Académique Documents
Professionnel Documents
Culture Documents
PROGRAMA DE ESTUDIO
Objetivo
Familiarizar al alumno con las tcnicas de modelamiento y
metodologas de resolucin de problemas de la Investigacin de
operaciones, con especial nfasis en la aplicacin de algoritmos
de solucin para modelos de programacin matemtica, en
especial modelos lineales
Contenido
Introduccin
Investigacin de operaciones
Modelos matemticos
Programacin Lineal
Programacin
Lineal
Formulacin de modelos
Mtodos Grfico
Mtodo Simplex
Problema Dual y Anlisis de Sensibilidad
Programacin Entera, Binaria y Mixta
INVESTIGACION DE OPERACIONES
PROGRAMA DEL CURSO
DESCRIPCION
El curso trata principalmente sobre la aplicacin de los modelos
usuales de Investigacin de Operaciones en la solucin de
problemas reales, tales como modelos de Programacin Lineal,
Entera, Binaria y Mixta
OBJETIVOS
Aplicar modelos cuantitativos en la resolucin de problemas
lineales.
Optimizar soluciones usando la Investigacin de Operaciones.
METODOLOGA
BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones. PEARSON. 9
Ed. 2012
HILLIER, FREDERICK Y LIEBERMAN, GERALD: Introduccin
a la Investigacin de Operaciones, McGraw Hill
Interamericana
WINSTON WAYNE L.: Investigacin de Operaciones:
Aplicaciones y Algoritmos. Grupo Editorial Iberoamericana.
DAVIS K ROSCOE y MC KEOWN Patrick. Modelos
Cuantitativos para Administracin. Grupo editorial
Iberoamerica. 2 Ed. 1986.
PRAWDA, Juan. Mtodos y modelos de Investigacin de
operaciones. Limusa.
JORGE ALVAREZ ALVAREZ, Investigacin de Operaciones,
Universidad Nacional de Ingeniera, Edicin 2001
INVESTIGACION DE OPERACIONES
Definicin:
Conjunto de tcnicas matemticas y estadsticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
accin; esto mediante el modelamiento matemtico de los problemas en
estudio.
Qu es la investigacin de
operaciones?
Lawrence y Pasternak, (1998) Es un enfoque
cientfico para la toma de decisiones ejecutivas,
que consiste en:
El arte de modelar situaciones complejas,
La ciencia de desarrollar tcnicas de
solucin para resolver dichos modelos.
La capacidad de comunicar efectivamente
los resultados.
Qu es la investigacin de
operaciones?
Kamblesh Mathur: Es el uso de la Matemtica
y computadoras para ayudar a tomar
decisiones racionales frente a problemas de
administracin.
Jorge Alvarez: Es un procedimiento o un
enfoque para resolver problemas relacionados
con la toma de decisiones.
TOMA DE DECISIONES
Toda toma de decisin empieza con la
deteccin de un problema.
TOMA DE DECISIONES
Como se elige la mejor
alternativa?
Mtodos Cualitativos
En base a la experiencia y al juicio profesional
de la persona que toma la decisin
Mtodos Cuantitativos
En base a la utilizacin de herramientas
matemticas que permitan maximizar la
efectividad en la toma de decisiones.
INVESTIGACIN DE OPERACIONES
La dificultad de tomar decisiones ha hecho que el hombre se aboque
en la bsqueda de una herramienta o mtodo que le permita tomar las
mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue.
Este conjunto de herramientas o mtodos es lo que llamaremos
Investigacin de Operaciones.
Definicin ms formal
Enfoque cientfico de la toma de decisiones que requiere la
operacin de sistemas organizacionales.
La IO nos ofrece una serie de herramientas cuantitativas para la toma
de decisiones.
MODELOS DE LA INVESTIGACIN DE
OPERACIONES
Modelos de IO
Determinsticos
Optimizacin
Lineal
Hbridos
Optimizacin
no Lineal
Programacin
Lineal
Mtodos
Clsicos
Transporte y
Asignacin
Mtodos
de bsqueda
Prog Entera
y 0,1
Programacin
no lineal
Redes
Estocsticos
Programacin
Dinmica
Cadenas
de Markov
Teora de
Inventarios
Teora de
Colas
Simulacin
Procesos
Estocsticos
Pert / CPM
Heursticas
Teora de
Decisiones
y Juegos
LA NATURALEZA DE UN SISTEMA
Un sistema es un conjunto de dos o ms elementos que satisface las
siguientes tres condiciones:
Sistema
Entidades
que Entran
Actividades
Recursos
Entidades
que Salen
METODOLOGA DE LA
INVESTIGACION DE OPERACIONES
Problema
Es identificar, comprender y describir
trminos precisos, el problema que
organizacin enfrenta. El enunciado es
definicin del problema. Un problema no
formula sino se define.
Los recursos
son escasos
Los sistemas
son cada vez
ms complejos
en
la
la
se
Conjugan
mtodos
determinsticos
INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn la
Investigacin Operaciones
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a
travs de relaciones matemticas y supone que todas las variables
relevantes son cuantificables. Por ende tiene una solucin optima.
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones
estadsticas. Este tipo de modelo entrega soluciones aproximadas.
Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una
solucin mejorada, dada una solucin actual del modelo,
generalmente son procedimientos de bsqueda. Este tipo de
modelo tambin entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
El Arte del Modelado
La Investigacin de Operaciones debe ser considerada como
una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin
de los problemas.
Un arte ya que la formulacin del modelo depende en gran parte
de la creatividad y la experiencia de las operaciones del equipo
investigador.
VARIABLES DE DISEO
VARIABLES DE DISEO
Nomenclatura
[X]
Xx
[x1, x2, , xn]
xi, i = 1,2,,n
FUNCIN OBJETIVO
Nomenclatura:
f
f(x1, x2, , xn) o f(X)
PARMETROS DE DISEO
Nomenclatura:
[P]
P
[p1, p2, , pq]
RESTRICCIONES
Tipos:
De igualdad: =
De desigualdad: ,
Ejemplo 1
Volumen de la lata: fun1(X) = 500 cm3
Ejemplo 2
Deflexin: fun2(X) 1 mm
RESTRICCIONES
FORMATO ESTNDAR
Sujeto a
hk(x1, x2, , xn) = 0, k=1,2,,l
gj (x1, x2, , xn) 0, j=1,2,,m
xil xi xiu, i=1,2,,n
Lenguaje natural
Minimizar la funcin objetivo f, sujeto a 1 restricciones
de igualdad, m restricciones de desigualdad, con n
variables de diseo comprendidas entre unos lmites
inferior y superior
MODELADO EJEMPLO 1
d
h
Variables de diseo: d, h
Parmetro de diseo: C (coste del material por unidad rea)
Volumen = d2h/4
rea = dh
Restriccin esttica: h2d
MODELO EJEMPLO 1
5 x2 20
INVESTIGACIN DE OPERACIONES
Para la aplicacin de la IO se siguen los siguientes pasos:
METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
I) Identificacion de las variables
Xij=#deconsultoresqueviajandel
origenialdestinoj
II) Identificacion de la funcion
objetivo
Max
540X11+300X12+420X13+
500X21+330X22+330X23+
520X31+310X32+350X33
III) Identificacion de las
restricciones
X11+X12+X132
X21+X22+X231
X31+X32+X334
X11+X21+X31=3
X12+X22+X32=2
X13+X23+X33=1
Xij0;entero
METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
Desarrollo de un modelo matemtico
Paso 1. Identificar las variables de decisin
Sobre qu tengo control?
Qu es lo que hay que decidir?
Cul sera una respuesta vlida del caso?
Paso 2. Identificar la funcin objetivo
Qu pretendemos conseguir?
qu me interesara ms?
Paso 3. Identificar las restricciones o factores que limitan la
decisin, recursos disponibles (trabajadores,
mquinas,
material), fechas lmite, naturaleza de las
variables (no
negatividad, enteras, binarias).
Paso 4.Traduccin de los elementos bsicos a un modelo
matemtico.
METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
Resolucin del modelo
Es resolver el modelo usando una tcnica
adecuada, es decir obtener valores numricos
para la variable de decisin.
Es determinar los valores de las variables de
decisin de modo que la solucin sea ptima (o
satisfactoria) sujeta a las restricciones.
Puede haber distintos algoritmos y formas de
aplicarlos. En esta parte se usa el Software WIN
QSB. Hay otros como el LINDO, MLP y TORA
EL MODELO DE
PROGRAMACIN LINEAL
PROVEE UNA SOLUCIN
INTELIGENTE PARA ESTE
PROBLEMA
PRACTIQUEMOS!
FORMULACION DE UN PROBLEMA
PROGRAMACIN LINEAL
Funcin Objetivo: Max o Min (Z) = C X
Sujeto a :
AXB
Xi 0 ; i = 1, 2,...., n
La Programacin Lineal es una herramienta para resolver problemas
de optimizacin que se caracterizan por tener como funcin objetivo y
restricciones combinaciones lineales de las variables de decisin.
Conceptos Bsicos:
Variables de Decisin
Funcin Objetivo
Restricciones
Restricciones de Signo
Consideremos los siguientes ejemplos para describir los conceptos
bsicos presentes en todo problema de programacin lineal (PPL)
Corte y
teido
Estndar
7/10
1/2
1/10
S/. 10
5/6
2/3
1/4
S/. 9
De lujo
Costura
Terminado
Inspeccin
y empaque
Ganancia
por bolsa
Formulacin:
Variable de decisin:
Xi = Nmero de bolsas de modelo i a fabricar por trimestre
i = 1, 2
Objetivo:
Maximizar: Ganancia/trimestre
Restricciones:
Tiempo disponible por trimestre
Condiciones tcnicas.
X1, X2 > 0
Corte y teido
Corte
Acabado
Inspeccin y empaque
Mx: Ganancia
Max. (Z) = 10X1 + 9X2
S/.
Trimestre
S/.
Bolsa
Bolsa
Trimestre
Sujeto a:
Hora
Bolsas
Bolsa
Trimestre
7/10X1 +
Horas
Trimestre
Requerimientos de Marketing.
* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.
Requerimientos Tecnolgicos.
* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.
Solucin
Variables de decisin
* X1 = Cantidad producida de Space Rays (en docenas por
semana).
* X2 = Cantidad producida de Zappers (en docenas por
semana).
Funcin objetivo
* Maximizar la ganancia semanal.
(Cantidad de plstico)
(Tiempo de produccin)
(Limite produccin total)
(Produccin en exceso)
(Resultados positivos)
= 100 docenas
= S/. 4900 por semana
EJEMPLO N 3
Una firma industrial elabora dos productos, en los cuales entran
cuatro componentes en cada uno. Hay una determinada
disponibilidad de cada componente y un beneficio por cada
producto. Se desea hallar la cantidad de cada articulo que debe
fabricarse con el fin de maximizar los beneficios.
El siguiente cuadro resume los coeficientes de transformacin o
sea la cantidad de cada componente que entra en cada producto.
Producto
Componente
A
B
C
D
Beneficios
S/./unidad
P1
P2
1
2
2
1
4
3
1
2
1
3
Disponibilidad
(kilogramos)
15,000
10,000
12,000
10,000
X1 = N de unidades de producto P1
X2 = N de unidades de producto P2
Entonces el programa lineal correspondiente es:
Max (Z) = 4X1 + 3X2
Sujeto a :
1X1 + 3X2 15,000
2X1 + 1X2 10,000
2X1 + 2X2 12,000
1X1 + 1X2 10,000
X1, X2 0
EJEMPLO N 4
En una fbrica de cerveza se producen dos tipos: rubia y negra. Su
precio de venta es de S/. 0.5 / litro y S/. 0.3 / litro, respectivamente.
Sus necesidades de mano de obra son de 3 y 5 empleados, y de
5,000 y 2,000 soles de materias primas por cada 10,000 litro.
La empresa dispone semanalmente de 15 empleados y 10,000 soles
para materias primas, y desea maximizar su beneficio. Cuntos
litros debe producir?
FORMULACIN
15
Ejemplo N 5
Una mueblera produce mesas y sillas de madera. Cada mesa es
vendida en $27.000 y se requiere $10.000 en materiales para su
construccin, adems, el costo unitario por mano de obra es de
$14.000. En el caso de las sillas, el precio de venta es de $21.000 y
los costos de materiales y mano de obra son $9.000 y $10.000
respectivamente.
La fabricacin de cada producto requiere de dos labores: carpintera
y terminaciones. Una mesa requiere de 1 hora de carpintera y 2 de
terminaciones, mientras que la silla requiere de 1 hora en cada labor.
Cada semana, la mueblera puede obtener todos los materiales que
desee, sin embargo, se pueden dedicar hasta 100 horas a las
terminaciones y hasta 80 horas a la carpintera. La demanda por
mesas no est limitada, mientras que la demanda por sillas es de 40
unidades.
Formule un modelo matemtico que permita maximizar las utilidades
de la mueblera.
Formulacin
Variables de decisin:
Se debe comenzar definiendo las variables de decisin relevantes. En
un PPL las variables de decisin deben ser capaces de describir
completamente las decisiones que puedan ser tomadas y todas las
variantes que existan.
Antes de definir las variables de decisin es importante definir las
unidades involucradas en el problema.
En este caso, se habla de unidades de sillas y mesas, de horas de
trabajo por unidad y de demanda semanal. De acuerdo a ello, una
buena opcin para definir las variables de decisin consiste en
asociar las variables al nmero de unidades de sillas y mesas a
producir por semana. Por lo tanto, podemos definir:
X1 = Nmero de mesas producidas por semana.
X2 = Nmero de sillas producidas por semana.
Funcin Objetivo:
En un PPL, se debe tomar la decisin de maximizar (usualmente las
utilidades) o de minimizar (usualmente los costos) cierta funcin de
las variables de decisin.
La funcin que se va a optimizar se llama Funcin Objetivo y en ella
no aparece ningn trmino independiente o constante. Los valores
de las variables de decisin son independientes de cualquier
constante.
En el ejemplo, los costos e ingresos no dependen del valor de X 1 o
X2 por lo tanto basta concentrarse en maximizar la diferencia entre:
Ingresos Semanales Costos de Materiales Costos por mano de obra
Restricciones:
En las medidas que las variables crecen, la Funcin Objetivo
aumenta su valor. Por lo tanto si se pudiera escoger arbitrariamente
el valor de la variables, la mueblera podra hacer crecer el valor de
sus utilidades en forma infinita. En la prctica esto no es posible y en
el ejemplo el valor que toman las variables est limitado por las
siguientes 3 restricciones:
Definicin de variables:
X1: nmero de mesas producidas por semana.
X2: nmero de sillas producidas por semana.
Funcin Objetivo:
Max Z = 3X1 + 2X2
Sujeto a:
2X1 + X2 100
X1 + X2 80
X2 40
Xj 0
j=1y2
Coeficientes objetivo
Variables de decisin
Max(Z) = C1 X 1 + C 2 X 2 +...... + Cn Xn
Sujeto a:
a X +a X
11
a X +a
21
Coeficientes recurso
Coeficientes tecnolgicos
12
22
+ ..... + a X ( , = , ) b
1
1n
+ ..... + a
2n
X n ( , = , ) b2
.
m1
X +a
1
m2
X + ..... + a
2
X1,2,.....n > 0
mn
X ( , = , )b
n
Condiciones tcnicas o
No negatividad
C = c1 c 2 ... c n-1 c n
b1
b2
.
.
bm-1
bm
a11
a21
A
.
am,1
a12
a2 2
.
am,2
... a1n
... a2n
...
.
... am,n
EL MODELO DE P.L.
Z: funcin objetivo
C (c1,...,cn): vector de coeficientes de la f. o.
X (x1,...,xn): vector de variables de decisin
A (...,aij,...): matriz de coeficientes tcnicos
b (b1,...,bm): vector de demandas
Matricialmente,
Optimizacin Max o Min = CX
S.A.
AX b
Forma cannica
x0
Problema N 1
Variables de Decisin
X1 = Cantidad de Manteles comprados (slo se puede comprar el
primer da).
X2 = Cantidad de Manteles mandados a lavar en servicio rpido el
primer da.
X3 = Cantidad de Manteles mandados a lavar en servicio normal el
primer da.
X4 = Cantidad de Manteles mandados a lavar en servicio rpido el
segundo da.
Restricciones.
a) Satisfaccin de la necesidad de manteles al primer da X1 40
b) Satisfaccin de la necesidad de manteles al segundo da.
(X1 40) + X2 60 X1 + X2 100
c) Satisfaccin de la necesidad de manteles al tercer da.
(X1 40) + X2 60 + X3 + X4 70 X1 + X2 + X3 + X4 170
d) El nmero de manteles mandados a lavar el primer da, puede a l
o mas ser igual al nmero de manteles usados ese da.
X2 + X3 40
e) El nmero de manteles mandados a lavar hasta el segundo da,
puede a lo mas ser igual al nmero de manteles usados hasta
ese da.
X2 + X3 + X4 40 + 60 X2 + X3 + X4 100
f ) No negatividad.
X1, X2, X3, X4 0
Funcin Objetivo
Min (Z) = 20X1 + 15X2 + 8X3 + 15X4
Problema N 2
Variables de Decisin
X1 = numero de libras de carne molida de res empleadas en cada libra
de albndigas.
X2 = numero de libras de carne molida de cerdo empleadas en cada
libra de albndigas.
Restricciones
Cada libra de albndigas tendr 0.20 X1, libras de grasa provenientes
de la carne de res y 0.32 X2 libras de grasa de la carne de cerdo. El
contenido total de grasa de una libra de albndigas no debe ser
mayor de 0.25 libras. Entonces:
0.20X1 + 0.32X2 0.25
El nmero de libras de carne de res y de cerdo empleadas en cada
libra de albndigas debe sumar 1; entonces:
X1 + X 2 = 1
Finalmente, la tienda no puede usar cantidades negativas de ninguna
de las carnes, as que hay dos restricciones de no negatividad: X1 0
y X2 0.
Funcin Objetivo
Min (Z) = 80X1 + 60X2
Problema N 3
Variables de decisin
X1: Unidades de A producidas en total
X2: Unidades de B producidas en total
X3: Unidades de C producidas en total
X4: Unidades de A vendidas
X5: Unidades de B vendidas
Funcin Objetivo
Max (Z) = 700 X4 + 3,500 X5 + 7,000 X3
Restricciones
Sujeto a:
X1 + 2X2 + 3X3 40
X1 = X4 + 2X2
X2 = X 5 + X 3
X1, X2, X3, X4, X5 0
Problema N 5
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes mximo y mnimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N 1.
TABLA N 1 ESPECIFICACIONES DE MEZCLAS
MEZCLA
ESPECIFICACION
Sper Fuerte
No menos de 60% de A
No mas de 20% de C
S/. 6.80
Fuerte
No ms de 60% de C
No menos de 15% de A
S/. 5.70
Menos Fuerte
No ms de 50% de C
S/. 4.50
La provisin de los tres grados de aguardientes bsicos, junto con sus costos se presente
en la tabla N 2.
TABLA N 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD
DISPONIBLE
BOTELLAS POR DIA
AGUARDIENTE
A
2000
S/. 7.00
2500
S/. 5.00
1200
S/. 4.00
Solucin
X11 : Cantidad de A usada para el super fuerte
X21 : Cantidad de B usada para el super fuerte
X31 : Cantidad de C usada para el super fuerte
X12 : Cantidad de A usada para el fuerte
X22 : Cantidad de B usada para el fuerte
X32 : Cantidad de C usada para el fuerte
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 2,000
X21 + X22 2,500
Disponibilidad
X31 + X32 1,200
X11 0.60 (X11 + X21 + X31)
X31 0.20 (X11 + X21 + X31)
Problema N 6
Una compaa fabrica dos clases de cinturones de piel. El cinturn A
es de alta calidad, y el cinturn B es de baja calidad. La ganancia
respectiva por cinturn es de S/. 0.40 y S/. 0.30. Cada cinturn de tipo
A requiere el doble de tiempo que el que usa el de tipo B, y si todos
los cinturones fueran de tipo B, la compaa podra fabricar 1000 da,
el abastecimiento de piel es suficiente nicamente para 800
cinturones diarios (A y B combinados) el cinturn A requiere una
hebilla elegante, de las que solamente se dispone 400 diarias. Se
tiene nicamente 700 hebillas al da para el cinturn B. Establezca las
ecuaciones de programacin lineal para el problema.
Tipo de cinturn
A
B
Ganancia
S/. / Cin
0.4
0.3
Disponibilidad
hebillas/da
400
700
800
XA
400
XB
700
XB
XA,
Problema N 5
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes mximo y mnimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N 1.
TABLA N 1 ESPECIFICACIONES DE MEZCLAS
MEZCLA
ESPECIFICACION
Sper Fuerte
No menos de 60% de A
No mas de 20% de C
S/. 6.80
Fuerte
No ms de 60% de C
No menos de 15% de A
S/. 5.70
Menos Fuerte
No ms de 50% de C
S/. 4.50
La provisin de los tres grados de aguardientes bsicos, junto con sus costos se presente
en la tabla N 2.
TABLA N 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD
DISPONIBLE
BOTELLAS POR DIA
AGUARDIENTE
A
2000
S/. 7.00
2500
S/. 5.00
1200
S/. 4.00
Solucin
X11 : Cantidad de A usada para el super fuerte
X21 : Cantidad de B usada para el super fuerte
X31 : Cantidad de C usada para el super fuerte
X12 : Cantidad de A usada para el fuerte
X22 : Cantidad de B usada para el fuerte
X32 : Cantidad de C usada para el fuerte
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 2,000
X21 + X22 2,500
Disponibilidad
X31 + X32 1,200
X11 0.60 (X11 + X21 + X31)
X31 0.20 (X11 + X21 + X31)
Problema N 7
Mineral 1
60%
10%
Mineral 2
13%
3%
Sujeto a:
0.60 X1 + 0.13 X2 0.20 (X1 + X2)
0.10 X1 + 0.03 X2 0.05 (X1 + X2)
X1,
X2, 0
Problema N 8
Una industria de muebles requiere de 350 barras de 2x4x20
cm. y de 200 barras de 2x3x20 cm., si dicha empresa dispone
de barras cuyas dimensiones son 7x5x20 cm., cual debe ser el
programa que debe seguir para minimizar desperdicios
sabiendo que el mximo debe ser de 140 cm3.
Solucin
X1
X2
X3
0
5
1
4
2
2
Sujeto a:
X2 + 2 X3 350
5 X1 + 4 X2 + 2 X3 200
X1,
X2,
X3 0
Problema N 9
Un fabricante de lminas metlicas recibe un pedido para producir
2000 lminas de tamao 2 x 4 y 1000 lminas de tamao 4 x 7. Se
dispone de dos lminas estndar de tamao 10 x 3000 y 11 x 2000.
El personal del departamento de ingeniera decide que los tres
siguientes patrones de corte son adecuados para satisfacer el
pedido y minimizar el desperdicio. Formule el problema como un
modelo de programacin lineal.
Patron N 1
Patron N 2
4'
2'
4'
2'
2'
7'
Patron N 3
4'
2'
2'
2'
2'
2'
Solucin
Lminas 2 x 4
4x7
750 para
cortar
2,000
1,000
10 x 3,000
11 x 2,000
500 para
cortar
X11,
X31
X31,
3,000/4
X22 + X32 2,000/4
X22, X32 0
Problema N 10
Solucin
Continuacin..
Xi = Nmero de mucamas que empiezan a trabajar el da i
durante
cinco dias consecutivos
XJ + XV + XS + XD + XL
150 / 6
XV + XS + XD + XL + XMa
200 / 6
XS + XD + XL + XMa+ XMi
400 / 6
XD + XL + XMa+ XMi+ XJ
300 / 6
XL + XMa+ XMi+ XJ + XV
700 / 6
XMa+ XMi+ XJ + XV +XS
800 / 6
XMi+ XJ + XV +XS + XD 300 / 6
XL , XMa, XMi, XJ , XV , XS , XD 0
Min (Z) = XL + XMa+ XMi+ XJ + XV + XS + XD
Problema
El hospital ESSALUD ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con
la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha
estimado las necesidades mnimas de personal por tramos horarios para poder cubrir las
urgencias que se presenten. Se definieron 6 tramos de 4 horas. La necesidad mnima de
personal en cada tramo se indica en el cuadro mostrado. Por otro lado, el departamento de
recursos humanos ha informado a gerencia que los contratos laborales han de ser de ocho
horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los
horarios de entrada y salida del personal.
El problema es encontrar el nmero mnimo de personal necesario para cubrir la
demanda.
Solucin
Min (Z) = X1 + X2 + X3 + X4 + X5 + X6
Sujeto a:
X1 + X 2
X2 + X3
X3 + X 4
X4 + X5
X5 + X 6
X6 + X1 9
Xj 0, j= 1,...,6
Problema
Dos aleaciones, A y B, estn hechas de cuatro metales diferentes: I, II, III y IV, segn las especificaciones
siguientes:
Suponiendo que los precios de venta de las aleaciones A y B son US$ 200 y US$ 399 por tonelada,
formule el problema como un modelo de programacin lineal.
Sugerencia: supngase que Xijk representa el nmero de toneladas del i-simo metal obtenido de la jsimo mineral metlico y asignado a la k-sima aleacin.
Solucin
Xijk = nmero de toneladas del i esimo metal obtenido de la j esimo mineral metlico
asignado a la k esima aleacin
Max (Z) = [(X11A + X21A + X31A + X41A + X12A + X22A + X32A + X42A + X13A + X23A + X33A + X43A)200
(X11B + X21B + X31B + X41B + X12B + X22B + X32B + X42B + X13B + X23B + X33B + X43B)399] (X11A + X21A + X31A + X41A )30 (X11B + X21B + X31B + X41B)30 (X12A + X22A + X32A +
X42A)40 - (X12B + X22B + X32B + X42B)40 (X13A + X23A + X33A + X43A)50 (X13B + X23B + X33B + X43B)50
Sujeto a:
X11A + X21A + X31A + X41A + X11B + X21B + X31B + X41B 1,000
X12A + X22A + X32A + X42A + X12B + X22B + X32B + X42B 2,000
Disponibilidad
Problema N 11
La Compaa XYZ produce tornillos y clavos. La materia Prima para
los tornillos cuesta S/. 2 por unidad, mientras que la materia prima
para el clavo cuesta S/. 2.50. Un clavo requiere dos horas de mano de
obra en el departamento N 1 y tres en el departamento N 2, mientras
que un tornillo requiere 4 horas en el departamento N 1 y 2 horas en
departamento N 2, el jornal por hora en ambos departamentos es de
S/. 2. Si ambos productos se venden a S/. 18, y el nmero de horas de
mano de obra disponibles por semana en los departamentos son de
160 y 180 respectivamente. Expresar el problema propuesto como un
programa lineal, tal que maximice las utilidades.
Solucin
X1 : unidades de clavos a producirse por semana
X2 : unidades de tornillos a producirse por semana
Max (Z) = 18(X1 + X2) [10 X1 + 2 X1 + 12 X2 + 2.5 X2]
Sujeto a:
2 X1 + 4 X2 160
3 X1 + 2 X2 180
X1 ,
X2 0
Problema N 12
Xi : cantidad de unidades del tipo i a ser fabricados para ser
vendidos a la semana
i : 1, 2, y 3
1 = vlvula globo
2 = vlvula aguja
3 = mdulo
Max (Z) = 10 X1 + 20 X2 + 60 X3
Sujeto a:
10X1 + 15X2 + (25 + 2 x 10)X3 25,000
5X1 + 5X2 + (10 + 2 x 5) X3 15,000
5X1 + 5X2 +
10 X3 45,000
5X2 +
10 X3 45,000
5X2 +
20 X3 45,000
X3 200
X1 ,
X2 ,
X3 0
Problema N 13
TAKAGAKI S. A. fabrica dos tipos de alimentos balanceados,
recibe un pedido especial de 200 TN de una mezcla de protenas
y carbohidratos, la mezcla debe contener a lo ms 40% de
protenas y por lo menos 30% de carbohidratos, el costo de cada
TN de protenas es de S/. 3 y de cada TN de carbohidratos es de
8, determinar la mezcla ptima.
XP: TN. de protenas utilizadas en la mezcla
Xc: TN. de carbohidratos utilizadas en la mezcla
Max (Z) = 3 XP + 8 XC
Sujeto a:
XP + XC = 200
XP
0.40 ( XP + XC)
XC 0.30 ( XP + XC)
XP , XC 0
Problema N 14
Xi: Nmero de acres que se destinan a cada cosecha en cada comunidad
I = 1, 2, 3, 4, 5, 6, 7, 8, 9
Max (Z) = 1,000 (X1 + X2 + X3) + 750 (X4 + X5 + X6) + 250 (X7 + X8 + X9)
Sujeto a:
Terreno para uso en cada comunidad
X1 + X4 + X7 400
X2 + X5 + X8 600
X3 + X6 + X9 300
Continuacin
Asignacin de agua para cada comunidad
3 X1 + 2 X4 + X7 600
3 X2 + 2 X5 + X8 800
3 X3 + 2 X6 + X9 375
Total de acres para cada cosecha
X1 + X2 + X3 600
X4 + X5 + X6 500
X7 + X8 + X9 325
Igual proporcin del rea planteada
X1 + X4 + X7 = X2 + X5 + X8
400
600
X2 + X5 + X8 = X3 + X6 + X9
600
Xi 0 , i = 1,,9
300
Problema N 15
Variable de decisin
Xi = El uso de cada uno de los tres mtodos de abatimiento en cada
tipo de horno, expresado como una fraccin de la capacidad de
abatimiento de tal manera que Xi no exceda a 1
Funcin Objetivo
Min (Z) = 8X1 + 10X2 + 7X3 + 6X4 + 11X5 + 9X6
Sujeto a:
12X1 + 9X2 + 25X3 + 20X4 + 17X5 + 13X6 60
35X1 + 42X2 + 18X3 + 31X4 + 56X5 + 49X6 150
37X1 + 53X2 + 28X3 + 24X4 + 29X5 + 20X6 125
X1 +
X1,
X2 +
X2 ,
X3 +
X3 ,
X4 +
X4,
X5 +
X5 ,
X6 1
X6 0
Mtodo de
abatimiento
Tecnologa
SOLUCION GRAFICA
M = - X2
X1
Z=2
Z=0
todas
las
X2 0
Ejemplo 3
Min (Z) = 2 X1 + 3 X2
Sujeto a:
X1 + X2 4
6 X1 + 2 X2 = 8
X1 + 5 X2 4
X1
3
X2 3
X1 , X2 0
Ejemplo 4
Max (Z) = X1 + X2
Sujeto a:
- 4 X 1 + 2 X2 2
2 X1
2 X 1 + 2 X2 6
X1 ,
(2/3,7/3)
B
(2,1)
X2 0
C
Ejemplo 5
Max (Z) = 2 X1 + 2 X2
(6,5)
Sujeto a:
X1 - X2 1
1/ 2 X1 + X2 2
X1 ,
X2 0
Ejemplo 6
Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1 + X 2 1
2 X1 + 2 X 2 4
X1 ,
X2 0
Ejemplo 7
Max (Z) = X1 + X2
Sujeto a:
3 X1 - X 2 - 3
X1 +
X2 4
X1 ,
X2 0
USANDO UN GRAFICO SE
PUEDEN REPRESENTAR TODAS
LAS RESTRICCIONES, LA
FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD.
Requerimientos de Marketing.
* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.
Requerimientos Tecnolgicos.
* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.
Solucin
Variables de decisin
X1 = Cantidad producida de Space Rays (en docenas por
semana).
X2 = Cantidad producida de Zappers (en docenas por
semana).
Funcin objetivo
Maximizar la ganancia semanal.
(Cantidad de plstico)
(Tiempo de produccin)
(Limite produccin total)
(Produccin en exceso)
(Resultados positivos)
= 100 docenas
= S/. 4900 por semana
No Factible
600
Horas de
Produccin
3X1 + 4X2 2400
Restriccin del
exceso de produccin:
X1 - X2 450
Factible
600
Punto Inferior
Punto Medio
800
X1
Punto Extremo
X2
800
Ganancia
=S/.
5,040
Util. = S/.
3,
4,
2,000
600
Re
l
r
la
u
lc
a
c
e
r
a
a
f
n
i
g
le
b
i
ct
X1
400
600
800
1200
X2
800
Regin no
factible
600
Feasible
Regin
region
Factible
400
X1
600
800
METODO SIMPLEX
1.
2.
3.
4.
5.
6.
bi 0
Restricciones
Restricciones
Restricciones =
Xj 0; xi = - Xi, donde Xi 0
Xi Sin Restriccin de Signo (SRS)
+,-,0
X1 ; SRS
X1 = X1+ - X1X1 = A1 - D1
A1 > D1; X1 > 0; X1 = A1 - 0
A1 = D1; X1 = 0; X1 = 0 - 0
A1< D1; X1 < 0; X1 = 0 - D1
donde :
A1, D 1 0
7.
8.
9.
Z j - Cj 0 ;
Tipo de soluciones.
Cj - Z j 0
X2 140
X1 ,
X2 0
Solucin
(0,100)
(80,60)
(140,0)
Solucin
Iteracin N 1
Cj
30
50
Ci
XB
X1
X2
S1
S2
bi
S1
200
100
S2
140
140
30
50
30
50
Cj -Zj
Iteracin N 2
Cj
Ci
XB
X1
X2
S1
S2
bi
50
X2
1/2
1/2
100
200
S2
1/2
-1/2
40
80
-25
Cj -Zj
5000
Solucin
Iteracin N 3
Cj
30
50
Ci
XB
X1
X2
S1
S2
bi
50
X2
-1
60
30
X1
-1
80
-20
-10
Cj -Zj
5400
Maquinado
Armado
Montaje
Beneficio
ARTEFACTO A
(min/unid)
ARTEFACTO B
(min/unid)
DISPONIBILIDAD
4
5
12
100
8
6
6
120
480
600
540
X2 0
(0, 60)
(15/2, 225/4)
(45, 0)
Solucin
Iteracin N 1
Cj
100
120
Ci
XB
X1
X2
S1
S2
S3
bi
S1
480
60
S2
600
100
S3
12
540
135/2
Cj -Zj
Iteracin N 2
100
120
Cj
100
120
Ci
XB
X1
X2
S1
S2
S3
bi
120
X2
1/2
1/8
60
120
S2
-3/4
240
120
S3
-1
60
15/2
40
-15
Cj -Zj
7200
Iteracin N 3
Cj
100
120
0
S3
Ci
XB
X1
X2
S1
S2
120
X2
3/16
-1/16 225/4
S2
-1/2
-1/4
225
100
X1
-1/8
1/8
15/2
-10
-5
Cj -Zj
bi
7500
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
S3
bi
S1
12
S2
S3
28
X1
4
1
3
1/2
0
1/4
0
0
0
0
S2
5/2
-1/4
12/5
S3
-3/2
-7/4
-1
Cj -Zj
Cj -Zj
24
X1
3/10
-1/5
9/5
X2
-1/10
2/5
12/5
S3
-19/10
3/5
53/5
-9/10
-2/5
Cj -Zj
72/5
4
2 X2 12
3 X1 + 2 X2 18
X1 ,
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
S3
bi
S1
S2
12
S3
18
S1
3
1
5
0
0
1
0
0
0
0
X2
1/2
S3
-1
-5/2
Cj - Zj
Cj - Zj
30
S1
1/3
-1/3
X2
1/2
X1
-1/3
1/3
-3/2
-1
Cj - Zj
36
4
2 X2 12
3 X1 + 2 X2 18
X1 ,
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
S3
bi
S1
S2
12
S3
18
X1
3
1
2
0
0
1
0
0
0
0
S2
12
S3
-3
-3
Cj - Zj
Cj - Zj
12
X1
S2
-1
X2
-3/2
1/2
-1
Cj - Zj
18
X1
-1/3
1/3
S1
1/3
-1/3
X2
1/2
-1
Cj - Zj
18
X2 0
Tipos de Solucin
Iteraciones
Cj
10
-M
Ci
XB
X1
X2
S1
S2
S3
A3
bi
S1
-3
12
S2
-2
-M
A3
-1
X2
10+M
-3/4
5 + 2M
1
0
1/4
0
0
-M
0
0
0
S2
-1/2
1/2
-M
A3
5/2
-1/2
-1
4/5
55/4+5M/2
-5/4-M/2
-M
Cj - Zj
Cj - Zj
15
X2
1/10
-3/10
3/10
18/5
S2
4/10
-1/5
1/5
42/5
10
X1
-1/5
-2/5
2/5
4/5
3/2
11/2
-M-11/2
Cj - Zj
Solucin No Acotada
26
3 X1 + 3 X2 15
3 X1 + 4 X2 = 12
X1 ,
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
A1
A3
bi
A1
-1
S2
15
A3
12
1-12M
1-7M
Cj Zj
X1
1/3
-1/9
1/9
S2
1/3
-1/3
12
A3
1/3
-1/3
2/3-3M
1/9-M/3
-1/9+4M/3
Cj - Zj
X1
-4/27
4/27
-1/9
S2
1/9
-1/9
-2/3
X2
1/9
-1/9
1/3
1/27
M-1/27
M-2/9
Cj - Zj
Solucin Degenerada
X1 - 2 X2 15
X1 + 2 X2 = 12
X1 ,
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
A1
A3
bi
A1
-1
S2
-2
15
15
A3
12
12
1-10M
1-5M
Cj Zj
X1
1/3
-1/9
1/9
S2
-7/3
1/9
-1/9
14
A3
5/3
1/9
-1/9
11
33/5
2/3-5M/3
1/9-M/9
-1/9+M/9
Cj - Zj
X2
-1/3
1/3
S2
-2/3
2/3
21
A3
-5
2/3
-2/3
-2+5M
1/3-2M/3
5M/3-1/3
Cj - Zj
X2
1/2
1/2
S2
27
S1
-15/2
-1
3/2
1/2
M-1/2
Cj - Zj
X2 0
GRAFICA
Tipos de Solucin
Iteraciones
Cj
-M
Ci
XB
X1
X2
S1
S2
S3
A1
Bi
-M
A1
-1
S2
12
-M
A3
18
3+M
5 + 2M
-M
Cj Zj
-M
A1
-2/3
-1
-1/3
S2
12
X1
2/3
1/3
5-2M/3
-M
-M/3-1
Cj - Zj
Solucin No Factible
80
X2 0
Tipos de Solucin
Iteraciones
Cj
460
200
-M
Ci
XB
X1
X2
S1
S2
S3
A3
bi
S1
18
800
400/9
S2
600
200/3
-M
A3
-1
80
80
460+M
200
-M
Cj Zj
460
X1
1/6
1/18
400/9
S2
5/2
-1/2
200
-M
A3
-1/6
-1/18
-1
320/9
370/3-M/6
230/9-M/18
-M
Cj Zj
Solucin No Factible
X2 0
Tipos de Solucin
Iteraciones
Cj
Ci
XB
X1
X2
S1
S2
S3
bi
S1
S2
18
S3
16
S1
1
0
1
4/3
0
1
0
-1/3
0
0
X1
1/3
1/6
S3
10/3
-1/3
10
2/3
-1/6
Cj - Zj
Cj - Zj
X1
3/4
-1/4
3/2
X2
10
-1/4
1/4
5/2
S3
-5/2
-1/2
-1/2
Cj - Zj
X2
1/2
S2
-1
10
S3
-3
10
-1/2
Cj - Zj
Max (Z) = 4 X1 + 8 X2
Sujeto a:
6 X1 + 8 X2 24
20 X1
= 10X2
8 X1 - 4 X2 16
X1,
X2 0
Tipos de Solucin
Iteraciones
Cj
-M
Ci
XB
X1
X2
S1
A2
S3
bi
S1
24
-M
A2
20
-10
S3
-4
16
S1
4+20M
0
8 -10M
11
0
1
0
-3/10
0
0
24
24/11
X1
-1/2
1/20
S3
-2/5
16
10
-1/6
Cj - Zj
Cj - Zj
1
X2
1/11
-3/110
24/11
X1
1/22
2/55
12/11
S3
-2/5
16
Cj - Zj
-10/11 -M-4/55
240/11