 5.0 ) * ( 1.20 / ( 1.20 + 5.0 ) ) ) 1/2 =
747
3.- Costo Total /año
262
C = 1*1800 + 400 (1800/3855 ) + 1.2 ( 3855 – 747 )2 / (
2*3855) + 5( 747)2/ (2*3855)
C = $ 21732.94
4.- Numero de Pedidos/año
N=D/Q 18000 / 3855 = 4.67 Pedidos por Año
5.- Tiempo Entre Pedidos
t = 1 /N = Q / D 3855 / 18000 = 0.214 Años 0.214*360 = 77
Días
6.- Tiempo de Existencias
t1 = (Q – S) / D (3855-747) / 18000 = 0.172 Años
0.172*360 = 62 Días
7.- Tiempo de Faltantes
t2 = S / D 747 / 18000 = 0.0415 Años 0.0415* 360 =
15 Días
4.5.3. CANTIDAD ECONOMICA DE PEDIDO CON
DESCUENTOS POR CANTIDAD
Ocurren descuentos por cantidad en numerosos
negocios e industrias en las que los proveedores
ofrecen incentivos para obtener cantidades grandes
de pedidos, ofreciendo menores costos de compra
263
cuando se solicitan los artículos en lotes o cantidades
grandes.
Observando que las mayores cantidades de pedido
dan como resultado mayores costos de tenencia de
inventario, debe prepararse un análisis completo de
los costos antes de hacer una recomendación final
sobre la política de pedidos o inventarios.
ALGORITMO
Paso 1. Para cada categoría J de descuento calcular
Qj = ( ( 2 * D * C2 ) / C3 )1/2
Considerando el costo unitario C1 de la categoría J
donde:
C3 = I * C1, I tasa de costo de tenencia anual, C1
precio de compra
Paso 2. Considerar lo siguiente:
Las cantidades Qj que están dentro del intervalo,
respetar
Las cantidades Qj mayores a la cota superior del
intervalo, descartar del análisis
Las cantidades Qj menores a la cota inferior del
intervalo, ajustar el Qj a esta cota
264
Paso 3. Para cada Qj permitido, calcular:
C = C1 * D + C2 * ( D/Q ) + C3 * ( Q/2 )
La cantidad de pedido que arroje el costo total
mínimo, es la cantidad óptima de pedido.
PROBLEMA:
La Cía. LST proveedor de la zapatería ILY esta
considerando descuentos al costo unitario por
cantidad de su articulo Z001.
TAMAÑO DEL PEDIDO DESCUENTOS COSTO
UNITARIO
UNIDADES % C1
0 - 250 0 20
250 - 1000 10 18
1000 - mas 25 15
La demanda anual es de 10000 unidades, costo de ordenar
(C2 ) $ 9.00, I = 10%
Año = 360 días, ¿Cuanto es la cantidad que debe pedir la
Zapatería?
SOLUCION:
Paso 1.- Calculando los Qj, para j = 1, 2, 3 y C3 = I*C1
265
Q1 = ( (2 * 10000 * 9 ) / ( 0.10*20 ) )1/2 = 300 > 250 No es
Factible
Q2 = ( (2 * 10000 * 9 ) / ( 0.10*18 ) )1/2 = 316 > 1000 Si es
Factible
Q3 = ( (2 * 10000 * 9 ) / ( 0.10*15 ) )1/2 = 346 < 1000 Si es
Factible
Paso 2.-
Manteniendo el valor de Q2 Q2 = 316 ( 250 - 1000 )
Ajustando el valor de Q3 Q3 = 346 < 1000, sea Q3 = 1000
Paso 3.- Calculando el Costo Total Anual para Q2 y Q3:
CEP CON DESCUENTO POR CANTIDAD FACTIBLES
Q Cost Unitario Cant. Pedida Costo / UnidadCosto por OrdenarCosto InventarioCost Tot Anual
C1 Q C1 * D C2 * ( D / Q ) C3 * ( Q / 2 ) C
Q2 18 316 180000 285 284 180569

Q3 15 1000 150000 90 750 150840
La Cantidad a pedir es de 1000 unidades con descuento de
25%
Con un costo de
15 (10000) + 9 ( 10000 / 1000 ) + 1.5 ( 1000 /2 ) = $ 150840
4.5.4. INVENTARIO ESTOCÁSTICO O PROBABILÍSTICO
266
En los sistemas de producción y distribución existen
factores de incertidumbre: la demanda es la que
presenta la mayor aleatoriedad
 DEMANDA VARIABLE:
 TIEMPO DE ESPERA
 DEMANDA DURANTE EL TIEMPO DE
ESPERA
DEMANDA VARIABLE:
Demanda futura es incierta.
Para estimar la demanda la manera más común es
reunir la información sobre experiencias pasadas y en
base a dichos datos pronosticarla para obtener
indicadores muy aproximados del patrón de la
demanda se calcula la media y la desviación estándar
de los datos, usando solo los puntos medios de los
intervalos.
TIEMPO DE ESPERA:
El tiempo de espera para recibir los pedidos, es
incierto.
DEMANDA DURANTE EL TIEMPO DE ESPERA:
267
Las fuentes de variación de la demanda durante el
tiempo de espera son:
1. la duración del tiempo de espera, por periodo.
2. la demanda en el tiempo de espera, por periodo.
4.6. MODELOS DE LOS INVENTARIOS ESTOCÁSTICOS
En el modelo de inventario estocástico, la demanda varía es
variable en el tiempo.
4.6.1. MODELO DE PERIODO SIMPLE
Los modelos de inventarios de este tipo ocurren
cuando un artículo es ordenado una vez, únicamente
para satisfacer la demanda de un periodo específico.
Por ejemplo un artículo de moda llega a ser obsoleto
después de un cierto periodo y después no puede
volverse a pedir.
El decidor se enfrenta al siguiente problema ¿Qué
tanto pedir debido a que el producto es perecedero?,
es decir minimizar los costos totales cuando la
demanda no se conoce con certeza.
En la siguiente ecuación se refleja la cantidad crítica
o cuartil que viene a ser el nivel de servicio que
268
aumenta las utilidades en el caso de los productos
perecederos:
CC  C4 / C4  C1
4.6.2. CASO DE ADMINISTRACION DE INVENTARIOS
Objetivos específicos de la empresa
La empresa Inv. Alvaro’s E.I.R.L, tiene como
objetivos específicos establecer de proveer a la
población de un producto para los momentos felices
pero con costos mas bajos ya que posee un
inventario grande de 3000 unidades semanales y
satisfacer las necesidades de los clientes lo más
pronto posible (lo que equivale a entregar los pedidos
de producción a tiempo).
Problemática
El problema de la empresa consiste en reducir costos,
tener un adecuado manejo sobre estos, cumplir con el
pedido de los clientes en el tiempo esperado y cubrir
con los sueldos de los empleados de dicha empresa.
Objetivos de generales
269
El presente estudio tiene como adjetivos generales
reducir los costos que conlleve a mantener altos
niveles de inventarios.
Objetivos específicos
El objetivo del presente estudio es brindarle a la
empresa alternativas de solución que sean viables
mediante la aplicación de una política optima de
inventarios, donde queremos determinar el tamaño
de cada pedido y cuando hacer los pedidos.
Metodologia
Entrevista con la administradora de la empresa Inv.
Alvaro’s E.I.R.L y nos brindo todos los datos
suficientes para un adecuado uso de los conceptos
de inventarios.
270
Analizaremos el caso de la empresa “Inversiones
Alvaro’s” distribuidora de cerveza “franca” al por
mayor y menor, desde su almacén localizado en Av.
Evitamiento norte Nº 230
Hemos obtenido los datos de la demanda para las
últimas 5 semanas:
Semanas Demanda/cajas
1 3000
2 2950
3 3050
4 2950
5 3050
Total cajas 15000
Cajas prom sem 3000
Análisis de costos
 Costos de posesión o costos de
mantenimiento:
Estos costos dependen del tamaño de inventario
dichos costos son:
271
 Costo de financiar el costo de inventario:
Inversiones Alvaro’s E.I.R.L utiliza su propio dinero
por lo que sufre un costo de oportunidad asociado al
hecho de que no podrá utilizar este dinero en otras
inversiones y este monto esta entre los intervalos de
S/ 8000.00 a S/ 10000.00.
En este caso existe un costo por interés relacionado
con el capital de inventario congelado en
inventarios(costo de capital) y se expresa como un
porcentaje de la cantidad invertida. Inv. Alvaro’s
E.I.R.L, estima su costo de capital a una tasa anual
del 12%.
 Costos de primas de seguro: Asciende al monto de
S/ 240.00.
 Impuestos: Asciende a S/600.00.
 Gastos generales de almacén: S/1800.00
Los costos de posesión como las primas,
impuestos y gastos generales de la empresa, se
estiman estos a una tasa anual de 8% del valor del
inventario.
272
El costo de posesión de una caja de franca en el
inventario durante un año es de 0,2.26=5,2 soles y
tendrá un costo anual de 0,2.26=5,2 soles/por caja.
Donde S/ 27.00 es el costo unitario de venta y S/
26.00 es el costo de compra,
Costo por pedir
Este costo que se considera fijo es independiente de
la cantidad a pedir,
Dichos costos son:
 Salario de los compradores: Es solo un
encargado de hacer las compras y su sueldo
mensual es de S/ 125.00
 Preparación de la requisición: Asciende a S/
2.00
 Procesamiento de pedido: Los vendedores de la
cerveza se encargan de la preparación de la
requisición de compra y procesamiento de
pedido y verificación de factura.
 Costo en llamadas: Asciende a S/ 10.00.
 Costo de recepción: Asciende a S/ 6.00.
273
La administración estima el costo de pedir es igual a
S/143.00
274
Existencia de seguridad
 Costo anual de posesión =(nivel promedio de
inventario)(costo anual de posesión por unidad)=
=2, 6 Q
 Costo anual de pedir=(número de pedidos por
año)(costo por pedido)=(D/Q) =
 Donde
275
 Costo anual total = costo anual de posesión +
costo anual de pedir
¿CUÁNTO PEDIR?
 Tabulando:
Cantidad a Costo anual Costo anual Costo
pedir de posesión de pedir total
6000 15600 3718 19318
5000 13000 4461.6 17461.6
4000 10400 5577 15977
3000 7800 7436 15236
2000 5200 11154 16354
1000 2600 22308 24908
276
El valor de Q* que minimiza el costo anual de pedir
esta dado por:
 La cantidad a pedir a mínimo costo anual para
“Franca” es:
Q*=2929 cajas/semana
 El uso de una cantidad de 2929 cajas muestra que la
política de inventarios de costo mínimo para
ALVARO’S E.I.R.L. tiene un costo total de 15231,6
soles.
277
¿CUÁNDO PEDIR?
 AJE garantiza una entrega de 2 días sobre cualquier
pedido colocado por “Inversiones ALVARO’S
E.I.R.L.”, por lo que suponiendo una tasa de demanda
constante de 3000 cajas por semana, es decir 500
cajas diarias. Podemos expresar que se venden 1000
cajas durante los 2 días que le toma a un nuevo
pedido llegar al almacén de “Inversiones ALVARO’S
E.I.R.L.”.
 El tiempo de entrega para un pedido es 2 días
 La demanda durante el periodo de entrega es 1000
cajas
¿CUÁNDO PEDIR?
 Por lo tanto “Inversiones ALVARO’S E.I.R.L.” deberá
pedir un nuevo embarque a AJE cuando el nivel de
inventarios llegue a 1000 cajas.
 Punto de Reorden= (demanda por día) (tiempo de
entrega de una pedido en días)
 Tiempo del Ciclo=D/Q*=156000/2929=53
278
 El número de pedidos que colocará AJE para
“Inversiones ALVARO’S E.I.R.L.” cada año es 53,
durante 300 días de trabajo por lo que el tiempo de
ciclo es 5.66 días.
Análisis de sensibilidad
CANTIDADES ÓPTIMAS DE PEDIDO PARA VARIAS POSIBILIDADES DE COSTO
POSIBLE COSTO POSIBLE CANTIDAD COSTO TOTAL ANUAL
DE POSESIÓN DEL COSTO DEL ÓPTIMA DE PROYECTADO
INVENTARIO (%) PEDIDO PEDIDO Q* UTILIZANDO UTILIZANDO
Q* Q=2929
19 142 2994 14793.98 14797.62
19 144 3015 14897.79 14904
21 142 2848 15695.52 15705.61
21 144 2868 15805.68 15812.13
CONCLUSIONES
 La ejecución adecuada de administración de almacenes,
aseguran el máximo de eficiencia en la gestión de estos.
 El determinar las cantidades económicas de compra
permitirá a la empresa conseguir resultados favorables,
279
tanto en equilibrar los costos de compra como el de almacén
y de aplicar un balance de las existencias antes de emitir un
pedido.
 El almacén debe ser dotado del espacio necesario para el
almacenamiento de insumos y el personal encargado debe
ser capacitado continuamente para que su trabajo sea más
eficiente.
 La técnica de control de existencia desarrollada en el
presente trabajo es aplicable a diferentes tipos de estructura
de organizaciones que manejan almacenes de productos
terminados.
280
CAPÍTULO V
TEORIA DE COLAS
5.1. DEFINICIONES GENERALES
• Línea de espera. Esta se presenta, cuando los “clientes”
llegan a un “lugar” demandando un servicio a un “servidor”,
el cual tiene una cierta capacidad de atención. Si el servidor
no está disponible inmediatamente y el cliente decide
esperar, entonces se forma la línea de espera.
• Los clientes no llegan a un horario fijo, es decir, no se sabe
con exactitud en que momento llegarán los clientes.
También el tiempo de servicio no tiene un horario fijo.
• Los problemas de “colas” se presentan permanentemente
en la vida diaria
281
5.2. TERMINOLOGÍAS UTIÑIZADAS EN LA TEORIA DE
COLAS
• λ: Representa el número medio de llegadas por unidad de
tiempo.
• μ: Es el número medio de clientes a los que se les completa
el servicio, por unidad de tiempo.
• Po: Probabilidad de que no se encuentren clientes en el
sistema.
• Lq: Número medio de clientes en la cola, o línea de espera.
• L: Número medio de clientes en el sistema.
• Wq: Tiempo que un cliente espera en la cola o línea de
espera.
• W: Tiempo que un cliente pasa (tiempo de espera en el
sistema).
• Pw: Probabilidad de que un cliente que llegué tenga que
esperar el servicio.
• Pn: Es la probabilidad de que se encuentren n clientes en el
sistema (n = 0, 1,…).
• k: Denota el número de servidores del mecanismo de
servicio.
282
5.3. TIPOS DE MODELOS DE LINEAS DE ESPERA
En los sistemas reales se presentan tres tipos de modelos
de líneas de espera: modelo simple, modelo general y
modelo en serie.
5.3.1. MODELO DE LÍNEA DE ESPERA SIMPLE (M/M/1)
• La línea de espera tiene un solo canal
• Las llegadas siguen una distribución de
probabilidad Poisson
• Los tiempos de servicio siguen una distribución
de probabilidad exponencial
• La disciplina en la cola es primera llegada , primer
servicio
• El diagrama del modelo simple se presenta a
continuación:
283
Sus características de operación:
L  Lq   / 
P0  1   / 
 2
Lq 
 (   )
W  Wq  1 / 
Lq
Wq 

n
PW   /  
Pn    P0

5.3.2. MODELO DE LÍNEA DE ESPERA DE MÚLTIPLES
CANALES (M/M/K)
• Las llegadas siguen una distribución de
probabilidad Poisson
• Los tiempos de servicio siguen una distribución de
probabilidad exponencial
• La tasa media de servicio μ es la misma para cada
uno de los canales
• Las llegadas esperan en una sola línea de espera,
luego pasan al primer canal abierto para su servicio
284
• La disciplina en la cola es primera llegada , primer
servicio
El diagrama del modelo general se presenta a
continuación:
t1
t
t2
S
1
P0  K 1
( /  ) ( /  ) k
n
 k 
 n!  k!
N 0
 
 k   
( /  ) k 
Lq  P0
(k  1)!(k   ) 2
L  Lq   / 
Lq
Wq 

W  Wq  1 / 
285
k
1   k 
PW      P0
k!     k   
( /  ) n
Pn  P0 , Para : n  k
n!
( /  ) n
Pn  P0 , Para : n  k
k!k ( nk )
5.4. CASO ATENCIÓN EN UNA AGENCIA BANCARIA:
BANCO DE CRÉDITO DEL PERÚ BCP
• Banco de Crédito del Perú - BCP es el banco más grande y
más antiguo del Perú.
• Las actividades de su división de banca personal incluyen:
(i) actividades bancarias exclusivas
(ii) préstamos a la pequeña empresa
(iii) préstamos hipotecarios
(iv) tarjetas de crédito Visa
(v) créditos de consumo
(vi) actividades bancarias institucionales.
5.4.1. PLANTEAMIENTO DEL PROBLEMA
286
En la mayoría de ocasiones para obtener algún
servicio o producir un bien, un fenómeno muy común
es la formación de colas o líneas de espera; esto
suele ocurrir cuando la demanda real de un servicio
es superior a la capacidad que existe para dar dicho
servicio. Ejemplos de esa situación son: los cruces de
dos vías de circulación, los semáforos, los cajeros
automáticos, la atención a clientes en un
establecimiento comercial, la avería de
electrodomésticos u otro tipo de aparatos que deben
ser reparados por un servicio técnico, los procesos de
producción, el aterrizaje de aviones, el desembarco
de buques, para citar entre los más comunes.
Todavía más frecuentes, si cabe, son las situaciones
de espera en el contexto de la informática, las
telecomunicaciones y, en general, las nuevas
tecnologías. Así, por ejemplo, los procesos enviados
a un servidor para su ejecución forman colas o líneas
de espera mientras no son atendidos, la información
solicitada, a través de Internet, a un servidor Web
puede recibirse con demora debido a congestión en la
287
red o en el servidor propiamente dicho, se recibe la
señal de líneas ocupadas si la central de la que
depende nuestro teléfono móvil está colapsada en
ese momento, etc.
288
En la figura N° 5.1 se muestra la línea de espera.
Figura Nº 5.1.- LÍNEA DE ESPERA TÍPICA
En el caso de atención de un banco, el problema es
determinar qué capacidad o tasa de servicio
proporciona el balance correcto. Esto no es sencillo,
ya que un cliente no llega a un horario fijo, es decir,
no se sabe con exactitud en que momento llegarán
los clientes. También el tiempo de servicio no tiene un
horario fijo.
Los clientes llegan al banco, recaban su turno de
atención y esperan a ser llamados según su número
de atención por algún módulo de atención que se
encuentra libre en ese momento, es sistema múltiple
se presenta en la figura N° 5.2.
289
Figura Nº 5.2.- SISTEMA DE COLAS DEL BANCO
5.4.2. OBTENCIÓN DE DATOS Y CARACTERÍSTICAS
DEL SISTEMA
Las características de operación del sistema de
atención del banco esta dado por los siguientes
parámetros:
 λ: Representa el número medio de llegadas
(tasa media de llegadas del sistema) de clientes
al sistema, por unidad de tiempo. Generalmente
λ es tiene un valor constante.
 μ: Es el número medio de clientes a los que se
les completa el servicio, por unidad de tiempo,
(tasas de media de servicio). Si todos los
servidores tienen la misma distribución del
tiempo de servicio, suele denotarse por μ el
290
número medio de clientes que puede atender
cada servidor por unidad de tiempo.
 P0: Es la probabilidad de que no se encuentren
clientes en el sistema.
 Lq: Que no es más que el número medio de
clientes en la cola, o línea de espera.
 L: Representa el número medio de clientes en el
sistema.
 Wq: Representa el tiempo que un cliente espera
en la cola o línea de espera.
 W: Es la variable aleatoria que describe el
tiempo que un cliente pasa en el sistema o
también llamado tiempo de espera en el sistema
(incluyendo el tiempo de servicio) para cada
cliente.
 k: Denota el número de servidores del
mecanismo de servicio.
En la figura N° 5.3 se muestra el sistema de atención
del banco.
291
Figura N° 5.3.- SISTEMA DE ATENCION DEL BANCO
Para ello se realizaron la toma de datos durante los 5
días de la semana en el turno de 8 horas, en el
cuadro Nº 5.1 se detalla dicha información.
Cuadro Nº 5.1.- TASA DE LLEGADA DE CLIENTES Y
SERVICIO DE ATENCIÓN EN EL BANCO.
Llegadas / Caja1 Caja2 Caja3 Caja4 Caja5 Caja6 Caja7 Caja8
h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h Ser/ h
Día (λ) (μ) (μ) (μ) (μ) (μ) (μ) (μ) (μ)
1 147 17 20 21 17 16 23 19 30
2 173 21 20 23 25 20 19 21 27
3 141 15 20 22 13 17 16 16 34
4 156 16 25 23 21 16 26 31 29
5 150 18 23 25 24 18 24 29 30
Promedio 153.4 17.4 21.6 22.8 20 17.4 21.6 23.2 30
292
Min/clint 0.39 3.44 2.78 2.63 3.00 3.44 2.78 2.59 2.00
Habiendo realizado la toma de datos, se realiza la
transformación de los mismos para que sean
ingresados en los módulos del software arena, la tasa
de llegadas obtenida en llegada/hora, se convierte en
minutos/llegada, de la misma manera la tasa de
atención obtenida en servicio/hora se convierte en
minuto/servicio. Dichos valores se aprecian en la
última fila del cuadro Nº 5.1.
Promedio de Atenciones por cada Caja Durante los 5 días
30
25
Numero de
Clientes
20
15
10
5
0
Caja 1 Caja 2 Caja 3 Caja 4 Caja 5 Caja 6 Caja 7 Caja 8
Serv./ Serv./ Serv./ Serv./ Serv./ Serv./ Serv./ Serv./
hora hora hora hora hora hora hora hora
Cajas
Figura N° 5.4.- DISTRIBUCIÓN DE LA ATENCIÓN EN EL
BANCO
293
294
5.4.3. DESARROLLO DEL MODELO DE SIMULACIÓN E
INGRESO DE LAS CARACTERÍSTICAS DE LOS
MÓDULOS
El banco posee 8 módulos de atención, mostrados en
la figura Nº 5.3, cada módulo de atención opera con
una rapidez propia. En el software Win QSB se edita
el modelo tal cual es en la realidad, este modelo se
visualiza en la figura Nº 5.5. Con los datos obtenidos
el primer día del muestreo
Figura Nº 5.5.- EDICIÓN DEL MODELO EN WINQSB
CALCULOS CON LOS DATOS OBTENIDOS EL
PRIMER DIA DEL MUESTREO
λ = 147 clientes/ hora
μ = 20.375 clientes/ hora (promedio)
295
k = 8 cajeros
RESULTADOS OBTENIDOS
• Po = 0.0381% (Probabilidad de que no se
encuentren clientes en el sistema).
• Lq = 6.4914 (Promedio de clientes en la cola.)
• L = 13.7061 (Promedio de clientes en el sistema.)
• Wq = 2.652 minutos (Tiempo que un cliente
espera en la cola )
• W = 5.592 minutos (Tiempo que un cliente
permanece en el sistema).
• Pw = 70.654% (Probabilidad de que un cliente
que llegué tenga que esperar el servicio.)
• Con los datos obtenidos el segundo día del
muestreo
λ = 173 clientes/ hora
μ = 22 clientes/ hora (promedio)
k = 8 cajeros
Datos Obtenidos
• Po = 0.0044% (Probabilidad de que no se
encuentren clientes en el sistema).
296
• Wq = 18.906 minutos (Tiempo que un cliente
espera en la cola )
• Pw = 94.5426% (Probabilidad de que un cliente
que llegué tenga que esperar el servicio.)
CALCULOS CON LOS DATOS OBTENIDOS DEL
PROMEDIO DE LOS CINCO DÍAS
λ = 153.4 clientes/ hora
μ = 21.7 clientes/ hora (promedio)
k = 8 cajeros
RESULTADOS OBTENIDOS
Po = 0.0495% (Probabilidad de que no se encuentren
clientes en el sistema).
• Wq = 1.956 minutos (Tiempo que un cliente espera
en la cola )
297
• Pw = 70.654% (Probabilidad de que un cliente que
llegué tenga que esperar el servicio.)
Conclusiones
• Se puede concluir que el BCP no tiene una eficiencia
óptima.
• En algunos días, como es el caso de fines de semana,
feriados, fin de mes; este sistema se vuelve
completamente ineficiente.
• Observando el movimiento bancario durante estos días de
prueba podemos concluir que es muy difícil que un banco
tenga una eficiencia óptima.
5.5. PROBLEMAS RESUELTOS
Problema 1.- Una pastelería tiene dos dependientes, cada
uno de ellos es capaz de capaz de atender a 30 clientes por
hora, con los tiempos reales de servicio distribuidos
exponencialmente. Los clientes llegan a la pastelería de
acuerdo a un proceso poissomiano, con una tasa media de
40 por hora:
298
a) La fracción de tiempo que un cierto dependiente esta
ocioso.
b) La probabilidad de que halla mas de 2 clientes esperando
servicio en un momento dado.
Solución
The System is M/M/2
Customer arrival rate (lambda) = 40 per year
Service rate per server (mu) = 30 per year
Overall system effective arrival rate = 40 per year
Overall system effective service rate = 40 per year
Overall system effective utilization factor =
.6666666
Average number of customers in the system (L) = 2.4
Average number of customers in the queue (Lq) =
1.066667
Average time of a customer in the system (W) =
0.060000 years
Average time of a customer in the queue (Wq) =
0.026666 years
The probability that all servers are idle (Po) = 20 %
The probability an arriving customer waits (Pw) =
53.33334 %
The total server cost (Cs) = $0 per year
The total customer waiting cost (Cw) = $0 per year
The total customer balking cost (Cb) = $0 per year
The overall total cost = $0 per year
299
Number of ¦Probability
Customers (n)¦ P(n)
------------+-----------
0 ¦ .200000
1 ¦ .266667
a) Po+1/2*P1= 0.3333335
b) 1-(Po+P1+P2) = 0.355555
Problema 2.- Una estación ferroviaria suburbana tiene 5
teléfonos públicos. Durante las horas de más movimiento en
la tarde, las personas que desean realizar llamadas llegan a
las casetas telefónicas siguiendo un proceso poissoniano, a
una tasa de 100 por hora. La duración promedio de una
llamada es de 2 minutos, con la duración real distribuida
exponencialmente. Determínese:
a) La cantidad de tiempo estimada que un individuo deberá
esperar para hacer uso de un teléfono, una vez que llega
a las casetas.
b) La probabilidad de que esta espera dure más de un
minuto.
c) El numero esperado de personas que hacen uso o
esperan un teléfono.
300
Solución
The System is M/M/5
Customer arrival rate (lambda) = 100 per

hour
Service rate per server (mu) = 30 per hour
Overall system effective arrival rate = 100 per hour
Overall system effective service rate = 100 per hour
Overall system effective utilization factor = .6666668
Average number of customers in the system (L) =
3.986673
.6533387
0.039866 hours
0.006533 hours
The probability that all servers are idle (Po) = 3.175225 %
32.66692 %
The total server cost (Cs) = $0 per hour
The total customer waiting cost (Cw) = $0 per hour
The total customer balking cost (Cb) = $0 per hour
The overall total cost = $0 per hour
a) Lq = 0.006533 horas = 23.5 segundos
b) Po = 0.3175 Entonces W(t) = 0.14 20
301
c) L = 3.9866
Problema 3.- Un pequeño banco tiene 2 cajeros, uno para
depósitos y otra para retiros. El tiempo de servicio para cada
cajero se distribuye exponencialmente, con una media de un
minuto. Los clientes llegan al banco siguiendo un proceso
poissoniano, con una tasa media de 40 por hora; se
considera que las personas que vienen a realizar depósitos
y retiros, constituyen procesos poissonianos diferentes, cada
uno con una tasa media de 20 por hora y que ningún cliente
realiza tanto un deposito como un retiro. El banco esta
considerado cambiar el arreglo actual para permitir que cada
cajero se encargue tanto de depósitos y retiros. El banco
esperaría que el tiempo medio de servicio de cada cajero
aumentara a 1.2 minutos, pero desea que el nuevo arreglo
impida que se formen largas líneas frente a un cajero
mientras que el otro permanece ocioso, situación que se
presenta de tiempo en tiempo bajo el actual arreglo.
Analícense ambos arreglos en lo que respecta al tiempo
promedio ocioso de un cajero y al número estimado de
clientes esperados en el banco en cualquier momento dado.
302
Solución
The System is M/M/1
Customer arrival rate (lambda) = 20 per hour

Overall system effective arrival rate = 19.99999 per
hour
Overall system effective service rate = 19.99999 per
hour
Average number of customers in the system (L) = .4999999
Average number of customers in the queue (Lq) = .1666667
Average time of a customer in the system (W) = .025 hours
Average time of a customer in the queue (Wq) = .008333
hours
The probability an arriving customer waits (Pw) = 33.33334 %
The System is M/M/2
Customer arrival rate (lambda) = 40 per hours

Service rate per server (mu) = 50 per hours
Overall system effective arrival rate = 40 per hours
Overall system effective service rate = 40 per hours
303
Average time of a customer in the system (W) = 0.023809
hours
Average time of a customer in the queue (Wq) = 0.003809
hours
The total server cost (Cs) = $0 per hours
The total customer waiting cost (Cw) = $0 per hours
The total customer balking cost (Cb) = $0 per hours
The overall total cost = $0 per hours
Respuesta:
Customers (n) ¦ P (n)
------------+------------
0 ¦ .666667
T1 (ocioso) = Po = 0.6666
L1 = ½+1/2 = 1
L2 =0.9524
304
Customers (n) ¦ P (n)
------------+-----------
0 ¦ .428571
1 ¦ .342857
T2 (ocioso) = Po+1/2*P1 = 0.6
Problema 4.- Un cirujano contrata un servicio de recados
para manejar sus llamadas telefónicas. El servicio de
recados es atendido por un operador y tiene capacidad para
conservar en espera dos llamadas si el operador esta
ocupado en otra. Si las 3 líneas están ocupadas (uno por el
operador y 2 por las llamadas en espera), quien realiza una
llamada recibe una señal de ocupado. El cirujano recibe
llamadas de acuerdo a un proceso poissoniano, con una
tasa media de 20 por hora. Una vez que se logra contacto
con el operador, la duración de una llamada se distribuye
exponencialmente, con una duración media de 1 minuto.
Determínese:
a) La probabilidad de que una persona que realiza una
llamada reciba señal de ocupado.
305
b) La probabilidad de que una persona llama, permanezca
en espera.
c) La probabilidad de que una persona que llama , hable de
inmediato con el operador.
306
Solución
The System is M/M/1/3

Overall system effective arrival rate = 19.5 per hour
Overall system effective service rate = 19.5 per hour
Average time of a customer in the system (W) = .023076
hours
Average time of a customer in the queue (Wq) = .006410
hours
a)
Number of ¦Probability ¦ Cumulated

Customers (n) ¦ P(n) ¦Probability
------------+------------+-----------
0 ¦ .675000 ¦ .675000
307
1 ¦ .225000 ¦ .900000
2 ¦ .075000 ¦ .975000
P (llamada ocupada) = 1-(Po+P1+P2) = 0.025
b) P(espera) = P1+ P2 = 0.3
c) P( no espera) = Po = 0.675
Problema 5.- Un restaurante de comida china para llevar
tiene espacio para un máximo de 5 clientes. Durante los
meses de invierno, sucede que cuando los clientes llegan y
el restaurante esta lleno, prácticamente ninguno espera por
la fría temperatura exterior y se va a otro establecimiento.
Los clientes llegan al restaurante de acuerdo a proceso
poissoniano , con una tasa media de 15 por hora. El
restaurante atiende clientes a una tasa promedio de 15 por
hora, con los tiempos reales de servicio distribuidos
exponencialmente. El restaurante es atendido solo por su
propietario, quien se ocupa de los clientes de acuerdo al
orden en que llegan.
Determínese:
a) El numero promedio de clientes en el restaurante en
cualquier momento dado.
308
b) El tiempo estimado que un cliente deberá esperar por el
servicio.
c) La tasa esperada a la cual se pierden ingresos debido al
espacio limitado del restaurante , si la cuenta promedio es
de $10.00.
309
Solución

hour
1.666667
.1333333 hours
83.33333 %
a) L = 2.5
b) Wq = 0.13333 horas = 8 minutos
310
c) 10*2.5 = 25 dólares
Problema 6.- Una compañía de autobuses envía sus
vehículos a sus instalaciones de servicio para
mantenimiento de rutina cada 25 000 millas. Las
instalaciones de servicio están abiertas las 24 horas del día
y las atiende una sola cuadrilla capaz de trabajar en un
autobús por vez. El tiempo que toma dar servicio a un
autobús se distribuye exponencialmente, con una media de
4 horas. Los autobuses llegan alas instalaciones siguiendo
un proceso poissoniano, con una tasa media de 12 por día.
Sin embargo, los conductores tienen instrucciones de no
entrar a las instalaciones si ya hay ahí 4 o mas autobuses,
en cuyo casos regresan con el despachador para recibir
nuevas instrucciones.
Determínese:
a) El tiempo esperado que un autobús pasa en las
instalaciones de servicio, cuando se queda ahí.
b) La pérdida diaria en dinero para la compañía de
autobuses debido a las limitaciones de las instalaciones de
311
servicio, si el costo de enviar un autobús a las instalaciones
y que regrese sin servicio es de $80.
Solución

Average number of customers in the queue (Lq) = 2.193548
Average time of a customer in the queue (Wq) = .3|777778 hours
The total server cost (Cs) = $0 per
hour
a) 13 horas 4 minutos
b) 495.48 dólares
312
Problema 7.- La compañía de autobuses descrita en
problema anterior esta considerando aumentar su cuadrilla
de servicio a 2 grupos igualmente eficientes. El costo diario
de la cuadrilla adicional seria de $ 300. ¿Es conveniente tal
expansión?
Solución

hour
hour
hour
2.222222
.6666667
.2380953 hours
0.071428 hours
66.66667 %
313
a) el Nuevo costo es $ 213.33
Problema 8.- La sección de maternidad de un hospital tiene
5 salas para atender a las pacientes. Estas llegan al hospital
de acuerdo a un proceso poissoniano, con una tasa media
de 12 por día y se les asigna una sala si hay alguna
disponible; de otro modo, se las envía a otro hospital. En
promedio, una paciente ocupa la sala durante 6 horas,
aparentemente el tiempo real se distribuye
exponencialmente alrededor de esta media.
Determinase:
a) La tasa promedio de ocupación de las salas (esto es, el
porcentaje de salas en uso a largo plazo).
b) La tasa promedio a la cual las pacientes de maternidad
son enviadas a otros hospitales.
Solución
The System is M/M/5
314
Customer arrival rate (lambda) = 12 per day
Service rate per server (mu) = 4 per day
Overall system effective arrival rate = 12 per day
Overall system effective service rate = 12 per day
3.354227
.3542274
Average time of a customer in the system (W) = .279519
days
0.029518 days
23.61516 %
The total server cost (Cs) = $0 per day
The total customer waiting cost (Cw) = $0 per day
The total customer balking cost (Cb) = $0 per day
The overall total cost = $0 per day
a) se obtiene 53%
b) 1.32 por día.
Problema 9.- Una tiende tiene dos dependientes, cada uno
de ellos es capaz de atender a los clientes a una tasa
promedio de 60 por hora; los tiempos reales de servicio se
distribuyen exponencialmente. La capacidad de la tienda es

315
de 5 clientes, no permitiéndose la espera en el exterior. Los
clientes llegan a la tienda de acuerdo a un proceso
poissoniano, con una tasa promedio de llegadas que
depende del número de personas que están en la tienda, de
la manera siguiente:
Numero en la tienda 0 1 2 3 4 5
Tasa promedio de 10 11 12 14 17 20
llegadas 0 0 0 0 0 0
Determínese:
a) Numero esperado de clientes simultáneos en la tienda.
b) El tiempo estimado que un cliente deberá esperar por el
servicio.
c) La tasa estimada a la cual se pierden los clientes, debido
a lo limitado da las instalaciones.
Solución
Customer arrival rate (lambda) = 125 per hours

Service rate per server (mu) = 60 per hours
hours
316
hours
Overall system effective utilization factor =
.8343025
1.162885
Average time of a customer in the system (W) = 0.028282 hours
Average time of a customer in the queue (Wq) = 0.011615 hours
74.97629 %
The total server cost (Cs) = $0 per
hours
The total customer waiting cost (Cw) = $0 per hours
The total customer balking cost (Cb) = $0 per hours
The overall total cost = $0 per hours
a) 2.90
b) 46.4 segundos
c) 50.4 por hora
5.6. PROBLEMAS PROPUESTOS
Problema 10.- Una estación de lavado de automóviles tiene
espacio solo para 3 unidades en espera y tiene 2 líneas para
el lavado .Cada línea puede aceptar solo un automóvil cada
317
vez .Estos llegan de acuerdo a un proceso poissoniano, con
tasa media de 29 por hora, pero se les niega la entrada
siempre que el lavado este lleno. El lavado y la limpieza se
realizan manualmente y parecen seguir una distribución
exponencial. Bajo condiciones normales, cada línea de
servicio a un automóvil durante un promedio de 5 minutos.
Sin embargo, cuando 2 o mas automóviles están esperando
por el servicio, el procedimiento de lavado se acelera,
reduciendo el tiempo promedio de servicio a 4 minutos.
Determínese:
a) El numero esperado de automóviles en el lugar.
b) El tiempo estimado que un automóvil permanece en el
sitio sino se le niega la entrada.
Problema 11.- Los clientes llegan a una pequeña tienda de
manjares delicados siguiendo un proceso poissoniano, una
tasa media de 30 por hora. En el establecimiento caben más
de 4 clientes; siempre que esta lleno, los clientes que llegan
no pueden entrar y se pierde su compra. El propietario de la
tienda es el único que atiende, y su tiempo de servicio se
distribuye exponencialmente siempre que haya un solo
cliente en la tienda, con el tiempo promedio de servicio de 5
318
minutos. Sin embargo, el propietario se vuelve más eficiente
conforme la tienda se llena, disminuyendo su platica con los
clientes y aumentando por lo tanto el tiempo promedio de
servicio en un minuto por cada cliente que este formado
esperando servicio.
Determínese:
a) El número estimado de personas que estarán
simultáneamente en la tienda (sin incluir al propietario).
b) El tiempo promedio de servicio por parte del propietario.
Problema 12.- Determínese las probabilidades de estado
estable para un sistema M/M/1 con rechazo, si hay 20% de
probabilidad de rechazo siempre que haya uno o mas
clientes en el sistema.
Problema 13.- Un sistema M/M/ es un proceso de líneas
de espera con un patrón poissoniano de llegada, con tasa
media  ; con una cantidad suficiente de servidores para
atender a todos los clientes que llegan al sistema. Los
servidores tienen tiempos idénticos de servicio distribuidos
exponencialmente e independientes, con parámetro  y
capacidad infinita. Tal modelo se aplica a menudo a
establecimientos de auto servicio. Demuéstrese que para un
319
sistema M/M/ , las probabilidades de estado constituyen
una distribución de poisson, con parámetro  /.
Determínese después, L , W, W q y Lq.
P' o(t )  Po(t )   ( P1(t )), n  0

P' n(t )  (  n ) pn(t )  P(n  1)(t )  (n  1)P(n  1)(t ), n  1
Las ecuaciones de diferencia de estado están dadas por:
 Po  P1  0, n  0
 (  n ) Pn  Pn  1  (n  1)Pn  1  0, n  1
La solución para Pn (t)

Pn (t )  de donde    (1    (t ) de la cual
n!
obtenemos
Pn =    /n! N= 0, 1, 2 ,3...
n
También obtenemos
L(s) = 
320
W(s) = 1/ 
Lq = Wq = 0;
Problema 14.- En curso de cableado eléctrico por
correspondencia, se acepta a los estudiantes tan pronto
como se inscriben y después concluyen el curso a su propio
ritmo. Aparentemente los tiempos para terminar el curso
siguen una distribución exponencial, con un media de siete
semanas. Las nuevas inscripciones al curso siguen un
proceso poissoniano, con una tasa media de 50 por
semana. Determínese:
a) El número de estudiantes que se esperan estén inscritos
simultáneamente en el curso.
b) La probabilidad de que un estudiante tarde más de 7
semanas en concluir el curso.
Problema 15.- Una compañía que tiene 7 delicadas
maquinas que frecuentemente se descomponen, emplea
dos personas de servicio con la única tarea de repararlas.
Cada persona de servicio pues de reparar una máquina en
dos horas promedio, con el tiempo actual de servicio
distribuido exponencial alrededor de esta media. Una
321
máquina recién reparada funciona a un promedio de 12
horas antes de descomponerse nuevamente; el tiempo real
de funcionamiento se distribuye exponencialmente alrededor
de esta media. Determínese:
a) El número esperado de máquinas que se encuentren en
operación en cualquier momento.
b) El porcentaje del tiempo que una máquina dada estará
fuera de operación.
322
CAPITULO VI
PROGRAMACION DINAMICA
6.7. CONCEPTOS GENERALES
La programación dinámica que vamos a introducir en este
tema, propone cambiar el enfoque de planteamiento de
resolución del problema centrándolo en el proceso de
cambio de variables principales del problema por efecto del
tiempo y del proceso de decisión secuencial. El nuevo
enfoque nos va a permitir resolver nuevos tipos de
problemas y algunos antiguos desde otra perspectiva,
ayudándonos a desarrollar nuevas habilidades para afrontar
problemas reales desde enfoques alternativos.
En resumen la programación dinámica:
323
 Transforma un problema de optimización complejo en una
secuencia de
problemas más simples.
 Generalmente se comienza con el final y se trabaja hacia
atrás.
 Es aplicable a un rango muy amplio de problemas.
 Está basado en la recursión y en el principio de
optimalidad.
Fue desarrollado por Richard Bellman en 1953.
6.8. EL PROBLEMA DE PROGRAMACIÓN DINÁMICA
TEORIA: El principio de optimalidad de Bellman y
características del problema dinámico
La programación dinámica desarrollada por Bellman, es el
método más importante de resolución de problemas de
control óptimo en tiempo discreto. Estos problemas forman
parte del campo de análisis de la optimización dinámica que
estudia la obtención de soluciones optimas para sistemas
(en tiempo continuo y discreto) que evolucionan en el tiempo
y pueden estar influenciados por un proceso de toma de
decisiones en el mismo.
324
En esencia la programación dinámica hace referencia a una
técnica de resolución que se puede aplicar a un amplio
grupo de problemas.
En programación dinámica no se dispone de un problema
tipo, estos problemas se caracterizan por una estructura
básica y condiciones de resolución consistentes con el
principio de Bellman. Los elementos básicos de un problema
de programación dinámica son:
I. Se divide en etapas (t=1, 2, 3,…T) no necesariamente
determinadas por el tiempo, y en cada una de ellas se
toma una decisión, política de decisión o control
(x(t),t=1,2,…,T).
II. Estas etapas tienes asociadas un estado
(S(t),t=1,2,…T) relacionado con el estado previo.
III. El efecto de política en cada etapa es transformar al
estado actual en un nuevo estado que sirva de punto
de partida para la siguiente etapa.
Principio de optimalidad de Bellman: “Una política optima
tiene la propiedad de que cualquiera que sea el estado
inicial y las decisiones iniciales, las restantes decisiones
deben constituir una política optima respecto al estado
325
resultante de la primera decisión”…….”Una política optima
está constituida por subpolíticas optimas”
Para que este principio se cumpla y se convierta en
procedimiento de resolución tenemos que agregara a la
estructura básica de la programación dinámica las
siguientes condiciones de separación:
I. Condición de separación de la función objetivo: Para
toda etapa t, el efecto de la T-t etapas finales sobre la
función objetivo depende únicamente de S(t) y las
políticas de decisión x(t),x(t+1),…,x(T).
II. Condición de separación de los estados: Una vez
establecida la política de decisión x(t) en t, el estado
S(t+1) depende únicamente de S(t) y x(t) y no de los
estados previos. En términos matemáticos.
S(t+1)=g(S(t).x(t),t)
A través de este principio llegamos a la siguiente relación
recursiva que se conoce con el nombre de ecuación de
Bellman. Si denotamos f(S(t),x(t),t) a la contribución a la
función objetivo de las etapas t,t+1,…,T actúa:
f* (S(t),t)=Opt[f(S(t)),x(t),t)+f*(g (S(t),x(t),t),t+1)],t=2,…,T
x(t)
f*(S(1),1)=Opt f(S(1),x(1),1)
326
x(1)
Para entender mejor estos elementos y procedimientos de
resolución se tomara un ejemplo:
Ejemplo prototipo para programación dinámica: El
problema de la diligencia, mostrado en la figura N° 6.1.:
Consideremos el siguiente problema desarrollado por el
profesor H.M. Wagner en la Universidad de Stanford como
prototipo para programación dinámica.
“Un cazafortunas de Missouri decide ir al oeste para unirse a la
fiebre del oro en California a mediados del siglo XIX. Tiene que
hacer el viaje a través de territorios sin ley donde existen serios
peligros de ser atacados por merodeadores. Aunque su punto de
partida y destino son fijos, tiene muchas opciones en cuanto a
que territorios (en el futuro estados) debe elegir como puntos
intermedios. El cazafortunas era un hombre prudente y
preocupado por su seguridad y después de reflexionar un poco se
le ocurrió una manera de determinar la ruta más segura. En
aquella época se ofrecían pólizas de seguros de vida a os
pasajeros de las diligencias y como los costes de las pólizas
estaban basados en la seguridad del recorrido, concluyo que la
327
ruta más segura y por lo tanto su ruta del viaje era aquella que
minimizara el coste total de la póliza. Se monto en su caballo indio
y emprendió su aventura”
Figura N° 6.1.- LAS RUTAS DE LA DILIGENCIA
Por lo tanto el esquema del problema sería el siguiente:
328
FORMULACIÓN DEL PROBLEMA
Sea Xn ( n = 1,2,3,4 ) las variables que representan el
destino inmediato en la etapa n.
Luego la ruta seleccionada será: A- X1- X2- X3- X4
Donde X4 = J
Sea fn (S, Xn) el costo total de la mejor política global para
las etapas restantes, dado que el agente se encuentra en el
329
estado S, listo para iniciar la etapa n y se dirige a Xn como
destino inmediato.
Dados S y n , sea Xn* el valor de Xn (no necesariamente
único), que minimiza fn (S , Xn) , y sea fn* (S) el valor
mínimo correspondiente de fn (S, Xn) entonces:
fn*(S) = Min Xn fn (S, Xn) = fn (S, Xn*)
fn(S, Xn) = Costo inmediato (etapa n) + Mínimo costo futuro
(etapa n+1 en adelante)
= cs, xn + fn+1* (Xn)
Costos acumulado por ir de la ciudad i al destino j
1) Procedimiento de solución hacia atrás:
Etapa n=4
Como el destino final (estado J) se alcanza al terminar la
etapa 4, entonces
f5*(J) = 0
El objetivo es hallar f1*(A) y su ruta correspondiente.
330
Cuando el cazafortunas tiene sólo una etapa por recorrer
(n=4) , su ruta de ahí en adelante, estará determinada por el
estado actual (H o I) y su destino final X4 = J
La ruta será: S J donde S= H o I
Luego : f4*(S) = c S , J + f5*(J)= c S , J
f4 (H) = cH , J = 3
f4 (I) = c I , J = 4
Etapa n=3
El cazafortunas tiene 2 etapas por recorrer (n=3).
Suponga que sale de E.
Luego f3*(E) = 4 y X3* = H
En general para la etapa 3 se tiene:
331
Etapa n=2
En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer
(n=2). Suponga que sale de C
332
Luego f2*(C) = 7 y X2* = E
En general para la etapa 2 se tiene:
Etapa n=1
En la primera etapa, el caza fortunas tiene todas las jornadas por
recorrer (n=1).
Necesariamente debe salir de A
Luego f1*(A) = 11 y X1* = C o D
Veamos:
333
6.9. CARACTERÍSTICAS DE LOS PROBLEMAS DE
PROGRAMACIÓN DINÁMICA
El problema de la diligencia es un prototipo lineal de los
problemas de programación dinámica. De hecho, el ejemplo
se diseñó así, con el propósito de disponer de una
interpretación física literal de la escritura abstracta de estos
problemas. Por tanto, una manera de reconocer una
situación que se puede formular como un problema de
programación dinámica es poder identificar una estructura
análoga a la del problema de la diligencia.
A continuación se presenta y estudia estas características
básicas que distinguen a los problemas de programación
dinámica:
334
1. El problema se puede dividir en etapas que requieren una
política de decisión en cada una de ellas.
En el problema de la diligencia se hizo una división literal en
cuatro etapas (viajes) que corresponden a las cuatro
jornadas en diligencia. La política de decisión en cada etapa
fue que póliza de seguro elegir. De manera parecida, otros
problemas de programación dinámica requieren tomar una
serie de decisiones interrelacionadas, en donde cada
decisión corresponde a una etapa del problema.
2. Cada etapa tiene cierto número de estados asociados con
su inicio.
Los estados asociados con cada etapa en el problema de la
diligencia son los estados (o territorios) en los que el caza
fortunas puede estar al iniciar esa jornada específica del
viaje. En general, los estados son las distintas condiciones
posibles en las que se puede encontrar el sistema en cada
etapa del problema.
335
3. El efecto de la política de decisión en cada etapa es
transformar el estado actual en un estado asociado con el
inicio de la siguiente etapa.
La decisión del caza fortunas en cuanto a su siguiente
destino lo conduce de su estado actual al siguiente estado
en su viaje. Este procedimiento sugiere que los problemas
de programación dinámica se pueden interpretar en
términos de las redes. Cada nodo corresponde a un estado,
la red consistiría en columnas de nodos, en donde cada
columna corresponde a una etapa, en forma tal que el flujo
que sale de un nodo solo puede ir a un nodo de la siguiente
columna a la derecha. El valor asignado a cada rama que
conecta dos nodos puede interpretarse algunas veces como
la distribución inmediata a la función objetivo obtenido al
tomar esa política de decisión.
4. El procedimiento de solución está diseñado para encontrar
una política óptima para el problema completo, es decir, una
receta para la política de decisión optima en cada etapa
para cada uno de los estados posibles.
336
En el problema de la diligencia, el procedimiento de solución
construyó una tabla para cada etapa (n) que prescribe la
decisión óptima para cada estado disponible. Así, además
de identificar las tres soluciones óptimas (rutas óptimas)
para el problema completo, los resultados muestran también
como de proceder el caza fortunas en caso de que sea
desviado a un estado que no se encuentre en la ruta óptima.
En cualquier problema, la programación dinámica
proporciona este tipo de receta o política sobre qué hacer en
todas las circunstancias posibles.
5. Dado el estado actual, una política óptima para las etapas
restantes es independiente de la política adoptada en
etapas anteriores. Por lo tanto, la decisión inmediata óptima
depende solo del estado actual y no de cómo se llegó ahí.
Este es el principio de oportunidad para programación
dinámica.
Dado el estado en que se localiza el caza fortunas, la póliza
de seguros de vida óptima desde este lugar en adelante es
independiente de cómo llegó ahí. En general, en los
problemas de programación dinámica el conocimiento del
337
estado actual del sistema expresa toda la información sobre
su comportamiento anterior, y esta información es necesaria
para determinar la política óptima de ahí en adelante.
6. El procedimiento de solución se inicia al encontrar la política
óptima para la última etapa. La política óptima para la última
etapa prescríbela política óptima de decisión para cada
estado posible en esa etapa. Es común que la decisión de
este problema de una etapa sea trivial, como lo fue para el
problema de la diligencia.
7. Se dispone de una relación recursiva que identifica la
política óptima para la etapa n, dada la política óptima para
la etapa n+1.
Para encontrar la política óptima de decisión cuando se
comienza en el estado s de la etapa n se necesita encontrar
el valor de xn que dé un mínimo. El costo mínimo de
correspondiente se obtiene al usar este valor de xn y
después siguiendo la política óptima cuando el proceso se
encuentra en el estado xn en la etapa n+1.
338
8. Cuando se usa esta relación recursiva, el procedimiento de
solución comienza al final y se mueve hacia atrás etapa por
etapa, encuentra cada vez la política óptima para esa etapa
hasta que encuentra la política optima desde la etapa inicial.
Esta política óptima lleva de inmediato a una solución
óptima para el problema completo.
6.10. ELEMENTOS DE LA PROGRAMACIÓN DINÁMICA
Los siguientes cuatro elementos forman la resolución de un
problema mediante programación dinámica:
 Principio de optimalidad de Bellman
En este contexto, optimizar equivale a seleccionar la
mejor solución de entre muchas posibles alternativas.
Este proceso de optimización puede ser visto como una
secuencia de decisiones que nos proporcionan la
solución correcta. Si, dada una sub secuencia de
decisiones, siempre se conoce cuál es la decisión que
debe tomarse a continuación para obtener la secuencia
óptima, el problema es elemental y se resuelve
trivialmente tomando una decisión detrás de otra, lo que
se conoce como estrategia voraz.
339
A menudo, aunque no sea posible aplicar la estrategia
voraz, se cumple el principio de optimalidad de Bellman:
"dada una secuencia óptima de decisiones, toda
subsecuencia de ella es, a su vez, óptima". En este caso
sigue siendo posible el ir tomando decisiones
elementales, en la confianza de que la combinación de
ellas seguirá siendo óptima, pero será entonces
necesario explorar muchas secuencias de decisiones
para dar con la correcta, siendo aquí donde interviene la
programación dinámica.
 Definición recursiva de la solución óptima
A partir de la definición recursiva se puede ver como se
produce el solapamiento de los sub problemas.
 Enfoque Ascendente
El modelo que se necesita utilizar para poder encontrar
una secuencia de pasos a utilizar con el fin de hallar los
resultados correspondientes en cada uno de los estados
asignados.
340
 Búsqueda de solución óptima
Es el análisis que se tienen que realizar luego de obtener
resultados con el fin de encontrar la mejor alternativa de
solución que brinde mayores beneficios con respecto al
problema planteado.
6.11. PROGRAMACION DINAMICA DETERMINISTA
En esta parte trataremos de ahondar en el enfoque del
programación dinámica para los problemas determinísticos,
en donde el estado en la siguiente etapa esta
completamente determinado por el estado y la política de
decisión de la etapa actual. El caso probabilístico en donde
existe una distribución de probabilidad para el valor posible
del siguiente estado se analizará se analizara también en el
presente trabajo.
La programación dinámica determinística se puede escribir
en un diagrama como el de la siguiente figura.
341
Q
En la etapa “n” el proceso está en algún estado “S n”. Al
tomar la decisión “Xn” se mueve a algún estado “Sn+1” en la
etapa “n+1”.La contribución a la función objetivo de ese
punto en adelante se calculó como:
ƒ *n+1(Sn+1)
La política de decisión también contribuye a la función
objetivo.
Al combinar estas dos cantidades en la forma apropiada se
obtiene:
ƒn (Sn , Xn)
la contribución de la etapa “n” en adelante. La optimización
respecto a “Xn” da entonces:
342
ƒ *n (Sn)= ƒn (Sn, X*n).
Una vez encontrados X*n y ƒ *

n (Sn) para cada valor posible
de “Sn”, el procedimiento de la solución se mueve hacia atrás
una etapa.
Se detallaran y presentaran varios ejemplos y casos
aplicativos para ilustrar estas posibilidades, pero es más
importante el hecho de que dichos casos aplicativos ponen
de manifiesto que estas diferencias (en apariencia grandes)
en realidad son intrascendentes (excepto en términos de
dificultad de los cálculos) ya que la estructura de la siguiente
figura permanece igual.
Im
343
El primer caso aplicativo surge en un contexto muy distinto
al del problema de la diligencia, pero tiene la misma
formulación matemática, aunque esta vez se trata de
maximizar en lugar de minimizar una suma.
6.12. CASO APLICATIVO
El consejo mundial de la salud se dedica a mejorar la
atención medica en los países subdesarrollados .Ahora
dispone de 5 brigadas médicas para asignarlas a tres de
ellos con el fin de mejorar el cuidado de la salud, la
educación para la salud y los programas de capacitación. El
consejo debe determinar cuántas brigadas asignar (en caso
de que lo haga) a cada uno de estos países para maximizar
la medida de eficiencia de las cinco brigadas. Estas deben
mantenerse como están constituidas, es decir, el número
asignado a cada país debe ser un entero.
La medida de desempeño se da en términos de los años de
vida adicionales por persona, (para un país especifico, esta
medida es igual al incremento en el promedio de vida
344
esperado en años, multiplicado por su población).En la
siguiente tabla se dan las estimaciones de estos años de
vida adicionales por persona (en múltiplos de 100) para
cada país y para cada asignación posible de brigadas
médicas.
345
¿Cuál es la asignación que maximiza la medida de
desempeño?
Miles de años-persona de vida

Brigadas adicionales
medicas
País
1 2 3
0
0 0 0
1 45 20 50
2 70 45 70
3 90 75 80
4 105 110 100
5 120 150 130
Formulación
 Etapas: Países a los cuales se les debe asignar las
brigadas. (n=1- País1); (n=2 –País 2); (n=3 -País 3).
 Variable de decisión: Xn: Número de brigadas
asignadas al país n.
 Estado: ¿Qué es lo que cambia de una etapa a otra?
Sn: Número de brigadas médicas disponibles para asignarse
a los países restantes.
346
S1= 5
S2= S1 - X1
S3= S2 - X2
Sea Pi (Xi) la medida del desempeño por asignar Xi brigadas
médicas al país i, entonces:
Max Z = ∑ Pi (Xi)
Sujeto a:
∑ (Xi)=5 ; Xi > 0 para Xi € enteros, se usara el algoritmo hacia

Satrás.
Ecuación de Recursividad
ƒn (Sn, Xn)=Cs, xn + ƒn+1 * (xn) Genérica
ƒn (Sn, Xn)=pn (xn)+ ƒn+1 * (sn-xn)
347
Etapa n=3 país 3
Como el estado final (cero brigadas para asignar) al terminar
la etapa 3, entonces f4 * =0
Debemos todas las brigadas que están disponibles en este
momento
* * *
s3 ƒ3(s3)= p3(x3)+ ƒ4 ƒ3 (S3) x3
0 0 0 0
1 50 50 1
2 70 70 2
3 80 80 3
4 100 100 4
5 130 130 5
Etapa n=2 País 2
Para ilustrar como proceder, supongamos que nos quedan 2
brigadas disponibles en este momento:

 S + ƒ3* (0, x2) = P2 (2) + ƒ3*(0) = 45
Tiemp
o
u
Po Nivel MO
prome + ƒ3* (1, x2) = P2 (1) + ƒ3*(1) = 70
DE
r Pre
Nive
l
348
máxi
+ ƒ3* (2, x2) = P2 (0) + ƒ3*(2) = 70
En general parta la etapa 2 se tiene:
x2 ƒ2(s2, x2)= p2(x2)+ ƒ3*(S2-x2)

ƒ2*(s2) x2*
S2 0 1 2 3 4 5
0 0 0 0
1 50 20 50 0
2 70 70 45 70 1
3 80 90 95 75 95 2
4 100 100 115 125 110 125 3
5 130 120 125 145 160 150 160 4
Etapa n=1 Pais 1
En este caso, el único esta considerarse es el inicial, S1 = 5
+ ƒ2* (0, x1) = P1 (5) + ƒ2*(0) = 120
Niv Sis
el + ƒ2* (4, x1) = P1 (1) + ƒ2*(4) = 170
pro
Co
Ll
eg 349
+ ƒ2* (5, x1) = P1 (0) + ƒ2*(5) = 160
Veamos la tabla:
*
ƒ 1(s1, x1)= p1(x1)+ ƒ2 (S1-x1)
* *
X1 ƒ 1 (s1) x2
0 1 2 3 4 5
s1
5 160 170 165 160 155 120 170 1
Así la asignación óptima será:
Ser
Salidas
350
CAPITULO VII
PROCESOS DE MARKOV
7.5. INTRODUCCIÓN
En los negocios, las cadenas de Markov se han utilizado
para analizar los patrones de compra, los deudores
morosos, para planear las necesidades de personal y para
analizar el reemplazo de equipo. El análisis de Markov,
permite encontrar la probabilidad de que un sistema se
encuentre en un estado en particular en un momento dado.
Algo más importante aún, es que permite encontrar el
promedio a la larga o las probabilidades de estado estable
para cada estado. Con esta información se puede predecir
el comportamiento del sistema a través del tiempo.
351
Aunque éste simplemente es un enfoque simple, tiene la
ventaja de capturar la incertidumbre sobre el futuro en un
modelo que es relativamente fácil de entender y aplicar.
En la aplicación se realiza el modelado del mercado del
automóvil como un proceso de Markov para prever la
"necesidad" de nuevos automóviles cuando los automóviles
viejos puedan extinguirse, para ver la posibilidad de ingresos
de nuevas marcas al mercado actual, observar la
preferencia de los consumidores hacia las diferentes marcas
y observar también como será el comportamiento futuro de
los consumidores hacia estas marcas.
Otra aplicación se da en el mercado de los detergentes.
7.6. PROCESOS ESTOCÁSTICOS.
Un proceso estocástico se define sencillamente como
una colección indexada de variables aleatorias { X1 }, donde
el subíndice t toma valores de un conjunto T dado.
Con frecuencia T se toma como el conjunto de enteros no
negativos y X, representa una característica de interés
medible en el tiempo t. Por ejemplo, el proceso
estocástico, X1 , X2 , X3, .., Puede representar la
352
colección de niveles de inventario semanales (o
mensuales) de un producto dado, o puede representar la
colección de demandas semanales (o mensuales) de este
producto.
Un estudio del comportamiento de un sistema de
operación durante algún periodo suele llevar al análisis de
un proceso estocástico con la siguiente estructura. En
puntos específicos del tiempo t , el sistema se encuentra
exactamente en una de un número finito de estados
mutuamente excluyentes y exhaustivos, etiquetados 0, 1,
. . , S. Los periodos en el tiempo pueden encontrarse a
intervalos iguales o su esparcimiento puede depender
del comportamiento general del sistema en el que
se encuentra sumergido el proceso estocástico. Aun
que los estados pueden constituir una caracterización
tanto cualitativa como cuantitativa del sistema, no
hay pérdida de generalidad con las etiquetas numéricas 0,
1, . . , M , que se usarán en adelante para denotar los
estados posibles del sistema. Así la representación
matemática del sistema físico es la de un proceso
estocástico {Xi}, en donde las variables aleatorias
353
se observan en t = 0, 1, 2,. . ., y en donde cada variable
aleatoria puede tomar el valor de cualquiera de los M +
1 enteros 0, 1, .. , M. Estos enteros son una
caracterización de los M + 1 estados del proceso.
7.7. CADENAS DE MARKOV
Una cadena de Markov es una serie de eventos, en la cual
la probabilidad de que ocurra un evento depende del
evento inmediato anterior. En efecto, las cadenas de este
tipo tienen memoria." Recuerdan" el último evento y
esto condiciona las posibilidades de los eventos futuros.
Esta dependencia del evento anterior distingue a las
cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado.
En la figura 1 se muestra el proceso para formular una
cadena de Markov. El generador de Markov produce uno de
n eventos posibles, Ej. , donde j = 1, 2, . . . , n, a intervalos
discretos de tiempo (que no tiene que ser iguales ). Las
probabilidades de ocurrencia para cada uno de estos
eventos depende del estado del generador. Este estado se
describe por el último evento generado. En la figura 4.1.1,
354
el último evento generado fue Ej. , de manera que el
generador se encuentra en el estado Mj .
Otro método para exhibir las probabilidades de transición es
usar una matriz de transición. .
MATRIZ DE TRANSICION
355
7.8. CASOS DE PROGRAMACION DINAMICA
7.8.1. PROCESO DE MARKOV APLICADO A LA
PREFERENCIA DE AUTOMÓVILES
TOYOTA
NISSAN
DAEWOO
OTRAS MARCAS: (MITSUBISHI,IZUSO,SUBARO,KIA, FORD,
HONDA,HYUNDAI)
TABLA DE ENCUESTAS DE PREFERENCIAS Y GUSTOS PARA SU
SIGUIENTE COMPRA EN LÍNEAS DE AUTOMÓVILES EN LA CIUDAD
DE HUANCAYO NOVIEMBRE-2010
356
Sistema
Llegadasde Servi
Cola Servi
Sali
0
Servid S
Colas dor dor
das or E
i=1
Estructura
3 básica i=1
3
2 2
0
1 0
45
20 2
para la
programación
dinámica
DIAGRAMA DE TRANSICIÓN
*
X1 =1
Z=1
X 13 X
TOYO
9
S TOTA S
Asignación en la Matriz de Transición:
357
Entonces se tiene la siguiente matriz de transición de líneas
de automóviles de la ciudad de Huancayo.
a) Se desea determinar las condiciones de estado estable.
b) Teniendo en cuenta a la tabla de probabilidades se desea
determinar las condiciones de estado estable solamente
para Toyota
y Nissan.
c) Cual será la demanda de las diferentes marcas de
automóviles
después de 2 años.
PxABCD   ABCD 
A A 0.45 0.22 0.32 0.39  A   A 

B  B  0.31 0.27 0.24 0.33  B   B 
PT x       X 
C  C  0.07 0.04 0.26 0.18 C  C 
         
D D 0.17 0.43 0.18 0.17  D   D 
358
A+B+C+D=1 0.45 A  0.22 B  0.32C  0.39 D  A........(1) 
0.31A  0.27 B  0.24C  0.33D  B........(2) 
RESOLVIENDO SE TIENE: 
0.07 A  0.04 B  0.26C  0.18D  C........(3) 
0.17 A  0.43B  0.18C  0.17 D  D........(4)
Se elimina uno de ellos
 A  0.3533 B  0.2954 C  0.1084 D  0.2427
X   0.35 0.30 0.11 0.24
CONCLUSION:
EN EL LARGO PLAZO O ESTADO DE EQUILIBRIO
LAS PREFERENCIAS DEL CONSUMIDOR SERÁN DE
LA SIGUIENTE MANERA:
 El 35% de la clientela comprará TOYOTA.
 El 30% de la clientela seguirá comprando NISSAN.
 El 11% de la clientela seguirá comprando DAEWOO.
 El 24% de la clientela seguirá comprando OTRAS MARCAS
359
7.8.2. LA GUERRA DE LOS DETERGENTES
ACE
ÑAPANCHA
ARIEL
OTRAS MARCAS
CUAL SERA LA MARCA LIDER EN UN
FUTURO???
ESTADO ACTUAL
La marca ACE retiene 11 personas o clientes mientras que
pierde 5 que preferirán ÑAPANCHA, 12 de ARIEL y 2 de
OTROS y de la columna de ACE indica que ACE retiene 11
personas o sus clientes mientras que ÑAPANCHA, ARIEL u
OTRO 5, 5, 2 respectivamente.
360
DATOS OBTENIDOS DE LA ENCUESTA: Tomando cada
fila como el 100%
DIAGRAMA DE TRANSICIÓN:
MATRIZ DE TRANSICIÓN:
361
362
Entonces el estado a largo plazo es
 Ñapancha estará en el equilibrio al 23%
 Ariel estará en el equilibrio al 29%
 Otros detergentes estarán en el equilibrio al 9%
Lo cual indica que a largo plazo quien tendrá mayor
participación en el mercado será ACE con 39% de
aceptación.
Lo mejor de utilizar procesos de Markov es que se puede
predecir el comportamiento futuro teniendo un estado inicial:
En este caso el estado inicial será:
363
Para predecir el comportamiento de los consumidores a un
futuro cercano de 3 periodos (un periodo equivale a una
semana):
Luego de 3 semanas las preferencias de los consumidores
con relación al detergente:
Ace 39%
Ñapancha 23%
Ariel 29%
Otros 9%
364
ENCUESTA
I.- ¿QUÉ MARCA DE DETERGENTE HA COMPRADO USTED?
ACE ARIEL ÑAPANCHA OTROS
II.- ¿CUAL SERIA SU SIGUIENTE COMPRA? (PREFERENCIA)
ACE ARIEL ÑAPANCHA OTROS
CONCLUSIONES
Detergentes:
1. Estos datos pueden pronosticar con rapidez en el futuro si una
marca ganará o perderá participación en el mercado.
2. Antes de llegar al estado establece las perdidas y ganancias
son muy elevadas a medida que llega el estado se acerca al
equilibrio entre la ganancia y pérdida se vuelven muy
pequeños.
3. Lo que se supone con este análisis es que el cliente no cambia
de marca al azar.
4. La matriz de transición para determinación de conclusiones
estables se aplican a las grandes empresas de investigación d
mercado pero este tema se debe aplicar en todas las empresas
productoras, industriales, servicios, etc., para cualquier compra
ya sea de un bien o servicio mediante un estudio de mercado;
para así lograr la confiabilidad del producto.
365
BIBLIOGRAFÍA
 EPPEN y GOULD, Investigación de operaciones, 5º Ed.,
Editorial Pearson, México, 2000.
 HILLIER y LIEBERMAN, Introducción a la investigación
de operaciones, 4º Ed., Editorial McGraw-Hill, Bogotá,
2004.
 RAFFO, Investigación de operaciones I, Editorial Raffo-
Lecca, Lima, 2002.
 RIOS y otros, Programación lineal y aplicaciones:
ejercicios resueltos. Editorial Alfaomega, México, 2005.
 TAHA, Investigación de operaciones: una introducción,
6º Ed., Editorial Prentice Hall, México, 1998.
366
367

Libro Investig. Operaciones Aplicada A Los Negocios

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Libro Investig. Operaciones Aplicada A Los Negocios

Caricato da

Copyright:

Formati disponibili

INVESTIGACION DE OPERACIONES

APLICADA A LOS NEGOCIOS”

AUTOR:MG. FIDEL ONESIMO ARAUCO CANTURIN

INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA

APLICADA A LOS NEGOCIOS

 FIDEL ONESIMO ARAUCO CANTURIN

FECHA DE INICIO : 15 DE JUNIO DE 2011

FECHA DE CULMINACIÓN : 15 DE DICIEMBRE DE 2011

TIRAJE: 200 UNIDADES.

PRIMERA EDICIÓN: 2012

La Investigación de operaciones es sin duda alguna una de las

La Investigación de operaciones es un conjunto de métodos y

La forma de optimizar es resolviendo el modelo que representa al

pregrado como a nivel de postgrado, así como para apoyarse en

los trabajos de consultoría y asesoría en temas de optimización de

Para mayor utilidad se presentan casos empresariales resueltos

MEDIANTE LA INVESTIGACIÓN DE OPERACIONES

1.1. INTRODUCCION ...................................................................01

1.2. PROCEDIMIENTO DE SOLUCIÓN DE PROBLEMAS

MEDIANTE EL ENFOQUE SISTEMICO ...............................02

1.3. LOS MODELOS DE OPTIMIZACIÓN TIPOS Y SU

1.4. CLASIFICACIÓN DE MODELOS ..........................................08

1.5. LOS METODOS DE OPTIMIZACION....................................10

1.6. MODELOS DE OPTIMIZACIÓN RESTRINGIDA .................12

1.7. GLOSARIO ...........................................................................19

CAPÍTULO II: OPTIMIZACIÓN LINEAL

2.1. INTRODUCCIÓN A LA OPTIMIZACIÓN LINEAL ..................21

2.2. MODELO DE PROGRAMACIÓN LINEAL ............................23

2.3. PASOS PARA LA FORMULACIÓN DE MODELOS

2.4. EL MÉTODO SIMPLEX .........................................................40

2.5. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL

2.6.1. INTERPRETACIÓN DE LOS RESULTADOS ............50

2.6.2. ANALISIS DE SENSIBILIDAD ....................................55

2.7. EL PROBLEMA DUAL ...........................................................58

2.7.1. PROBLEMA DUAL CONSTRUCCIÓN Y

2.7.2. PASOS PARA LA CONSTRUCCIÓN DE

PROBLEMAS DUALES ..............................................59

2.7.3. APLICACIONES DEL PROBLEMA DUAL ..................61

2.7.4. CÁLCULO DE LOS PRECIOS SOMBRA....................67

2.7.5. COMPORTAMIENTO DE LOS CAMBIOS EN LOS

VALORES RHS DEL VALOR ÓPTIMO.......................68

2.7.6. INTERPRETACIÓN DEL PRECIO SOMBRA .............70

2.7.7. PRECIOS SOMBRA ALTERNATIVOS .......................71

2.8. USOS Y APLICACIONES DE LOS MODELOS DE

2.8.1. APLICACIONES GENERALES DE LA

OPTIMIZACIÓN LINEAL .............................................73

2.8.2. APLICACIONES EN MERCADOTECNIA ..................74

2.8.3. SELECCIÓN DE MEDIOS ..........................................75

2.8.5. APLICACIONES FINANCIERAS .................................89

2.8.5.1. SELECCIÓN DE CARTERA .........................90

2.8.5.2. PLANEAMIENTO FINANCIERO ..................99

2.8.6. APLICACIONES EN LA ADMINISTRACIÓN DE LA

PRODUCCIÓN Y DE LAS OPERACIONES .............107

2.8.6.1. DECISIÓN DE FABRICAR O COMPRAR ........108

2.8.6.2. PROGRAMACIÓN DE LA PRODUCCIÓN .......117

2.8.7. ASIGNACIÓN DE LA FUERZA DE TRABAJO ................137

2.8.8. APLICACIONES DE MEZCLAS DE PRODUCTOS ........147

2.9. CASOS EMPRESARIALES DE APLICACIÓN DE LA

OPTIMIZACIÓN LINEAL ............................................................157

2.9.1. CASO PROGRAMACION DE LA PRODUCCION EN UNA

EMPRESA TEXTIL .........................................................157

2.9.2. CASO COMPAÑÍA CONSTRUCTORA DE BARCOS .....164