Вы находитесь на странице: 1из 219

INTRODUCCIN A LA

MODELACIN MATEMTICA
Y OPTIMIZACIN

Carlos Julio Vidal Holgun

UNIVERSIDAD DEL VALLE


FACULTAD DE INGENIERA
ESCUELA DE INGENIERA INDUSTRIAL Y ESTADSTICA

UNIVERSIDAD DEL VALLE


FACULTAD DE INGENIERA
ESCUELA DE INGENIERA INDUSTRIAL Y ESTADSTICA

INTRODUCCIN A LA MODELACIN MATEMTICA Y


OPTIMIZACIN
Programacin Lineal, Programacin No Lineal y Teora de Redes:
Formulacin y solucin de modelos, teora de dualidad, anlisis de
sensibilidad, problema del transporte y problemas seleccionados de redes.
(Versin 1.6 Enero de 2011)

Escrito y recopilado por Carlos Julio Vidal Holgun

Cali, 14 de enero de 2011

Introduccin a la Modelacin Matemtica y Optimizacin

DEDICATORIA

Contenido
1.

LA INVESTIGACIN DE OPERACIONES .................................................................. 7


1.1.

ORGENES ................................................................................................................... 7

1.2.

NATURALEZA DE LA INVESTIGACIN DE OPERACIONES ............................ 9

1.3.

IMPACTO DE LA INVESTIGACIN DE OPERACIONES ................................... 10

2.

EL PROCESO DE DISEO EN INGENIERA ............................................................ 12


2.1.

MODELOS ................................................................................................................. 13

2.1.1.

Clasificacin de Modelos .................................................................................... 13

2.1.2.

Ventajas y Desventajas del Uso de Modelos ....................................................... 15

2.1.3.

Algunas Conclusiones con Respecto del Uso de Modelos .................................. 15

2.2.

EJEMPLO DE FORMULACIN DE MODELOS.................................................... 16

2.2.1.

Planeamiento de Cultivos (Programacin lineal) ................................................ 16

2.2.2.

El Problema del Transporte (Programacin lineal) ............................................. 17

2.2.3.

El Problema del Salvavidas (Programacin no-lineal) ........................................ 17

2.2.4.

Localizacin de una Nueva Bodega (Programacin No-Lineal) ......................... 18

2.2.5.

Ofertas Para Ocupacin de un Hotel (Modelo de Redes) .................................... 18

2.3.

ALGORITMOS PARA LA SOLUCIN DE MODELOS ........................................ 19

2.3.1.

Tiempo de Solucin de un Algoritmo ................................................................. 19

2.3.2.

Clasificacin de Tipos de Problemas................................................................... 20

2.3.3.

Tipos de Algoritmos ............................................................................................ 20

3.

FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL ......................... 25


3.1.

ORGENES Y ANTECEDENTES HISTRICOS .................................................... 25

3.2.

NATURALEZA DE LA PROGRAMACIN LINEAL ............................................ 25

3.3.

SUPOSICIONES DE LOS MODELOS DE PROGRAMACIN LINEAL .............. 27

3.3.1.

Proporcionalidad .................................................................................................. 27

3.3.2.

Aditividad ............................................................................................................ 27

3.3.3.

Certeza y Divisibilidad ........................................................................................ 28

3.4.

FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL ..................... 29

3.4.1.

Modelo N 1: Programa de Produccin ............................................................... 29

3.4.2.

Modelo N 2: Un Mini-Problema de Dieta .......................................................... 31

3.4.3.

Modelo N 3: Un Problema de Corte de Papel (Cutting Stock) .......................... 33

3.4.4.

Modelo N 4: Carga de un Avin ........................................................................ 35

Introduccin a la Modelacin Matemtica y Optimizacin

3.4.5.

Modelo N 5: Programa de Produccin en el Tiempo ......................................... 37

3.4.6.

Modelo N 6: Problema del Trasporte ................................................................. 42

3.4.7.

Modelo N 7: Programacin de Metas ................................................................ 43

3.4.8.

Modelo N 8: Un Problema Probabilstico ...................................................... 46

3.5.

SOLUCIN DE MODELOS DE PROGRAMACIN LINEAL .............................. 82

3.5.1.

Mtodo Grfico de Solucin ............................................................................... 82

3.5.2.

Mtodo de Enumeracin de Soluciones Bsicas ................................................. 89

4.

EL MTODO SIMPLEX ............................................................................................. 101


4.1.

SOLUCIONES BSICAS EN FORMA MATRICIAL ........................................... 103

4.2.

EL MTODO SIMPLEX EN FORMA MATRICIAL ............................................. 104

4.3.

APLICACIN DEL MTODO SIMPLEX EN FORMA MATRICIAL ................ 109

4.4.

EL MTODO SIMPLEX EN FORMA TABULAR ................................................ 112

4.5.

EL MTODO SIMPLEX CON VARIABLES ARTIFICIALES ............................. 113

4.5.1.

El Mtodo de la Gran M ................................................................................ 114

4.5.2.

El mtodo de las Dos Fases ............................................................................... 120

5.

TEORA DE DUALIDAD ........................................................................................... 122


5.1.

RELACIONES ENTRE LOS PROBLEMAS PRIMAL Y DUAL .......................... 124

5.1.1.

Solucin del Problema Dual .............................................................................. 125

5.1.2.

El problema Dual Adaptado a Otros Modelos de Programacin Lineal ........... 127

5.1.3.

Otras Propiedades del Problema Dual ............................................................... 128

5.2.

APLICACIONES DE LA TEORA DE DUALIDAD ............................................. 128

5.2.1.

Ahorro en Clculos ............................................................................................ 129

5.2.2.

El Algoritmo SIMPLEX Dual ........................................................................... 129

6.

ANLISIS DE SENSIBILIDAD ................................................................................. 132


6.1.

CAMBIOS EN EL VECTOR C (Coeficientes de la funcin objetivo) .................... 133

6.1.1.

Cambios en los Coeficientes de la Funcin Objetivo de una Variable No-Bsica.


133

6.1.2.

Cambios en los Coeficientes de la Funcin Objetivo de una Variable Bsica. . 133

6.2.

CAMBIOS EN EL VECTOR b (Vector de recursos) .............................................. 133

6.3.

CAMBIOS EN LAS COLUMNAS DE LA MATRIZ A ......................................... 134

6.3.1.

Cambios en una Columna No-Bsica de A ....................................................... 134

6.3.2.

Cambios en una Columna Bsica de A. ............................................................ 134

6.4.

INTRODUCCIN DE UNA NUEVA VARIABLE ................................................ 135

6.5.

INTRODUCCIN DE UNA NUEVA RESTRICCIN .......................................... 135

6.6.

EJEMPLO DE APLICACIN DE ANLISIS DE SENSIBILIDAD ..................... 137

6.6.1.

Planteamiento y Solucin del Modelo ............................................................... 138

6.6.2.

Anlisis de las Alternativas ............................................................................... 140

7.

EL MTODO SIMPLEX REVISADO ........................................................................ 146


7.1.

8.

MTODO SIMPLEX REVISADO SIN VARIABLES ARTIFICIALES ............... 148


OPTIMIZACIN NO LINEAL ................................................................................... 162

8.1.

TEORIA DE OPTIMIZACIN CLSICA ............................................................. 163

8.1.1.

Problemas No-Restringidos: .............................................................................. 163

8.1.2.

Problemas con Restricciones de Igualdad ......................................................... 165

8.2.

PROBLEMAS CON RESTRICCIONES DE DESIGUALDAD ............................. 170

8.2.1.
9.

Las condiciones de Kuhn-Tucker ...................................................................... 170

INTRODUCCIN A LAS TCNICAS DE BSQUEDA .......................................... 174


9.1.

MTODOS DE BSQUEDA DIRECTA ................................................................ 174

9.2.

MTODO DE BSQUEDA ALEATORIA ............................................................ 174

9.3.

MTODO DE LA MALLA ..................................................................................... 174

9.4.

BSQUEDA DICOTMICA .................................................................................. 175

9.5.

EL MTODO DEL GRADIENTE ........................................................................... 176

10.

ALGUNAS APLICACIONES DE PROGRAMACION NO-LINEAL ....................... 180

10.1.

PROGRAMACIN CUADRTICA ................................................................... 180

10.2.

UN PROBLEMA DE INVENTARIOS DETERMINSTICOS ........................... 184

10.3.

CANTIDAD PTIMA DE PEDIDO CON LMITES DE ALMACENAMIENTO


185

11.

ANEXO 1: EL PROBLEMA DE LA BAUXITA ........................................................ 189

12. ANEXO 2: EL PROBLEMA DEL TRANSPORTE E INTRODUCCIN A LA


TEORA DE REDES .............................................................................................................. 209
13.

BIBLIOGRAFA .......................................................................................................... 217

Introduccin a la Modelacin Matemtica y Optimizacin

SINOPSIS
La presente publicacin trata de familiarizar al estudiante con los principales aspectos
de la Investigacin de Operaciones (IO), incluyendo su origen histrico, su naturaleza y sus
diversas tcnicas. El nfasis principal se da a los modelos de programacin lineal, incluyendo
la programacin lineal entera y el problema del transporte. Posteriormente, se presenta una
introduccin a los modelos de redes. As, estas notas pueden utilizarse en cursos de
Investigacin de Operaciones I, Modelacin Matemtica e Introduccin a la Optimizacin,
tanto para pregrado como para postgrado.
La metodologa utilizada es la exposicin de los principales temas con numerosos
modelos y ejemplos resueltos. Se proponen tambin diversos ejercicios en cada una de las
secciones para ser desarrollados por los estudiantes. Para una mejor comprensin del texto, se
sugiere la lectura secuencial por captulos antes de cada clase, complementada con referencias
adicionales.
Se agradece sinceramente a todas las personas que con su esfuerzo como monitores
hicieron posible la recopilacin de estas notas de clase: A Hctor Toro, Ana Mara Prez, Juan
Carlos Lozano, Jhonatan Arias y a todas las personas que de una u otra forma han colaborado
con la produccin de estas notas.
Carlos Julio Vidal Holgun
Enero de 2011
carlos.vidal@correounivalle.edu.co

1. LA INVESTIGACIN DE
OPERACIONES
1.1. ORGENES
Algunos autores afirman que las primeras semillas para el surgimiento de la IO se
remontan hacia mediados del siglo XVIII cuando en 1759 el economista Quesnay utiliz
algunos modelos simples de programacin matemtica y hacia el ao 1874 cuando otro
economista, Walras, us tcnicas similares. Sin embargo, el acontecimiento histrico que
marc el verdadero origen de la IO fue la segunda guerra mundial.
Generalmente, en tiempos de guerra los recursos se vuelven escasos y su utilizacin
debe hacerse en la forma ms racional posible para obtener de ellos el mximo provecho. Fue
as como la milicia britnica y posteriormente la de los Estados Unidos decidieron apoyarse en
un grupo de investigadores con el objeto de disear procedimientos cientficos para ser
utilizados en las estrategias y tcnicas militares. Estos grupos se dedicaran, por lo tanto, a
investigar las operaciones militares. Al parecer, de aqu surgi el nombre de esta disciplina
como sigue utilizndose actualmente. Es de destacar que los estudios realizados por estos
grupos de cientficos, segn se afirma, contribuyeron positivamente a grandes triunfos de los
pases aliados en la segunda guerra mundial, tales como las batallas de Inglaterra y del
Atlntico Norte.
Por otra parte, como consecuencia de la primera Revolucin Industrial acaecida en el
Siglo XIX, las organizaciones en general haban sufrido cambios sustanciales, pasando de
pequeos talleres artesanales a medianas y grandes empresas. Adems, se pas de empresas
con un solo administrador o dueo absoluto, quien tena a su cargo las principales decisiones,
a empresas que por su naturaleza y tamao tuvieron la necesidad de crear la divisin funcional
del trabajo y segmentar las responsabilidades administrativas, delegando en varias personas el
proceso de toma de decisiones.
Aunque lo anterior trajo grandes ventajas, empezaron a surgir problemas debidos a la
independencia de los departamentos y secciones de las empresas. Cada ente defenda sus
objetivos particulares, sin contribuir como un todo a las metas y objetivos generales de la
organizacin, lo cual inclusive se sigue observando en la actualidad. Es entonces cuando
aparecen los primeros problemas de decisin a alto nivel, los cuales eventualmente tratara de
abordar algunas tcnicas de la investigacin de operaciones.
Debido al xito de los grupos de cientficos que realizaron la investigacin de
operaciones militares y como el ambiente de las organizaciones era el propicio, la industria
empez a interesarse en ellos para que disearan procedimientos cientficos para abordar los
problemas de decisin que las empresas estaban enfrentando. Fue as como al terminar la
guerra, los britnicos comenzaron a utilizar esta metodologa en sus industrias y se dieron
cuenta que sus problemas eran de naturaleza semejante a la de los problemas militares:
recursos limitados y dificultad para lograr su mejor asignacin a las diversas actividades de la

Introduccin a la Modelacin Matemtica y Optimizacin

empresa. En los Estados Unidos, el inters de la industria por las tcnicas de la IO no fue tan
inmediato y surgi con el advenimiento de las Segunda Revolucin Industrial, caracterizada
por la automatizacin y el advenimiento de los computadores electrnicos digitales.
El notable adelanto logrado en pocos aos en las tcnicas de la IO se debi al inters de
muchos cientficos en perfeccionar lo que ya haban desarrollado para las tcticas militares y
al surgimiento de los computadores. Fue as como en 1947, el Dr. George Dantzig, con la
ayuda de muchos de sus antecesores, logr desarrollar el mtodo simplex para la solucin de
problemas de programacin lineal, mtodo que hasta la actualidad es utilizado mundialmente
para la solucin de grandes problemas de aplicacin de esta tcnica.
Antes de finalizar la dcada de los 50s, otras tcnicas de la IO fueron ampliamente
desarrolladas, tales como la programacin dinmica, la teora de colas y la teora de
inventarios. En 1952 se funda en Estados Unidos la Operations Research Society of
America, ORSA, la cual hacia 1972 ya contaba con alrededor de 8000 miembros en todo el
mundo. Posteriormente, la ORSA se fusion con el Instituto Americano para las Ciencias de
la Administracin y se cre el Institute for Operations Research and the Management
Sciences, INFORMS (ver pgina web www.informs.org), el cual actualmente cuenta con
miles de miembros de todo el mundo y celebra reuniones trimestrales en los Estados Unidos y
reuniones anuales en diferentes partes del mundo, donde se exponen las ltimas
investigaciones en el rea. Existen tambin actualmente diversas organizaciones en todo el
mundo para la divulgacin y el desarrollo de la investigacin de operaciones, tales como
EURO en Europa y la recientemente creada SOCIO en Colombia (Sociedad Colombiana de
Investigacin de Operaciones). Todas estas organizaciones tienen importantes publicaciones
peridicas que circulan a nivel mundial. INFORMS, por ejemplo, publica las revistas
Operations Research y Management Science, entre otras, de gran renombre en el rea de
investigacin de operaciones.
En las universidades, por otra parte, existen programas de estudios de pregrado y
postgrado (a nivel de maestra y doctorado) ntimamente relacionados con el rea de la
investigacin de operaciones. Existen, por ejemplo, escuelas de ingeniera industrial con reas
especializadas en optimizacin y en produccin y distribucin que hacen extensiva
investigacin y aplicacin de las tcnicas de la investigacin de operaciones.
Algunas de las tcnicas de la IO se han ido especializando de tal forma, que
actualmente representan un cuerpo independiente y con desarrollos propios, como por
ejemplo, la estadstica, la optimizacin y la simulacin. En otros casos, algunas reas del
conocimiento utilizan ampliamente la IO, como es el caso de la Logstica, la cual aplican por
ejemplo diversas tcnicas de optimizacin. Adems, existen diversos proveedores de software
dedicados exclusivamente al desarrollo de programas especializados de tcnicas de IO, como
es el caso de la simulacin y la optimizacin, quienes promueven sus productos con
seminarios y cursos alrededor del mundo.
Aunque muchas veces se ha dado la discusin sobre la utilidad real de la IO y su
posible decadencia, todo parece indicar que sus diversas tcnicas han tomado en la actualidad
completa independencia y autonoma, y las innumerables aplicaciones que existen siguen en

desarrollo y crecimiento. Un ejemplo tpico de esto es la aplicacin de la IO para el diseo y


optimizacin de las cadenas de abastecimiento.

1.2. NATURALEZA DE
OPERACIONES

LA

INVESTIGACIN

DE

De acuerdo con Hillier y Lieberman (1997), se ha tratado de enmarcar a la IO y


definirla. Sin embargo, su propio origen hace que esto sea una tarea muy difcil o imposible.
En lugar de definirla, entonces, es preferible dar una idea de su naturaleza y sus caractersticas
para comprender mejor su esencia.
La IO aplica el mtodo cientfico para el estudio de los diversos problemas,
observando y definiendo claramente el problema en cuestin. Posteriormente se disea un
modelo (generalmente matemtico) que permite representar y abstraer la realidad del sistema
bajo estudio. Seguidamente, se obtienen las soluciones del modelo y se trata de validar el
modelo, principalmente con el anlisis de las respuestas del modelo y la experimentacin. De
acuerdo con los resultados de la validacin, es posible retornar al rediseo del modelo y su
refinamiento, convirtindose as en un proceso iterativo que puede cambiar de acuerdo con la
dinmica del sistema estudiado. Como puede observarse, esta metodologa corresponde a la
utilizacin del enfoque de sistemas como herramienta de estudio de los problemas, donde se
identifican y analizan los componentes, interrelaciones y factores significativos del sistema
bajo anlisis.
Las conclusiones obtenidas con la aplicacin del modelo deben enmarcarse en la
realidad del problema analizado y deben ser fciles de interpretar y de implementar para el
ente decisorio. Por lo tanto, la IO debe producir soluciones de problemas reales que puedan
ser aplicadas de una manera eficiente y racional por las personas responsables de los procesos
decisorios de la organizacin.
Como puede observarse, el punto de vista de la IO es muy amplio, pues apunta hacia
cualquier tipo de organizacin, tratando de resolver los conflictos entre los componentes de la
misma, para obtener el mximo provecho de los recursos disponibles y lograr los objetivos
globales de la empresa. Ese mximo aprovechamiento de los recursos se ve reflejado en la
mayora de los casos que estudia la investigacin operacional en la bsqueda de soluciones
ptimas de los problemas.
La investigacin de operaciones se ocupa y hace uso de diversos y muy variados
campos del conocimiento humano. Por lo tanto, la IO presenta la caracterstica de ser aplicada
por grupos interdisciplinarios, tales como personas expertas en los campos de las
matemticas, la estadstica y la probabilidad, economa, administracin, ingeniera industrial y
de sistemas, ciencias de la computacin, sicologa, ingeniera en general, e incluso en las reas
de la salud, tales como la medicina y epidemiologa.
Por otra parte, el grupo que realiza un estudio especfico en alguna organizacin debe
contener personas expertas en las reas antes mencionadas y adems poseer un conocimiento

10

Introduccin a la Modelacin Matemtica y Optimizacin

global y profundo de la organizacin misma, de tal forma que la definicin del problema, el
diseo del modelo y la utilizacin de sus soluciones estn enmarcados dentro del contexto del
sistema real y especfico bajo estudio. De esto ltimo puede deducirse que los resultados que
brinda la IO se obtienen en general de mediano a largo plazo, pues el conocimiento inicial del
sistema bajo estudio por parte del grupo puede consumir un tiempo considerable.
En resumen, y tal como lo expresan Hillier y Lieberman (1997), la investigacin de
operaciones se ocupa de la modelacin y la toma de decisiones ptimas en sistemas
determinsticos y probabilsticos de la vida real. Aqu nos ocuparemos de modelos
determinsticos de optimizacin y sus aplicaciones a sistemas reales.

1.3. IMPACTO
DE
OPERACIONES

LA

INVESTIGACIN

DE

Debido a su amplio punto de vista, la IO se ha aplicado y se contina aplicando a los


ms diversos campos del conocimiento humano. Es as como las diversas tcnicas de la IO se
han utilizado con xito en campos de los negocios, entes gubernamentales y militares, la banca
y otros sectores de servicios y la industria en general, en aspectos como la produccin, los
mercados, las inversiones y las finanzas, la salud, las ciencias sociales, la biologa, etc. Unos
pocos ejemplos de estas aplicaciones son los siguientes:

Control y prediccin del crecimiento econmico,


Planeacin de la expansin de plantas manufactureras,
Planeacin urbana,
Optimizacin de servicios de transporte y de transporte de basuras,
Diseo de redes de tubera,
Optimizacin y diseo de cadenas de abastecimiento regionales e internacionales,
Estrategias de sustitucin de importaciones,
Planeacin agregada de la produccin,
Planeacin y estrategias en empresas de transporte areo,
Problemas de inventarios en general, incluyendo materias primas y productos
terminados,
Mantenimiento y reemplazo de equipos,
Evaluacin de estrategias de publicidad,
Tratamiento ptimo de tumores cancerosos,
Estudio de la propagacin de epidemias (como el SIDA),
Distribucin del esfuerzo de ventas,
Entrenamiento de personal,
Diversas aplicaciones en refineras petroleras,
Prediccin financiera,
Optimizacin de satlites,
Distribucin de fuerzas navales y areas,
Evaluacin de inversiones en bonos y acciones,
Planeacin y control de proyectos,

Estudios de diversos sistemas de servicio (teora de colas y simulacin),


Programas de vacunacin de perros callejeros,
Prediccin de trabajo policiaco,
Estudios de factores de criminalidad y
Otras diversas aplicaciones en muchos campos.

Como puede observarse, las posibilidades de aplicacin son inmensas y cada da ms


especializadas. Las aplicaciones reales de la IO estn creciendo cada da, especialmente en
nuestro medio cuando apenas empieza a reconocerse su importancia y utilidad para el diseo y
optimizacin de sistemas complejos.
Entre las tcnicas de la IO que ms se han utilizado se resaltan el anlisis estadstico
cuyo origen tuvo lugar con el desarrollo de la IO, para posteriormente volverse una tcnica
independiente con sus propios desarrollos. Igualmente, la programacin lineal y la simulacin
han tenido y tienen actualmente un gran desarrollo en diversos campos, como por ejemplo los
sistemas integrados de produccin y distribucin, los sistemas de manejo de materiales,
algunas aplicaciones en agricultura, los problemas de planeacin de las lneas areas y muchos
otros ms.
Entre otras tcnicas de la IO se destacan:

Los modelos de redes,


La programacin dinmica,
Los modelos de inventarios,
La teora de pronsticos,
La teora de anlisis de decisin y juegos,
Los sistemas de colas,
Los procesos markovianos de decisin y
La optimizacin no-lineal.

Prcticamente cada una de estas tcnicas podra dar lugar a cursos completos o
seminarios especializados, con amplia exposicin de aplicaciones reales. Esta publicacin se
centra en lo que podra denominarse un curso de Introduccin a la Optimizacin o
Investigacin de Operaciones I, concentrndose principalmente en los modelos de
programacin lineal y brindando una introduccin a la teora de redes y a la programacin nolineal.

12

Introduccin a la Modelacin Matemtica y Optimizacin

2. EL PROCESO DE DISEO EN
INGENIERA
Como ya se ha visto, la IO aplica el mtodo cientfico para analizar, modelar y
optimizar sistemas complejos reales. Desde el punto de vista de la ingeniera industrial y de
sistemas, esta metodologa podra definirse como el proceso de diseo en ingeniera. Este
proceso consiste en una serie de pasos bien definidos para encontrar la solucin de problemas
reales. La Figura 2.1 muestra una sntesis de este proceso.
Formulacin del Problema

Anlisis del problema y


recoleccin de datos

Generacin de alternativas de
solucin

Evaluacin y seleccin de la(s)


mejor(es) alternativa(s)

Formulacin y
validacin de un
modelo

Especificaciones de la(s)
solucin(es)

Implementacin, evaluacin y
control del diseo utilizado

Figura 2.1. El proceso de diseo en ingeniera

Inicialmente debe identificarse claramente el problema que se va a resolver. Este paso


es fundamental para el xito de todo el proceso, ya que si el problema no est bien formulado,
cualquier anlisis podra llegar a conclusiones sin sentido. Una vez definido el problema, se
pasa a su anlisis y se recolectan datos preliminares que permitan enmarcarlo de una forma
ms precisa.
Posteriormente, se generan posibles alternativas de solucin del problema. El paso
siguiente consiste en la evaluacin de las alternativas con el objeto de determinar la mejor o
mejores. Es en este paso cuando la formulacin de un modelo como herramienta de decisin
puede ser muy importante. Obviamente, puede llegarse a una seleccin de una buena
alternativa sin necesidad de formular ningn modelo, pero generalmente ste da una visin

mucho ms amplia del sistema bajo estudio y, en otras ocasiones, se hace imprescindible su
utilizacin.
El modelo formulado entra en un proceso de validacin para determinar su grado de
aproximacin con la realidad, a travs de la comparacin con resultados histricos y con
indicadores extrados del sistema real bajo anlisis. Una vez superado este paso, el modelo
puede utilizarse para evaluar las alternativas de solucin y determinar la mejor.
Los dos pasos siguientes son comunes al proceso bien sea que exista o no un modelo
de decisin. Se trata de especificar claramente la solucin con el objeto de que sea
implementada de una forma correcta y de que permita su continua evaluacin y control. Estos
pasos pueden identificar desviaciones de la realidad o cambios con respecto de la concepcin
original del problema, de tal forma que se puede hacer necesario un proceso continuo de
anlisis y refinamiento del modelo, incluso existiendo la posibilidad de reformular el problema
e iniciar el proceso de nuevo.

2.1. MODELOS
Uno de los pasos fundamentales del proceso descrito anteriormente puede ser la
formulacin y validacin de un modelo de decisin. En general, puede decirse que un modelo
es la abstraccin de la realidad, el cual debe poseer dos caractersticas bsicas:

Ser ms fcil de manipular y


Proveer una mejor visin del sistema bajo estudio.

En todas las disciplinas, de una u otra forma, se utilizan modelos. A continuacin se da una
clasificacin tpica de modelos.

2.1.1. Clasificacin de Modelos


De acuerdo con su naturaleza los modelos pueden clasificarse en:

Fsicos, los cuales normalmente lucen semejantes a la realidad fsica, pero a menor
escala, como por ejemplo un avin en miniatura siendo probado en un tnel de
viento.

Anlogos o analgicos, los cuales no asemejan fsicamente el sistema bajo estudio,


sino que exhiben conexiones entre los parmetros de entrada y las variables de
salida proporcionales a los correspondientes parmetros y variables existentes en el
sistema real. Un ejemplo clsico de un modelo anlogo se utiliza en la localizacin
ptima de una nueva planta o centro de distribucin en el plano, donde se trata de
minimizar la suma ponderada de las distancias de la nueva instalacin hacia todas
las instalaciones existentes (plantas o centros de distribucin). Para ello se
construye una estructura en la que se tiene una mesa horizontal con agujeros

14

Introduccin a la Modelacin Matemtica y Optimizacin

dispuestos de la misma forma que las instalaciones existentes, normalmente a


escala. Una cuerda para cada una de las instalaciones existentes se ata a un nudo
comn y todas se hacen pasar por sus agujeros respectivos, a travs de poleas que
se puedan considerar sin friccin. En el extremo libre de cada cuerda se cuelga un
peso proporcional al volumen que manejar la correspondiente instalacin
multiplicado por su costo unitario de transporte. El sistema se deja en libertad hasta
que el nudo quede en reposo; el punto de equilibrio del nudo corresponde a la
localizacin ptima del nuevo centro de distribucin y la longitud de las cuerdas
entre el nudo y las poleas representar la distancia entre las instalaciones existentes
y la nueva instalacin. Como puede verse, se trata aqu de resolver un problema de
localizacin mediante el uso de un modelo analgico mecnico.

Matemticos, los cuales incorporan las propiedades y el comportamiento bsico del


sistema bajo estudio mediante relaciones matemticas reflejadas en parmetros,
variables de decisin, funciones objetivo, etc. El ejemplo tpico son los modelos de
programacin lineal que se exponen a partir del captulo siguiente.

Otro tipo de clasificacin define los modelos como descriptivos, o sea aqullos que
slo describen el sistema bajo estudio, o normativos u optimizables, los cuales se formulan
para mejorar u optimizar el sistema bajo estudio. De manera semejante, los modelos se pueden
clasificar en determinsticos o estocsticos (probabilsticos), de acuerdo con su capacidad de
involucrar o no variables aleatorias en el anlisis.
A partir de estas ltimas clasificaciones, se pueden dar todas las combinaciones
posibles de modelos, a saber:

Modelos determinsticos descriptivos (como por ejemplo las ecuaciones que


reflejan la Ley de Ohm);
Modelos determinsticos optimizables (como por ejemplo los modelos de
programacin lineal);
Modelos estocsticos descriptivos (como por ejemplo los modelos de colas y
simulacin);
Modelos estocsticos optimizables (como por ejemplo algunos modelos de
programacin no-lineal e inventarios).

Existen otras clasificaciones ms detalladas, pero con las dadas aqu es suficiente para
ilustrar los tipos de modelos objeto de esta publicacin. En general, los modelos matemticos
tratados en esta publicacin, es decir los de programacin lineal, modelos de redes y
programacin no-lineal, pueden ser clasificados como modelos matemticos determinsticooptimizables.

2.1.2. Ventajas y Desventajas del Uso de Modelos


Existen mltiples ventajas en el uso de modelos como herramientas poderosas para la
toma de decisiones. Las principales son:

Consideracin de aspectos fundamentales del sistema que seran muy difciles o


imposibles de analizar sin la ayuda de los modelos;
Definicin precisa de los objetivos, estructura y restricciones del sistema;
Definicin de parmetros, costos e indicadores de eficiencia que recogen los
aspectos ms relevantes para el anlisis del sistema bajo estudio;
Evaluacin sistemtica de alternativas;
Rpida respuesta de anlisis de sensibilidad, los cuales de otra forma seran
demasiado dificultosos o imposibles.

Por el contrario, existen tambin algunas desventajas que deben ser evaluadas antes de
emprender la tarea de formulacin de un modelo para la solucin de un problema. Ellas son:

Requerimiento y recoleccin de conjuntos de datos muy extensos y, en general, con


altas exigencias en su grado de precisin;
Requerimiento de conocimientos altamente especializados para su formulacin,
solucin y anlisis de resultados;
Necesidad de disponer de sistemas de computacin y programas complejos y
costosos;
Requerimiento de tiempos de solucin muy largos, los cuales pueden en algunos
casos puede resultar prohibitivos.

A pesar de estas desventajas potenciales, cuando se emprende la tarea de modelar una


situacin real y se identifican los aspectos bsicos a ser involucrados en el modelo con la
informacin requerida necesaria, las ventajas potenciales superan ampliamente cualquier
dificultad que se encuentre.

2.1.3. Algunas Conclusiones con Respecto del Uso de Modelos


Uno de los aspectos bsicos de la modelacin matemtica es el de considerar el
suficiente grado de abstraccin de la realidad, de tal forma que el modelo tenga el suficiente
realismo, contra la posibilidad de que sea resuelto en un tiempo de computacin aceptable. El
arte de modelar consiste precisamente en identificar las caractersticas fundamentales del
sistema a ser involucradas en el modelo y en disear modelos que permitan ser resueltos en
forma eficiente. Desde este punto de vista es tan importante y fundamental formular un
modelo, como encontrar sus soluciones en un tiempo computacional aceptable, para despus
analizarlas e implementar las que se consideren mejores.
La formulacin de modelos debe ser un proceso progresivo, donde inicialmente se
formule un modelo de poca elaboracin y luego se refine gradualmente hasta obtener el

16

Introduccin a la Modelacin Matemtica y Optimizacin

equilibrio mencionado anteriormente. Generalmente, es un error tratar de formular en el inicio


del proceso el modelo ms complejo y elaborado.
Los modelos deben siempre considerarse como un soporte o ayuda para la toma de
decisiones y nunca como el reemplazo de las personas que toman las decisiones. Si se formula
un modelo pensando que sus resultados van a resolver todos los problemas de decisin y van a
ser implementados a ojos cerrados, se cae en un grave error que puede traer consecuencias
impredecibles. Existen en la realidad muchos factores que no pueden ser involucrados en
modelos matemticos y que slo los grupos de personas que toman las decisiones pueden
evaluar. Por lo tanto, desde este punto de vista, los modelos son una poderosa herramienta
para este proceso, pero no el fin mismo de la decisin.

2.2. EJEMPLO DE FORMULACIN DE MODELOS


A continuacin se proponen algunos modelos ilustrativos que permiten precisar y
analizar todo lo expresado anteriormente. Estos modelos sern formulados y discutidos en
clase.
2.2.1. Planeamiento de Cultivos (Programacin lineal)
Uno de los experimentos sociales importantes en la regin mediterrnea es el sistema
de comunas (Kibutz), o ms ampliamente conocido como comunidades agrcolas comunales,
el cual ha sido desarrollado en Israel. Es muy comn para los grupos de comunas unirse y
compartir servicios tcnicos y tambin compartir su produccin. En el presente ejemplo
consideramos un sistema de tres comunas. La planeacin global para este grupo se hace en la
oficina tcnica coordinadora. Esta oficina corrientemente planea la produccin agrcola para el
ao venidero. Los productos agrcolas de cada comuna estn limitados tanto por la cantidad de
tierra irrigable disponible, como por la cantidad de agua asignada para irrigacin. Las
dimensiones de las comunas y su agua asignada para el prximo ao se muestran en la Tabla
2.1.
Tabla 2.1. Dimensiones y agua asignada de cada comuna
COMUNA
TIERRA USABLE (ha)
AGUA ASIGNADA (m3)
1
400
600
2
600
800
3
300
375

Los cultivos apropiados para la regin en consideracin son remolacha, algodn y


sorgo. Estos cultivos son los nicos que se considerarn para el perodo bajo anlisis. Los
cultivos difieren entre s principalmente en su retorno neto esperado por hectrea (ha) y en su
consumo de agua por hectrea cultivada. Adicionalmente, la oficina coordinadora ha
implantado una mxima cuota para el total de hectreas que se pueden destinar a cada uno de
estos cultivos. Toda esta informacin se muestra en la Tabla 2.2.

Tabla 2.2. Mxima cuota, consumo de agua y retorno esperado de cada cultivo
RETORNO
MXIMA CUOTA
CONSUMO DE AGUA
CULTIVO
ESPERADO
(ha)
(m3/ha)
($/ha)
600
3
400
Remolacha
500
2
300
Algodn
325
1
100
Sorgo

Las tres comunas han llegado a un acuerdo para que cada comuna siembre la misma
proporcin de su tierra irrigable disponible. Sin embargo, cualquier combinacin de cultivos
puede sembrarse en cualquiera de las comunas. Deben, entonces, planearse cuntas hectreas
destinar para cada tipo de cultivo en cada comuna. Formule un modelo de programacin lineal
para este efecto, de manera que se maximice el retorno neto esperado de todas las comunas.
2.2.2. El Problema del Transporte (Programacin lineal)
Una compaa multinacional posee n fbricas situadas en diferentes lugares, desde las
cuales surte a sus m principales distribuidores localizados tambin en diferentes lugares.
Continuamente las fbricas deben cubrir las demandas de sus distribuidores, teniendo en
cuenta su capacidad de produccin. Si ai es la capacidad de produccin de la planta i (i = 1, 2,
..., n), bj es la demanda del distribuidor j (j = 1, 2, ..., m), y cij es el costo unitario de transporte
desde la fbrica i hacia el distribuidor j (i = 1, 2, ..., n; j = 1, 2, ..., m), formule un modelo
matemtico de programacin lineal que permita encontrar los flujos entre cada fbrica y cada
distribuidor, de tal forma que se satisfaga la demanda al costo total mnimo de transporte.
2.2.3. El Problema del Salvavidas (Programacin no-lineal)
Un salvavidas se encuentra situado en un punto S sobre una playa plana y recta, situado
a 30 m de la orilla, como muestra la Figura 2.2. Dentro del agua, en un punto P, situado 80 m a
la izquierda de S y 100 m dentro del agua, se encuentra un baista en peligro de ahogarse. El
salvavidas puede correr a una velocidad lineal constante de 9 m/seg sobre la tierra y nadar a
una velocidad lineal constante de 2.5 m/seg. Formule un modelo de programacin matemtica
para determinar la ruta que debe seguir el salvavidas de tal forma que llegue lo ms pronto
posible donde se encuentra la persona en peligro. Discuta detalladamente el mayor nmero
posible de supuestos que tuvo que considerar para obtener el modelo formulado.
P
agua
100 m

80 m
tierra

30 m

Figura
2.22.2.
El El
problema
del
salvavidas
Figura
problema del
salvavidas

18

Introduccin a la Modelacin Matemtica y Optimizacin

2.2.4. Localizacin de una Nueva Bodega (Programacin No-Lineal)


Una empresa posee dos plantas, P1 y P2, que van a alimentar a una nueva bodega, W, la
cual a su vez proveer a tres centros de consumo, C1, C2 y C3. El producto A se produce en la
planta P1 y el producto B se produce en la planta P2. Las plantas enviarn sus productos
respectivos hacia la bodega, para ser distribuidos hacia los centros de consumo. El volumen
total, el costo unitario de transporte y la localizacin de cada instalacin se muestran en la
Tabla 2.3. El costo de transporte se considera proporcional al volumen transportado y a la
distancia recorrida, medida como la distancia euclidiana entre los dos puntos, o sea que la
distancia entre los puntos (x1, y1) y (x2, y2) viene dada por:

Tabla 2.3. Datos de volumen, costo de transporte y coordenadas de cada punto


COSTO DE
COORD. COORD.
VOLUMEN
PUNTO i PRODUCTO
TRANSPORTE
xi
yi
TOTAL (t)
[$/(t.km)]
(Km)
(Km)
P1
A
2,000
0.050
3
8
P2
B
3,000
0.050
8
2
C1
A&B
2,500
0.075
2
5
C2
A&B
1,000
0.075
6
4
C3
A&B
1,500
0.075
8
8

Formule un modelo de programacin matemtica que permita determinar la


localizacin ptima de la nueva bodega W de tal forma que se minimicen los costos totales de
transporte.
2.2.5. Ofertas Para Ocupacin de un Hotel (Modelo de Redes)
Un hotel turstico muy demandado recibe una serie de ofertas para ocupacin de uno de
sus mejores conjuntos de habitaciones entre Mayo 1 y Agosto 31. Las ofertas varan en cuanto
al precio de las habitaciones, ya que existen diferentes tipos de clientes, y en cuanto al da de
llegada y al da de salida de los turistas. Por ejemplo, una oferta puede ser por $800,000 entre
Junio 15 y Junio 18, mientras que otra oferta puede ser por $1,000,000 entre Junio 16 y Junio
20. Como el ejemplo muestra, no se permite superposicin de ofertas, ya que se supone que
cada una de ellas ocupara completamente las habitaciones disponibles. Por lo tanto, de las dos
ofertas mostradas en el ejemplo, slo una puede escogerse. Tambin, pueden existir perodos
de tiempo donde no exista ninguna oferta. Formule un modelo de redes que permita encontrar
la mejor forma de seleccionar las ofertas entre Mayo 1 y Agosto 31, de tal forma que se
maximice el ingreso total del hotel para este perodo.

2.3. ALGORITMOS
MODELOS

PARA

LA

SOLUCIN

DE

Una vez formulado un modelo matemtico, ste debe resolverse para cumplir con los
pasos de evaluacin de las alternativas y seleccin de la(s) alternativa(s) ptima(s). El proceso
que se utiliza para lograr este objetivo se denomina algoritmo. Un algoritmo es, por lo tanto,
un conjunto finito de pasos, especialmente diseado para la solucin de un problema.
Desde el punto de vista de cumplimiento de los objetivos de un algoritmo, se dice que
ste es eficiente si resuelve el problema en un tiempo razonable. Por otra parte, se dice que un
algoritmo es efectivo siempre y cuando produzca una solucin de alta calidad, o sea una
solucin del problema bajo estudio que est lo suficientemente cerca de la solucin ptima
como para que pueda ser utilizada en el proceso de diseo en ingeniera.

2.3.1. Tiempo de Solucin de un Algoritmo


El tiempo que un algoritmo emplea en resolver un problema es fundamental para
determinar su utilidad en la solucin de problemas reales. Supngase que n es un indicador del
tamao del problema que se est resolviendo, como por ejemplo, el nmero de variables y/
restricciones involucradas en l, y que el tiempo que emplea un algoritmo en resolver dicho
problema es:
(2.1)
donde ak > 0. Se dice entonces que el algoritmo resuelve el problema en tiempo
polinomial y que es de orden nk, lo cual se denota como O(nk). Si, por el contrario, el
algoritmo es de orden O(2n), por ejemplo, se dice que el algoritmo es no-polinomial y que en
este caso su tiempo de solucin es exponencial. La Tabla 2.4 presenta un ejemplo de los
tiempos de solucin de un algoritmo, dependiendo de su orden. Ntese que incluso para
problemas pequeos, si el orden del algoritmo es exponencial, puede que dicho algoritmo
jams resuelva el problema con los computadores que existen actualmente.

ORDEN DEL
ALGORITMO

Tabla 2.4. Ejemplo de tiempos de solucin de un algoritmo


Tamao del
Tamao del
Tamao del
problema
problema
problema
n = 10
n = 20
n = 40

Tamao del
problema
n = 80

0.001 seg.

0.002 seg.

0.004 seg.

0.008 seg.

n3

0.001 seg.

0.008 seg.

0.064 seg.

0.512 seg.

2n

0.001 seg.

1.024 seg.

12.43 das

Fuente: Goetschalckx (1998), pg. 10

10

aos!!

20

Introduccin a la Modelacin Matemtica y Optimizacin

2.3.2. Clasificacin de Tipos de Problemas


Existen problemas para los cuales se conocen algoritmos de solucin polinomiales.
Independientemente del orden k del polinomio que refleja el tiempo de solucin del algoritmo,
se dice que estos problemas son fciles de resolver y se clasifican como problemas tipo P.
Existe otro tipo de problemas, por el contrario, para los cuales no se conoce ningn algoritmo
de solucin de orden polinomial, ya que todos los algoritmos conocidos corren en tiempo
exponencial. Estos problemas se dice que son difciles o duros de resolver y se clasifican
como problemas tipo NP. Se dice, entonces, que estos problemas son NP-completos.
La teora desarrollada para la clasificacin de problemas con respecto a su posibilidad
de solucin es mucho ms compleja, pero la idea principal es que existen problemas fciles de
resolver con algoritmos conocidos polinomiales y otros difciles de resolver, para los cuales no
se ha descubierto o inventado ningn algoritmo eficiente. Esto no significa que los algoritmos
eficientes no puedan existir, ya que las preguntas al respecto permanecen sin respuesta y son
motivo de intensa investigacin actualmente. Se piensa que para un problema NP-completo no
existen algoritmos de solucin polinomiales, pero esto no se ha podido demostrar o rechazar.
Para este tipo de problemas, por lo tanto, se han desarrollado procedimientos heursticos, los
cuales no garantizan una solucin ptima, pero tratan de encontrar una muy buena solucin
del problema en tiempo razonable.
Es importante comentar, finalmente, que existen problemas que en general son NPcompletos, pero que para algunos de sus casos particulares dejan de serlo. Un ejemplo tpico
es la programacin lineal entera. En general, un problema de programacin lineal entera es
NP-completo. Sin embargo, cierta clase de problemas de transporte y el problema de
asignacin, a pesar de ser problemas de programacin lineal entera, no son NP-completos, ya
que su estructura particular permite disear algoritmos eficientes para encontrar su solucin
ptima. A medida que se vayan desarrollando los diversos temas de esta publicacin, se
aclarar el tipo de problema tratado y las caractersticas de sus diversos algoritmos de
solucin.
2.3.3. Tipos de Algoritmos
Existen diversos tipos de algoritmos para la solucin de problemas, de acuerdo con su
grado de complejidad y relacin con el modelo formulado. Una forma de resolver problemas
reales podra decirse que se trata de la experiencia y la intuicin que la persona que toma las
decisiones posee. En este caso no existe un modelo formal formulado para la solucin del
problema ni un algoritmo especfico de solucin. La calidad de la solucin obtenida depende
en gran parte de los conocimientos y experiencia de la persona que toma las decisiones. Este
podra clasificarse como un mtodo manual de solucin de problemas.
Un segundo tipo consiste en la utilizacin de hojas electrnicas. En este sentido, se
disean hojas electrnicas para facilitar los clculos correspondientes y se analizan posibles
soluciones del problema. Las alternativas de solucin en este caso son generadas con
anticipacin y lo que se hace es evaluarlas mediante la hoja electrnica. El resultado de este
proceso ser tan bueno como las alternativas generadas y su grado de procesamiento.

Un tercer tipo de algoritmo corresponde a los modelos de simulacin. En este caso, se


construye un conjunto de programas y rutinas que asemejan al sistema en estudio y se analizan
mltiples resultados, variando las entradas al modelo. Aqu, slo una alternativa puede ser
evaluada a la vez, generando mltiples resultados con diversas rplicas o corridas del modelo.
A pesar de que estos modelos reflejan la realidad de una manera muy fiel, su construccin
puede ser compleja y no generan automticamente soluciones ptimas.
Otros algoritmos son diseados para la solucin de problemas de optimizacin. En este
caso se puede disponer de algoritmos exactos, los cuales encuentran la(s) solucin(es)
ptima(s) del problema, o de mtodos heursticos, los cuales encuentran buenas soluciones del
problema, pero no necesariamente ptimas. En cualquier caso, estos algoritmos consideran
prcticamente todas las alternativas de solucin del problema y seleccionan la(s) mejor(es).
Un mtodo heurstico se disea para aproximar la solucin de problemas NPcompletos, como se dijo anteriormente. Generalmente, consiste en una serie de pasos lgicos
que pueden o no estar apoyados en tcnicas de optimizacin. La calidad de los resultados de
un procedimiento heurstico no siempre puede medirse y en muchas ocasiones es desconocida.
En otras palabras, existen heursticos que generan soluciones del problema pero no se puede
determinar que tan lejos estn de la solucin ptima del mismo. En otros casos, s se puede
determinar la calidad de la solucin y se puede decir por ejemplo que, en el peor de los casos,
la solucin encontrada est dentro de un cierto porcentaje de optimalidad. El grado de
precisin de la solucin ser o no aceptable dependiendo de los objetivos planteados en la
formulacin del modelo.
Finalmente, existen sistemas expertos que pueden utilizarse para resolver cierto tipo de
problemas. En general, estos sistemas resuelven problemas operacionales, pero no son
adecuados para resolver problemas tcticos o estratgicos de mayor nivel.
En esta publicacin nos centraremos en algoritmos de optimizacin exactos y en
algunas tcnicas heursticas. Abordaremos inicialmente de los modelos de PL continua.
Ejercicios 2.1
1) Considere el problema planteado en el numeral 2.2.4. relacionado con la localizacin de
una nueva bodega. Trate de resolver este problema utilizando las siguientes tcnicas:
a) Manualmente, disponiendo de una calculadora y de su buen sentido comn.
b) Disee una hoja electrnica que le permita evaluar diversas alternativas de
localizacin de la nueva bodega W.
c) Disee un modelo de simulacin el cual genere localizaciones aleatorias de la nueva
bodega y calcule su costo total de transporte asociado. Pruebe el modelo con un
nmero grande de localizaciones aleatorias generadas.
d) Resuelva el modelo de programacin no-lineal planteado en clase mediante un
mtodo iterativo que aproxime la solucin en pasos sucesivos, y compare la calidad
dada por este mtodo con la obtenida mediante los mtodos anteriores.

22

Introduccin a la Modelacin Matemtica y Optimizacin

e)

Aplique algoritmos de solucin especializados, tales como los existentes en el


software WinQSB1, para encontrar la solucin de este problema.

2) Una compaa petrolera est planeando construir un oleoducto para llevar petrleo crudo
desde un pozo hasta un punto donde se embarcar en tanques y ser transportado a la
refinera. La figura siguiente muestra la disposicin geogrfica del pozo y del punto de
embarque.
Punto de embarque

Ro

25 Km

Pozo de petrleo
320 Km

Los costos de construccin del oleoducto son los siguientes:


Por la ribera del ro donde est ubicado el pozo de petrleo:
Por la ribera del ro donde est ubicado el punto de embarque:
Atravesando el ro (por cualquier parte):

$72/Km
$90/Km
$150/Km

Formule un modelo matemtico que le permita determinar cmo debe construirse el


oleoducto de tal forma que el costo total de construccin sea mnimo. Defina para ello las
variables de decisin adecuadas y construya la funcin objetivo y las restricciones con
base en dichas variables.
3) Un barco de carga tiene tres bodegas: en la proa, en el centro y en la popa. Los limites de
capacidad de cada bodega son:
BODEGA
Proa
Centro
Popa

CAPACIDAD
TONELADAS
2000
3000
1500

CAPACIDAD
PIES CUBICOS
100,000
135,000
80,000

Usted como propietario del barco puede aceptar el total o una parte de los artculos que se
ofrecen para el transporte. Las caractersticas de estos artculos son las siguientes:

WinQSB (Quantitative Systems for Business para Windows), versin 1.00, por Yih-Long Chang.

ARTICULO

CANTIDAD
EN TON.
6000
1000
2000

A
B
C

VOLUMEN
PIES CUB/TN
60
50
25

UTILIDAD
$/TN
6000
8000
5000

Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser
proporcional a su capacidad en toneladas. Formule un modelo matemtico que le permita
determinar la mejor forma de cargar el barco para obtener la utilidad mxima.

4) Su compaa posee tres plantas, en las cuales elabora un componente pequeo para un
producto industrial. La compaa comercializa el producto a travs de cinco distribuidores
en el pas. Los pronsticos de ventas indican que los requerimientos mensuales por
distribuidor son los siguientes:
Distribuidor
Demanda mensual

2
2700

3
2700

4
9000

5
4500

3600

La capacidad mensual de produccin en cada planta y los costos unitarios de produccin


se ilustran en el siguiente cuadro:
Planta
Capacidad
Costo Unitario
de produccion $

1
4500

2
9000

3
11250

60

30

54

Los costos de envo a distribuidores desde las plantas se muestran en el cuadro siguiente,
en $/unidad:
Distribuidor
Planta 1
Planta 2
Planta 3

2
1.5
2.4
3.0

3
2.1
1.8
2.7

4
3.3
3.0
2.7

5
4.5
3.6
3.0

4.8
4.5
4.8

Formule un modelo matemtico que le permita determinar dnde producir los


componentes y la forma de despacharlos hacia los distribuidores.

5) Para la elaboracin de un producto qumico se cuenta con 4 materias primas: A, B, C y D


que contienen cierto factor f tal como se indica en el cuadro siguiente:
MATERIA
PRIMA
A
B
C
D

CONTENIDO
FACTOR f (%)
51
11
14
36

COSTO POR
KILOGRAMO
$4.0
$2.0
$2.4
$3.0

24

Introduccin a la Modelacin Matemtica y Optimizacin

Se trata de obtener una mezcla de una tonelada (1000 Kg), cuyo contenido del factor f sea
por lo menos del 18% y con la condicin que las materias primas B y C no constituyan
ms del 20% de la mezcla. Formule un modelo matemtico que le permita determinar
cunto de cada materia prima debe utilizar para la mezcla con el mnimo costo posible.

6) Una industria de papel produce pulpa la cual puede vender al mercado local o utilizar para
fabricar papel blanco o cartn. Una tonelada de cartn requiere 0.7 ton de pulpa, mientras
que una tonelada de papel blanco consume 0.9 ton de pulpa (el cartn y el papel blanco
requieren de otras materias primas que no se consideran en este problema). La pulpa se
produce a partir de bagazo de caa de azcar, con un rendimiento del 40%. Se dispone de
260,000 ton/ao de bagazo. Las instalaciones para producir pulpa tienen capacidad para
250 ton/da. La mquina de cartn trabaja a una velocidad efectiva de 200 ton/da y la de
papel blanco a 150 ton/da. La produccin se hace durante 335 das al ao, ya que el resto
de tiempo se dedica a mantenimiento.
Cada tonelada de papel blanco producida arroja al ro 10 unidades de contaminacin; una
tonelada de cartn arroja 6 unidades y cada tonelada de pulpa arroja 20 unidades. Se
permite un mximo total de 1,000,000 unidades de contaminacin/ao arrojada al ro.
Las utilidades netas por tonelada de pulpa, cartn y papel blanco son $50, $60 y $80,
respectivamente.
Formule un modelo de PL que permita estimar el mejor plan de produccin anual. Asuma
que todo lo que se produce puede venderse.

3. FORMULACIN DE MODELOS DE
PROGRAMACIN LINEAL
3.1. ORGENES Y ANTECEDENTES HISTRICOS
La Programacin Lineal (PL) es una de las tcnicas de la investigacin de Operaciones.
Muchos autores consideran que ha sido uno de los ms importantes avances cientficos del
presente siglo y, de hecho, su gran aplicacin y la magnitud de todos los problemas que ha
resuelto, as lo confirman. Mediante la utilizacin de la PL se han logrado ahorros millonarios
en las organizaciones que la han aplicado.
Los orgenes de la PL se remontan hacia la dcada del 40, cuando el economista
Leontief desarrolla el mtodo de anlisis insumo-producto. En 1947, Stigler plantea el
conocido problema de la dieta, el cual trataba de buscar la combinacin de alimentos ms
barata, que permitiera a la persona tener los requerimientos mnimos de protenas, vitaminas,
minerales, carbohidratos, etc. Y es en este mismo ao cuando el Dr. George Dantzig concluye
su desarrollo del mtodo simplex de solucin de problemas de PL. Sin este mtodo la PL
nunca hubiera tenido el desarrollo y la aplicacin desde 1950 hasta nuestros das. Sin
embargo, el mtodo simplex tampoco hubiera sido tan til sin la valiosa ayuda de los
computadoras digitales, los cuales permitieron resolver problemas de gran magnitud rpida y
eficientemente (en un estudio realizado por la IBM se concluy que aproximadamente el 25%
del tiempo de computador se dedica a clculo de PL y sus afines).
El mtodo simplex se ha venido aplicando aproximadamente desde 1950 y su
utilizacin actual es extensa, aunque todava existen problemas de tal magnitud, los cuales son
muy difciles de resolver incluso con las capacidades computacionales que existen
actualmente, debido precisamente a su tamao y al tiempo de computador que se utilizara en
ellos. Uno de estos problemas son los de las compaas areas, los de las refineras de petrleo
y los de optimizacin de cadenas de suministro, los cuales normalmente tienen un alto nmero
de variables y restricciones. Varios procedimientos especiales han sido diseados para estos
problemas, los cuales generalmente descomponen el problema original en una serie de
subproblemas ms fciles de resolver. Igualmente, actualmente existen los denominados
algoritmos de punto interior, los cuales compiten con el mtodo simplex en algunos problemas
y vienen implementados en el software especializado que resuelve modelos de programacin
lineal.

3.2. NATURALEZA DE LA PROGRAMACIN LINEAL


La PL es la tcnica de la Investigacin de Operaciones ms aplicada y mejor conocida.
Bsicamente, la PL trata de buscar la mejor forma de asignar recursos limitados a diferentes
actividades competidoras.

26

Introduccin a la Modelacin Matemtica y Optimizacin

Las organizaciones disponen de diversos recursos (humanos, econmicos, tecnolgicos, etc.),


los cuales son necesariamente limitados, debido a su naturaleza. Las formas en que se pueden
distribuir y utilizar estos recursos son mltiples y diversas. Pero no todas ellas proporcionan
beneficios a la organizacin. Slo una o unas pocas brindarn el mximo beneficio a la
organizacin. Son precisamente estas soluciones ptimas las que pueden encontrar las tcnicas
basadas en la PL.
Lo expuesto anteriormente brinda una idea muy general de lo que busca la
programacin lineal. Esta idea debe enmarcarse en un contexto ms definido. Primero, la
palabra programacin se refiere a la planeacin de recursos y no a algo relacionado con la
programacin de computadores. Segundo, el trmino lineal hace referencia a la naturaleza de
las variables, sus relaciones y las funciones que utiliza la programacin lineal. Ellas deben ser,
como su nombre lo indica, lineales. Ms adelante se estudiarn los supuestos bsico que hacen
que un problema se pueda clasificar como lineal.
En los problemas que resuelve la PL debe existir primeramente un objetivo buscado
por la organizacin. Este objetivo debe ser cuantificado por medio de una funcin objetivo
lineal, la cual debe definirlo claramente. Ejemplos tpicos de funciones objetivos son los de
maximizacin de utilidades, minimizacin de costos, minimizacin de tiempos y
maximizacin de probabilidades de xito. Para definir claramente el objetivo buscado, deben
identificarse con antelacin las actividades que la organizacin puede desarrollar,
representadas en las variables de decisin del problema.
Una vez definidas las actividades y la funcin objetivo, se pasa a estudiar las
restricciones del sistema, las cuales son el reflejo de los recursos limitados de que se dispone.
El desarrollo de cada actividad consumir parte de los recursos y la cuantificacin total de la
contribucin de todas las actividades conformar las restricciones del sistema. Estas
restricciones se expresan como funciones matemticas lineales de igualdad o desigualdad.
Una vez obtenidos la funcin objetivo y el cuerpo de restricciones, se pasa a la
solucin del modelo, si sta existe, y a su anlisis correspondiente. En PL es ms importante la
obtencin del modelo que la solucin del mismo, excepto en el caso de que existan
condiciones especiales o en problemas de gran tamao, donde la solucin se vuelve
dificultosa. Esto se explica porque actualmente la solucin de grandes problemas de PL puede
hacerse en forma muy eficiente utilizando el mtodo simplex. Los problemas de PL son tipo P,
ya que se conocen algoritmos polinomiales para resolverlos. Curiosamente, se conocen
problemas para los cuales el algoritmo simplex corre en tiempo exponencial. Sin embargo, en
la prctica nunca se ha observado este comportamiento del mtodo simplex y por ello sigue
siendo tal vez el mtodo ms eficiente de solucin de problemas de programacin lineal.2
Existen, por ejemplo, un gran nmero de procedimientos que resuelven subproblemas
de PL miles de veces en forma eficiente. Por ejemplo, como se analizar ms adelante, la
solucin de problemas de programacin entera mediante las tcnicas de ramificacin y

Para mayores detalles sobre esta discusin, consultar Chvtal (1983), Captulo 4, pg. 4552.

acotamiento requiere de la solucin de un gran nmero de subproblemas de programacin


lineal contina.
La obtencin del modelo se basa en la observacin cuidadosa del sistema bajo estudio.
Este paso es fundamental para que los resultados eventuales del modelo tengan validez.

3.3. SUPOSICIONES
DE
LOS
PROGRAMACIN LINEAL

MODELOS

DE

Las condiciones bsicas que deben cumplirse para que tanto la funcin objetivo como
cada una de las restricciones sean de naturaleza lineal son la proporcionalidad y la aditividad.
Ellas se explican a continuacin.

3.3.1. Proporcionalidad
La proporcionalidad expresa bsicamente que si una unidad de la actividad i cuesta $a
y gasta b unidades del recurso j, entonces xi unidades de la misma actividad costarn $axi y
consumirn bxi unidades del recurso j. Esto debe ser vlido para cualquier actividad i y para
cualquier recurso j, de tal forma que el modelo obtenido sea lineal. La proporcionalidad debe,
por lo tanto, existir en todas las restricciones y en la funcin objetivo.
Este no es el caso ms comn en la realidad. Sin embargo, dentro de ciertos rangos
normales de operacin de los sistemas, existe comnmente la proporcionalidad. Fuera de estos
rangos es probable que haya que utilizar otras tcnicas, tales como la programacin no-lineal.

3.3.2. Aditividad
El hecho de que exista la proporcionalidad para todas las actividades no garantiza que
todas las funciones sean lineales, ya que puede existir cierto grado de dependencia entre las
actividades, lo que ocasionara la aparicin de no-linealidades. Lo que plantea la aditividad,
por lo tanto, es que las contribuciones de cada actividad a la funcin objetivo y a las
restricciones sean independientes de otras actividades.
A manera de ilustracin, supngase que una empresa produce los artculos A y B, los
cuales producen utilidades unitarias de $30/unidad y $20/unidad, respectivamente, e
independientemente de las cantidades que se produzcan. As, la funcin objetivo se escribira
como:
(3.1)
Donde XA y XB son las cantidades a producir de A y B, respectivamente. Obsrvese,
primero, que el supuesto de proporcionalidad est implcito en la funcin objetivo (3.1).
Adems, las contribuciones de cada actividad, XA y XB, son independientes entre s.

28

Introduccin a la Modelacin Matemtica y Optimizacin

Supngase ahora que el hecho de producir una mayor cantidad del artculo B, hace que
los costos de produccin del artculo A se incrementen. As, por ejemplo, la utilidad unitaria
del artculo A se vera disminuida mediante cierto factor y podra expresarse como $(30
0.0001XB)/unidad. La funcin objetivo sera por lo tanto:

(3.2)

Claramente, al aparecer el producto cruzado XAXB, la funcin objetivo deja de ser


lineal, convirtindose en una funcin cuadrtica de manejo dificultoso.
Cabe la pregunta de por qu la PL se utiliza tan ampliamente si estos supuestos casi
nunca se cumplen en la prctica?
Una respuesta simple es que afortunadamente las no-linealidades de la prctica en la
mayora de los casos pueden adaptarse, transformarse o asumirse como lineales dentro de
cierto rango de validez. A medida que se vayan desarrollando los modelos tpicos se ver que
realmente la suposicin de linealidad es razonable en la mayora de los casos analizados.

3.3.3. Certeza y Divisibilidad


Algunos autores hablan de otros dos supuestos, la certeza y la divisibilidad (Ver Hillier
y Lieberman (1997)). La divisibilidad se aplica fundamentalmente a problemas de nmeros
enteros. Existen muchos casos prcticos en los cuales las variables de decisin o actividades
slo tienen significado fsico si sus valores son enteros. Por ejemplo, si una compaa de
aviacin est analizando cuntos aviones comprar de cierto tipo, es obvio que una respuesta de
2.33 aviones no es satisfactoria y deber darse una respuesta entera en su lugar, la cual no
necesariamente corresponde a alguno de los enteros vecinos. Para problemas enteros se han
desarrollado tcnicas de solucin especiales, las cuales se siguen investigando actualmente.
Una introduccin a este tpico se presentar posteriormente.
La certeza, ms que un supuesto, es una caracterstica propia de los modelos de PL. Se
dice entonces que todos los valores de los parmetros que alimentan el modelo tienen valores
determinsticos, o sea que no se consideran como variables aleatorias. Una demanda de un
producto, por ejemplo, se obtiene como un valor promedio estimado, pero su distribucin
probabilstica propia no se considera en el modelo. En la mayora de los casos prcticos,
ningn parmetro o variable puede considerarse determinstico. En la mayora de los casos, los
parmetros y variables tienen un rango de validez entre los cuales pueden oscilar sus valores y,
por lo tanto, se constituyen en variables aleatorias cuya distribucin probabilstica puede o no
ser conocida. Actualmente estn en investigacin y desarrollo tcnicas de programacin lineal
estocstica y programacin lineal con conjuntos difusos, donde se consideran algunos
parmetros de los modelos como variables aleatorias3.

Ver, por ejemplo, Taha (1998), pg. 807.

Dado que el desarrollo de la programacin lineal estocstica es muy incipiente, el


problema de la incertidumbre de los parmetros de los modelos de PL an se resuelve de una
forma relativamente sencilla, haciendo uso de los anlisis de sensibilidad. Normalmente se
obtiene la solucin ptima utilizando los mejores estimados de los parmetros y,
posteriormente, se analizan los posibles efectos de su variacin sobre la solucin ptima
original. Si estos efectos no son significativos, no se justifica invertir mayor esfuerzo, tiempo
y dinero en su estimacin ms precisa. Si por el contrario, se observa que el efecto de cambios
pequeos en los valores de ciertos parmetros es significativo, debe prestrsele especial
atencin a su estimacin ms precisa y a su posibilidad de cambio real en el sistema bajo
estudio. Igualmente, existen otras tendencias actuales tales como la combinacin de modelos
matemticos con modelos de simulacin4, los cuales representan de una manera ms fiel los
sistemas y sus variabilidades, y otros como el anlisis de diversos escenarios aleatorios con la
ayuda de modelos de optimizacin5.
A continuacin se presentan diversos ejemplos de formulacin de modelos de
programacin lineal. Cada uno de ellos analiza aspectos diferentes e introduce distintos
factores tiles para la formulacin real de modelos aplicables en la prctica.

3.4.

FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL

A continuacin se estudian y analizan varios modelos tpicos de Programacin Lineal,


los cuales aclararn todas las ideas expuestas anteriormente.

3.4.1. Modelo N 1: Programa de Produccin


Una compaa productora de elementos elctricos tiene durante este mes un sobrante
en su capacidad total de produccin, el cual quiere utilizar para la manufactura de dos artculos
de rpida venta, los transformadores de 40 VA y los transformadores de 75 VA. Por su
experiencia, se han reunido los siguientes datos:

TRANSFORMADOR
40 VA
75 VA

UTILIDAD
HORASNETA
HOMBRE
UNITARIA [$] POR UNIDAD
400
1
700
7/3

HORAS
MAQUINA 1
POR UNIDAD
1.0
1.4

HORAS
MAQUINA 2
POR UNIDAD
1.0
1.0

El sobrante en la capacidad de produccin se ha estimado en 1400 hr.hombre, 980 hr.


en la mquina 1 y 900 hr. en la mquina 2, para este mes. Cul es la mejor forma de planear
la produccin?
a)

4
5

Variables de decisin

Ver, por ejemplo, Hicks (1999).


Ver, por ejemplo, Escudero et al. (1999).

30

Introduccin a la Modelacin Matemtica y Optimizacin

Las actividades en las que est interesada esta empresa en el momento son: Producir
transformadores de 40 VA y/ de 75 VA. Por lo tanto, las variables de decisin son:
X1 = Nmero de transformadores de 40 VA que va a producir en el mes.
X2 = Nmero de transformadores de 75 VA que va a producir en el mes.
b)

Funcin Objetivo

El objetivo de la empresa es maximizar sus utilidades aprovechando la capacidad


sobrante de produccin; por lo tanto la funcin objetivo es:

Obsrvese que es muy importante definir las unidades de la funcin objetivo. En este
caso la funcin U debe ser MAXIMIZADA.
c)

Restricciones

Las restricciones surgen por la limitacin de los recursos. En este caso slo se dispone
de cierto nmero de hr.hombre y de hr.mquina para distribuir entre las dos actividades
definidas. Cada actividad gasta cierta fraccin de esos recursos. Con base en lo anterior, las
restricciones son:

Obsrvese que en las restricciones anteriores van implcitas las suposiciones de


proporcionalidad y aditividad. Estas restricciones surgen del hecho de tener un nmero lmite
disponible de hr.hombre, hr.mquina 1 y hr.mquina 2. Lo anterior explica el que las
restricciones sean de desigualdad (), o sea que no necesariamente todos los recursos deben
ser utilizados: Pueden existir sobrantes, como se ver ms adelante. Note tambin que todas
tienen incluidas unidades. Aparte de estas restricciones estn las obvias, las cuales son de 2
tipos: De no-negatividad y de enteros. Las de no-negatividad se explican por el simple
significado fsico: no se puede producir un nmero negativo de artculos y la de enteros, en
este caso, tiene sentido ya que se trata de artculos numerables.
Estas restricciones son:

d)

Modelo de Programacin Lineal

A continuacin se condensa el modelo, fusionando la funcin objetivo con las


respectivas restricciones:
Funcin Objetivo

Sujeto a:
Restricciones

Restricciones Obvias

El anterior es un modelo tpico de Programacin Lineal. En un modelo cualquiera las


restricciones pueden ser de igualdad o de desigualdad ( , =, ).
Observe que el problema real de la fbrica se ha abstrado en el modelo anterior y su
solucin brindar los valores de X1 y X2 que hagan mxima a U, cumpliendo con todas las
restricciones. Al tener estos valores, se habr resuelto el problema de planeacin de la
produccin, o sea que ste se reduce simplemente a encontrar la solucin ptima del modelo.
Ms importante que esta solucin es el hecho de haber llegado a l, con todo el trabajo previo
y las consideraciones que ello implica. A la solucin de modelos de este tipo se referir la
seccin siguiente.

3.4.2. Modelo N 2: Un Mini-Problema de Dieta


Debido a la difcil situacin econmica por la que atraviesa el mundo, suponga que
usted decidi alimentarse solo con huevos y arroz. Asuma que el cuerpo humano como
mnimo debe disponer diariamente de 2700 Kcaloras, 56 gr de protenas y 1.4 mg de vitamina
B1. Usted sabe que el contenido que brindan los alimentos seleccionados y su costo
aproximado son:
TRANSFOR
MADOR
40 VA
75 VA

HORASHORASUTILIDAD
HORASMQUINA 1 MQUINA 2
NETA
HOMBRE POR
POR
POR
UNITARIA [$]
UNIDAD
UNIDAD
UNIDAD
400
1
1,0
1,0
700
2 1/3
1,4
1,0

32

Introduccin a la Modelacin Matemtica y Optimizacin

Nota: Una porcin se refiere a una cantidad estndar normal para el consumo humano.
Por ejemplo, una porcin de huevo = 1 huevo y una porcin de arroz = 100 gr de arroz.
Su problema es entonces determinar qu cantidad de cada alimento a consumir
diariamente para cumplir con sus necesidades alimenticias al mnimo costo posible.
a)

Variables de decisin

Sean:
X1 = Porciones de huevo a comprar diariamente.
X2 = Porciones de arroz a comprar diariamente.
b)

Funcin Objetivo: Minimizar costos diarios:

c)

Restricciones:

Note que en este caso las restricciones son de mayor o igual, pues se trata de
requerimientos mnimos. Adems no aparece inicialmente la restriccin por enteros (variables
continuas).
d)

Modelo de Programacin Lineal

El modelo de PL consiste entonces en la funcin objetivo anterior sujeto a las tres


restricciones enunciadas anteriormente. La solucin ptima de este problema es la siguiente:
X1 = 1.37 porciones de huevo y X2 = 23.55 porciones de arroz. O sea que le tocara consumir
un huevo grande diario y unas 4 libras diarias de arroz, con un costo mnimo total de $3,708
$/da. Si al modelo se le agregan las restricciones de porciones enteras, entonces la solucin
ptima sera X1 = 1 huevo y X2 = 25 porciones de arroz, con un costo mnimo de $3,800
diarios. Finalmente, si usted quiere al menos comerse 3 huevos diarios, agregando la
restriccin X1 3 (Huevos/d a) , la nueva solucin ptima sera: X1 = 3 huevos y X2 = 23
porciones de arroz, con un costo mnimo de $4,120 diarios. Note que en este ltimo caso, se
ha refinado el modelo para tener en cuenta las posibles restricciones de gusto y preferencias en
la dieta y observe que el costo mnimo siempre aumenta cuando se introducen ms
restricciones en el modelo.

3.4.3. Modelo N 3: Un Problema de Corte de Papel (Cutting Stock)


Una industria productora de papel recibe un pedido de la siguiente forma:
600 rollos de 35 pulg. de ancho
300 rollos de 30 pulg. de ancho
200 rollos de 40 pulg. de ancho
100 rollos de 50 pulg. de ancho
La industria tiene en sus bodegas rollos semejantes, pero de 114 pulg. de ancho, y en
cantidad suficiente y decide utilizarlos para el pedido, cortndolos en los diferentes anchos
solicitados. Cul es la mejor forma de cortar los rollos de 114 pulg. de ancho para satisfacer
el pedido y minimizar el desperdicio de papel?
a)

Definicin de las Variables de decisin

En este caso no es tan inmediata la definicin de las variables de decisin. Se hace


necesario encontrar todos los posibles patrones de corte lgicos que se pueden hacer para
satisfacer el pedido; ellos son:

PATRN DE CORTE Y ROLLOS OBTENIDOS

ANCHO DEL
ROLLO (pulg.)
1
3
0
0
0

30
35
40
50
DESPERDICIO
(pulg.)

2
0
3
0
0

24

3
1
0
2
0
9

4
0
0
0
2
4

14

5
2
1
0
0
19

6
2
0
1
0

7
2
0
0
1

14

8
1
2
0
0
4

14

9
0
2
1
0

10
1
1
1
0
4

11
0
1
0
1
29

12
0
0
1
1
24

Note que se consideran desperdicio de los rollos resultantes de menos de 30 pulg. de


ancho. El desperdicio se considera proporcional al ancho perdido, pues se supone que todos
los rollos de 114 pulg. de ancho son del mismo largo (en realidad el desperdicio se medira en
pul2 o Kg de papel). As, las variables de decisin seran:
Xi = Nmero de rollos de 114 pulg. de ancho a cortar segn el patrn i (i = 1, 2, .., 12).
b)

Funcin Objetivo

En este caso sera minimizar el desperdicio total, as:

c)

Restricciones

34

Introduccin a la Modelacin Matemtica y Optimizacin

Las restricciones en este caso surgen simplemente de la satisfaccin del pedido, as

Note que lo que interesa es simplemente satisfacer el pedido y por ello las restricciones
son de igualdad. Sin embargo, la solucin del modelo vara notablemente con restricciones de
(ver pg. 26- A). El modelo matemtico ser la reunin de la funcin objetivo y las
respectivas restricciones.
Solucin del modelo N 3: Corte de papel
1. Con restricciones de igualdad:
Se generan infinitas soluciones. Seis de ellas son:

X 2 200 X 1 331 3 X 2 50
X 3 100 X 2 66 2 3 X 5 50
X 7 100 X 7 100
X9 0

X 9 200

X 2 100 X 100 X 100


7
7
X 6 50

X 8 100 X 8 100
X 7 100 X 7 100
X 200 X 9 200
X 9 200 X 9 150 9

En todos los casos: Dmnimo = 2600 pul


2. Con restricciones de

X 3 100
X 4 50
X 7 150
X 9 300
Dmn = 1800 pul. Aqu sobran rollos, pero se cumple con el pedido. Comente sobre las
implicaciones de estas dos soluciones y su relacin con casos reales.

3.4.4. Modelo N 4: Carga de un Avin


Un avin de carga tiene tres bodegas o compartimentos, adelante, al centro y atrs.
Estos compartimentos tienen lmites de volumen y peso, as:
COMPARTIMIENTO
Adelante
Central
Atrs

CAPACIDAD MXIMA
POR PESO EN TON.
16
20
14

VOLUMEN MXIMO
EN METROS CBICOS
200
250
150

El propietario del avin tiene posibilidad de llevar parte de la carga o toda la que se le
ofrece (si tiene capacidad). Esta carga y sus caractersticas son las siguientes:

TIPO

CLASE DE
CARGA

1
2
3
4

Herram.
Libros
Flores
Artesanas

VOLUMEN EN
UTILIDAD
CANTIDAD
METROS
OBTENIDA POR
OFRECIDA PARA
CUBICOS POR SU TRANSPORTE
LLEVAR (EN TON.)
TON.
EN $/TON.
20
1,0
250.000
15
2,0
280.000
8
10,0
500.000
10
6,0
360.000

Para preservar el equilibrio del avin, el peso transportado en cada compartimiento


debe guardar la misma proporcin con respecto a su capacidad. Formule un modelo
matemtico para determinar cul tipo de carga, qu cantidad y qu compartimentos debe el
propietario del avin escoger para maximizar su utilidad y no correr peligro durante el viaje.
a)

Variables de decisin

En este tipo de problema se empieza a ver la necesidad de definir las variables con dos
subndices, pues la decisin debe hacerse en dos etapas: qu tipo de mercanca y a dnde
llevarla. As:
Xij = Toneladas de la carga tipo i a ser transportada en el compartimiento j.
i=1
i=2
i=3
i=4

Herramientas
Libros
Flores
Artesanas

j=1
j=2
j=3

Compartimiento delantero
Compartimiento central
Compartimiento trasero

Es decir, que existirn 4 3 = 12 variables de decisin, a saber: X11, X12, X13, X21, X22,
X23, X31, X32, X33, X41, X42 y X43.
Si se considera ms fcil, las variables podran reenumerarse, por ejemplo, Y1, Y2,.....,
Y12 incluso X1, X2,....., X10, X11, X12. Sin embargo, la utilizacin de los subndices siempre
deja mayor claridad en el significado fsico de las variables.

36

Introduccin a la Modelacin Matemtica y Optimizacin

b)

Funcin Objetivo

Maximizar utilidad. De acuerdo a la definicin, la funcin sera de la siguiente forma:

Los 4 trminos anteriores corresponden a las utilidades respectivas por el transporte de


herramientas, libros, flores y artesanas. Obsrvese que es necesario, comprobar siempre las
unidades en que se expresan las funciones.
c)

Restricciones

En este caso existen cuatro grupos diferentes de restricciones, as: Por la capacidad en
peso de cada compartimiento del avin, por la capacidad volumtrica de los mismos, por la
cantidad de tipo de carga ofrecida para su transporte y por la condicin de equilibrio del avin.
Estos grupos de restricciones son:
Por capacidad en peso en cada compartimiento:

Por capacidad volumtrica de cada compartimiento:

Por cantidad ofrecida de cada tipo de carga:

Por el equilibrio del avin:

Restricciones obvias:

d)

Modelo de Programacin Lineal

Se obtiene fusionando la funcin objetivo con las restricciones anteriores.


Solucin del modelo N 4: Carga de un avin
Utilidad mxima: 1.605 x 107 [$]. El avin debera cargarse de la siguiente forma (en
toneladas):
X11 = 5
X12 = 12
X21 = 6.2
X23 = 8.8

X32 = 8
X41 = 4.8
X43 = 5.2

Holguras:
Sobran 153.8 m3 en la bodega delantera.
Sobran 158 m3 en la bodega central.
Sobran 101.2 m3 en la bodega trasera.
Sobran 3 toneladas de herramientas, que no se transportan.
Todas las bodegas van a su capacidad mxima en peso.

3.4.5. Modelo N 5: Programa de Produccin en el Tiempo

MES
1
2
3
4

CONTRATO
CAPACIDAD DE COSTO UNITARIO
DE VENTAS PRODUCCIN EN
DE
EN UNIDADES
UNIDADES
PRODUCCCIN
20
40
$ 140
30
50
$ 160
50
30
$ 150
40
50
$ 170

Un fabricante debe cumplir un contrato a cuatro meses durante los cuales varan los
costos de produccin. El costo de almacenamiento de unidades producidas en un mes
determinado y no vendidas en ese mes es de $10 por unidad y por mes. Se dispone de la
siguiente informacin:
Formule un modelo matemtico para determinar el programa ptimo de produccin
que cumple con el contrato a costo total mnimo.
Este modelo ilustra el hecho de que pueden existir formas diferentes de definir las
actividades. Algunas de estas formas pueden ser mejores y ms manejables que las otras y la
eficiencia del modelo obtenido depende en gran parte del arte de definirlas correctamente.

38

Introduccin a la Modelacin Matemtica y Optimizacin

3.4.5.1.
a)

Primera forma de formulacin:

Variables de decisin

Sean Xi = Nmero de unidades producidas en el mes i; i =1, 2, 3, 4.


b)

Funcin Objetivo

La funcin objetivo tiene dos componentes: Los costos de produccin y los costos de
almacenamiento.
Costos de produccin CP:

Costos de almacenamiento CA:


Para encontrar la expresin para estos costos, es necesario ilustrar el balance de las
unidades a travs del tiempo, as:

MES

DESCRIPCIN
Inventario inicial
Produccin
Ventas
Inventario Final

0
X1
20
X1-20

X1-20
X2
30
X1+X2-50

X1+X2-50
X3
50
X1+X2+X3-100

X1+X2+X3-100
X4
40
X1+X2+X3+X4-140

As, utilizando la convencin de fin de mes, los costos de almacenamiento seran:

Es decir, que la funcin objetivo simplificada es:

39

c)

Restricciones:

Por capacidad de produccin:

Por contrato de ventas:

Obvias:

d)

Modelo matemtico:

Sujeto a:

3.4.5.2.
a)

Segunda forma de formulacin:

Definicin de las Variables de decisin

Sean Xij = Nmero de unidades producidas en el mes i y vendidas en el mes j; i =1, 2,


3, 4; j =1, 2, 3, 4.
Ntese que la condicin j i indica el significado lgico de que una unidad slo puede
ser vendida despus de haber sido producida; as, las variables de decisin son:
X11, X12, X13, X14, X22, X23, X24, X33, X34 y X44,

40

Introduccin a la Modelacin Matemtica y Optimizacin

b)

Funcin Objetivo

En este caso no hay necesidad de construir el flujo de las unidades para encontrar la
funcin objetivo, pues ya lo tienen intrnseco. As:

Costos de produccin CP:

Costos de almacenamiento CA:

En la expresin anterior, el primero trmino representa el costo de las unidades que han
estado almacenadas durante un mes, el segundo trmino las que han estado almacenadas
durante dos meses, y el ltimo durante tres meses. As la funcin objetivo ser:

c)

Restricciones:

Por capacidad de produccin:

Por contrato de ventas:

Obvias:

41

d)

Modelo matemtico:

Sujeto a:

3.4.5.3.

Solucin del modelo N 5: Programa de produccin en el


tiempo

Primera forma de formulacin:


Costo mnimo = $22.100
X1 = 40; X2 = 30; X3 = 30; X4 = 40
Segunda forma de formulacin:
Costo mnimo = $22.100 (Como es de esperarse).
Se producen infinitas soluciones. Las 2 bsicas son:
X11 = 20
X13 = 20
X22 = 30
X33 = 30
X44 = 40

X11 = 20
X12 = 20
X22 = 10
X23 = 20
X33 = 30
X44 = 40

Obsrvese la completa correspondencia entre las dos soluciones. Ntese que este
modelo aunque tenga igual nmero de restricciones que el de la primera forma de solucin,
tiene 10 variables, mientras que el primero tiene 4. Esto podra ser una desventaja de manejo
del modelo. Sin embargo, este ltimo permite no slo tener las unidades que se deben producir
en un mes determinado (tal como el primer modelo), sino tambin cuando deben venderse. O
sea que, indudablemente el segundo modelo es superior al primero.

42

Introduccin a la Modelacin Matemtica y Optimizacin

3.4.6. Modelo N 6: Problema del Trasporte


Una compaa multinacional posee n fbricas en diferentes partes del mundo, desde
las cuales surte a sus principales distribuidores, m en total, localizados en diferentes pases
(en algunos posee fbricas y distribuidores simultneamente). El costo de transporte desde las
fbricas hacia los distribuidores es diferente para cada uno de ellos. Continuamente las
fbricas deben cubrir las demandas de sus distribuidores, teniendo en cuenta su capacidad de
produccin.
Si: a1, a2, a3, ..., an son las capacidades de produccin de las plantas 1, 2, ..., n,
respectivamente; b1, b2, b3, ..., bm son las demandas de los distribuidores 1, 2, ..., m,
respectivamente, y Cij (i =1, 2, 3,...,n; j =1, 2, 3,..., m) son los costos unitarios de transporte
desde la fbrica i hacia el distribuidor j, formlese un modelo de Programacin Lineal para
satisfacer la demanda de todos los distribuidores sin violar la capacidad de produccin de las
plantas, con el costo total mnimo de transporte.
Este modelo representa una de las aplicaciones ms importantes de la Programacin
Lineal. Su naturaleza es de tal forma que se han desarrollado mtodos de solucin especiales
para este tipo de modelos (algoritmo simplex de transporte).
a.

Variables de decisin

Sean Xij = Cantidad ( nmero) de unidades a despachar desde la planta i hacia el


distribuidor j; i =1, 2, 3, ...,n; j =1, 2, 3, ..., m.
b.

Funcin Objetivo

c.

Restricciones

Por capacidad de las plantas:

Esta expresin representa n restricciones, una para cada planta.


Por demanda de los distribuidores:

Esta expresin representa m restricciones, una para cada distribuidor.

43

Obvias:
; i =1, 2, 3, ..., n; j =1, 2, 3, ..., m
3.4.7.

Modelo N 7: Programacin de Metas

Cierta compaa planea introducir al mercado tres nuevos productos, debido a la


prxima obsolescencia de los que produce actualmente. El inters de la gerencia es determinar
las tasas de produccin de cada uno de los productos, teniendo en cuenta tres objetivos
fundamentales:
a.

Lograr un Valor Presente Neto mnimo de mil millones de pesos (Utilidad a largo

plazo).
b. Mantener el recurso laboral actual de 100 empleados (Nivel de empleo).
c. Sostener la inversin de capital en el nuevo equipo de 400 millones de pesos
(Inversin inicial).
Como el gerente utiliza a menudo el Enfoque de Sistemas en sus decisiones, establece
un puntaje de penalizacin para cada objetivo en caso de no cumplirse ste a cabalidad, as:

OBJETIVO
(a)
(b)
(c)

PUNTAJE DE PENALIZACIN
6 puntos por cada diez milloes de pesos menos
en el VPN
3 puntos por cada 100 empleados de ms,
4 puntos por cada 100 empleados de menos
4 puntos por cada diez millones de pesos en
que se sobrepase la inversin inicial

La contribucin de cada producto la utilidad a largo plazo, al nivel de empleo y a la


inversin de capital es proporcional a su tasa de produccin y las contribuciones unitarias de
cada producto son:
CONTRIBUCIN UNITARIA
OBJETIVO

PRODUCTO PRODUCTO PRODUCTO


1
2
3

(a)

15

12

(b)

(c)

UNIDAD DE
MEDIDA
Decenas de
millones de $
Cientos de
empleados
Decenas de
millones de $

Cules deben ser las tasas de produccin de cada producto para que los objetivos se
cumplan de la mejor forma posible?

44

Introduccin a la Modelacin Matemtica y Optimizacin

a) Identificacin de las metas:


Si se definen las actividades como Xi = Tasa de produccin del producto i (i=1,2, 3),
las metas a cumplir seran las siguientes (en su orden: Objetivos (a), (b) y (c)):

b) Definicin de variables auxiliares:


Dado que es necesario involucrar en el modelo los puntajes de penalizacin por el
incumplimiento de las metas, se definen las siguientes variables auxiliares.

Obsrvese que las variables Yi (i =1, 2, 3,) pueden ser positivas o negativas. Por
ejemplo, si Y1> 0, indica que la utilidad ha sobrepasado los 1000 millones de pesos, pero si
Y1< 0, entonces la utilidad ha sido inferior a esa cifra y el objetivo no se habra cumplido.
Dado que manejar variables libres (las que pueden tomar valores positivos) no es
conveniente y debido a la naturaleza del problema, se reemplaza cada variable Yi (i = 1, 2, 3)
por la diferencia de dos variables positivas, as:

c) El modelo de Programacin Lineal:


La funcin en este caso debe definirse como la minimizacin de los puntajes de
penalizacin impuestos por el Gerente, ya que entre ms pequea sea la suma, ms prximo se
estar al cumplimiento de todos los objetivos. Por ejemplo, para el objetivo (a), si la variable
es igual a 1, contribuir con 6 puntos de penalizacin a la funcin objetivo, pues esto
indicara una disminucin de 10 millones de pesos en la utilidad de la compaa; de acuerdo a
lo anterior, el modelo sera el siguiente:

Sujeto a:

45

Obsrvese que hay variables que aparecen en las restricciones mas no en la funcin
objetivo, y ms an, las variables de decisin no aparecen directamente en la funcin objetivo.
Esto puede parecer sorprendente, pero en realidad las variables de decisin estn
estrechamente relacionadas con las variables auxiliares de la funcin objetivo (recordar la
definicin de estas ltimas). La solucin ptima de este modelo, aplicando el mtodo simplex,
es:

O sea que el producto 2, de acuerdo con la solucin ptima, no debera producirse. Las
metas de utilidad a largo plazo y de inversin inicial se cumplen a cabalidad, producindose
100 decenas de millones de utilidad es invirtindose inicialmente 40 decenas de millones de
pesos. La meta de nivel de empleo no puede ser cumplida y, dado que

Y2 Y2 Y2 , Y2 5.087 0.0000 5.0877 , el nivel de empleados debe ser


aumentado en 5.0877 cientos, para poder cumplir con las otras dos metas. Obsrvese que el
puntaje ptimo P* = 15.2632 se obtiene de penalizar con 3 puntos por cada 10 empleados de
ms en la funcin objetivo.

Cuando la solucin anterior pase a ser analizada, probablemente presentar serias


objeciones. Por ejemplo, el hecho de que el producto 2 no aparezca en la solucin ptima (O
sea que se descontinuara) puede implica una reaccin contraria de mercadeo. Adems,
aumentar el nmero de empleados en 509, puede no ser factible. Por lo tanto, la solucin se
puede tomar como una base y se deben aplicar anlisis de sensibilidad para tener ms
elementos de juicio para tomar las elecciones adecuadas.

46

Introduccin a la Modelacin Matemtica y Optimizacin

3.4.8. Modelo N 8: Un Problema Probabilstico


En cierto perodo de guerra, el comando areo recibi la orden de destruir la
produccin de tanques del enemigo, quien tiene cuatro plantas claves localizadas en ciudades
separadas. La destruccin de cualquiera de las plantas parar efectivamente la produccin de
tanques. Existe una aguda escasez de combustibles para llevar a cabo la misin, con un
limitante de 51,000 galones. Cualquier bombardero enviado a una ciudad en particular debe
tener combustible para ir y volver y una reserva de 150 galones. El nmero de bombarderos
disponibles en el comando y su descripcin se dan a continuacin.
TIPO DE BOMBARDERO
Pesado
Mediano

KILMETROS
POR GALN
3,0
4,5

NMEROS
DISPONIBLE
48
35

La informacin acerca de la localizacin de las plantas y su vulnerabilidad de ataque


por estos dos tipos de aviones es la siguiente:

PLANTA

DISTANCIA
DESDE LA
BASE EN Km.

1
2
3
4

675
720
810
900

PROBABILIDAD DE SER
DESTRUDA POR:
BOMB.
BOMB.
PESADO
MEDIANO
0,10
0,08
0,20
0,16
0,15
0,12
0,25
0,20

Formule un modelo de programacin lineal para determinar cuntos bombarderos de


cada tipo deben ser enviados a cada planta, con el objetivo de maximizar la probabilidad de
xito de la misin. Se asume que no se causa ningn dao en la planta si un bombardero falla
al destruirla.
a.

Variables de decisin:

Sean Xij = Nmero de bombarderos tipo i a ser enviados a la planta j;


i = 1: Bombardero tipo pesado,
i = 2: Bombardero tipo mediano,
j = 1, 2, 3, 4: Plantas 1, 2, 3 y 4, respectivamente.
b.

Funcin objetivo:

En este caso hay dos formas de plantear la funcin objetivo: Maximizar la probabilidad
de xito Minimizar la probabilidad de fracaso.
Dado que un solo bombardero puede destruir la planta, la probabilidad de xito sera
difcil de expresar, pues sera la suma de las probabilidades de todas las posibles
combinaciones. Es ms sencillo minimizar la probabilidad de fracaso, pues el fracaso total de

47

la misin significa que todos los bombarderos fallen en todas las plantas y recurdese que con
slo destruir una planta se para la produccin de tanques del enemigo. La probabilidad de
fracaso sera la interseccin (producto) de todas las probabilidades de fracaso de cada
bombardero a cada planta (se considera independiente la accin de cualquier bombardero con
respecto a la de cualquier otro). As, la expresin para la funcin objetivo sera:

Como puede observarse, as definida la funcin objetivo no sera lineal. Pero se puede
linearizar fcilmente por medio de la funcin log P. Dada la naturaleza de la funcin
logartmica (Funcin biyectiva), es equivalente minimizar P que minimizar log P; as, la
funcin objetivo se convierte en:

La base del logaritmo sacado es indiferente, pues cualquier base logartmica se puede
cambiar a otra multiplicando por una constante. As, la funcin objetivo obtenida es lineal.
c.

Restricciones:

Por disponibilidad de aviones:

Por disponibilidad de combustible:


Un avin cualquiera debe tener combustible para ir a la planta, volver y tener una
reserva de 150 galones; por ejemplo, los aviones tipo pesado que se enven a la planta 1
utilizarn la siguiente cantidad de combustible:

As, esta restriccin puede describirse como:

48

Introduccin a la Modelacin Matemtica y Optimizacin

Simplificando, se obtiene:

Restricciones Obvias:
Xij 0;
Xij enteros;
d.

i =1, 2; j =1, 2, 3, 4
i =1, 2; j =1, 2, 3, 4

Modelo de Programacin Lineal:

Sujeto a:

Xij 0; y enteros

i =1, 2; j =1, 2, 3, 4

La solucin ptima de este modelo de PL entera es: X14 = 43 y X24 = 34 con Zmx =
19.9572, , equivalentemente, una probabilidad de falla de P = e 19.9572 2.15 109 . O sea
que si se envan 43 aviones pesados y 34 aviones medianos, todos a la planta 4 del enemigo, la
probabilidad de falla de la misin es casi cero.
El paso siguiente, una vez el modelo ha sido formulado, es encontrar su solucin,
interpretarla, analizarla y tomar la decisin correspondiente, de acuerdo con el procedimiento
descrito en la Figura 2.1 anterior (El proceso de diseo en ingeniera). La seccin siguiente se
dedica entonces a la solucin de los modelos de programacin lineal.

49

Ejercicios 3.1.
Se presentan a continuacin una serie de ejercicios de programacin lineal, recopilados
y/ adaptados de diversas fuentes con fines didcticos. Varios de los ejercicios han sido
diseados por el autor. La bibliografa general se presenta al final de esta publicacin.
1.

Un sastre dispone de los siguientes materiales: 16 metros cuadrados de algodn, 11


metros cuadrados de seda y 15 metros cuadrados de lana. Un vestido para mujer requiere
2 m2 de algodn, 1 m2 de seda y 1 m2 de lana. Un vestido para hombre requiere 1 m2 de
algodn, 2 m2 de seda y 3 m2 de lana. Si un vestido para mujer deja una utilidad de $900 y
uno para hombre de $1500, cuntos vestidos para hombre y cuantos para mujer debe
confeccionar el sastre a fin de obtener la mxima utilidad? (Prado, Hernando, Notas de
Clase, 1978.)

2.

Un ingeniero agrcola requiere por lo menos 10, 12 y 12 unidades de los fertilizantes


qumicos A, B y C, respectivamente, en la composicin de un abono especial. Un
producto lquido contiene 5, 2 y 1 unidades de A, B y C, respectivamente, por galn. Un
producto slido contiene 1, 2 y 4 unidades de A, B y C, respectivamente, por kilogramo.
Si el producto lquido tiene un precio de $300 por galn y el producto slido se compra a
$200 el kilogramo, qu cantidad de cada uno de los productos debe comprarse para
minimizar el costo y satisfacer los requisitos de composicin exigidos? (Prado, Hernando,
Notas de Clase, 1978.)

3.

Una compaa de alquiler de camiones dispone de dos tipos de vehculos el tipo A que
posee 20 pies cbicos de espacio refrigerado y 40 pies cbicos de espacio no refrigerado.
El tipo B que posee 30 pies cbicos de espacio refrigerado y la misma cantidad de espacio
no refrigerado. Una fbrica de alimentos debe transportar 900 pies cbicos de producto
refrigerado y 1200 pes cbicos de producto no refrigerado. Cuntos camiones de cada
tipo se deben alquilar, si el camin A se alquila a $30 por milla y el camin B a $40 por
milla, de tal forma que se minimice el costo total del transporte por milla recorrida?
(Prado, Hernando, Notas de Clase, 1978.)

4.

Una factora posee dos minas. La mina A produce diariamente 1 tonelada de material de
alta calidad, 3 toneladas de calidad intermedia y 5 toneladas de baja calidad; la mina B
produce diariamente 2 toneladas de cada una de las tres calidades. La compaa necesita,
para su posterior procesamiento, al menos 100 toneladas de material de alta calidad, 150
de mediana calidad y 180 toneladas de baja calidad. Cuntos das debe operarse sobre
cada mina para satisfacer las necesidades de la compaa si el costo diario de explotacin
es de $200.000 en cualquier mina? (Prado, Hernando, Notas de Clase, 1978.)

5.

Se dispone de n alimentos. Cada unidad del alimento j contiene Aij del nutriente i en sus
unidades caractersticas y tiene un costo de Pj pesos por unidad. Formule un modelo de
PL cuya solucin proporcione los niveles Bi mnimos requeridos diariamente del nutriente
i de tal manera que el costo sea mnimo (problema de la dieta). Trate de obtener una dieta
real tpica en la ciudad de Cali, a costo mnimo, investigando los requerimientos mnimos
de energa, protenas, vitaminas, minerales y otros nutrientes (basado en una dieta de 2000
Kcal). Incluya alimentos de los cuatro grupos principales, a saber: Lcteos, carnes,

50

Introduccin a la Modelacin Matemtica y Optimizacin

vegetales y frutas y harinas y cereales. Investigue igualmente los precios actuales de estos
alimentos y determine el valor promedio diario de una dieta balanceada. Resuelva el
problema, primero, sin restricciones de raciones mnimas de los alimentos y luego
considerando cantidades mnimas y mximas de dichos alimentos.
6.

Tres inversionistas, I1, I2 e I3, disponen de un presupuesto de $4, $8 y $3 millones,


respectivamente, para traer mercanca. Hay tres alternativas de inversin: comprar
televisores, equipos de sonido u hornos microondas, cuyos precios unitarios
correspondientes son $380.000, $195.000 y $47.000. Estos equipos se venden cada uno
fcilmente a $460.000, $260.000 y $70.000, respectivamente. Cada televisor pesa
aproximadamente 40 Kg, cada equipo de sonido 28 Kg y cada horno microondas 10 Kg.
Asuma que las lneas areas slo permiten el transporte de 50 Kg por persona sin pagar
exceso de equipaje y que este exceso se cobra a razn de $2.000 por cada Kg adicional.
La aduana cobra un arancel del 15% sobre el precio de compra de estos productos siempre
y cuando el valor del equipaje por persona exceda a $3 millones. Formule un modelo de
PL que le permita determinar como deben invertir su dinero los inversionistas para
maximizar su ganancia neta total. Habra algn beneficio adicional si los inversionistas
juntaran su presupuesto y repartieran la utilidad neta total en forma proporcional a su
inversin?

7.

Una compaa productora de papel debe determinar el mejor esquema de patrones de


corte de rollos de 60 pulgadas de ancho para satisfacer la demanda semanal por rollos ms
pequeos. El pedido semanal es el siguiente 30 rollos de 28, 60 rollos de 20 y 48 rollos
de 15. Cualquier sobrante de rollo de ancho menor de 15 se considera como
desperdicio. De qu forma deben cortarse los rollos de 60 para satisfacer la demanda y
obtener el menor desperdicio posible?. Suponga que se dispone de un nmero suficiente
de rollos de 60.

8.

Formule el problema anterior si adems del gran nmero de rollos de 60 de ancho, se


dispone tambin de 50 rollos de 80 de ancho.

9.

Se hace un pedido a una papelera de 800 rollos de papel corrugado de 30 de ancho, 500
rollos de 45 de ancho y 1000 rollos de 56 de ancho. Si la papelera recibe de su
proveedor rollos de 108 de ancho nicamente y en cantidad suficiente, cmo deben
cortarse estos para cumplir con el pedido en forma exacta y para minimizar el papel
desperdiciado? (Prado, Hernando, Notas de Clase, 1978.)

10. Formule el problema anterior si se le permite cortar rollos en exceso de cualquier ancho
(adicionales a los del pedido), los cuales generan un costo de inventario despreciable y
podran ser consumidos en un futuro. Compare los resultados en cuanto al desperdicio
mnimo se refiere. Desprecie los costos de inventario que se pueden generar.
11. Usted recibe una orden de produccin en su taller que requiere del corte de lminas de
acero de cierto calibre. Se dispone de 250 lminas rectangulares de 120 240 cm y de 70
lminas rectangulares de 100 150 cm que haban sobrado de una orden anterior. La
orden consiste en 75 lminas rectangulares de 50 80 cm y 120 lminas cuadradas de 100

51

100 cm. Formule un modelo de PL que le ayude a decidir la mejor forma de cortar las
lminas disponibles para cumplir con la orden. Asuma como desperdicio cualquier retal
de lmina del cual no pueda obtenerse ninguna de las lminas requeridas en la orden.
Asuma igualmente que slo pueden realizarse cortes paralelos a las caras de las lminas.
12. Una industria produce dos artculos distintos A y B. La elaboracin de una unidad del
articulo A cuesta $20 por concepto de mano de obra y de una unidad del articulo B, $10.
Cada unidad de A utiliza $10 de materia prima y cada unidad de B $30. El desgaste del
equipo se considera proporcional a la produccin. Por cada unidad producida de A, el
equipo se desgasta $5 y por cada unidad producida de B, el equipo se desgasta $1. Se
cuenta con un presupuesto de $100.000 para salarios, de $180.000 para materia prima y
no conviene que el desgaste de los equipos exceda de $40.000. Determinar la cantidad que
debe producirse de cada artculo para obtener la mxima utilidad si el beneficio por cada
artculo A es de $8 y por cada artculo B es de $5.
13. Un ebanista dispone de dos tipos diferentes de madera, tiene 1500 pies de tabla tipo A y
1000 pies de tabla tipo B. Tambin dispone de 800 horas hombre para efectuar el trabajo.
La demanda estimada es la siguiente: cuando menos 40 mesas, 130 sillas exactamente, 30
escritorios exactamente y no ms de 10 estantes. Las cantidades de madera A y B y las
horas hombre que se requieren para la elaboracin de cada uno de los artculos anteriores
vienen dadas en la tabla siguiente:
ARTICULO
Mesa
Silla
Escritorio
Estante

MADERA
TIPO A
5
1
9
12

MADERA HORAS UTILIDAD


TIPO B
HOMBRE
$/unidad
2
3
12
3
2
5
4
5
15
1
10
10

Determine cuantas unidades de cada uno de los artculos debe producir el ebanista con el
fin de cumplir su demanda y de obtener la mxima utilidad. (Prado, Hernando, Notas de
Clase, 1978.)
14. Un fabricante de aparatos de televisin tiene facilidades para ensamblar dos tipos de
televisor: el tipo A a color y el tipo B a blanco y negro. El televisor de tipo A se vende a
$49.500 la unidad y ocasiona un costo de produccin de $26.800. El de tipo 5 se vende en
$23.400 y ocasiona un costo de produccin de $11.190. La planta tiene capacidad diaria
para fabricar hasta 50 pantallas para televisin en colores. No se pueden comprar pantallas
a otros proveedores. Cada TV A requiere 18 horas hombre para el ensamblaje del chasis y
el tipo B requiere 8 hr.hombre. La planta emplea 225 hombres con un turno diario de 8
horas en el departamento de ensamblaje. Cada aparato tipo A requiere 1.6 horas hombre
para su armado completo, mientras que el tipo B requiere 1 hora hombre. La planta
emplea 30 hombres con turnos de 8 horas diarias para esta labor. Cada TV de color
requiere 2 horas hombre para inspeccin final mientras que cada TV en blanco y negro
requiere 0.5 horas hombre. La planta emplea 20 inspectores de tiempo completo y uno de
medio tiempo. Cuntos televisores de cada tipo deben producirse para maximizar la
utilidad neta total? (Prado, Hernando, Notas de Clase, 1978.)

52

Introduccin a la Modelacin Matemtica y Optimizacin

15. Para la elaboracin de un producto qumico se cuenta con 4 materias primas: A, B, C y D


que contienen cierto factor f tal como se indica en el cuadro siguiente:
MATERIA
PRIMA
A
B
C
D

FACTOR
f (%)
51
11
14
36

COSTO
($/Kg)
4.00
2.00
2.40
3.00

Se trata de obtener una mezcla de una tonelada, cuyo contenido del factor f sea por lo
menos del 18% y con la condicin que las materias primas B y C no constituyan ms del
20% de la mezcla, con el mnimo costo posible.
16. Un barco tiene tres bodegas: en la proa, en el centro y en la popa. Los limites de
capacidad de cada bodega son:
BODEGA
Proa
Centro
Popa

CAPACIDAD
TONELADAS
2000
3000
1500

CAPACIDAD
PIES CUBICOS
100,000
135,000
80,000

Los dueos del barco pueden aceptar el total o una parte de los artculos que se ofrecen
para el transporte. Las caractersticas de estos artculos son las siguientes:
ARTICULO
A
B
C

CANTIDAD
EN TON.
6000
1000
2000

VOLUMEN
PIES CUB/TN
60
50
25

UTILIDAD
$/TN
6000
8000
5000

Para preservar el equilibrio del barco el tonelaje transportado en cada bodega debe ser
proporcional a su capacidad en toneladas. Determine la distribucin de carga para obtener
la mxima utilidad por el transporte. Formule este mismo problema desde el punto de
vista del propietario de la carga y compare resultados.
17. Se est diseando una nave espacial que lleve y traiga astronautas a Marte. Esta nave
tendr tres compartimientos, cada uno con su propio sistema que permite vivir en l. El
elemento clave de cada uno de estos sistemas es una pequea unidad oxidante que
provoca un proceso qumico para producir oxgeno. Estas unidades no se pueden probar
con anticipacin y solo algunas de ellas tienen xito en el proceso qumico. Por esto, es
importante tener unidades de repuesto para cada sistema. Como los requerimientos son
diferentes para cada compartimiento, las caractersticas de las unidades para cada uno
varan. Se debe tomar una decisin sobre el nmero de unidades que se deben incluir en
cada compartimiento, tomando en cuenta limitaciones de diseo y la cantidad total de
espacio, peso y costo que puede asignarse a estas unidades para toda la nave. La siguiente

53

tabla resume estas limitaciones, al igual que las caractersticas individuales para cada
compartimiento:
Compartimiento Espacio
Peso
Costo Probabilidad
(pul3)
(Libras)
($)
de falla
1
40
15
40.000
0.30
2
50
20
45.000
0.40
3
30
10
35.000
0.20
3
LIMITACIN 500 pul 200 libras $500.000

Si todas las unidades fracasan en uno dos de los compartimientos, los astronautas
podrn ocupar el los restantes y continuar su viaje espacial, pero con algunas prdidas
en la cantidad de informacin cientfica que puedan obtener. No obstante, si todas las
unidades fracasan, todava tienen la manera de regresar en la nave a salvo, pero el viaje
completo sera un fracaso total a un gran costo. El objetivo es entonces minimizar la
probabilidad de que todas las unidades fallen, sujeto a las limitaciones anteriores y a la
restriccin adicional de que cada compartimiento deber tener una probabilidad no mayor
que 0.05 de que todas sus unidades fallen. Formule un modelo de PL para este problema.
(Hillier y Lieberman, segunda edicin, 1989, pg. 273)
18. Cierto hacendado dispone de los siguientes recursos para emplearlos en la prxima
cosecha:
$150.000 de capital disponible.
1350 horas de tractor (horas mquina)
65 hectreas de tierra cultivable.
Esta tierra es propia para sembrar maz, millo o frjol. Se supone que tiene a su
disposicin hombres suficientes. Los costos de produccin son los siguientes: tractor e
implementos $50/hora, mano de obra $5/hora, alquiler del terreno por la cosecha
$200/hectrea. El hacendado ha acordado retornar el 150% del dinero no invertido
exclusivamente en los cultivos a la Caja Agraria, donde efectu el prstamo. Los datos de
los cultivos posibles son los siguientes y vienen dados por hectrea:
CULTIVO

MANO
DE OBRA

HORAS
TRACTOR

OTROS
COSTOS

VALOR
COSECHA

Maz
Millo
Frijol

10
25
35

20
25
15

$150
$200
$800

$3.000
$3.800
$4.900

Determine la proporcin de cultivos que genere la mxima utilidad.


19. Una refinera de petrleo tiene un oleoducto que la alimenta, el cual tiene una capacidad
de 50000 barriles de petrleo diarios. La refinera debe suministrar por lo menos 27000
barriles por da a las bombas vendedoras de la Compaa (barriles de gasolina). La
refinera utiliza dos procesos de refinacin con los siguientes rendimientos por barril de
petrleo procesado:

54

Introduccin a la Modelacin Matemtica y Optimizacin

PRODUCTOS PROCESO 1
PROCESADOS
Gasolina
Otros productos
Costo Proceso por
barril de petrleo
procesado

PROCESO II

0.4
0.6

0.6
0.3

0.6

0.8

La refinera vende gasolina a $6 cada barril y otros productos a $4 cada barril. S la


demanda lo exige, se puede comprar gasolina a otros productores a $5.20 cada barril. El
precio de compra del petrleo crudo es de $3 por barril. Formule un modelo de PL que le
permita determinar lo que debe hacer la refinera. Qu sucede al tratar de resolverlo?
Encuentre la razn del problema y proponga soluciones para que el problema tenga
solucin dentro del contexto real que se plantea. (Prado, Hernando, Notas de Clase, 1978.)
20. Una fbrica de automviles y camiones consta de los departamentos que a continuacin se
enuncian:
Departamento A: Estampado de planchas metlicas.
Departamento B: Armado de motores.
Departamento C: Montaje de automviles.
Departamento D: Montaje de camiones.
El Departamento A puede estampar por mes las planchas necesarias para 25000
automviles 35000 camiones las correspondientes combinaciones de automviles y
camiones. El Departamento B puede armar por mes 33333 motores de automvil 16667
motores de camin una combinacin de ambos. El Departamento O puede montar y
terminar 22500 automviles/mes. El Departamento D puede montar y terminar 25000
camiones/mes. Cada automvil deja una utilidad neta de $40 u.p. y cada camin de $55
u.p. Planifique la produccin para obtener la mxima utilidad.
21. La firma PAVIMENTOS S.A. est licitando por un contrato para la construccin de la
calzada de una carretera. Las especificaciones dadas indican que debe tener un mnimo de
12 cm. de espesor y un mximo de 48 cm. Debe, a su vez, construirse de concreto, asfalto,
gravilla o cualquier combinacin de los tres, siempre y cuando la resistencia total sea al
menos equivalente a la que tendra una calzada de 9 cm. de concreto. La firma ha
establecido que 3 cm. de asfalto son tan fuertes como 1 cm. de concreto y que 6 cm. de
gravilla son tan resistentes como 1 cm. de concreto. Su costo estimado para un metro
cuadrado y un centmetro de espesor para el concreto es de $2000, para el asfalto es $700
y para la gravilla es de $300. Formule el problema de Programacin Lineal que le permita
a la firma saber cual es la mejor combinacin para la calzada y conocer su costo.
22. Una compaa de aviacin tiene el proyecto de comprar aviones de vuelos cortos,
medianos y largos. Los aviones de vuelos cortos tienen un precio de US$3.500.000 cada
uno; los de vuelos medianos US$5.000.000 cada uno; y los de vuelos largos
US$6.700.000 cada uno. Se tiene un presupuesto mximo de US$150.000.000 para el

55

proyecto. Los aviones sern utilizados al mximo de su capacidad, produciendo una


ganancia neta anual as: aviones de vuelos cortos US$230.000; aviones de vuelos
medianos US$300.000 y aviones de vuelos largos US$400.000. El nmero mximo de
pilotos disponibles es de 30. S solamente se compraran aviones de vuelos cortos los
hangares serian suficientes para 40 de ellos; sin embargo, la capacidad ocupada por los
aviones medianos es 4/3 de la de los vuelos cortos y la capacidad ocupada por los aviones
de vuelos largos es de 5/3 la de los de vuelos cortos. Se desea conocer cuntos aviones de
cada tipo se deben comprar para obtener una ganancia anual mxima.
23. Una compaa de aviacin que opera con base en una terminal central, tiene 8 aviones
tipo 1, 15 aviones tipo 2 y 12 aviones tipo 3, disponibles para vuelos diarios. La capacidad
en toneladas es de: 45 para los de tipo 1, 7 para los de tipo 2 y 4 para los de tipo 3. La
compaa despacha sus aviones a las ciudades A y B. Las demandas en toneladas en cada
ciudad son: 200 para la ciudad A y 180 para la ciudad B. El exceso de toneladas
suministrado a una ciudad no tiene costo adicional. Cada avin puede hacer solamente un
vuelo al da. El costo del envo de un avin hacia cada ciudad est dado por la siguiente
tabla:
CIUDAD

TIPO 1

TIPO 2

TIPO 3

A
B

23
58

5
10

1.4
3.8

Formule un modelo de Programacin Lineal que permita programar los aviones


ptimamente.
24. Una compaa de aviacin debe decidir a cuantas nuevas azafatas emplear y entrenar
durante los 6 meses siguientes. Las necesidades expresadas como el nmero de azafatas
hora vuelo son 8000 en enero, 9000 en febrero, 8000 en marzo, 10000 en abril, 9000 en
mayo y 12000 en junio. Para que una azafata pueda ser puesta en vuelo regular toma un
mes su entrenamiento. Una azafata aprendiz requiere 100 horas de supervisin por una
azafata experimentada durante el mes de entrenamiento; por lo tanto, durante dicho mes
se disponen de 100 horas menos de azafatas para el servicio regular de vuelos. Cada
azafata experimentada puede trabajar hasta 150 horas en el mes y la compaa dispone de
60 azafatas a comienzos de enero. Si el mximo tiempo disponible de azafatas
experimentadas excede a la necesidad de un mes de vuelos y de requisitos de
entrenamiento, las azafatas regulares trabajan menos de 150 horas, pero ninguna es
despedida. Cada mes aproximadamente, el 10% de las azafatas experimentadas se retiran
de la compaa, para casarse. Una azafata experimentada cuesta a la compaa $800
mensuales y una aprendiz $400. Formule un modelo de Programacin Lineal para la
situacin de empleo y entrenamiento.

56

Introduccin a la Modelacin Matemtica y Optimizacin

25. El departamento de polica de la ciudad de Cali estima los siguientes requerimientos


mnimos diarios de policas:

HORAS DEL
DA
2-6
6 - 10
10 - 14
14 - 18
18 - 22
22 - 2

PERODO

NMERO MNIMO DE
POLICAS REQUERIDO
20
50
80
100
40
30

1
2
3
4
5
6

Note usted que el perodo 1 sigue inmediatamente al periodo 6. Cada polica trabaja 8
horas consecutivas. El departamento de polica busca un programa de trabajo diario que
emplee el menor nmero de policas en el departamento, teniendo presente cada uno de
los requerimientos anotados. (Prado, Hernando, Notas de Clase, 1978.)
26. Una cervecera posee tres plantas localizadas en tres ciudades diferentes, con las cuales
surte el consumo del pas dividido en cuatro zonas: zona norte, zona central, zona
suroriental y zona del pacfico, a las cuales se denominarn respectivamente A, B, C y D.
Mensualmente la planta I produce 1.300.000 litros, la planta II 700.000 litros y la planta
III 300.000 litros. La demanda mensual en las diferentes zonas de consumo es como
sigue: zona A 600.000 litros, zona B 400.000 litros, zona C 400.000 litros y zona D
500.000 litros. Los costos combinados de produccin y el transporte de las diferentes
plantas a los centros de consumo, se muestran en la tabla siguiente:
PLANTA

ZONA A

I
II
III

500
800
700

ZONA B
800
500
600

ZONA C

ZONA D

600
600
800

700
800
600

Encuentre el arreglo de distribucin ms econmico.


27. Un individuo cuyo negocio es mezclar whisky importa tres grados A, B y C. Los combina
de acuerdo con recetas que especifican los porcentajes mximo y mnimo de los grados A
y C en la mezcla. Estos porcentajes se dan en la tabla siguiente:
NOMBRE DE
MEZCLA
BLUE DOT
HIGHLAND
OLD FRENZY

CONDICIONES INGREDIENTES
WHISKY BSICO A y C
No
No
No
No
No

menos del 60% del whisky A


ms del 20% del whisky C
ms del 60% del whisky C
menos del 15% del whisky A
ms del 50% del whisky C

PRECIO
BOTELLA
US $6.80
US $5.70
US $4.50

La provisin de los tres whiskies bsicos, junto con sus costos, se presenta en la tabla que
sigue:

57

WHISKY
BASICO

MAXIMA CANTIDAD DISPONIBLE


(BOTELLAS POR DIA)

COSTO
BOTELLA

A
B
C

2000
8500
1200

US $7.0
US $5.0
US $4.0

Proyecte una poltica de produccin que maximice las ganancias. (Prado, Hernando,
Notas de Clase, 1978.)
28. Una empresa siderrgica produce tres aleaciones diferentes. El diagrama de proceso como
sigue:

Aleacin 1

CAJA DE
RECOCIDO
Aleacin 2

RECOCIDO
CONTINUO

Aleacin 3

MOLINOS
CONTINUO

Se deben determinar las cantidades de cada aleacin que deben producirse dentro de las
limitaciones del volumen de ventas y las capacidades de las mquinas con el fin de
maximizar las ganancias. Los datos sobre las capacidades y utilidades se presentan en las
tablas siguientes:

ALEACIN

OPERACIN

VELOCIDAD
DE LA
MQUINA

POTENCIAL
DE VENTAS
(TON/MES)

GANANCIA
POR
TONELADA

Caja de recocido
Molinos cont.(1)
Recocido cont.
Molinos cont.(2)

28 hr / 10 ton
50 pies/min
20 pies/min
25 pies/min

1250

$2,500

Caja de recocido
Recocido cont.
Molinos cont.

35 hr / 10 ton
20 pies/min
25 pies/min

250

$3,500

Recocido cont.
Molinos cont.

16 pies/min
20 pies/min

1500

$4,000

TIPO DE
MQUINA
Caja recocido
Recocido Cont.
Molinos Cont.

NMERO DE
MQUINAS
4
1
1

TURNOS
( 8 HR/SEM )
21
20
12

% TIEMPO
OCIOSO
5
10
0

58

Introduccin a la Modelacin Matemtica y Optimizacin

Los rollos de cada aleacin son de 400 pies de longitud y pesan 4 toneladas. Formule un
modelo de programacin lineal del cual pueda obtenerse una poltica de produccin para
la siderrgica (Asuma que 1 mes = 4 semanas).
29. Una planta de productos qumicos fabrica dos productos A y B, los cuales tienen que
pasar por cuatro centros de proceso: 1, 2, 3 y 4, segn se muestra con las lneas continuas
en la figura:
A
CENTRO 2
CENTRO 4

CENTRO 1

B
CENTRO 3
A

Cada centro puede manejar solamente el paso de un producto a la vez. S hay capacidad
disponible en el centro 3, es posible enviar el producto A a travs de 3, en lugar de hacerlo
dos veces a travs del centro 2, pero esto es ms costoso. Con la informacin de la tabla,
cmo deber programarse la produccin para hacer mximas las ganancias?. Se entiende
por Programa de Produccin la especificacin de las siguientes cantidades:
(1) La cantidad de materia prima utilizada para A diariamente, por el curso regular.
(2) La cantidad diaria de materia prima usada para A diariamente, por el curso opcional y
(3) La cantidad diaria de materia prima usada para B.
Nota: Suponga que se dispone de suficiente capacidad de almacenamiento sin costo
adicional. Se tiene tambin la siguiente informacin:

PRODUCTO

CENTRO
1
2 (1er. paso)
4
2 (2o. Paso)
3

ENTRADA
GL/HR
300
450
250
400
350

%
RECUP.
90
95
85
80
75

COSTO OPER.
$/HR
150
200
180
220
250

1
3
4

500
480
400

90
85
80

300
250
240

59

PRODUCTO

MAT. PRIMA
COSTO POR
GALN

A
B

$5
$6

PRECIO
VENTA

VENTAS
DIARIAS

GALN
$20
$18

MX. (Gal.)
1,700
1,500

Los centros 1 y 4 trabajan hasta 16 horas al da; los centros 2 y 3 trabajan hasta 12 horas
al da. Una restriccin final la proporcionan las facilidades de envo que limitan la
produccin diaria de A y B a un total de 2500 galones. Formule el modelo de
programacin lineal correspondiente.
30. Una refinera produce dos tipos de gasolina, la regular y la extra, y otros productos
derivados del petrleo, cuyos precios de venta por galn son $2.500 para la gasolina
regular, $3.200 para la gasolina extra y se puede considerar un promedio de $1.100 para
otros productos. Ambos tipos de gasolina y los otros productos se fabrican a partir de dos
clases de petrleo crudo, el nacional y el importado. Las tablas siguientes muestran las
especificaciones principales que debe cumplir cada tipo de gasolina y las caractersticas
de cada tipo de petrleo crudo.
PRODUCTO

PRESIN DE
VAPOR
MXIMA
23

Gasolina
regular
Gasolina extra 23
Otros productos --o--

TIPO DE
PETRLEO
CRUDO
Nacional
Importado

OCTANAJE DEMANDA
MNIMO
MNIMA
(Galones/semana)
88
2.100.000

DEMANDA
MXIMA
(Galones/semana)
4.200.000

93
--o--

1.500.000
2.000.000

750.000
1.000.000

PRESIN DE
VAPOR

OCTANAJE DISPONIBILIDAD COSTO


(Galones/semana) ($/galn)

25
15

87
98

4.000.000
2.000.000

1.030
2.170

La refinera puede emplear tres procesos de refinacin con las siguientes caractersticas de
eficiencia y costo:
PRODUCTO
PROCESADO

RENDIMIENTO DEL PROCESO


(Gal. de producto/Gal. de petrleo crudo*)
Proceso I
Proceso II
Proceso III
0.60
--o-0.40
--o-0.45
0.25
0.40
0.55
0.35

Gasolina regular
Gasolina extra
Otros productos
Costo del proceso
por galn de petrleo
crudo procesado
250
340
300
($/galn)*
*
Independiente del tipo de petrleo crudo procesado.

60

Introduccin a la Modelacin Matemtica y Optimizacin

Asumiendo que en cada proceso los componentes de una mezcla de petrleos crudos
contribuyen al octanaje general y a la presin de vapor proporcionalmente a su cantidad
en galones, formule un modelo de PL que le permita determinar la mejor programacin de
produccin de la refinera.
31. Una compaa manufactura secadoras y lavadoras automticas de ropa para consumo
nacional. La gerencia de produccin ha calculado que por cada secadora requiere 1.5
horas de mano de obra y por cada lavadora 2 horas. La fuerza laboral de la empresa en el
ltimo cuatrimestre de este ao se estima en 5000 horas. La gerencia no desea modificar
la fuerza laboral en ms de un 10% por periodo. Las metas de venta en los prximos
cuatro periodos del prximo ao se ha fijado as:

Secadora
Lavadora

1 Cuarto
200
1200

2 Cuarto
1300
1500

3 Cuarto
3000
1000

4 Cuarto
1000
1400

Los costos asociados con cada esquema de produccin debern incluir costos de
produccin (excluyendo mano de obra), costo de almacenamiento y costo de mano de
obra. La seccin de costos de la compaa ha desarrollado la siguiente tabla que describe
los costos unitarios para cada periodo:
ITEM
1
Costo de produccin lavadora
sin mano de obra
Costo de produccin secadora
sin mano de obra
Costo unitario de llevar una
secadora en inventario
Costo unitario de llevar una
lavadora en inventario
Mano de obra/hora

COSTOS UNITARIOS EN CADA CUATRIMESTRE


2
3

3750

3900

3750

3780

2750

3000

2850

2850

150

135

135

120

129
50

114
50

114
58

99
58

Establezca esquemas de produccin que minimicen los costos anuales para satisfacer las
demandas estimadas para ambos productos.
32. Un inversionista puede elegir entre las actividades A B ambas, disponibles al principio
de cada uno de los prximos 5 aos. Cualquier cantidad invertida y recuperada en el
futuro puede ser reinvertida en cualquier alternativa disponible. Cada peso que invierte en
A al comienzo de cada ao le produce $1.40 dos aos ms tarde. Cada peso invertido en B
al comienzo de un ao le produce 1.70 tres aos despus. Adems, las actividades C y D
estn disponibles una sola vez en el futuro, C al comienzo del segundo ao y D al
comienzo del quinto ao. Cada peso invertido en C genera $1.60 en 2 aos. Cada peso
invertido en D le produce $1.30 un ao despus. El inversionista dispone hoy de
$100.000. Formule un modelo de programacin lineal que le permita determinar la mejor
forma de inversin a lo largo de los cinco aos para maximizar el capital dispone al final

61

del quinto ao (comienzo del sexto ao). (Adaptado de Hillier y Lieberman, 1989, pg.
50.)
33. La gerencia de una compaa area debe decidir con respecto a la asignacin de aviones a
rutas areas. El cuadro siguiente indica la capacidad mxima en nmero de pasajeros, el
nmero de aviones de cada tipo actualmente disponible en la empresa, el mximo nmero
de vuelos que realiza cada tipo de avin por ruta especfica y el nmero esperado de
pasajeros en cada ruta.
TIPO DE
AVIN

CAPACIDAD
NMERO DE
PASAJEROS
1
50
2
30
3
20
Nmero esperado de pasajeros
por ruta diariamente

NMERO DE
AVIONES
DISPONIBLE
5
8
10

1
3
4
5
1000

NMERO DE VIAJES DIARIOS


EN CADA RUTA
2
3
2
2
3
3
5
4
2000

900

1
2
2
1200

Los costos de operacin por vuelos en las cuatro rutas y el costo de oportunidad (prdida
ganancia) originado al no servir a un pasajero se muestran as:
TIPO DE
COSTOS DE OPERACIN POR VIAJE Y RUTA
AVIN
1
2
3
4
1
1000
1100
1200
1500
2
800
900
1000
1000
3
600
800
800
900
Prdida por pasajero
no transportado
40
50
45
70

Formule un modelo de programacin lineal para asignar los aviones a las rutas a costo
mnimo. (Adaptado de Taha, 1981, pg. 3738; Taha, 1998, pg. 60.)
34. Usted ha sido contratado como asesor del departamento de planificacin nacional grupo
de desarrollo energtico. El grupo est considerando la construccin de una planta nuclear
y de una planta desalinizadora de agua para un complejo agroindustrial. La planta nuclear,
un reactor adaptado a una planta de vapor, es la nica fuente de electricidad. La inversin
en la planta es del orden de $9.000 millones de pesos por cada 1000 megavatios de
capacidad y los costos de operacin anuales para esta capacidad son de $1350 millones. El
agua para las plantas industriales y la agricultura ser provista por una planta
desalinizadora, con costo de inversin de $1500 millones por cada 1000 millones de
metros cbicos de agua al ao y costo de operacin anual de $450 millones. Se estima que
para esta produccin de agua se necesitan 300 megavatios de potencia por ao. En la
regin hay 120.000 hectreas aptas para la agricultura. Existen fundamentalmente dos
cultivos que pueden ser desarrollados a escala industrial: Cultivo A y cultivo B. Los
fertilizantes se obtendrn bsicamente de lo producido por la industria de la regin. La
siguiente tabla muestra la inversin, costo de operacin, agua, fertilizantes y un estimado
de los ingresos generados por una extensin determinada dedicada a cada uno de los
cultivos.

62

Introduccin a la Modelacin Matemtica y Optimizacin

SECTOR AGRICOLA
Tierra (Ha)
Inversin (millones $)
Operacin anual
(millones $)*
Fertilizantes
(miles ton/ao)

CULTIVO A
400
6000

CULTIVO B
400
9000

1500

1350

2.0

1.5

10
7500

8
8600

Agua (millones m /ao)


Ventas totales (millones)
* No incluye agua ni fertilizantes

Para el sector industrial se estn considerando bsicamente dos procesos para la


produccin de fertilizantes y aluminio. El proceso C y el proceso D. El precio promedio
en el mercado de tonelada de fertilizante es de $1800 y de ton. de aluminio $24000. Puede
suponerse que existe suficiente demanda para absorber excedentes de produccin. La
tabla siguiente ilustra los recursos y producciones asociados con cada proceso.
SECTOR INDUSTRIAL
Inversin (millones $)
Costo anual de
operacin (millones $)*
Consumo de agua

PROCESO C
2400

PROCESO D
4800

450

360

1000

1000

1.5

0.8

0.5

(millones m3/ao)
Consumo de electricidad
(megavatios/ao)
Produccin de fertilizantes
(millones ton/da)
Produccin de aluminio
(millones ton/da)
* No incluye agua ni electricidad

Suponga que para este tipo de proyecto se dispone de financiacin por prestamos
internacionales de hasta $30.000 millones de pesos a ser pagaderos en 10 aos a una tasa
anual de 15%. Analice el problema y si es posible plantee un modelo que permita la
evaluacin de posibles alternativas.
35. Suponga que en cierta poblacin se pretende hacer inversiones cuantiosas en el cultivo de
aguacate, lima reina, mango y zapote prieto. Se persiguen dos objetivos: reducir el
desempleo rural y aumentar las exportaciones que vendrn a equilibrar la balanza de
pagos de la nacin. Se sabe que la produccin promedio de cada rbol est dada por la
siguiente tabla:
TIPO DE RBOL *
Aguacate
Lima reina
Mango
Zapote prieto

PRODUCCIN PROMEDIO ANUAL


(EN UNIDADES)
(EN KG.)
350
150
230
200
150
50
400
150

* Los cultivos se producen una vez por ao

63

El precio promedio en el mercado mundial fue de $10 por Kg de aguacate, $4 por Kg de


lima reina, $15 por Kg de mango y $7 por Kg de zapote prieto. Existe una extensin de
250.000 m2 de tierra de propiedad municipal propicia para el cultivo de esos productos.
Suponga que tcnicos de la Secretara de Agricultura han determinado que las siguientes
extensiones mnimas son necesarias para el cultivo de esos productos.
TIPO DE RBOL

Extensin Mnima de
Cultivo por rbol (m2)

Aguacate
Lima reina
Mango
Zapote prieto

4
5
3
6

Afortunadamente no existe inconveniente de agua, pues hay varios manantiales dentro de


la propiedad, que aseguran la existencia de ese preciado lquido por los prximos 20 aos.
El costo por sembrar un rbol de aguacate es de $2, $0.5 por rbol de lima reina, $1 por
rbol de mango y $1.5 por rbol de zapote prieto; estos costos ya incluyen la compra del
rbol, su cuidado y mantenimiento. Cada rbol empieza a ser productivo
aproximadamente a los 3 aos de ser plantado. Cada rbol de aguacate requiere los
cuidados equivalentes a 36 horas hombre/ao, 72 por rbol de lima reina, 50 por rbol de
mango y 10 por rbol de zapote prieto. Se pretende hacer una inversin de $20 millones
pensando exportar toda su produccin a partir del tercer ao. El desempleo en la
poblacin se ha calculado en 500 personas y el gobierno municipal ha delineado que este
proyecto emplee al menos 200 personas en forma continua. Bajo estas circunstancias,
cuntos rboles de aguacate, lima reina, mango y zapote prieto debern sembrarse con
objeto de maximizar el valor de la futura exportacin anual?
36. La Fbrica Nacional de Cerveza tiene plantas ubicadas en Bogot, Cali, Barranquilla,
Medelln y Palmira. La Fbrica Nacional de Latas, una subsidiaria, tiene plantas ubicadas
en Pereira, Bucaramanga y Cartagena. La demanda mensual de latas de cerveza se
pronostica as:
Planta de cerveza
Bogot
Cali
Barranquilla
Medelln
Palmira

Demanda mensual en latas


2,000,000
500,000
400,000
100,000
100,000

Las latas de cerveza abiertas, se retornan a la Fundidora Nacional de Aluminio, en donde


se reconvierten en aluminio y de ah se mandan a la fbrica de latas. La produccin
mxima mensual de latas es:
Planta de Latas
Pereira
Bucaramanga
Cartagena

Capacidad mensual en latas


1,000,000
1,500,000
750,000

64

Introduccin a la Modelacin Matemtica y Optimizacin

Los fletes son una funcin de las distancias que existen entre las plantas productoras de
cerveza y las plantas productoras de latas. Estos fletes son:

Bogot
Cali
Barranquilla
Medelln
Palmira

Pereira
5
20
25
75

Bucaramanga
20
15
2
50

Cartagena
15
2
10
40

45

80

60

(Pesos por transporte de 1000 latas)

Bajo estas condiciones, Qu programa de distribucin mensual de latas se debera


establecer a fin de satisfacer la demanda mensual en las fbricas de cerveza, sin exceder la
produccin mensual?
37. Se supone que la Secretaria de Educacin Pblica se ha trazado un plan a 4 aos, para
entrenar maestros urbanos y rurales de enseanza primaria. El entrenamiento de ambas
clases de maestros tarda 1 ao y los costos de entrenamiento estn dados por:
AOS
1
2
3
4

(2003)
(2004)
(2005)
(2006)

Por maestro rural

Por maestro urbano

$10.0
$10.1
$10.2
$10.3

12.5
13.0
13.5
14.0

La demanda pronosticada de maestros de ambas clases es:


AOS
1
2
3
4

(2003)
(2004)
(2005)
(2006)

Maestro rural

Maestro urbano

120
150
150
170

170
180
190
195

Al finalizar el ao de trabajo se les ofrece la opcin a los maestros de continuar en su


mismo trabajo o de cambiar de urbano a rural o viceversa. De no cambiar, su salario
permanecer regido por la tabla anterior. Los maestros que cambien de rural a urbano
recibirn un salario correspondiente a la tabla vigente para maestros urbanos en ese ao.
En cambio, maestros urbanos que cambien a rurales recibirn el salario de maestro urbano
correspondiente a ese ao.
Debido a la capacidad de las instalaciones, el gobierno municipal puede nicamente
entrenar y graduar a no ms de 300 maestros en total (rurales y urbanos), por un ao. S
por la oferta limitada en cierto ao, es necesario cubrir la demanda, esta se har con
maestros jubilados a un costo de $15.000 por ao de maestro, independientemente a que
funcionen como rural o urbano.

65

Bajo tales circunstancias, Cuntos maestros de cada tipo deberan prepararse por ao,
cuantos deberan cambiar de calidad por ao y cuantos maestros Jubilados deberan
contratarse por ao, tal que el costo total se minimice y se atenga a la demanda
pronosticada?
38. Una siderrgica debe decidir cuntas libras de acero puro y cuntas de chatarra utilizar en
la preparacin de una aleacin para un cliente. El costo por libra de acero puro es de $3 y
de chatarra $6 (por las impurezas), la demanda del cliente es de por lo menos 5 libras y
aceptara ms si se le ofrece. La disponibilidad de acero puro es 4 libras y la de chatarra
de 7 libras. La relacin entre chatarra y el acero no puede exceder de 7/8. La fbrica tiene
18 horas disponibles para el proceso; una libra de acero puro requiere 3 horas mientras
que la chatarra solo requiere 2 horas. Formule un modelo de programacin lineal que
determine la carga ptima del horno.
39. Una empresa fabrica dos modelos de productos: Z-1200 y Z-1500. Los requerimientos de
produccin y las disponibilidades estn mostradas a continuacin:
DEPARTAMENTO
1
2
3
4

REQUERIMIENTO DE MANO DE OBRA


MODELO Z-1200
MODELO Z-1500
2
0
0
3
2
2
1 1/5
1 1/2

CAPACIDAD
300
540
440
300

Los beneficios unitarios logrados a la venta de los modelos Z1200 y Z-1500 son de $50 y
$40, respectivamente. Encuentre el nmero ptimo de cada producto a producir. Si la
corporacin est produciendo actualmente 30 unidades del modelo Z-1200 y 12O
unidades del modelo Z-1500, cunto beneficio est perdiendo o est dejando de ganar?
(Adaptado de Thierauf y Grosse, 1972, pg. 273274.)
40. El dueo de una editorial est imprimiendo un nuevo libro y tiene las alternativas de
empastarlo con cartn fino y/o cartulina corriente. La venta de un libro con pasta de
cartn fino le genera un beneficio de $30, mientras que la de un libro con cartulina es de
$7.50. El tiempo requerido para empastar un libro con cartn fino es de 3 minutos y con
cartulina ordinaria 2 minutos. El tiempo total disponible para empastado es de 800
minutos. Se estima que las ventas sern de no ms de 6000 copias para el libro empastado
con cartn fino y no ms de 10000 copias para el empastado con cartulina corriente.
Formule un modelo de programacin lineal para este enunciado.
41. El departamento de servicios de un almacn proporciona servicios de reparacin para la
mercanca vendida. Durante una semana 5 televisores, 12 radios y 18 licuadoras fueron
devueltos para reparacin. Dos tcnicos son contratados temporalmente para ayudar en
dicho departamento. En una jornada de 8 horas el tcnico 1 puede reparar 1 televisor, 3
radios o 3 licuadoras, mientras que el tcnico 2 puede reparar 1 televisor, 2 radios o 2
licuadoras en el mismo tiempo. S el tcnico 1 gana $250 diarios y el tcnico 2 $150
diarios, por cuantas horas debern ser contratados de manera que los costos de reparacin
sean mnimos?

66

Introduccin a la Modelacin Matemtica y Optimizacin

42. Una compaa de paqueteo y envos desea contratar operadores extra para las festividades
navideas, pero debido a las limitaciones de espacio el nmero de empleados no puede
exceder de 10. De experiencias anteriores se sabe que un operador hombre maneja 3000
cartas diarias 1000 paquetes diarios, mientras que una mujer puede manejar 4000 cartas
500 paquetes. Sabiendo que al menos llegarn 36000 cartas diarias y 10000 paquetes
por da y que un hombre y una mujer ganan diariamente $250 y $220 respectivamente,
cuntos hombres y mujeres debern ser empleados?. Cmo se afecta la respuesta si el
gobierno ordena el pago de $250 diarios a cada mujer? Suponga que el nmero de
operadores en condiciones normales es de 2 hombres y 2 mujeres quienes reciben salarios
de $200 y $180 semanal. Qu problemas encuentra usted en la formulacin de este
problema? Cmo resolverlos para obtener un modelo satisfactorio?
43. Una compaa manufactura el producto Z, que se elabora ensamblando cuatro
componentes: un componente AS1 y tres componentes BC1. Los componentes AS1 y BC1
se producen a partir de dos tipos de materias primas MT1 y MT2, y su manufactura se
puede realizar en tres equipos diferentes E1, E2 y E3. La produccin y el consumo de
materia prima por corrida de cada equipo son diferentes y se ilustran en el cuadro
siguiente:
TIPO
DE
EQUIPO

CONSUMO POR CORRIDA


Materia Prima
MT1(U)
MT2(U)

PRODUCCION POR CORRIDA


Componente
AS1
AS2

E1

E2

E3

Actualmente se dispone de 100 unidades MT1 y 200 unidades de MT2. Se desea conocer
en que forma se puede utilizar la informacin disponible para decidir el esquema de
produccin de AS1 y BC1 para tener el mximo nmero de productos Z terminados.
44. Una compaa posee tres plantas, en las cuales elabora un componente pequeo para un
producto industrial. La compaa comercializa el producto a travs de cinco distribuidores
en el pas y el precio al distribuidor es de $75 la unidad incluyendo el costo de
distribucin. Los pronsticos de ventas indican que los requerimientos mensuales por
distribuidor son los siguientes:
Distribuidor
Demanda mensual

2
2700

3
2700

4
9000

5
4500

3600

La capacidad mensual de produccin en cada planta y los costos unitarios de produccin


ce Ilustran en el siguiente cuadro:
Planta
Capacidad
Costo Unitario
de produccin $

1
4500

2
9000

3
11250

60

30

54

67

Los costos unitarios de envo a distribuidores de plantas se muestran en el cuadro


siguiente en $:
Distribuidor
Planta 1
Planta 2
Planta 3

1
1.5
2.4
3.0

2
2.1
1.8
2.7

3
3.3
3.0
2.7

4
4.5
3.6
3.0

5
4.8
4.5
4.8

Cmo se puede organizar la produccin y el despacho a los distribuidores para


minimizar los costos mensuales totales?
45. Una empresa papelera posee un centro de recoleccin de desperdicios los cuales somete a
diferentes tratamientos de tal manera que pueda producir materia prima para la venta. De
acuerdo a la mezcla de los materiales utilizados es posible producir tres tipos de calidades
diferentes del producto. Para la mezcla existe cierta flexibilidad y se han especificado
estndares de calidad que indican los niveles mximo y mnimo en porcentaje (por peso)
de los materiales que se permiten en cada tipo de producto. Las especificaciones se dan en
la tabla siguiente junto con el costo de amalgamado por libra y el precio de venta por
libra.
TIPO

ESPECIFICACIONES

COSTO DE AMALGADO
($) POR LIBRA

PRECIO DE VENTA
($) POR LIBRA

3.0

8.5

2.5

7.0

2.0

5.5

No ms del 30% del


material 1
No menos del 40% del
material 2
No menos del 50% del
material 3
No ms del 50% del
material 1
No menos del 10% del
material 2
No ms del 70% del
material 1

El centro de recoleccin de la compaa obtiene los materiales de desperdicio de


diferentes fuentes por lo cual es capaz de operar a una produccin estable. Las cantidades
disponibles cada semana as como el costo de tratamiento se muestra en la siguiente tabla:
MATERIAL
1
2
3
4

LIBRAS DISPONIBLES
POR SEMANA
3,000
2,000
4,000
1,000

COSTO DEL
TRATAMIENTO ($/LB)
3
6
4
5

La compaa tiene que determinar cuanto debe producir de cada tipo de producto y la
mezcla exacta de materiales que debe utilizar para cada tipo de tal manera que se

68

Introduccin a la Modelacin Matemtica y Optimizacin

maximice el beneficio total por semana (ventas totales menos costos totales de
amalgamamiento y tratamiento).
46. Considere un fabricante a gran escala de cierto producto de consumo popular. La
administracin ha decidido invertir hasta $22000.000 en publicidad para su producto.
Algunos estudios de investigacin de mercados realizados por la compaa han mostrado
que el tipo de consumidor ms importante de dicho producto son personas que estn entre
20 y 45 aos de edad, que tienen ingresos de $600.000/mes o ms y que han cursado dos o
ms aos de educacin universitaria. A partir de estos datos, el grupo de investigacin de
mercados ha decidido que las caractersticas de los clientes tienen una importancia
relativa de acuerdo con la siguiente ponderacin:
CARACTERSTICA DEL CLIENTE
Edad (20 - 45)
Ingresos ($600.000/mes o ms)
Educacin (2 aos de universidad)

PONDERACIN
0.40
0.35
0.25

Los administradores del departamento de mercadotecnia de la compaa han decidido


utilizar los servicios de una agencia de publicidad para que les ayude a desarrollar un plan
de publicidad que les permita alcanzar al cliente potencial en forma ms efectiva. Despus
de estudiar los datos de las caractersticas de los clientes, la agencia de publicidad ha
sugerido que la compaa considere Publicar sus anuncios en tres revistas de Consumo
popular. La tabla siguiente muestra las caractersticas de los consumidores de las tres
revistas:
CARACTERSTICA DEL CLIENTE
Revistas
Edad (20 - 45)
Ingresos ($600.000/mes o ms)
Educacin (2 aos de universidad)
Pblico lector 1000

Porcentaje de Consumidores
A
B
C
40
70
60
60
50
40
30
20
60
780
940
1250

La agencia de publicidad ha indicado a la compaa que una meta apropiada seria


maximizar el nmero de exposiciones efectivas, dado el presupuesto que se tiene. El
objetivo no debe ser maximizar el nmero de exposiciones para todos los lectores de la
Publicidad, sino ms bien, maximizar el nmero de clientes potenciales que se exponen a
la publicidad. El costo por anuncio para cada revista es $350.00Q, $510.000 y $560.000,
respectivamente. De anlisis y estudios conjuntos de la compaa y la agencia de
publicidad, se ha decidido que el nmero mximo de anuncios que debe colocarse en cada
revista es 36, 40 y 45 respectivamente Adems, se ha decidido que deben colocarse
cuando menos 9 anuncios en la revista A y cuando menos 5 en la revista C.
Formule un modelo de programacin lineal que permita determinar la cantidad de dinero
que debe invertirse en publicidad en cada revista para maximizar la exposicin efectiva.

69

47. El ministerio de Obras Pblicas tiene tres proyectos diferentes de construccin de


caminos, aprobados ltimamente. Ahora, se presenta el problema de determinar que
contratistas llevarn a cabo los proyectos. Se buscaron cotizaciones para los proyectos
entre los contratistas locales y tres de ellos presentaron cotizaciones. Las cotizaciones
presentadas por los respectivos contratistas se muestran en la tabla siguiente, en unidades
de peso:
CONTRATISTA
C1
C2
C3

PROYECTO
Pl
P2
28
32
36
28
38
34

P3
36
30
40

Formule un modelo de programacin lineal que permita determinar como asignar los
proyectos para minimizar los costos totales de todos ellos. Se asume que a cada contratista
se le asignar un solo proyecto.
48. Cierta empresa es un contratista grande que realiza trabajos en techos. Puesto que el
precio de las tejas vara con las estaciones del ao, la compaa trata de acumular
existencias cuando los precios estn bajos y almacenarlas para su uso posterior. La
compaa cobra el precio corriente en el mercado por las tejas que nstala, sin importar
cuando las haya adquirido. La tabla mostrada abajo refleja lo que la compaa ha
proyectado como costo, precio de venta y demanda para las tejas durante las prximas
cuatro temporadas. Cuando las tejas se compran, se incurre en un costo de manejo de 6
u.p. por cada 1000 piezas, as como tambin en un costo de almacenamiento de 12 u.p.
por cada 1000 piezas por cada temporada en la que se almacenan (suponga que se incurre
en el costo de almacenamiento solo para las tejas que se almacenan para perodos su venta
en perodos posteriores).
Lo mximo que se puede guardar en el almacn son 220.000 piezas; Esto incluye el
material que se compra para utilizarlo en el mismo periodo. La compaa ha fijado una
poltica que seala que no se conservan materiales ms de cuatro temporadas. Plantee un
modelo de programacin lineal para que la compaa pueda maximizar sus ganancias
netas para las cuatro temporadas.

TEMPORADA
Verano
Otoo
Invierno
Primavera

Costo de
compra
(u.p. / pieza)
21
22
26
24

Precio de
venta
(u.p. / pieza)
22.00
23.25
28.50
25.50

Ventas
Proyectadas
(miles)
100
140
200
160

49. Una compaa compra y vende maz en efectivo. Posee una bodega con capacidad de
1.000 toneladas. El inventario inicial a Enero 01 es de 200 toneladas y $7 millones en
caja. El precio estimado del maz por tonelada para el primer trimestre es el siguiente:

70

Introduccin a la Modelacin Matemtica y Optimizacin

MES
Enero
Febrero
Marzo

PRECIO DE
COMPRA
($/ton)
8.550
9.150
8.700

PRECIO DE
VENTA
($/ton)
9.300
9.750
8.850

El maz es entregado en el mes de compra y no puede ser vendido sino hasta el mes
siguiente o los meses que siguen. La compra y venta se hace estrictamente al contado
contra-entrega. La compaa desea tener un inventario final de 400 toneladas al terminar
el trimestre. Formule un modelo de PL que le permita determinar las polticas de compra
y venta en cada mes que maximicen la ganancia neta total en el trimestre. Ignore los
posibles costos de inventario. (Adaptado de Moskowitz y Wright, 1982, pg. 289290.)
50. Una empresa pblica debe llevar a cabo cinco proyectos, pero solo han cotizado tres
contratistas para realizar los cinco proyectos. Las cotizaciones se muestran en la tabla
siguiente:
CONTRATISTA
C1
C2
C3

Pl
65
59
62

PROYECTO
P2
P3
37
42
39
50
46
33

P4
29
29
24

P5
29
31
31

Formule un modelo de Programacin lineal para cada uno de los casos planteados a
continuacin, suponiendo que siempre se busca minimizar el costo total de realizacin de
los proyectos respectivos.
a)

Cada contratista puede llevar a cabo mximo dos proyectos y todos los proyectos
deben ser ejecutados.
b) Cada contratista solo puede ejecutar un solo proyecto y, por lo tanto, solo podrn
llevarse a cabo tres de los cinco proyectos.
c) No hay lmite en el nmero de proyectos que cada contratista puede llevar a cabo y
deben ejecutarse todos los proyectos.
51. Una gran empresa constructora posee 2000 hectreas de tierra de primera clase, pero no
urbanizada. En el pasado no exista mucha regulacin a nuevas urbanizaciones en el sitio
donde se encuentra la tierra, pero hoy en da las cosas han cambiado. Debido a la falta de
desages por alcantarillado, se utilizan muchos tanques spticos, la mayora instalados en
forma inadecuada. Como las tierras rodean un lago, con el paso de los aos, la filtracin
de los tanques spticos ha provocado un severo problema de contaminacin de agua.
Para controlar la degradacin ms profunda en la calidad del agua, los funcionarios del
municipio presentaron y aprobaron algunos reglamentos estrictos aplicables a todas las
urbanizaciones del futuro:

71

a)

Solo se pueden construir casas para una, dos y tres familias, donde las unifamiliares
constituyen cuando menos el 50% del total.
b) Para limitar el nmero de tanques Spticos, se requieren tamaos de lote mnimos de
5, 7.5 y 10 hectreas para casas de una, dos y tres familias.
c) Se deben establecer reas de recreo de 2.5 hectreas cada una, a razn de un rea para
cada 200 familias.
d) Para preservar la ecologa del lago, no se puede extraer agua del subsuelo para uso en
la casa o el jardn.
El presidente de la empresa estudia la posibilidad de urbanizar las 2000 hectreas. La
nueva urbanizacin incluir casas para una, dos y tres familias. El estima que el 15% del
terreno se utilizar en la apertura de calles y vas de acceso para servicios. Tambin
calcula que los siguientes sern sus ingresos derivados de la venta de las diversas
unidades habitacionales:
UNIDADES HABITACIONALES
Sencilla
Doble
Triple

INGRESO NETO
POR UNIDAD (u.p.)
10
15
20

El costo de conexin del servicio de agua al rea es proporcional al nmero de unidades


que se construyan. Sin embargo, la comunidad estipula que se deber colectar un mnimo
de 100 u.p. para que el proyecto sea econmicamente factible. Adems, la expansin del
sistema de agua ms all de su capacidad actual est limitada a 200.000 galones por da
durante perodos pico. Los datos que siguen resumen el costo de conexin del servicio de
agua y tambin del consumo de agua, suponiendo una familia de tamao medio:
UNIDAD
HABITACIONAL
Sencilla
Doble
Triple
Recreo

COSTO DEL SERVICIO


DE AGUA UNIDAD (u.p.)
1.0
1.2
1.4
0.8

CONSUMO DE AGUA
UNIDAD (gal / da)
400
600
840
450

Formule un modelo de programacin lineal que permita determinar el nmero de unidades


que se construirn de cada tipo junto con el nmero de reas de recreo que satisfagan los
decretos del municipio, de tal manera que la compaa obtenga la mxima utilidad
posible.

72

Introduccin a la Modelacin Matemtica y Optimizacin

52. Una compaa tiene las siguientes propuestas de inversin:


ALTERNATIVA
1
2
3
4
5
6

VALOR PRESENTE NETO


100
250
120
170
200
300

INVERSIN INICIAL
80
110
90
40
150
200

Las alternativas 2 y 5 son mutuamente excluyentes. Solo puede realizarse la propuesta 4 si


la 1 se ha llevado a cabo. El resto de alternativas son independientes.
El presupuesto para la inversin inicial es de 500. Formule un modelo de programacin
lineal que sirva para encontrar el plan de inversin que maximiza el Valor Presente Neto
total de la compaa.
53. Usted dispone de cinco proyectos en los cuales puede invertir. Los proyectos se realizarn
totalmente o no se realizarn, pero no se podrn emprender parcialmente. Los datos de
flujo de dinero se muestran en la tabla siguiente, donde un valor negativo representa una
salida de dinero o inversin en el proyecto, y un valor positivo representa un retorno o una
entrada de dinero producto del proyecto:
AO
0
1
2
3
4
5

1
$1.000
$500
$800
$1.700
$1.700
$0

2
$2.500
$1.000
$1.500
$1.800
$2.000
$1.500

Proyectos:
3
$3.000
$2.000
$1.000
$4.000
$2.000
$5.000

4
$3.300
$800
$1.500
$1.500
$1.000
$500

5
$4.000
$1.000
$2.000
$5.000
$0
$0

En el ao cero se tiene un presupuesto externo (ajeno a cualquier rendimiento de los


proyectos) de $10.000 para inversin y en el ao 1 el presupuesto externo es de $1.500
(adicional a cualquier rendimiento de un proyecto emprendido). Los proyectos 3 y 5 son
mutuamente excluyentes. Si su tasa mnima de retorno es del 22% anual efectivo, formule
un modelo de PL que le permita determinar cules proyectos debe realizar con el objeto
de maximizar su valor presente neto total.

73

54. La puerta de un vehculo consta de tres partes de metal cuya pintura se puede hacer
mediante tres diferentes procesos piscina de pintura, pistola o cuarto de bao de pintura.
Se dispone de la siguiente informacin:

PROCESO
Piscina
Pistola
Bao

NUMERO
DE
LINEAS
2
4
3

Produccin mxima por hora si se


dedica a pintar exclusivamente
Parte 1
Parte 2
Parte 3
40
10
30
50
30
40
45
15
20

Formule un modelo de programacin lineal que permita hallar el mximo nmero de


puertas por hora que puede producirse bajo estas condiciones.
55. Una firma est planeando la construccin de nuevos edificios en cuatro lugares de una
ciudad (1, 2, 3 y 4). En cada uno de los lugares puede haber tres posibilidades para el
diseo de los edificios (A, B y C). Tambin existe la opcin de no construir ningn
edificio en cualquiera de los lugares 1, 2, 3 y 4. La tabla siguiente muestra cada una de las
opciones, su inversin y su ingreso anual:
Opcin
Inversin
Ingreso
Anual

A1 B1 C1 A2 B2 C2 A3 C3 A4 B4 C4
12 20 24 30 69 45 10 28 42 50 55
2
4 6
5
7 11 5
12 16 19 22

El presupuesto de inversin es de 80 y el propsito es maximizar el ingreso anual. Se


tienen adems las siguientes condiciones:
a) No se puede construir ms de un edificio en cada sitio.
b) Debe construirse un edificio en la localidad 4.
c) El diseo A podr considerarse para los lugares 1, 2 y 3 slo si se construyera en el
lugar 4.
d) Debido a consideraciones de construccin, los diseos B1, B2 y C4 no pueden
construirse todos simultneamente.
Formule un modelo de programacin entera que permita determinar el plan ptimo de
inversiones.

74

Introduccin a la Modelacin Matemtica y Optimizacin

56. Una cadena de tiendas pequeas est planeando entrar a un nuevo mercado y debe
determinar donde localizar nuevas tiendas en cierta zona. La figura muestra un mapa de
las principales calles en la zona de inters.
A

1
2

4
5

3
4

6
8

10

1 milla

1 milla

Las calles adyacentes estn separadas 1 milla. Las localizaciones, marcadas de 1 a 10, son
los lugares potenciales donde se pueden ubicar nuevas tiendas. La distancia entre un punto
y otro se mide con base en la red de calles. Por ejemplo, la distancia entre el punto 4 y el
punto 6 es de 3 millas; entre el punto 1 y el punto 8 es de 4 millas. El costo de
construccin de una tienda depende del lugar donde se haga, de acuerdo a la tabla
siguiente:
Localizacin 1
100
Costo

2
80

3
90

4
50

5
80

6
90

7
100

8
70

9
90

10
80

Se tienen las siguientes condiciones para la construccin de las nuevas tiendas:


a)

No se pueden abrir dos tiendas sobre la misma calle. Por ejemplo, no se pueden abrir
las tiendas 5 y 6 simultneamente, ni por ejemplo las tiendas 4 y 8 simultneamente.
b) Las tiendas deben estar localizadas de tal forma que estn separadas entre s por 3
millas o ms. Por ejemplo, las tiendas 4 y 5 no podran abrirse simultneamente por
este motivo.
c) Todo punto en el que se intercepten dos calles (o sea A1, B1, ... hasta E5.) no debe
estar alejado ms de 3 millas de alguna de las nuevas tiendas (3 millas es aceptable,
pero ms no).
Formule un modelo de programacin binaria que permita determinar la localizacin
ptima de las nuevas tiendas, minimizando el costo total de construccin y cumpliendo
con todas las condiciones especificadas.

75

57. Una compaa manufactura tres productos, A, B y C. Cada unidad de A requiere 1 hora de
servicio de ingeniera, 8 horas de mano de obra directa y 4 libras de material. Para
producir una unidad de producto B se necesitan 3 horas de ingeniera, 3 horas de mano de
obra directa y 3 libras de material. Cada unidad de producto C requiere de 2 horas de
ingeniera, 4 horas de mano de obra directa y 2 libras de material. Se dispone de 80 horas
de ingeniera, 800 horas de mano de obra directa y 300 libras de material cada mes. Las
utilidades unitarias de cada producto se han determinado como muestra la tabla siguiente:
PRODUCTO A
PRODUCTO B
PRODUCTO C
Ventas
Utilidad
Ventas
Utilidad
Ventas
Utilidad
(unidades) ($/unidad) (unidades) ($/unidad) (unidades) ($/unidad)
040
40100
10050
Ms de 50

10
9
8
6

050
50100
Ms de 100

6
4
3

0100
Ms de 100

5
4

Formule un modelo de PL para determinar el programa de produccin ptimo.


(Moskowitz y Wright, 1982, pg. 290291.)
58. Una fbrica necesita cumplir un contrato de suministro de 1200 puertas dentro de un plazo
de cinco semanas, as:
Al final de la semana
Nm. de puertas a entregar

1
100

2
200

3
300

4
400

5
200

Las condiciones son las siguientes:


a) Al final de la quinta semana deben haber sido entregadas todas las puertas.
b) Existe una multa de 30 unidades de peso (u.p.) por semana de atraso y por unidad no
entregada.
c) Se puede almacenar a un costo de 10 u.p. por puerta y por semana.
d) Inicialmente hay 20 operarios y 10 puertas. Cada operario puede hacer 8 puertas por
semana.
e) Los operarios nuevos puedan ser entrenados por un operario ya experto. Convertirse
de novato a experto demora una semana.
f) Cada operario experto puede entrenar a 5 operarios nuevos, pero no produce puertas.
g) El salario, trabaje o no, sea novato o experto, es de 100 u.p. por semana.
h) Se puede despedir operarios a un costo de 100 u.p. por operar lo despedido.
Formule un modelo de programacin lineal que permita planear la produccin a costo mnimo.
59. Un ingenio produce azcar morena, azcar refinada, azcar pulverizada y mieles con el
jarabe de la caa de azcar. La compaa puede procesar hasta 4000 toneladas de jarabe a
la semana y tiene un contrato para entregar un mnimo de 25 toneladas semanales de cada
tipo de azcar y mieles. El proceso de produccin se inicia fabricando azcar morena y
mieles con el jarabe. Una tonelada de jarabe produce 0.3 toneladas de azcar morena y 0.1
toneladas de mieles. Las mieles as obtenidas estn listas para la venta. Despus, el azcar

76

Introduccin a la Modelacin Matemtica y Optimizacin

refinada se elabora procesando el azcar morena. Se requiere 1 tonelada de azcar morena


para producir 0.8 toneladas de azcar refinada. Finalmente, el azcar pulverizada se
fabrica a partir del azcar refinada por medio de un proceso de molido especial, que tiene
un 95% de eficiencia de conversin (1 tonelada de azcar refinada produce 0.95 toneladas
de azcar pulverizada). El proceso de produccin tiene una limitante que slo permite
procesar 1100 ton/semana de azcar morena solamente o 900 ton/semana de azcar
refinada solamente o cualquier combinacin adecuada de ambas. (El azcar pulverizada y
las mieles no tienen esta limitante).
Las utilidades netas de azcar morena, azcar refinada, azcar pulverizada y mieles son
de 150, 200, 230 y 35 $/tonelada, respectivamente. Formule un modelo de programacin
lineal que le permita determinar el programa de produccin semanal de cada tipo de
azcar y de las mieles, para obtener la mxima utilidad neta. (Taha, 1998, pg. 55)
60. La tabla siguiente muestra la demanda requerida de cierto producto por los prximos doce
meses.
MES
1 2 3
Demanda 10 62 12

4 5 6
7 8
13 15 129 88 52
0 4

9 10 11 12
12 160 238 41
4

TOTAL
1200

Se ha estimado un costo fijo de alistamiento A de $54/pedido, un costo de llevar el


inventario r de 0.02 $/($mes), y el costo unitario de cada producto v es de $20/unidad. La
empresa ha decidido utilizar un criterio para la programacin de sus rdenes,
estableciendo la produccin de tres meses de requerimientos cada vez que se produzca.
As, por ejemplo, y asumiendo que el inventario inicial es cero, al comienzo del mes 1
debe estar disponible una orden por 10 + 62 + 12 unidades = 84 unidades,
correspondientes a las necesidades de los meses 1, 2 y 3. Calcule los costos de inventario
asociados con esta poltica de pedidos. Asuma que los costos de mantenimiento del
inventario se cargan al inventario final en cada mes. Formule un modelo de PL enteramixta para ayudarle a la empresa a determinar la forma ptima de producir estos
requerimientos y compare los resultados.
61. A su empresa ha llegado un pedido de 3500 unidades de cierto producto, el cual puede
usted manufacturar en cualquiera de cuatro mquinas, con las siguientes caractersticas:

MQUINA
1
2
3
4

COSTO FIJO DE
ALISTAMIENTO
($)
150
450
300
520

COSTO DE
PRODUCCIN
($/unidad)
15
3
7.5
2

CAPACIDAD
ACTUAL
(unidades)
1500
2900
1800
1100

Formule un modelo de PL entera-mixta para determinar en cules mquinas debe usted


producir el pedido y la cantidad a producir en cada mquina, con el objeto de minimizar la
suma de los costos fijos de alistamiento y los costos variables de produccin.

77

62. Una planta manufacturera debe cumplir con la siguiente demanda en unidades en los
prximos 12 meses:
MES
Enero
Febrero
Marzo
Abril

DEMANDA
5300
5100
4400
2800

MES
Mayo
Junio
Julio
Agosto

DEMANDA
4100
4800
6000
7100

MES
Septiembre
Octubre
Noviembre
Diciembre

DEMANDA
7300
7800
7600
6400

Para ajustarse a estas fluctuaciones de demanda, la empresa puede usar cualquier


combinacin de las siguientes alternativas:
a) Cambiar la fuerza laboral contratando o despidiendo empleados temporales.
b) Cubrir picos de demanda mediante el trabajo en horas extras.
c) Producir un poco ms en forma anticipada y almacenar para demandas futuras.
Los cambios en la fuerza laboral, bien sea en su aumento o disminucin, no pueden ser
mayores que 40 trabajadores por mes, debido al convenio realizado con la empresa de
empleos temporales. Adicionalmente, estos cambios cuestan $300 por cada empleado
contratado y $420 por cada empleado que se despida, as sea en forma temporal.
El trabajo en horas extras es tambin limitado. Cada trabajador puede producir hasta 20
unidades/mes en tiempo normal de trabajo, pero no puede producir ms de 6
unidades/mes en tiempo extra. Adems, los costos por unidad producida en hora extra
exceden en $20/unidad al costo de produccin en tiempo normal.
Finalmente, el almacenamiento cuesta $8 por cada unidad almacenada cada mes.
Actualmente, la empresa cuenta con 290 trabajadores y no tiene inventario alguno en sus
bodegas. Se asume que al final de Diciembre, el inventario en las bodegas ser igual a
cero.
Formule un modelo de PL que le ayude a realizar la planeacin agregada de produccin
de la empresa. (Adaptado de Chvtal, 1983, pg. 188194.)
63. Una corporacin ha decidido producir tres productos nuevos. En este momento cinco de
sus plantas tienen exceso de capacidad de produccin. El costo unitario de fabricacin del
primer producto ser de 31, 29, 32, 28 y 29 $/unidad en las plantas 1, 2, 3, 4 y 5,
respectivamente. El costo de fabricacin del segundo producto ser de 45, 41, 46, 42 y 43
$/unidad en las plantas respectivas 1, 2, 3, 4 y 5. El costo unitario de fabricacin del tercer
producto ser de 38, 35 y 40 $/unidad en las plantas 1, 2 y 3, respectivamente, mientras
que las plantas 4 y 5 no pueden fabricar este producto. Los pronsticos de ventas indican
que la produccin diaria de cada uno de los tres productos debe ser de 6000, 10000 y 8000
unidades. Las plantas 1, 2, 3, 4 y 5 tienen capacidades para producir 4000, 6000, 4000,
10000 y 3500 unidades diarias, independientemente del producto o combinacin de
productos que se quiera. Supngase que cualquier planta que tiene capacidad y puede
fabricarlos, podr producir cualquier combinacin de productos en cualquier cantidad.
Formule este problema como un modelo de transporte para determinar cmo asignar los

78

Introduccin a la Modelacin Matemtica y Optimizacin

nuevos productos a las plantas con el fin de minimizar el costo total de fabricacin.
(Adaptado de Hillier y Lieberman, segunda edicin, 1989, pg. 227.)
64. Supngase que Inglaterra, Francia y Espaa producen todo el trigo, cebada y avena del
mundo. La demanda mundial de trigo requiere que se dediquen 125 millones de acres a la
produccin de este cereal. De igual manera, se necesitan 60 millones de acres para cebada
y 70 millones de acres para avena. La cantidad total de tierra disponible en los tres pases
es de 70 millones de acres en Inglaterra, 110 millones de acres en Francia y 80 millones
de acres en Espaa. El nmero de horas de mano de obra necesarias en Inglaterra, Francia
y Espaa para producir un acre de trigo es 18, 13 y 16 horas, respectivamente. La
produccin de un acre de cebada requiere 15 horas de mano de obra en Inglaterra, 12 en
Francia y 12 en Espaa. El nmero de horas de mano de obra necesarias para producir un
acre de avena es de 12 en Inglaterra, 10 en Francia y 16 en Espaa. El costo de mano de
obra por hora en los tres pases es $3.00, $2.40 y $3.30 para la produccin de trigo, $2.70,
$3.00 y $2.80 para la produccin de cebada y $2.30, $2.50 y $2.10 para la produccin de
avena. El problema es asignar el uso de la tierra en cada pas de manera que se cumpla
con los requerimientos de alimentacin en el mundo y se minimice el costo total de mano
de obra. Formule este problema como un problema de transporte construyendo la tabla de
costos y requerimientos apropiada. (Adaptado de Hillier y Lieberman, segunda edicin,
1989, pg. 228.)
65. Una empresa constructora de viviendas prefabricadas estima que la demanda de su
producto va a aumentar en el futuro prximo. La capacidad normal de produccin es de
1500 viviendas/mes, pero en caso de necesidad se puede aumentar, mediante trabajo extra,
en un 40% con costos adicionales de 1000 u.p./unidad. Tambin es posible almacenar los
excesos de produccin en los tiempos de baja demanda para compensar el dficit en los
meses de alta demanda. Los costos de almacenamiento son de 200 u.p./unidad cada mes.
La demanda estimada para los prximos 6 meses es de 1200, 1000, 2100, 2600, 2300 y
1800, respectivamente.
Formule un modelo de programacin lineal para planificar la produccin durante los
prximos 6 meses a costo total mnimo.
66. Considere la tabla de la pgina siguiente, la cual muestra la informacin bsica para
construir un problema real de dieta humana, y resuelva el caso que se presenta a
continuacin.

79

Informacin para construir un problema real de la dieta6


Tabla de valores nutritivos aproximados por porcin*
Alimento

(Kcal)
120
50
160
125

(gr)
7.5
9.5
8.5
8.5

(mg)
225
50
285
295

(mg)
0.3
0.2
0.0
0.0

(U.I.)
390
5
370
170

(mg)
0.01
0.02
0.07
0.10

(mg)
0.14
0.15
0.41
0.44

(mg)
0.0
0.0
0.2
0.2

(mg)
0
0
2
2

Pollo
Huevos
Pescado
Jamn
Hamburguesa
Hgado
Cerdo
Carne frita
Atn enlatado

205
80
200
290
245
170
160
260
195

32.5
6.5
30.0
21.0
20.5
20.0
8.0
28.5
29.0

12
27
23
9
9
8
70
12
8

1.7
1.2
1.4
2.6
2.7
6.6
2.3
3.5
1.9

90
590
0
0
30
40000
170
30
80

0.05
0.06
0.07
0.47
0.08
0.20
0.10
0.08
0.05

0.22
0.15
0.08
0.18
0.18
3.14
0.04
0.22
0.12

14.7
0.1
2.5
3.6
4.6
12.4
0.8
5.6
11.9

0
0
2
0
0
20
3
0
0

Manzanas
Brcoli
Zanahorias
Naranjas
Jugo de naranja
Papas
Espinaca
Tomates

90
25
20
75
80
95
20
35

0.3
3.0
0.6
1.5
1.0
2.5
3.0
1.5

11
88
19
62
20
9
84
20

0.5
0.8
0.4
0.6
0.4
0.7
2.0
0.8

140
2500
5500
300
370
0
7290
1350

0.05
0.09
0.03
0.15
0.17
0.10
0.06
0.09

0.03
0.20
0.03
0.06
0.06
0.04
0.13
0.06

0.2
0.8
0.3
0.6
0.7
1.7
0.5
1.1

6
90
4
75
93
20
25
35

Pan
Cereal (hojuelas)
Avena
Pasta
Arroz

55
95
65
155
110

2.0
2.0
2.0
5.0
2.0

17
4
11
11
10

0.5
0.4
0.7
0.6
0.9

0
0
0
0
0

0.04
0.11
0.10
0.01
0.11

0.02
0.02
0.02
0.01
0.00

0.3
0.5
0.1
0.4
1.0

0
0
0
0
0

Mantequilla
Azcar
Manteq. de man

100
385
90

0.0
0.0
4.0

3
0
10

0.0
0.1
0.3

460
0
0

0.00
0.00
0.02

0.00
0.00
0.02

0.0
0.0
2.4

0
0
0

Queso Cheddar
Queso Mozzarela
Leche
Yogurt

Energa Protenas Calcio Hierro Vit. A Vit. B1 Vit. B2 Niacina Vit. C

Una porcin se refiere a la cantidad que se consume normalmente en una comida del da. Por
ejemplo, una porcin de papas puede representar 100 gr, o sea una papa mediana; una porcin de
huevos es un huevo de tamao normal; una porcin de leche es una taza de leche; y as
sucesivamente. Todas las cifras de la tabla anterior se refieren a porciones normales de cada
alimento.

Vamos a asumir que se trata de una dieta promedio con los siguientes requerimientos
mnimos diarios:

Desarrollado con base en la informacin mostrada en Chvtal, Vasek, Linear Programming, W. H. Freeman
and Company, New York, 1983, pg. 35, 182187.

80

Introduccin a la Modelacin Matemtica y Optimizacin

Tabla de requerimientos mnimos diarios


Energa Protenas Calcio Hierro Vit. A Vit. B1 Vit. B2 Niacina Vit. C
(Kcal)
(gr)
(mg) (mg) (U.I.) (mg)
(mg)
(mg)
(mg)
2700
56
800
10
5000
1.4
1.6
18
45

Igualmente, definimos los tamaos de las porciones de cada alimento de acuerdo con la
tabla siguiente:
Tabla de tamao de cada porcin de alimento
Alimento
Tamao de cada porcin
Queso Cheddar
1 onza (30 gr)
Queso Mozzarela
1 onza (30 gr)
Leche
1 taza
Yogurt
1 taza
Pollo
Huevos
Pescado
Jamn
Hamburguesa
Hgado
Cerdo
Carne frita
Atn enlatado

100 gr ( pechuga)
1 huevo
100 gr
2 tajadas
85 gr (1 mediana)
75 gr
100 gr
100 gr
100 gr (seco)

Manzanas
Brcoli
Zanahorias
Naranjas
Jugo de naranja
Papas
Espinaca
Tomates

1 mediana
taza
1 mediana
1 mediana
1 taza
1 mediana
taza
1 mediano

Pan
Cereal (hojuelas)
Avena
Pasta
Arroz

2 tajadas
100 gr
120 gr
140 gr
100 gr

Mantequilla
Azcar
Manteq. de man

1 cucharada
taza
1 cucharada

En este problema, entonces, usted debe:


a) Adicionar a la lista de alimentos presentada cinco (5) nuevos alimentos a los cuales
pueda conseguirle la informacin nutricional y su correspondiente costo, por porcin.
(Se supone que cada grupo de trabajo del curso encuentre informacin diferente)
b) Investigar los costos de los alimentos mostrados en la tabla anterior en nuestro medio,
por porcin (Valores aproximados). Recuerde que para formular un problema real,

81

este costo debe calcularse por porcin de cada alimento. Por ejemplo, si una libra
(500 gr) de carne para frer cuesta aproximadamente $8000, entonces el costo de cada
porcin de 100 gr sera de 8000/5 = $1600.
c) Formular un modelo de programacin lineal que le permita encontrar una dieta diaria
de costo total mnimo, que satisfaga todos los requerimientos mnimos diarios
mostrados anteriormente. Este modelo puede hacerlo en forma simblica y compacta,
definiendo nombres para los datos anteriores. En otras palabras, para formular el
modelo no se necesita escribir explcitamente cada trmino de la funcin objetivo ni
cada restriccin, sino su representacin compacta en forma de sumatorias.
d) Resolver el modelo mediante el WinQSB, analizar su solucin y concluir respecto de
las caractersticas de la dieta de costo mnimo en nuestro medio.
e) Analizar los problemas de sabor y gusto de las personas para replantear el modelo
formulado de tal forma que raciones de alimentos seleccionados siempre aparezcan
en la dieta. Resolverlo nuevamente y analizar la solucin.

82

Introduccin a la Modelacin Matemtica y Optimizacin

3.5. SOLUCIN DE MODELOS DE PROGRAMACIN


LINEAL
Hasta el momento se ha llegado a la obtencin del modelo de Programacin Lineal. De
hecho, lo ms importante es definir claramente el problema y conceptualizar el modelo
correctamente. Sin embargo, una vez concluidos estos dos pasos fundamentales, lgicamente
es necesario encontrar la solucin (o soluciones) del modelo.
En la mayora de los casos, el mtodo que ms se aplica es el simplex. Sin embargo,
para lograr la comprensin del mtodo simplex es necesario estudiar inicialmente dos formas
de solucin: El mtodo grfico y el mtodo de enumeracin de soluciones bsicas. Existen
otros mtodos denominados algoritmos de punto interior que no se estudian aqu.
3.5.1. Mtodo Grfico de Solucin
Este mtodo se ilustrar encontrando la solucin del modelo N 1 anterior. Este modelo
servir de base para el estudio y la comparacin de todos los mtodos.
Lo primero que hay que observar es que el modelo al cual se lleg, tiene slo dos
variables de decisin, (X1 y X2). Esto hace pensar que es posible representar las restricciones
en un eje de coordenadas (X1, X2). El modelo encontrado anteriormente es el siguiente:

Sujeto a:

Existen infinitos valores de X1 y X2 los cuales satisfacen todas las restricciones


simultneamente (ignorando la restriccin por enteros, la cual se presenta en algunas
ocasiones). Por ejemplo, (0, 0) y (50, 100)son dos parejas de valores (X1, X2), que satisfacen
todas las restricciones. Adems, cualquier valor de X1 entre 0 y 50 y de X2 entre 0 y 100,
tambin satisface a todas las restricciones simultneamente (esta ltima observacin es vlida
para valores reales de X1 y X2, obviamente sin tener en cuenta la restriccin por enteros). As,
puede verse claramente que las restricciones encierran un conjunto de infinitas parejas (X1,

83

X2), las cuales las satisfacen simultneamente. Este conjunto de parejas son las soluciones
factibles y forman la denominada regin factible (Figura 3.1)

Figura 3.1. Solucin grfica del modelo N1

Como se observa en la figura 3.1, la regin factible se construye en el plano X1 X2,


trazando las rectas R1, R2, R3, R4, R5, las cuales se obtienen de las restricciones, tomando el
signo igual, as:

Posteriormente, se encuentra el semiplano definido por cada desigualdad. Para esto se


prueba, generalmente si el origen (0.0) cumple con la desigualdad y, de ser as, l esta dentro
del semiplano buscado. En la figura 3.1 se ha marcado con flechas el semiplano que cumple
con el signo para las restricciones R1, R2 y R3 y de para las restricciones de no

84

Introduccin a la Modelacin Matemtica y Optimizacin

negatividad R4 y R5, las cuales limitan la regin al primer cuadrante. La interseccin de todos
los semiplanos definidos por las desigualdades constituye la regin factible.
Los infinitos puntos en los lmites y dentro de la regin factible son las soluciones
factibles del modelo. Por lo general, slo una de estas infinitas soluciones es la solucin
ptima, o sea aquella que produce el valor ptimo de la funcin objetivo (mximo o mnimo).
Por ejemplo, se observa claramente que X1 = 400 y X2 = 200 es una solucin factible,
pues est dentro de la regin factible. Esta solucin producira un valor de la funcin objetivo
U = $300.000. Otra solucin factible es X1 = 500 y X2 = 300, la cual producira U = $410.000.
O sea que esta ltima es mejor que la primera, pues produce un mayor valor de la funcin
objetivo U, ya que sta se est maximizando.
Se puede demostrar que la regin factible definida por restricciones lineales es una
regin convexa. En una regin convexa, si se escogen cualquier par de puntos dentro o en los
lmites de la regin y se unen por una lnea recta, entonces toda la lnea recta queda
comprendida dentro de la regin. La propiedad de convexidad es un aspecto fundamental para
la caracterizacin de los problemas de optimizacin. En general, puede afirmarse que un
problema convexo (programacin convexa) es ms fcil de resolverse que otro que no lo es.
Los vrtices de la regin factible son los interceptos de los segmentos de reata lmites
de la regin. En este caso los vrtices son:
V1 (0,0)
V2 (0,600)
V3 (350,450)
V4 (700,200)
V5 (900,0)
Para encontrar la solucin ptima se procede de la siguiente manera: Se traza la recta
de la funcin objetivo para un valor arbitrario. Por ejemplo, sea:

Todos los puntos de esta recta que queden dentro de la regin factible son soluciones
factibles que producen obviamente un valor de U = 280.000 (por ejemplo X1 = 350; X2 = 200).
Se traza otra recta con un valor diferente, por ejemplo:

Esta recta es obviamente paralela a la primera, pues tiene la misma pendiente igual a
4/7 y, de nuevo, todos los puntos de ella que estn dentro de la regin factible son soluciones
factibles que producen un valor de U = 420.000.
O sea que la funcin objetivo U aumenta de valor a lo largo de una familia de rectas
paralelas con pendiente 4/7. Es aqu donde se puede concluir la forma de encontrar la

85

solucin ptima: Si se conoce la direccin de crecimiento de la funcin objetivo, se puede


seguir esta direccin por rectas paralelas hasta encontrar el ltimo punto que se toca al
abandonar la regin factible; ESTA SER LA SOLUCIN PTIMA DEL MODELO DE
PROGRAMACIN LINEAL.
En el modelo N 1, el ltimo punto que se toca al abandonar la regin factible es el
vrtice V3 (X1 = 350; X2 = 450), el cual produce un valor de U = 455.000. Si se aumenta slo
un poco ms el valor de U, la nueva recta estar por completo fuera de la regin factible. O
sea que el mximo valor que puede lograrse es U = 455.000, con X1 = 350 y X2 = 450.
Por lo tanto, la solucin ptima de este modelo es:
X1 = 350
X2 = 450
U* = 455.000 (U* = U ptima)
Anlisis de la solucin:
La solucin ptima plantea que deben producirse 350 transformadores de 40 VA y 450
de 75 VA para obtener una utilidad mxima posible por este concepto de $455.000. Obsrvese
que se supone que todos los transformadores que se producen, se van a vender. En caso de que
exista alguna restriccin de demanda, sta deber ser incluida en el modelo y ste por supuesto
podr tener soluciones ptimas diferentes. Los recursos limitados del sistema son las
horas.hombre, las horas.mquina1 y las horas.mquina2. Si se producen las cantidades dadas
en la solucin ptima, se estn utilizando los siguientes recursos:

O sea que se utilizan completamente las horas-hombre y las horas-mquina 1


disponibles, pero slo se utilizan 800 de las 900 horas-mquina 2 disponibles. Por lo tanto
sobran 100 horas-mquina 2, las cuales no contribuyen en nada a la funcin objetivo. Como
se ver ms adelante, si se dispusiera de un mayor nmero de horas-hombre y/ horasmquina 1, probablemente podra incrementarse la utilidad mxima, pero el hecho de tener
mayor disponibilidad de horas-mquina 2 no contribuira en nada a la funcin objetivo, ya que
se trata de un recurso sobrante, el cual se dice que tiene un costo de oportunidad igual a cero.
Como ya se ha podido concluir, el mtodo grfico es til cuando se tienen modelos de
slo dos variables de decisin o cuando se tiene un nmero par de variables y las restricciones

86

Introduccin a la Modelacin Matemtica y Optimizacin

involucran parejas de ellas; por ejemplo, el siguiente modelo puede ser resuelto utilizando el
mtodo grfico:

Sujeto a:

En este modelo se divide la funcin objetivo en dos funciones, as:

Y se utiliza el mtodo grfico independientemente para cada Zi, con sus respectivas
restricciones.
En el caso de tres variables de decisin, an puede ser utilizado el mtodo grfico en
algunas ocasiones donde resulte fcil apreciar la regin factible y los planos objetivos. En
este caso la regin factible es un poliedro convexo, formado por el corte de los diferente
planos que constituyen las restricciones; el crecimiento de la funcin objetivo se puede
observar mediante el desplazamiento de planos paralelos. De nuevo, el ltimo punto del
poliedro que toque el plano al abandonar la regin factible ser la solucin ptima.
Considrese el modelo siguiente:

Sujeto a:

En la figura 3.2 se puede apreciar la regin factible y los planos objetivos. La


solucin ptima es:
X1 = 0; X2 =2; X3 =0; Z* = 20 (Vrtice V3)
Sin embargo, el mtodo grfico resulta inadecuado en la mayora de los casos de tres
variables de decisin, pues se necesita gran habilidad en el dibujo y una gran imaginacin
espacial.

87

Figura 3.2. Solucin de un modelo de PL de 3 variables mediante el mtodo grfico

De los dos ejemplos resueltos por el mtodo grfico, puede sacarse una conclusin
muy importante, la cual es vlida para cualquier modelo de Programacin Lineal: La solucin
ptima se encuentra en uno de los vrtices de la regin factible. Esta afirmacin, que puede
ser planteada como un teorema, es de fundamental importancia, pues de infinitas soluciones
posibles (definidas por la regin factible), slo basta con mirar aquellas definidas por los
vrtices de la regin factible.
Obsrvese que en el caso anterior, la recta de la funcin objetivo abandona a la
regin factible en un solo vrtice, constituyndose as en una SOLUCIN PTIMA NICA.
Existen otros tres casos importantes, en los cuales no hay solucin ptima nica:
a.

Cuando existen infinitas soluciones ptimas:

Este caso ocurre cuando la recta de la funcin objetivo es paralela a uno de los lados de
la regin factibles. Obviamente, aqu la recta de la funcin objetivo toca infinitos puntos al
abandonar la regin factible. Estos infinitos puntos estn en el segmento de la recta que une
dos vrtices determinados (sin embargo, tambin en este caso la solucin ptima esta en los

88

Introduccin a la Modelacin Matemtica y Optimizacin

vrtices de la regin factible). Todos ellos son solucin ptima y producen el mismo valor de
la funcin objetivo.
Por ejemplo, en el modelo N 1, si la funcin objetivo hubiera sido:

El modelo hubiera tenido infinitas soluciones.


Ejercicio: Resuelva el modelo N 1 por el mtodo grfico, cambiando la funcin
objetivo por la anterior. Encuentre la solucin general. Plantee otra funcin objetivo que
produzca infinitas soluciones.
b.

Cuando no existe solucin acotada:

En este caso una varias variables pueden crecer ( decrecer) sin restriccin,
produciendo valores cada vez mayores ( menores) en la funcin objetivo. Es el caso en el que
la regin factible es abierta, probablemente debido a que falt incluir alguna restriccin en el
modelo.
Por ejemplo, en el modelo:

Sujeto a:

La variable X1 puede crecer indefinidamente, aportando cada vez ms a la funcin


objetivo, sin violar las restricciones. O sea que en este caso, en realidad, no existe solucin
acotada.
Ejercicio: Dibuje la regin factible del modelo anterior y compruebe que es abierta.
Incluya una restriccin adicional que permita tener solucin ptima nica.
c.

Cuando no existe ninguna solucin factible alguna:

En este caso no existe en realidad una regin factible, pues la interseccin de las
restricciones es el conjunto vaco. Esta situacin se presenta cuando hay inconsistencia en las
restricciones y el modelo debe ser replanteado. Por ejemplo el modelo:

89

Sujeto a:

No tiene solucin factible alguna.


Ejercicio: Trate de dibujar la regin factible del modelo y compruebe que sta no existe
y que por lo tanto el modelo no tiene solucin ptima.
Los tres casos anteriores pueden presentarse en cualquier modelo de Programacin
Lineal, pero se han ilustrado para 2 3 variables de decisin, para que puedan observarse
grficamente.

3.5.2. Mtodo de Enumeracin de Soluciones Bsicas


Ya se ha afirmado que la solucin ptima (en general) de un modelo de Programacin
Lineal est en uno de los vrtices de la regin factible. Esto se puede ver geomtricamente de
una forma clara. Pero, es ms adecuado establecer la transicin de la Geometra al lgebra,
para tratar de manejar problemas de un mayor nmero de variables. Para esto, inicialmente se
estudian modelos de Programacin Lineal en su forma estndar.
3.5.2.1.

Forma estndar de los modelos de Programacin Lineal

Un modelo de Programacin Lineal se puede transformar a la forma estndar, la cual


tiene las siguientes caractersticas:
a. La funcin objetivo debe ser de maximizacin (aunque no siempre es necesaria esta
condicin)
b. El sistema de restricciones debe estar conformado por un conjunto de igualdades
restrictivas, donde los trminos independientes bi deben ser mayores iguales a
cero.
c. Todas las variables deben tener la condicin de no-negatividad (Xj 0, para todo j).
En general, el modelo estndar es de la forma siguiente:
Funcin Objetivo:

90

Introduccin a la Modelacin Matemtica y Optimizacin

Sujeto a:

Igualdades Restrictivas

En el modelo anterior los bi deben ser mayores iguales a cero. Por lo general, se
cumple que m < n y, por lo tanto, el sistema de igualdades tiene infinitas soluciones (las
infinitas soluciones de la regin factible).
Para llevar cualquier modelo de Programacin Lineal a la forma estndar puede
hacerse uso (de ser necesario) de las siguientes transformaciones:
a. Si la funcin objetivo es de minimizacin, o sea MIN Z, puede definirse Z= Z y
cambiar la funcin objetivo a MAX (Z), o sea MAX Z.
b. Si se trata de una desigualdad de , se puede sumar una variable no negativa
denominada variable de holgura, para establecer la igualdad; o sea, si la restriccin es:

Se transforma a:

La variable Si es la variable de holgura. Ella se le puede llamar Si , simplemente, se le


denomina Xk, con el subndice k diferente a los de las dems variables; por ejemplo:

Se puede transformar a:

:
restriccin anterior.)

(Si no se ha utilizado la variable X5 en alguna

Si se trata de una restriccin de mayor o igual, entonces se le resta una variable no


negativa, denominada variable de exceso, as:

Se transforma en:

91

O si se utiliza la segunda forma, se transformara en:

Las variables de holgura, obviamente, deben cumplir con las restricciones de nnegatividad.
c. Si alguno de los bi es menor que cero, entonces se multiplica por (-1) a ambos
lados de la desigualdad (o igualdad) y posteriormente se le suma ( se le resta) la variable de
holgura ( de exceso), dependiendo del signo resultante de la desigualdad. Si se trata desde un
comienzo de una igualdad, lgicamente no es necesario adicionar variable de holgura
exceso.
d. Si existe alguna variable que no tiene restriccin de no-negatividad (variable libre),
entonces se le reemplaza por la diferencia de dos variables positivas, en forma semejante a lo
visto anteriormente en el modelo de programacin de metas, as:
Xj es variable libre (Xj puede ser mayor, igual menor que cero)
Entonces donde aparece Xj, cambiarla por:

Ejemplo: Convertir a la forma estndar el siguiente modelo de Programacin Lineal:

Sujeto a:

Las transformaciones a realizar son:


a.
b.
c.
d.
e.

En la restriccin R1 debe sumarse una variable de holgura.


En la restriccin R2 debe multiplicarse a ambos lados de la igualdad por (-1), pero
no deben adicionarse variables de holgura exceso.
En la restriccin R3 debe multiplicarse primero por (-1) a ambos lados de la
desigualdad, y luego adicionar la variable de holgura correspondiente.
En la restriccin R4 debe restarse una variable de exceso.
La restriccin R5 no necesita ninguna transformacin.

92

Introduccin a la Modelacin Matemtica y Optimizacin

f.
g.

Donde aparezca la variable X4, debe cambiarse por (X4+ X4), X4+ y X4 mayores
iguales que cero.
La funcin objetivo se cambia a maximizacin.

De acuerdo con estas transformaciones, el modelo en forma estndar es el siguiente:

Sujeto a:

3.5.2.2.

Algunas definiciones sobre el modelo estndar

Prcticamente, en todos los modelos estndar de Programacin Lineal existen un


mayor nmero de variables que de restricciones. Como el sistema de restricciones es un
sistema lineal de ecuaciones n x m, donde n > m, lo ms probable es que tenga infinitas
soluciones. Cuando un sistema de ecuaciones lineales tiene infinitas soluciones, existen
variables a las cuales se les puede asignar un valor arbitrario, para luego resolver el sistema
remanente y as encontrar una solucin del sistema. A las variables que se les asigna un valor
arbitrario, se les puede llamar variables que sobran en el sistema y su nmero es igual a n
m. El sistema remanente es cuadrado m m y se resuelve para as obtener una solucin
particular del sistema (es posible que el sistema remanente m m no tenga solucin).
Con base en lo anterior, se pueden hacer las siguientes definiciones sobre cualquier
modelo de programacin lineal en forma estndar:
Solucin Factible:
Una solucin factible es cualquier solucin del sistema n m que satisfaga las
condiciones de no-negatividad (o sea aquella solucin en la cual todas las variables son
positivas cero).

Solucin Bsica:
Es aquella solucin en la cual se les da el valor arbitrario de cero a las n m variables
que sobran en el sistema n m. A las m variables que no se les da el valor arbitrario de cero

93

se les denomina variables bsicas y se dice que constituyen una base del sistema de
ecuaciones.

Solucin Bsica Factible:


Es una solucin bsica que cumple con las condiciones de no-negatividad (en este caso
las variables bsicas son positivas. (Si existe por lo menos una variable bsica igual a cero, se
dice que la solucin es degenerada)

Solucin ptima:
Es la solucin factible que proporciona el valor ptimo (mximo mnimo) de la
funcin objetivo.
Con base en las definiciones anteriores, se pueden enunciar los tres principales
teoremas de optimalidad (sin demostracin), a saber:
a.
b.
c.

Las soluciones factibles conforman un conjunto convexo, cuyos vrtices son las
soluciones bsicas factibles.
Si el sistema tiene una solucin factible, entonces existe por lo menos una solucin
bsica factible.
Si la funcin objetivo tiene un ptimo (mximo mnimo) finito, entonces existe
por lo menos una solucin ptima la cual es una solucin bsica factible.

3.5.2.3.

El mtodo de solucin de enumeracin de soluciones


bsicas

De los tres teoremas anteriores se saca una conclusin fundamental en la teora de la


Programacin Lineal:
Si un modelo de Programacin Lineal tiene solucin ptima, esta se puede encontrar
en una solucin bsica factible.
O sea, que de las infinitas soluciones factibles, slo basta con inspeccionar las
bsicas factibles y una de stas ser una solucin ptima del problema de PL. Igualmente, de
la afirmacin anterior queda claro por qu se deca en el desarrollo del mtodo grfico que la
solucin ptima estaba en uno de los vrtices de la regin factible.
Dado que el mtodo de enumeracin de soluciones bsicas debe inspeccionar todas las
soluciones bsicas, identificar la factible y escoger la mejor, debe primero determinarse el
nmero posible de soluciones bsicas. Como en el sistema de m igualdades con n
variables, sobran (n m) variables a las cuales se les asigna el valor de cero, el nmero

94

Introduccin a la Modelacin Matemtica y Optimizacin

posible de soluciones bsicas resulta ser igual a todas las posibles formas de escoger las (n
m) variables de las n totales, o sea:

Por lo tanto, es necesario resolver sistemas de ecuaciones lineales m n para encontrar


la solucin ptima.
Aqu ya pueden observarse las limitaciones de este mtodo, pues supngase que se
tiene un 30 modelo
de 30 variables con 15 restricciones (el cual es un modelo modesto y


relativamente
pequeo),
entonces tendran que ser resueltos = 155,117,520 sistemas de
15

ecuaciones lineales de 15 15 para determinar la solucin ptima. Por lo tanto, la importancia
de estudiar este mtodo radica simplemente en la formacin de los fundamentos para la
comprensin del mtodo simplex.
Para ilustrar el mtodo se resolver a continuacin el modelo N 1 formulado
anteriormente (el de los transformadores):

Sujeto a:

Inicialmente debe escribirse el modelo en su forma estndar, as:

Sujeto a:

Obsrvese que como las restricciones son todas , slo fue necesario sumar a cada
restriccin su correspondiente variable de holgura.
En el modelo estndar anterior se identifican n = 5 variables y m = 3 restricciones, y,
por lo tanto, el nmero de soluciones bsicas es igual a 10. Para encontrar cada solucin bsica
hay que asignarle el valor de cero a (n m) = 5 3 = 2 variables cada vez. Todas las
soluciones bsicas se muestran en la tabla siguiente.

95

/Solucin
ptima

Solucin
Bsica
1
2
3
4
5
6
7
8
9
10

X1

X2

X3

X4

X5

Factible?

Valor de U

0
0
0
0
1400
980
900
350
525
700

0
600
700
900
0
0
0
450
375
200

1400
0
233 1/3
-700
0
420
500
0
0
233 1/3

980
140
0
-280
-420
0
80
0
-70
0

900
300
200
0
-500
-80
0
100
0
0

x
x

0
420.000

x
x

360.000
455.000

420.000

La forma de asignar el valor de cero a dos variables en cada solucin debe ser lgica y
ordenada, con el objeto de no repetir dejar de tener en cuenta algunas de las soluciones
bsicas.
Obsrvese que las soluciones bsicas No. 3, 4, 5, 6, y 9 no son factibles, pues por lo
menos una de las variables no cumple con las restricciones de no-negatividad. Adems, es
importante notar que las soluciones 1, 2, 7, 8 y 10 son factibles y corresponden precisamente a
los vrtices V1, V2, V5, V3 y V4, respectivamente, de la regin factible mostrada en la figura
3.1 anterior. La solucin ptima es la No. 8, pues es la que produce el valor mximo de la
funcin objetivo U. La solucin ptima completa viene dada por:
X1 = 350
X2 = 450
X3 = 0
X4 = 0
X5 = 100
U* = 455.000
El valor ptimo de la variable de holgura X5 = 100 indica que, en su correspondiente
restriccin, la nmero 3, no se cumple la igualdad sino la desigualdad, o sea que hay un
sobrante de 100 unidades del recurso 3 (o sea que quedan disponibles 100 hr-mquina 2).
Como las variables de holgura X3 = X4 = 0 se concluye que las restricciones 1 y 2 se cumplen
con la igualdad, o sea que los recursos 1 (hr-hombre) y 2 (hr-mquina 1) se han utilizado
completamente. Estas conclusiones, por supuesto, son las mismas encontradas anteriormente
en el mtodo grfico.
El mtodo de enumeracin de soluciones bsicas identifica la existencia de infinitas
soluciones si se obtienen dos ms soluciones bsicas factibles diferente que producen el
mximo valor de la funcin objetivo. Identifica tambin el caso de ninguna solucin factible,
si no se obtiene ninguna solucin bsica factible, pero no identifica el caso de solucin no
acotada, tal como se ilustra en el modelo siguiente:

96

Introduccin a la Modelacin Matemtica y Optimizacin

Sujeto a:

Obsrvese que la variable X3 puede crecer indefinidamente, cumpliendo con la


restriccin N 2 y, por lo tanto, Z no est acotada. La forma estndar de este modelo es:

Sujeto a:

El nmero de soluciones bsicas es igual a 10. El nmero de variables que sobran es


igual a 3. Si se intentara resolver este problema mediante este mtodo, se obtendra la tabla
siguiente.

Solucin
Bsica
1
2
3
4
5
6
7
8
9
10

X1

X2 X3

X4

X5

0
0
0
0
0
0
10
9
10
12

0 0 10
0 2
0
0 18 10
10 0
0
6 0
4
10 -12 0
0 0
0
0 0
1
0 -2 0
-2 0
0

-18
?
0
12
0
0
2
0
0
0

Factible?

Valor de
U

Sist. Inconsistente
x
x
x

36
10
6

x
x

30
27

La tabla anterior sugiere que la solucin ptima del modelo es la solucin bsica No. 3,
pero en realidad, como se demostr anteriormente, la funcin objetivo es no acotada y, por lo
tanto, el modelo no tiene solucin ptima. Por esta razn, este mtodo puede fallar en estos
casos.
En la pgina siguiente se presenta un taller para la preparacin del primer examen del
curso. Se sugiere su solucin completa.

97

En la seccin siguiente se introduce el mtodo simplex, el cual se constituye en uno de


los ms utilizados en la actualidad para la solucin de problemas reales de PL, junto con los
algoritmos de punto interior. Los fundamentos para la comprensin del mtodo se han
expuesto en la presente seccin.

98

Introduccin a la Modelacin Matemtica y Optimizacin

Ejercicio 3.2.
1.

Una refinera de petrleo puede comprar dos tipos de petrleo crudo. El tipo 1 cuesta
$57.500/barril y el tipo 2 cuesta $50.600/barril. Cada barril de petrleo crudo de cualquier
tipo ya refinado de produce tres tipos de productos terminados: gasolina para avin,
gasolina normal y kerosn. Un barril de petrleo crudo tipo 1 produce 0.45 barriles de
gasolina para avin, 0.18 barriles de gasolina normal, 0.30 barriles de kerosn y el resto
son desechos cuya eliminacin cuesta $2.300/barril. Por otra parte, un barril de petrleo
crudo tipo 2 produce 0.35 barriles de gasolina para avin, 0.36 barriles de gasolina
normal, 0.20 barriles de kerosn y el resto son desechos cuya eliminacin cuesta
$3.450/barril. La refinera ha firmado un contrato para proveer por lo menos 1.260.000
barriles de gasolina para avin, 900.000 barriles de gasolina normal y 300.000 barriles de
kerosn. Formule un modelo de programacin lineal que le permita determinar cuntos
barriles de petrleo crudo de cada tipo debe comprar la refinera para cumplir con la
demanda establecida a costo total mnimo.

2.
a) Resuelva el problema anterior mediante el mtodo grfico e interprete la solucin.
b) Replantee la funcin objetivo del modelo asumiendo que los precios de venta de cada
producto son los siguientes: Gasolina para avin $134.600/barril, gasolina normal
$75.000/barril y kerosn $40.500/barril. Asuma que ahora las demandas a satisfacer
son mximas. Resuelva de nuevo el problema mediante el mtodo grfico e interprete
la solucin obtenida.
3.

Una gran empresa distribuidora tiene que suministrar 800 toneladas/mes de productos a
sus clientes y est pensando en renovar completamente su flota de transporte. La empresa
tiene un presupuesto disponible de $1.150 millones (incluyendo los ingresos por venta del
equipo actual) para invertir en tres tipos de camiones. La tabla siguiente muestra la
capacidad, el costo de compra, el costo operativo y el nmero mximo de viajes/mes de
cada tipo de camin.
TIPO DE
CAMIN

CAPACIDAD
[Kg]

COSTO DE
COMPRA
[$millones]

COSTO DE
OPERACIN
[$/mes]

1
2
3

6.000
3.000
2.000

115
92
58

1.840.000
1.495.000
1.150.000

MX. No.
DE VIAJES
POR
MES
20
25
30

La compaa no desea comprar ms de 10 vehculos en total para su flota. Igualmente,


dado que algunos despachos son para clientes muy pequeos y diversos, la compaa
desea comprar al menos 3 camiones tipo 3. La compaa tampoco desea que ms de la
mitad de la flota est compuesta de camiones tipo 1. Finalmente, la capacidad de los
parqueaderos que tiene la empresa permite comprar como mximo 9 camiones tipo 1,
12 camiones tipo 2, 18 camiones tipo 3 o cualquier combinacin lineal de ellos.
Formule un modelo de programacin lineal que le permita determinar la composicin de

99

la flota ms econmica, permitindole a la empresa cumplir con sus compromisos de


distribucin y su limitacin de presupuesto.
4.

Una empresa productora estima con muy buena precisin que la demanda para las
prximas cuatro semanas es de 600.000 tornillos pequeos y 400.000 tornillos grandes.
Estos tornillos pueden producirse en dos mquinas distintas. La mquina 1 est disponible
56 horas/semana y la mquina 2 est disponible 84 horas/semana. Los requerimientos de
costos y tiempo para producir cada tamao de tornillo en cada mquina y el precio de
venta de cada tamao de tornillo se muestran a continuacin:
DETALLE
Precio de venta [$/millar]
Costo en la mquina 1 [$/millar]
Costo en la mquina 2 [$/millar]
Tiempo en la mquina 1 [min/lb]
Tiempo en la mquina 2 [min/lb]

TORNILLOS
PEQUEOS
63.250
14.375
18.400
1.50
1.00

TORNILLOS
GRANDES
74.750
17.825
21.275
1.75
1.25

En cada libra hay aproximadamente 60 tornillos pequeos y 40 tornillos grandes. Formule


un modelo de programacin lineal para programar la produccin de tornillos en forma
ptima.
5.

Suponga que en el problema anterior la mquina 1 se daa y no es posible repararla sino


hasta despus de las prximas cuatro semanas, y por lo tanto solo se puede disponer de la
mquina 2 durante sus 84 horas/semana. Reformule el modelo de programacin lineal
suponiendo que la demanda de cada tipo de tornillo es ahora mxima y resulvalo por
medio del mtodo grfico. Analice la solucin obtenida.

6.

Una fbrica de chocolates est desarrollando un nuevo producto basado en mantequilla de


man y chocolate como ingredientes. El dulce debe contener al menos 5 gramos de
protenas, pero no ms de 5 gramos de carbohidratos y 3 gramos de grasas saturadas. Se
dispone de la siguiente informacin:
DETALLE
Costo [$/onza]
Protenas [gr/onza]
Carbohidratos [gr/onza]
Grasas saturadas [gr/onza]

MANTEQUILLA
DE MAN
230
4.00
2.50
2.00

CHOCOLATE
414
0.80
1.00
0.50

Por motivos de sabor, la cantidad mnima de cada ingrediente en el dulce debe ser de 0.50
onzas.
a) Formule y resuelva un modelo de programacin lineal que le permita determinar la
cantidad a utilizar de cada tipo de ingrediente para satisfacer los requerimientos
nutricionales planteados al costo mnimo.

100

Introduccin a la Modelacin Matemtica y Optimizacin

b) Formule y resuelva de nuevo el problema si el peso total de la barra debe ser


exactamente igual a 2 onzas.
7.

Se est analizando cmo combinar dos tipos de fertilizantes, de tal forma que la mezcla
contenga al menos 200 unidades de un cierto compuesto. El fertilizante A contiene 8
unidades del compuesto/Kg de fertilizante, mientras que el fertilizante B contiene 25
unidades del compuesto/Kg de fertilizante. El fertilizante A cuesta $1.000/Kg, mientras
que el fertilizante B cuesta $3.125/Kg. Ambos fertilizantes se producen a partir de dos
materias primas M1 y M2. Cada Kg de fertilizante A consume 6 litros de M1 y 3 litros de
M2. Cada Kg de fertilizante B consume 12 litros de M1 y 2 litros de M2. Se dispone de
216 litros de M1 y 60 litros de M2. Finalmente, por razones de calidad, la mezcla debe
contener a lo ms 16 Kg de fertilizante A.
a) Formule y resuelva un modelo de programacin lineal que le permita determinar
cuntos Kg de cada fertilizante utilizar en la mezcla para obtener el costo mnimo.
b) Analice la solucin ptima de este problema. Qu caracterstica especial tiene?
c) Encuentre la solucin ptima general de este problema e interprtela.

8.

De la coleccin de 66 problemas sobre formulacin de modelos de programacin lineal,


plantee los modelos de los siguientes: No. 23, 28, 45, 54, 55, 56 y 59.

101

4. EL MTODO SIMPLEX
Los autores presentan el mtodo simplex en diversas formas: tabular, algebraica,
matricial, etc. De todas estas maneras de presentacin, tal vez la ms adecuada y la que ms
ventajas ofrece para sentar en el estudiante una mejor base terica, es la forma matricial. Sin
embargo, posteriormente se har nfasis en las aplicaciones resueltas por computador, ya que
es en ltimas el instrumento que se utiliza para resolver cualquier modelo de Programacin
Lineal.
Para ilustrar y presentar el mtodo simplex, se utilizar el siguiente ejemplo sencillo:
M aximizar Z 5X1 3X 2

sujeto a :
3X1 5X 2 15

(3.1)

5X1 2X 2 10
(X1 , X 2 ) 0
Inicialmente, se resolver el modelo anterior, utilizando la enumeracin de soluciones
bsicas; la forma estndar del modelo es la siguiente:
M aximizar Z 5X1 3X 2
sujeto a :
3X1 5X 2 S1
5X1 2X 2

15 (3.2)
S 2 10

(X1 , X 2 , S1 , S 2 ) 0
Luego, el modelo en su forma estndar presenta n = nmero de variables = 4 y m =
nmero de restricciones = 2.
n 4
El nmero mximo de soluciones bsicas = 6
m 2
La tabla siguiente muestra las soluciones bsicas y la solucin ptima:
Solucin
Bsica No
1
2
3
4
5

X1
0
0
0
5
2

X2
0
3
5
0
0

S1
15
0
-10
0
9

S2
10
4
0
-15
0

Factible
Si
Si
No
No
Si

20/19

45/19

Si

Valor de Z
0
9

10
235/19
12.4

Por lo tanto, la solucin ptima es la No. 6. La tabla anterior debe tenerse presente para
el desarrollo que sigue.

102

Introduccin a la Modelacin Matemtica y Optimizacin

Cualquier problema de Programacin Lineal, en su forma estndar puede escribirse as:


M AX (M IN) Z CX
sujeto a :
(3.3)
AX b
X0

donde,
Z11 =
C1n =
Xn1 =
Amn =
bm1 =

Valor de la funcin objetivo


Vector fila de los coeficientes de todas las variables en la funcin objetivo
Vector columna de todas las variables del problema (incluyendo las de
holgura)
Matriz de coeficientes del sistema
Vector del lado derecho

Se va a tomar en general, el modelo en su forma estndar, como un modelo de n


variables (incluyendo las de holgura) y m restricciones de igualdad. As, en general, las
dimensiones de cada matriz y vector son:

C C 1 C 2 C 3
C n 1n

X1
X
2
.
X (incluye variables de holgura y/ exceso Sk)
.
.

X n n1

a11 a12
a
21 a22
.
.
A
.
.
.
.

am1 .

a1n
b1

b
a2 n
2

.
. . . .
b

. . . .
.
.
. . . .


. . . amn mn
bm m1

En el caso del modelo (3.2), los vectores C, X, b y la matriz A, seran:


C 5

0; X X 1 X 2 S1 S2 ;

3 5 1 0
A
;
5 2 0 1

15
b
10

103

4.1. SOLUCIONES BSICAS EN FORMA MATRICIAL


Un aspecto importante a destacar es el hecho de que a cada solucin bsica, factible o
no, se le puede identificar una matriz base asociada, as:
Tmese, por ejemplo, la solucin bsica No 1, correspondiente a la tabla anterior.
Dado que X1 = X2 = 0 son las variables a las cuales se les asigna el valor cero, se les denomina
VARIABLES NO-BSICAS.
A las variables que quedan formando un sistema de ecuaciones lineales mm, se les
denomina VARIABLES BSICAS, ya que sus columnas forman la matriz base, as:

1 0 S1 15
0 1 S 10

2
1

S1 1 0 15 15
S 2 0 1 10 10


La cual corresponde a la solucin bsica No 1 (en este caso se trata de una solucin
bsica factible).
Tmese ahora, por ejemplo, la solucin bsica No 4, de la tabla anterior. En ella, X2 =
S1 = 0 y, por lo tanto:

3 0 X 1 15
5 1 S 10

2
1

X 1 3 0 15 1 / 3 0 15 5
S 5 1 10 5 / 3 1 10 15

2
La cual corresponde a la solucin bsica No 4 (en este caso NO FACTIBLE).
En el primer caso, la matriz base asociada a la solucin bsica es la matriz idntica de
3 0
orden 2 y en el segundo caso es la matriz
. Obsrvese que, en cada caso, la solucin
5 1
bsica se obtiene invirtiendo la base y premultiplicndola por el vector b, o sea que una
solucin bsica es de la forma B 1b , donde B es la matriz base asociada a la solucin
correspondiente.

104

Introduccin a la Modelacin Matemtica y Optimizacin

4.2. EL MTODO SIMPLEX EN FORMA MATRICIAL


De acuerdo con lo planteado en la seccin anterior, el problema general de PL en su
forma estndar, dado por el conjunto de ecuaciones (3.3), puede tomarse de la siguiente
manera:

A B R

XB
X
X R

C CB C R

Las particiones anteriores pueden explicarse as:


Bmm =
Matriz base de orden m (se forma escogiendo m columnas de la matriz
A, correspondientes a las variables bsicas)
Rm(n-m) =
Matriz restante, formada por las (n-m) columnas de la matriz A,
asociadas a las variables no bsicas.

XBm1 =
XR
=
(n-m)1

CB1m

CR1( nm ) =

Vector de las variables bsicas.


Vector de las variables no bsicas.
Vector de los coeficientes de las variables bsicas en la funcin objetivo.
Vector de los coeficientes de las variables no bsicas en la funcin

objetivo.
Por la tanto el modelo de PL (3.3) quedara expresado as:
M AX (M IN) Z C B X B C R X R
sujeto a :
BX B RX R b

(3.4)

X0

Una solucin bsica es aquella en la que X R 0 y, por lo tanto, X B B 1b .


Una solucin bsica factible es aquella solucin bsica X B B 1b , tal que X B 0 .
A partir de (3.4) se va a deducir las condiciones para el mtodo SIMPLEX.
En palabras, lo que hace el mtodo SIMPLEX es partir de una solucin bsica inicial
factible, con una base inicial asociada, la cual, en general, es la matriz idntica de orden m.
Posteriormente, se pasa a otra solucin bsica factible, cambiando una sola columna de la
base, de tal forma que se logre hacer crecer lo ms posible a la funcin objetivo Z, si se est
maximizando, o decrecer, si se est minimizando.

105

El paso a otra solucin bsica factible se logra cambiando de base, de tal forma que
una de las variables bsicas sale de la base, pasando a ser no bsica, y una de las variables no
bsicas entra a la base, volvindose bsica y entrando a ocupar el lugar de la variable que sali
de la base. En otras palabras, la diferencia entre dos bases sucesivas est en una sola columna.
El proceso de cambio de base contina hasta que se detecta que no se puede mejorar
ms la funcin objetivo (minimizando o maximizando) y es cuando se ha logrado encontrar la
solucin ptima del problema.
El mtodo SIMPLEX tiene tres condiciones fundamentales, de acuerdo con lo
expresado anteriormente: criterio de entrada (para determinar la variable que entra a la base),
criterio de salida (para determinar la variable que sale de la base) y criterio de parada, para
definir cuando se acaba el proceso. Estos tres criterios se deducen a continuacin (Ver Figura
1 adelante).
Se tienen dos ecuaciones, a partir de (3.4):

Z C B X B C R X R (3.5)
BX B RX R b (3.6)
Si suponemos que B es no singular, en (3.6) se tiene que:
B 1BX B B 1RX R B 1b
X B (B 1R ) X R B 1b

Sean:
Ym( nm) Bm1m R m( nm)

X B B 1b (solucin actual)

X B YX R X B (3.7)
Lo que se pretende es investigar la posible variacin de la solucin actual, ocasionada
por el futuro cambio de base. Obsrvese que si se hace XR = 0, todo se reduce a la solucin
actual.
Premultiplicando la ecuacin (3.7) por CB se obtiene:

CB X B CB YX R CB X B
Sea Z CB X B (valor actual de la funcin objetivo),

Z CB X B CB YX R (3.8)
Efectuando (3.5) menos (3.8), se obtiene:

Z Z CR X R CB YX R

106

Introduccin a la Modelacin Matemtica y Optimizacin

O mejor:

Z Z (CB Y CR )X R (3.9)
Lo importante de la ecuacin (3.9) es que:
Z = Cualquier valor de la funcin objetivo (o valor futuro)
Z = Valor actual de la funcin objetivo
Cambio en el valor de la funcin objetivo si se modifica la base.
(CB Y CR )X R =

As, la ecuacin (3.9) muestra el cambio que tendra la funcin objetivo en una
iteracin, al cambiar de base. Por lo tanto se puede tratar de controlar este cambio para que sea
lo ms grande posible. Se puede entonces modificar esta ecuacin observando que se trata de
una ecuacin escalar. La notacin se modifica as:

CB Y CB Ym1 Ym2 Yn CB Ym1 CB Ym2


C R Cm1 Cm2 Cn

CB Yn

Los trminos C B Y j son los productos escalares entre el vector C B y las columnas de la
matriz Y, y se le denomina Z j . As, la ecuacin (3.9) puede transformarse a:

Z Z ( Z j C j )X j (3.10)
j

Como slo una de las variables no bsicas X j es la que va a entrar a la base y tomar
seguramente un valor positivo, entonces la sumatoria se reduce a un slo trmino, ya que el
resto de variables no bsicas seguir siendo igual a cero. Por lo tanto, le ecuacin (3.10) se
transforma a:
Z Z ( Z k C k )X k (3.11)

Donde X k = variable no bsica que entrar a la base.


De la ecuacin (3.11) se deduce fcilmente el criterio de entrada del mtodo
SIMPLEX:
ENTRA A LA BASE AQUELLA VARIABLE CUYO:
(Z j C j ) sea"lomsnegativoposible"(MAX) 7

(Z j C j ) sea"lomspositivoposible"(MIN)

En realidad puede entrar a la base cualquier variable cuyo (Z jCj) sea negativo para maximizacin, pero si se
escoge el menor es ms probable llegar al ptimo (mximo en este caso) ms rpidamente. Un razonamiento
semejante se presenta si se est MINIMIZANDO.
7

107

El criterio de salida se deduce de la ecuacin (3.7). Una vez se ha escogido la variable


a entrar, la variable a salir queda definida por la condicin de factibilidad, como se ver a
continuacin.
La ecuacin (3.7) se puede escribir en forma explcita de la siguiente manera:

x1 x1 y1,m 1 y1,m 2
x x y
y2,m 2
2 2 2,m 1


xm xm ym ,m 1 ym ,m 2

xm 1

y2 n xm 2

xk

ymn xn

y1k

y2 k

ymk

y1n

donde se ha identificado a la variable X k , futura a entrar a la base.


Al efectuar el producto YX R , slo se mantienen los trminos que multiplican a X k , ya
que el resto de variables continuar con valor cero. Por lo tanto, se generaran las siguientes
ecuaciones:
x1 x1 y1k xk
x x y x
2
2
2k k

xm xm -ymk xk
Como debe garantizarse que la prxima solucin bsica sea factible, entonces:
x1 y1k xk 0
x y x 0
2
2k k

xm -ymk xk 0
Por lo tanto:
x
xk mn s ; ysk 0
ysk

y sk debe ser mayor que cero, puesto que xk debe tomar tambin un valor no negativo.
Por otra parte, como la variable que va a salir de la base pasar a tomar valor cero,
entonces:
xs xs ysk xk 0 , donde xs es la variable a salir de la base. As:
x
xk s ; y sk 0
y sk

108

Introduccin a la Modelacin Matemtica y Optimizacin

Por lo tanto, la variable que entra a la base toma el valor del cociente mnimo de la
variable que sale de la base.
Del razonamiento anterior, se obtiene el criterio de salida del mtodo SIMPLEX:
SALE DE LA BASE AQUELLA VARIABLE CUYO COCIENTE SEA EL
MNIMO, donde:
x
s ; ysk 0
ysk
Este cociente se efecta entre los valores actuales de la solucin y los trminos de la
columna k de la matriz Y que sean positivos solamente (recurdese que la columna k es la
columna asociada a la variable xk , previamente escogida para entrar a la base). El valor que
toma la variable que va a entrar a la base es precisamente el del cociente mnimo, o sea
xk mn . Es importante notar que este criterio es vlido tanto para problemas de
maximizacin como para problemas de minimizacin, pues su origen es el de obtener una
solucin bsica que sea factible.

Inicie con una solucin bsica factible


inmediata

Se cumple el CRITERIO DE
PARADA?

Si

No

La solucin
bsica factible
actual es una
SOLUCIN
PTIMA

Escoger la variable que va a entrar a la


base (CRITERIO DE ENTRADA)
FIN

Determinar la variable que va a salir de la


base (CRITERIO DE SALIDA)

Realizar las operaciones fila elementales


para cambiar de base y obtener una nueva
solucin bsica factible

Figura 1. El algoritmo SIMPLEX

109

El criterio de parada se deduce directamente del criterio de entrada, ya que si llega el


momento en el cual no existen variables candidatas a entrar a la base, es porque no puede
mejorarse ms la funcin objetivo y se ha llegado al ptimo. Por lo tanto, el criterio de
parada es el siguiente:
EL PROCESO SIMPLEX CONCLUYE SI TODOS LOS:
( Z j C j ) 0, para maximizar 8

( Z j C j ) 0, para minimizar
En resumen, el algoritmo SIMPLEX hace lo mostrado en la Figura 1 anterior. Los
casos especiales, como son funcin mltiples soluciones ptimas, funcin objetivo no acotada
y ninguna solucin factible, son identificados tambin por el algoritmo simplex, como se ver
ms adelante en los ejemplos 3.2, 3.3 y 3.4, respectivamente.

4.3. APLICACIN DEL MTODO SIMPLEX EN FORMA


MATRICIAL
Considrese el modelo (3.1), cuya forma estndar est dada en (3.2). Obsrvese que la
matriz A presenta inicialmente una submatriz idntica de orden 2. Esta submatriz constituye la
base inicial, ya que su inversa es inmediata, as:

Solucin bsica factible inicial: (punto de partida)

1 0
B
;
0 1

S
X
15
3 5
C B 0 0; C R 5 3; b ; R
; X B 1 ; X R 1

10
5 2
S2
X2

S1 S2

X1 X2

Entonces:
1

1 0 15 15
XB B b

0 1 10 10
1

Z CB X B 0

X B es la solucin bsica factible inicial.

Primer Cambio de Base:

Los ( Z j C j ) de las variables bsicas siempre son iguales a cero, como se ver posteriormente. Si existe

algn ( Z j C j ) de una variable no bsica igual a cero, se concluye que existen mltiples soluciones ptimas,
ya que se podr cambiar de base sin modificar el valor de la funcin objetivo.

110

Introduccin a la Modelacin Matemtica y Optimizacin

Criterio de entrada: ( Z j C j ) sea el ms negativo.


Z j CB Yj CB B 1a j , donde a j son las columnas de A que forman la matriz

R.

1 0 3 5 3 5
Y B 1R

(columnas de la matriz Y)
0 1 5 2 5 2
T
Z1 C B Y1 0 03 5 0

Z 2 C B Y2 0 05 2 0
Z1 C1 0 5 5
ENTRA A LA BASE LA VARIABLE x1 9
Z 2 C2 0 3 3
T

Criterio de salida:
Recurdese que X B X B YX R , en este caso:
s 15 3 5 x1
XB 1

s2 10 5 2 x2
Columna asociada a X1 , variable a entrar a la base.
15 10
Luego: mn , mn 5 , 2 2
3 5
Por lo tanto sale de la base la variable S2.

Segundo Cambio de Base (si es necesario):


Actualmente, las nuevas condiciones son:

1 3
B
;
0 5
s1 x 1

S
S
15
0 5
C B 0 5; C R 0 3; b ; R
; X B 1 ; X R 2

10
1 2
X1
X2
s2 x 2

Entonces, la solucin actual es:


1
1 3 15 1 35 15 9 10

XB B b

0 5 10 0 15 10 2
1

Z CB X B 10

Obsrvese que X1 es la variable asociada a la columna Y1.


En este caso la inversa de la nueva base no se ha obtenido por operaciones fila elementales, como se hace
normalmente en la forma tabular, que se estudiar ms adelante.
10

111

Ahora:

1 3 / 5 0 5 3 / 5 19 / 5
Y B 1R
(columnas de Y)

2 / 5
0 1 / 5 1 2 1 / 5
S2 X2
T
Z1 C B Y1 0 5 3 / 5 1 / 5 1

Z 2 C B Y2 0 519 / 5 2 / 5 2
Z1 C1 1 0 1
ENTRA A LA BASE LA VARIABLE X2 (la
Z 2 C2 2 3 1 ,
nica cuyo Zj Cj es negativo)
T

criterio de salida:
s 9 3 / 5 19 / 5 s2
XB 1
2 / 5 x2
x1 2 1 / 5
columna asociada a X2, la variable a entrar a la base.
45

45
Luego, mn , 5
19 19
Por lo tanto, sale de la base la variable S1.

Tercer Cambio de Base (si es necesario):


Actualmente las nuevas condiciones son:
X
S
15
0 1
C B 3 5; C R 0 0; b ; R
; X B 2 ; X R 2

10
1 0
X1
S1

5 3
B
;
2 5
x2 x1

entonces la solucin actual es:


1

5 3 15 5 / 19 3 / 19 15 45 / 19
XB B b

2 5 10 2 / 19 5 / 19 10 20 / 19
Z CB X B 235 / 19 12.37
1

Ahora:

5 / 19 3 / 19 0 1 3 / 19 5 / 19
Y B 1R

(columnas de Y)
2 / 19 5 / 19 1 0 5 / 19 2 / 19
Y1 Y2
T
Z1 C B Y1 3 5 3 / 19 5 / 19 16 / 19

Z 2 C B Y2 3 55 / 19 2 / 19 5 / 19
T

112

Introduccin a la Modelacin Matemtica y Optimizacin

Z1 C1 16 / 19 0 16 / 19
0 , SE CUMPLE EL CRITERIO DE
Z 2 C2 5 / 19 0 5 / 19

PARADA.
Luego la solucin bsica factible actual es una solucin ptima. Como los nicos (Zj
Cj) iguales a cero son los de las variables bsicas, entonces esta es la nica solucin ptima del
modelo (3.1).
x 45 / 19
235
XB 2
Zmx C B X B

19
x1 20 / 19
s 0
X R 2 (variables no bsicas)
s1 0

4.4. EL MTODO SIMPLEX EN FORMA TABULAR


Como puede observarse, la forma matricial de solucin mediante el algoritmo
SIMPLEX sera imprctica. Sin embargo, lo importante que debe notarse es que cada iteracin
lo nico que hace es reemplazar valores anteriores por otros nuevos, aspecto fundamental para
lograr la implementacin del mtodo en el computador. La forma tabular es mucho mejor para
el trabajo manual y consiste en hacer las mismas operaciones matriciales en forma de tablas,
de una manera ms rpida y eficiente, ya que se conservan las columnas y los productos se
hacen en forma sencilla. Adems, la inversa de la base se halla en forma automtica, mediante
operaciones fila elementales. Para el caso del ejemplo anterior, los tableros SIMPLEX son los
siguientes:
Cj

XB

X1

X2

S1

S2

COCIENTE

0
0

15
10

3
5

5
2

1
0

0
1

15/3 = 5
10/5 = 2

0
-5

0
-3

0
0

0
0

0
5

9
2

0
1

19/5
2/5

1
0

-3/5
1/5

10

5
0

2
-1

0
0

1
1

3
5

45/19
20/19

0
1

1
0

5/19
-2/19

-3/19
5/19

Zmx

235/19

5
0

3
0

5/19
5/19

16/19
16/19

VARIABLES
BSICAS
S1
S2

CB

Zj
Zj C j
S1
X1

Zj
Zj C j
X2
X1

Zj

Zj C j
Solucin ptima

Inversa de la base ptima

45/19 2.4
2/(2/5) = 5

113

Dado que en el tercer tablero, Z j C j 0 para todo j, entonces este es el tablero


ptimo. La solucin ptima del problema es:

X1 20/19
X 2 45/19
S1 0
S2 0
Z mx 235/19
Debe notarse que la inversa de la base en cada iteracin se va generando debajo de la
matriz idntica inicial.
Es importante notar que el mtodo SIMPLEX se mueve de una solucin bsica
factible a otra de una manera muy especial: mejorando lo ms posible a la funcin objetivo, y,
por lo tanto, slo visita algunas de las soluciones bsicas factibles hasta llegar a la solucin
ptima.
Ejercicio: Resuelva el problema de los transformadores (modelo No 1) mediante el
mtodo SIMPLEX.

4.5. EL MTODO
ARTIFICIALES

SIMPLEX

CON

VARIABLES

El mtodo SIMPLEX necesita que la base inicial sea la matriz idntica para poder
arrancar. El problema general de PL es:

MAX ( MIN ) Z CX
sujeto a :
AX (, , )b

(3.12)

X0
Si todas las restricciones son de , el mtodo SIMPLEX inicia con la base igual a la
matriz idntica, formada por las columnas de las variables de holgura. Pero si existe por lo
menos una restriccin de = de , la matriz idntica no aparece en forma automtica y por lo
tanto debe crearse mediante la adicin de variables artificiales, salvo algunas excepciones
(Ver Ejemplos 3.2 y 3.3)

114

Introduccin a la Modelacin Matemtica y Optimizacin

4.5.1. El Mtodo de la Gran M


Ejemplo 3.1. USO DE VARIABLES ARTIFICIALES

Z 2X1 3X 2

M aximizar

Sujeto a : X1 2X 2 4
X1 X 2 3

X1, X 2 0
La forma estndar de ste modelo es la siguiente:

Z 2X1 3X 2

M aximizar

Sujeto a : X1 2X 2 S1 4
X1 X 2

X1 , X 2 , S1 0

Como se observa, no aparece la submatriz idntica de orden 2 en la matriz A, ya que


solo fue necesario adicionar la variable de holgura S1 para obtener la forma estndar del
modelo. Por lo tanto, la submatriz idntica debe crearse artificialmente as:

M aximizar

Z 2X1 3X 2

Sujeto a : X1 2X 2 S1
X1 X 2

A 3

X1 , X 2 , S1 0; A variable artificial

Dado que antes de adicionar la variable artificial A ya la igualdad estaba conformada,


la nica forma de que el problema original tenga solucin es que la variable artificial sea igual
a cero en la solucin ptima, lo cual se logra la mayora de las veces sacndola de la base.
As, el mtodo debe obligar a que la variable A salga de la base y esto puede conseguirse
penalizndola en la funcin objetivo con un valor muy grande positivo (si se est
minimizando) o muy pequeo negativo (si se est maximizando). As, surge el mtodo de la
Gran M, el cual transformara el modelo anterior en:

M aximizar Z 2 X 13 X 2 MA
Sujeto a : X 1 2 X 2 S
X1 X 2

4
A3

(X 1 ,X 2 , S) 0; A variable artificial

11

Se ha cambiado S1 por S por existir slo una variable de holgura en este modelo.

11

115

En el modelo anterior M es un valor real positivo muy grande (M >> 0 (M ) ).


Los tableros, por lo tanto, seran los siguientes:
VARIABLES
BSICAS
S
A

Cj

CB

XB

X1

X2

0
-M

4
3

1
1

2
1

1
0

0
1

4/2 = 2
3/1 = 3

-3M

-M
-M-2

-M
-M-3

0
0

-M
0

2
1

1
0

0
1

6-M

3 M
2
2

- 1 M
2
2

3
0

3 M
2
2
3 M
2
2

-M
0

1
2

0
1

1
0

1
-1

-1
2

2
0

3
0

1
1

1
1+M

Zj
Z j -C j
X2
A

3
-M

Zj
Z j -C j
X2
X1

Zj
Z j -C j

3
2

-M

2/ = 4
1/ = 2

Luego la solucin ptima nica es:

X1 2
X2 1
S 0
A 0 obviamente
Z max. 7
Obsrvese que la variable artificial sale de la base en el segundo tablero. Una vez
salga, no podr volver a entrar a la base, y puede incluso ignorarse esta columna para
encontrar la solucin ptima.12
Debe adems recordarse que M siempre es un valor muy grande positivo (M )
y, por lo tanto, su magnitud domina sobre cualquier otro nmero.

12

Sin embargo, es til mantener las columnas de las variables artificiales para determinar la inversa de la base
ptima, ya que ellas formaron la matriz idntica inicial.

116

Introduccin a la Modelacin Matemtica y Optimizacin

Ejemplo 3.2 : INFINITAS SOLUCIONES PTIMAS

Minimizar

Z 2 X 1 3X 2 X 3

Sujeto a : X 1 4 X 2 2 X 3
3X1 2 X 2

X1, X 2 , X 3

8
6
0

Este ejemplo ilustra dos aspectos importantes: Primero, no es necesario adicionar


variables artificiales cuando el modelo contiene por lo menos una restriccin de de =. En
este ejemplo, la variable X3 aparece solamente en la primera restriccin y basta con dividir
sta entre 2 para que pueda formar parte de la base inicial. Por lo tanto, solo se necesitara una
variable artificial, adicionada en la 2 restriccin.
Segundo, como se observar a continuacin, el mtodo SIMPLEX identifica cuando el
modelo presenta mltiples soluciones ptimas. El modelo quedara entonces as:
Minimizar

Z 2 X 1 3 X 2 X 3 MA

Sujeto a : 1 X 1 2 X 2 X 3 S1
4
2
3X1 2 X 2
S2 A 6

X 1 , X 2 , X 3 , S1 , S 2 0; A var iable artificial


Los tableros correspondientes seran los siguientes:
VAR.
BSICAS
X3
A

Cj

CB

XB

X1

X2

1
M

4
6

3
+3M

Zj

X3

S1

S2

2
2

1
0

-1
0

0
-1

0
1

8
2

- 3 M 3M
2

2+2M
-1+2M

1
0

-1
-1

-M
-M

M
0

3
2

0
1

5/3
2/3

1
0

-1
0

1/6
-1/3

-1/6
1/3

2
0

3
0

1
0

-1
-1

-
-

-M

9/5
4/5

0
1

1
0

3/5
-2/5

-3/5
2/5

1/10
-2/5

-1/10
2/5

2
0

3
0

1
0

-1
-1

-
-

-M

4+6M

Z j -C j
X3
X1

1
2

Zj
Z j -C j
X2
X1

Zj
Z j -C j

3
2

1.8
3
Sol.
ptima
No 1

Sol.
ptima
No 2

Como puede observarse, en el tablero No 2 ya se obtiene una solucin ptima, pero


con la caracterstica de que la variable no bsica X2 tiene su Z j -C j =0; por lo tanto, ella

117

puede entrar a la base sin modificar el valor mnimo de la funcin objetivo y generar una
solucin ptima diferente. Estas soluciones son:

Solucin Optima N 1
X1 2

Solucin Optima N 2
X1 4 / 5

X2 0

X2 9/5

X3 3

X3 0

S1 S 2 0

S1 S 2 0

Z mn 7

Z mn 7

En realidad, cualquier combinacin lineal convexa de estas dos soluciones es ptima


tambin, y as se obtiene la solucin ptima general del modelo:

X1

X 2

X 3

S1
S
2

4
5
2
9

5
0


3

0 ; 0 1; 0 1 1; ,



0
0

0

0

Por ejemplo, si = 0.5 y = 0.5, entonces se obtiene la solucin ptima (n bsica):


X1 = 7/5; X2 = 9/10; X3 = 3/2; S1 = S2 = 0; Zmx = 7.
En conclusin, el mtodo SIMPLEX detecta infinitas soluciones si por lo menos una
de las variables no bsicas presenta su Z j -C j = 0 en un tablero ptimo. El nmero de
soluciones bsicas factibles ptimas ser igual al nmero de variables no bsicas que
presenten dicha caracterstica mas uno, y la solucin general se escribe como la combinacin
lineal convexa de dichas soluciones.
Este hecho hace que sea difcil que un programa de computador detecte la presencia de
soluciones ptimas mltiples, ya que, debido a errores de redondeo, rara vez se tendra un
Z j -C j exactamente igual a cero. Sin embargo, esto se puede lograr estableciendo rangos de
tolerancia para los nmeros muy pequeos considerados iguales a cero.

118

Introduccin a la Modelacin Matemtica y Optimizacin

Ejemplo 3.3 : FUNCIN OBJETIVO NO ACOTADA

Maximizar Z 1.2 X 1 X 2 0.8 X 3


Sujeto a : X 1 X 2

50000

0.4 X 1 0.6 X 2 X 3 27000

X1, X 2 , X 3 0

La forma estndar del modelo anterior es:


Maximizar Z 1.2 X 1 X 2 0.8 X 3
X1 X 2

Sujeto a :

S1 50000

0.4 X 1 0.6 X 2 X 3

S 2 27000

X1, X 2 , X 3 ,S1,S2 0

En este caso tampoco se requiere una variable artificial en la 2 restriccin, ya que la


variable X3 puede ser bsica inicial. As:

Var.
Bsicas
S1
X3

Cj

1.2

1.0

0.8

CB

XB

X1

X2

X3

S1

S2

0
0.8

50000
27000

1
0.4

1
0.6

0
1

1
0

0
-1

50000
67500

21600

0.32
-0.88

0.48
-0.52

0.8
0

0
0

-0.8
-0.8

50000
70000

1
0

1
0.2

0
1

1
-0.4

0
-1

65600

1.2
0

1.36
0.36

0.8
0

0.88
0.88

-0.8
-0.8

Zj
Z j Cj
X1
X3

Zj
Z j Cj

1.2
0.8

En el ltimo tablero, S2 trata de entrar a la base, pero la regla del cociente falla,
entonces como no hay ninguna variable a salir de la base se concluye que hay FUNCIN
OBJETIVO NO ACOTADA.13
El caso de funcin objetivo no acotada es un caso donde no existe solucin PTIMA,
aunque si existen SOLUCIONES FACTIBLES, a diferencia del caso de NINGUNA
SOLUCIN FACTIBLE.
En la prctica puede presentarse este caso cuando se ha olvidado incluir en el modelo
alguna restriccin. En este problema falt acotar la variable X3. Obsrvese que este modelo
corresponde al caso de la refinera (Problema No. 16 de la coleccin de problemas), donde la
demanda es mnima y lo que puede comprarse a otros proveedores es ilimitado, lo cual

13

El problema se presenta en la 2 restriccin. La variable X 3 est acotada por debajo pero no por encima y as su
valor puede hacerse tan grande como se desee, haciendo crecer indefinidamente la funcin objetivo. La variable
de exceso S2 trata de entrar a controlar esto, pero obviamente no puede.

119

obviamente no es real. La correccin a esta situacin sera limitar la cantidad de barriles de


gasolina que pueden comprarse a otros proveedores, bien sea por su capacidad limitada, por la
demanda finita, o por cualquier otra razn. Esto permitira encontrar una solucin ptima en
este problema.
Ejemplo 3.4: NINGUNA SOLUCIN FACTIBLE

Maximizar

Z 10 X 1 15 X 2 12 X 3
5X 1 3X 2 X 3

Sujeto a :

144

5 X 1 6 X 2 15 X 3 240
2X1 X 2 X 3

80

X1, X 2 , X 3 0

Forma estndar con variables artificiales:

Maximizar Z 10 X 1 15 X 2 12 X 3

MA

5 X 1 3 X 2 X 3 S1

Sujeto a :

5 X 1 6 X 2 15 X 3

144
S2

2X1 X 2 X 3

240

S 3 A 80

X 1 , X 2 , X 3 , S1 , S 2 , S 3 0; A var iable artificial


En este caso los tableros Simples seran los siguientes:
15
12
0
C j 10
Var.
Bsicas
S1
S2
A

X1

X2

X3

S1

S2

S3

0
0
-M

144
240
80

5
-5
2

3
6
1

1
15
1

1
0
0

0
1
0

0
0
-1

0
0
1

28.8

-80M

-2M
-2M-10

-M
-M-15

-M
-M-12

0
0

0
0

M
M

-M
0

144/5
384
112/5

1
0
0

3/5
9
-1/5
M
6
5

1/5
16
3/5

1/5
1
-2/5
2M
2
5
2M
2
5
3/16
1/16
-7/16

0
1
0

0
0
-1

0
0
1

0
0

M
M

-M
0

-1/80
1/16
-3/80
3M 5

80 8
3M 5

80 8

0
0
-1

0
0
1

M
M

-M
0

10
0
-M

Zj

112M
288
5

Zj Cj

Zj
Zj Cj

XB

Z j Cj

X1
X3
A

CB

Zj
X1
S2
A

10
12
-M

10
0

24
24
8

1
0
0

- 8M 528

10

M
9
5

3M
2
5
3M
10
5

39/80
9/16
-43/80

0
1
0

43M 93

80
8
43M 27

80
8

12
0

7 M 21

16
8
7 M 21

16
8

NO
40

144
24
37.3

120

Introduccin a la Modelacin Matemtica y Optimizacin

Obsrvese que en el tablero No. 3 se cumple el criterio de parada (O sea Zj Cj 0


j), pero existe una variable artificial en la base a nivel positivo (A = 8); por lo tanto, el
problema NO tiene SOLUCIN FACTIBLE ALGUNA.
Obsrvese, adems, que en el primer tablero se presenta un caso en el cual no debe
tenerse en cuenta el cociente, ya que y sk 5 0 .
4.5.2. El mtodo de las Dos Fases14
Este mtodo elimina el problema de trabajar con la Gran M y los errores de redondeo
asociados. El mtodo comprende las siguientes fases:
FASE I:
Trata de encontrar una solucin bsica factible inicial. Aqu siempre se
minimiza la suma de las variables artificiales, independientemente de si el problema es de
MAXIMIZACIN o de MINIMIZACIN, sujeto a las restricciones del problema original.
Hay dos posibilidades:
a) La suma ptima de las variables artificiales es igual a cero, entonces se continua
con la fase II.
b) Si el valor ptimo de la funcin objetivo es mayor que cero, entonces el problema
original no tiene ninguna solucin factible.
FASE II:
Se cambia la funcin objetivo a la funcin objetivo original y se utiliza
la solucin bsica factible encontrada en la fase I, se comprueba el criterio de parada y se
contina iterando normalmente, si es necesario.
Ejemplo 4.5 [pginas 87 y 92 de Taha (1997)]:
Minimizar Z 4X1 X 2
Sujeto a :

3X1 X 2 3
4 X1 X 2 6
X1 2 X 2 4
( X1, X 2 ) 0

El modelo se transforma como sigue para iniciar el mtodo de las dos fases:

14

Ver Taha (1997), pgina 92

121

M inimizar Z ' A1 A2
3 X 1 X 2 A1

sujeto a :

4 X 1 3X 2

S1 A2

X1 2X 2

S2 4

( X 1 , X 2 , S1 , S 2 ) 0; A1 , A2 Var. Artificiales
Cj 0

Var.
Bsicas

CB

XB

X1

X2

S1

S2

A1

A2

A1
A2
S2

1
1
0

3
6
4

3
4
1

1
3
2

0
-1
0

0
0
1

1
0
0

0
1
0

3/3 = 1
6/4 =
1.5
4/1 = 4

7
7

4
4

-1
-1

0
0

1
0

1
0

1
2
3

1
0
0

1/3
5/3
5/3

0
-1
0

0
0
1

1/3
-4/3
-1/3

0
1
0

0
0

5/3
5/3

-1
-1

0
0

-4/3
-7/3

1
0

Cj
3/5
6/5
1

4
1
0
0

1
0
1
0

0
1/5
-3/5
1

0
0
0
1

0
3/5
-4/5
1

0
-1/5
3/5
-1

18/5

4
0

1
0

1/5
1/5

0
0

2/5
9/5
1

1
0
0

0
1
0

0
0
1

-1/5
3/5
1

17/5

4
0

1
0

0
0

-1/5
-1/5

Zj
Z j Cj
X1
A2
S2

0
1
0

Zj
Z j Cj
X1
X2
S2

4
1
0

Zj
Z j Cj
X1
X2
S1

Zj
Z j Cj

4
1
0

Solucinptima nica X *1 2 / 5, X *2 9 / 5, Z *mn 17 / 5

3
1.2
1.8

Fin
Fase I
3
NO
1

Fin
Fase
II

122

Introduccin a la Modelacin Matemtica y Optimizacin

5. TEORA DE DUALIDAD
El problema dual puede definirse en forma matemtica. Sin embargo, es adecuado
comenzar por una interpretacin econmica.
Supngase que en una empresa se producen dos artculos: 1 y 2. Las utilidades netas
unitarias son respectivamente, 35 y 80 u.p/unidad. Los requerimientos unitarios y la
disponibilidad de las mquinas son:
hr.mq.1
unidad
2
3
300

ARTICULO
1
2
Disponibilidad

hr.mq.2
unidad
5
4
500

El modelo de PL correspondiente para este enunciado sera:

MAXIMIZAR Z 35 X 1 80 X 2
Sujeto a :
2 X 1 3 X 2 300 (Recurso 1) (Problema Primal)
5X 1 4X 2 500 (Recurso 2)
(X1 , X 2 ) 0
Donde: X1= Nmero de artculos tipo 1 a producir, X2 = Nmero de artculos tipo 2 a
producir. A este problema anterior se le denomina problema primal.
Ahora, los recursos, en este caso las mquinas, pueden ser dedicados a otra actividad
diferente a la de producir los artculos 1 y 2. Para ello, sean:

W1 u.p/unidad de recurso 1 u. p / hr.mq.1


W2 u.p/unidad de recurso 2 u. p / hr.mq.2
Los W1, W2 se denominan precios sombra o costos de oportunidad y representan el
valor de un recurso cuando se dedica a la mejor alternativa posible. Los coeficientes 2, 5, 3 y 4
son unidades de recurso Ri necesarias para la produccin de una unidad de artculo i (i = 1,2).
Si se efecta el producto:
unid .R1
u. p
u. p
2W1

unid . prod.1 unid .R1 unid . prod.1


y el producto:

5W2

unid .R2
u. p
u. p

unid . prod.1 unid .R2 unid . prod.1

123

y, si se efecta la suma:

2W1 5W2 Ganancia obtenida si los recursos se dedican a


otra actividad [u.p/unid. prod. 1]
Por lo tanto, debe esperarse que:

2W1 5W2 35 [u.p/unid. prod. 1]


y, anlogamente:

3W1 4W2 80 [u.p/unid. prod. 2]


Para hallar la funcin objetivo del problema que se est construyendo a partir del
problema primal, puede pensarse as: se desea minimizar el costo total de los recursos
involucrados en las otras actividades. As, el problema dual es:

MINIMIZAR Z ' 300W1 500W2


Sujeto a :
2W1 5W2 35

(Problema Dual)

3W1 4W2 80
(W1 , W2 ) 0
La solucin del problema dual da la informacin acerca de los costos de
oportunidad de los recursos o precios sombra, es decir, la tasa a la cual podra
incrementarse (o decrecer) la funcin objetivo del problema primal, incrementando (o
disminuyendo) ligeramente la cantidad de recurso. Esto ser aclarado ms adelante.
Por lo tanto, la solucin del problema dual da una valiosa informacin: el precio
unitario adicional mximo que puede pagarse por cada unidad adicional de recurso escaso.
Esto se concluye de la propia definicin de la funcin objetivo del problema dual, ya que,
como se ver posteriormente, el valor ptimo de la funcin objetivo del problema primal es
igual al valor ptimo de la funcin objetivo del problema dual ( o sea Zmx = Z'mn).
Matricialmente estos dos problemas pueden definirse como:
MAX Z CX
S ujetoa : AX b
X0
Problema Primal

15

MIN Z ' W T b

(4.1) 15

S ujetoa : W T A C
W0

(4.2)

Problema Dual

Ms adelante se ver que cualquier problema de PL tiene su dual asociado. Sin embargo, para hallarlo debe
estar en la forma mostrada, o sea con funcin objetivo de maximizacin y restricciones menor igual ().

124

Introduccin a la Modelacin Matemtica y Optimizacin

5.1. RELACIONES ENTRE LOS PROBLEMAS PRIMAL


Y DUAL
TEOREMA 4.1: Sean X y W dos soluciones factibles del problema primal y dual,
respectivamente; entonces se cumple que:
CX WT b
Demostracin:
Del problema primal:
AX b
Premultiplicando por WT:
W T AX WT b (4.3)
Ahora, del problema dual:

WT A C
Postmultiplicando por X:

W T AX CX (4.4)
Si se combinan las desigualdades (4.3) y (4.4), se obtiene:

CX WT b q.e.d

y W
dos soluciones factibles para los problemas primal y
TEOREMA 4.2: Sean X
dual respectivamente. Si se cumple que:
W
Tb
CX
y W
son las soluciones ptimas de los problemas primal y dual
entonces X
respectivamente.
Demostracin:
, W) . Del Teorema 4.1 se concluye que:
a) Tmese la pareja de soluciones factibles ( X
WT b
CX
W
T b , por hiptesis, entonces, W
T b WT b , donde W T es
pero como CX
T b ser el mnimo y es entonces
cualquier solucin factible del problema dual. Por lo tanto, W
la solucin ptima del problema dual.

) ; por el Teorema 4.1:


b) Tmese ahora la pareja ( X, W
Tb
CX W
Pero:
W
T b , por hiptesis.
CX
Luego:

CX CX
ser el mximo y
donde X es cualquier solucin factible del problema primal. As, CX
es entonces la solucin ptima del primal (q.e.d).

125

5.1.1. Solucin del Problema Dual


El problema dual asociado a un problema primal est ntimamente ligado a ste. Se va
a demostrar que si se resuelve el problema primal mediante el algoritmo SIMPLEX, el
problema dual aparece resuelto automticamente en el tablero final. Por lo tanto, basta slo
con resolver uno de los dos problemas!
Supngase que se ha resuelto el problema de los transformadores mediante el mtodo
SIMPLEX. El modelo original, problema primal, es el siguiente:

Z 400 X 1 700 X 2

Maximizar
Sujeto a :

7
X 2 1400 hr. hom bre R1
3
X 1 1.4 X 2 980 hr. maq.q R2
X1

X 1 X 2 900 hr. maq.2

X1, X 2 0

R3

El problema dual asociado ser, por lo tanto:

M INIM IZAR Z ' 1400W1 980W2 900W3


Sujeto a :
W1 W2 W3

400

7
W1 1.4W2 W3 700
3
(W1 , W2 , W3 ) 0
El tablero final del mtodo SIMPLEX aplicado al problema primal es el siguiente
(Comprubelo!!):
Var.
Bsicas
X2
X1
S3
Zj
Z j Cj

CB

XB

X1

X2

S1

S2

S3

700
400
0

450
350
100

0
1
0

1
0
0

15/14
-3/2
3/7

-15/14
5/2
-10/7

0
0
1

455000

400
0

700
0

150
150

250
250

0
0

Solucin ptima del


problema dual asociado

Se va a plantear la hiptesis de que la solucin ptima del problema dual aparece


debajo de la inversa de la base ptima, en la fila de los Zj (o sea que la solucin ptima del
1
dual es C B B ).

126

Introduccin a la Modelacin Matemtica y Optimizacin

Las condiciones de optimalidad del primal son:


Z j C j 0, j

Esto es equivalente a decir:

C B B 1a

O, en forma compacta:

C B B 1 A C
T
1
T
Si W C B B , entonces W A C

Con lo que se conseguira cumplir con las restricciones del dual. Obsrvese que las
condiciones de optimalidad del problema primal son equivalentes a las condiciones de
factibilidad del problema dual.
Falta por demostrar que la solucin del dual propuesta satisface las condiciones de no
negatividad y el valor ptimo de la funcin objetivo. En particular para las variables de
holgura, las cuales forman la matriz idntica, se cumple que:

C B B 1I 0
T
1
pues sus coeficientes en la funcin objetivo son iguales a cero. Luego, si W C B B ,
se cumple que:
WT 0 ,

o sea que se trata de una solucin factible del problema dual. Pero, ser la ptima??
Si se evala el valor de la funcin objetivo para esta solucin, se obtiene:

Z1 W T b C B B 1b C B X B Z
Luego, de acuerdo con el Teorema 4.2 dicha solucin debe ser ptima. (q.e.d)
Conclusin: la solucin ptima del problema dual aparece en el tablero final
SIMPLEX del problema primal en la fila de los Zj, debajo de las columnas que forman la
inversa de la base ptima., o sea que W T C B B 1 .
Para el problema de los transformadores, la solucin ptima del problema dual
asociado es:
W1 150 W2 250 W3 0 Zl mn 455000
O sea que si se incrementa en 1 unidad el recurso hora-hombre, la funcin objetivo se
incrementara en 150. Si se incrementa en una unidad el recurso hora-mquina1, la funcin

127

objetivo se incrementara en 250, pero si se incrementa el recurso hora-mquina2, la funcin


objetivo permanecera constante ya que se trata de un recurso sobrante. Lo anterior es vlido
solo dentro de cierto rango, lo que se ver ms adelante. En otras palabras, lo mximo que
estara dispuesto a pagarse adicionalmente por casa unidad extra de hora-hombre y de horamquina1 (recursos escasos) sera $150 y $250 respectivamente.

5.1.2. El problema Dual Adaptado a Otros Modelos de Programacin Lineal


Se va a desarrollar la forma de obtener el problema dual de cualquier modelo de
programacin lineal.
Considrese, por ejemplo:

MIN

Z 3X 1 5X 2
X1 4

Sujeto a :

2 X 2 12
3 X 12 X 2 18
(X1, X 2 ) 0
Para obtener el problema dual, el modelo debe llevarse a la forma dada en el modelo
generalizado (4.1). La funcin objetivo se multiplica por (-1) y queda entonces convertida a
una funcin de Maximizacin. Las restricciones de basta con multiplicarlas por (-1) y las
restricciones de igualdad se reemplazan por dos restricciones de desigualdad: una de y otro
de . Ntese que aqu no interesa que queden valores negativos en los trminos del lado
derecho (Vector b)
As, el modelo del ejemplo anterior quedara:

Maximizar U 3 X 1 5 X 2
Sujeto a :
X1

4
2 X 2 12
2 X 2 12

3 X 1 2 X 2 18

X1, X 2 0

Por lo tanto, el problema dual asociado sera:

128

Introduccin a la Modelacin Matemtica y Optimizacin

Minimizar Z ' 4W1 12W2 W3 18W4


Sujeto a :
W1

3W4 3

2W2 W3 2W4 5

W1 ,W2 ,W3 ,W4 0

Obsrvese que las variables duales W2 y W3 aparecen siempre en la forma (W2 W3) y
por lo tanto podran ser reemplazadas por una sola variable W= W2 W3 no restringida en
signo.
Conclusin: La variable dual asociada a una restriccin de igualdad del problema
primal, aparece en el problema dual asociado como una variable no restringida en signo.
5.1.3. Otras Propiedades del Problema Dual
Propiedad de simetra: El problema dual del dual es el problema primal original.
Principio de holgura complementaria:
a) Si una variable de holgura Si (aadida a la i-sima restriccin) del problema primal
aparece como bsica en la solucin ptima del problema primal, entonces la correspondiente
variable dual Wi tomar valor cero en la solucin ptima del dual.
b) Si la variable de decisin Xj (no de holgura) aparece como bsica en la solucin
ptima del primal, entonces en la correspondiente solucin ptima del dual la j-sima
restriccin dual es una igualdad estricta, o, equivalentemente, su variable dual de holgura
asociada es igual a cero.

5.2. APLICACIONES DE LA TEORA DE DUALIDAD


Las aplicaciones ms importantes de la teora de dualidad son:
a)
b)
c)
d)

Interpretacin econmica del problema primal (ya ilustrada).


Ahorro en clculos en la solucin de modelos de PL.
Algoritmo SIMPLEX dual.
Utilidad en anlisis de sensibilidad.

Se ilustrar a continuacin las aplicaciones (b) y (c) y, posteriormente en una seccin


independiente, la (d).

129

5.2.1. Ahorro en Clculos


Supngase que se tiene que resolver el problema:

MAX

Z 4 X 1 3X 2

Sujeto a :

X1

X2 8
X1 X2 7
3 X 1 X 2 15
X2 1
(X1, X 2 ) 0
Obsrvese que el problema tiene dos variables de decisin y cinco restricciones. As,
las bases seran de orden m = 5. Pero, si se plantea el problema dual asociado, tendra cinco
variables duales y dos restricciones, por lo tanto se trabajara con bases de orden 2, lo cual es
ms manejable manual y computacionalmente. Obviamente, esta aplicacin adquiere mucho
ms sentido en grandes problemas que se presentan en la vida real.
Ejercicio: Plantee el correspondiente problema dual asociado y resulvalo. Muestre
que la solucin ptima del dual es:
W1 W2 W5 0 W3

5
1 l
W4
Z mn 25
2
2

Y que la solucin ptima del primal es:

X 1 4 X 2 3 Zmx 25
Ilustre con este ejemplo el principio de holgura complementaria.

5.2.2. El Algoritmo SIMPLEX Dual


El algoritmo SIMPLEX normal mantiene la factibilidad y busca la optimalidad. El
algoritmo SIMPLEX dual mantiene el criterio de optimalidad y trata de buscar la factibilidad.
Este algoritmo puede aplicarse si al comienzo del proceso se cumplen las condiciones de
OPTIMALIDAD, bajo una solucin NO-FACTIBLE.
Las reglas para el algoritmo SIMPLEX dual son:
a) Se busca primero la variable candidata a salir de la base: sale de la base aquella
variable cuyo valor sea el ms negativo (la menos factible).
b) Para saber cual variable entra a la base se calcula:

130

Introduccin a la Modelacin Matemtica y Optimizacin

Z j Cj
y kj

Z j Cj
y kj

; y kj 0 y se escoge el valor MINIMO(para problemas de MINIMIZACION)

; y kj 0 y se escoge el valor MINIMO(para problemas de MAXIMIZACION)

donde k es el subndice asociado a la variable que va a salir de la base.


c) La reduccin de Gauss-Jordan es semejante a la del algoritmo SIMPLEX normal.
Ejemplo 5.1: aplicar el algoritmo SIMPLEX dual para resolver el siguiente modelo de
programacin lineal:
MIN Z 16 X 1 11X 2 15 X 3

Sujeto a :

2X1 X 2 X 3 3
X 1 2 X 2 3X 3 5

(X1, X 2 , X 3 ) 0
Obsrvese que si se fuera a resolver mediante el algoritmo SIMPLEX normal, se
necesitaran dos variables artificiales para crear la base inicial. El procedimiento mediante el
mtodo SIMPLEX dual es como sigue:
MIN

Z 16 X 1 11X 2 15 X 3

Sujeto a :

2 X 1 X 2 X 3 S1 3
X 1 2 X 2 3X 3

- S2 5

( X 1 , X 2 , X 3 , S1 , S 2 ) 0
Y ahora, multiplicando por (-1) a ambas igualdades, se obtiene:

MIN Z 16 X 1 11X 2 15 X 3
Sujeto a : - 2 X 1 - X 2 - X 3 S1
- X 1 - 2 X 2 - 3X 3

-3

S 2 -5

( X 1 , X 2 , X 3 , S1 , S 2 ) 0
En este caso, los tableros correspondientes seran los siguientes:

131

Variables
Bsicas
S1
S2

Cj

16

11

15

CB

XB

X1

X2

X3

S1

S2

0
0

-3
-5

-2
-1

-1
-2

-1
-3

1
0

0
1

0
-16
16

0
-11
5.5

0
-15
5

0
0

0
0

-4/3
5/3

-5/3
1/3

-1/3
2/3

0
1

1
0

-1/3
-1/3

25

5
-11
6.6

10
-1
3

15
0

0
0

-5
-5
15

4
-1

5
-3

1
0

0
1

-3
2

1
-1

29

10
-6
2

11
0

15
0

-3
-3
NO

-4
-4
4

7/3
1/3

0
1

1
0

5/3
-1/3

1/3
-2/3

-2/3
1/3

31

16
0

11
0

13
-2

-7
-7

-2
-2

Zj
Z j Cj

S1
X3

0
15

Zj
Z j Cj

X2
X3

11
15

Zj
Z j Cj

X2
X1

Zj
Z j Cj

11
16

Se satisfacen
condiciones de
optimalidad

Se mantiene
optimalidad

Se mantiene
optimalidad
Se logro la
factibilidad:
SOLUCIN
PTIMA

Luego la solucin ptima del problema es:


X1=1/3, X2=7/3, X3=0, S1=0, S2=0, Zmn = 31.
Nota al algoritmo SIMPLEX DUAL: el algoritmo SIMPLEX DUAL reconoce la no
factibilidad en el problema primal cuando la regla del cociente falla para identificar la
variable que debe entrar, o sea que el SIMPLEX DUAL asegura que el problema primal no
tiene solucin factible alguna, si todos los coeficientes de la fila correspondiente a la variable
que va a salir son mayores o iguales a cero.

132

Introduccin a la Modelacin Matemtica y Optimizacin

6. ANLISIS DE SENSIBILIDAD
Dado un problema de PL de la forma:
MAX Z CX
Sujeto a : AX b
X0

pueden ocurrir variaciones en los valores de sus parmetros C, A y b.


En el anlisis de sensibilidad se estudia bsicamente:
a)
b)
c)
d)
e)

Cambios en los coeficientes de la funcin objetivo (Vector C)


Cambios en los valores del lado derecho (Vector b)
Cambios en las columnas de la matriz A.
Adicin de una nueva variable.
Adicin de una nueva restriccin.

Cuando se produce un cambio en algn valor de un parmetro de un modelo de


programacin lineal puede ocurrir una de dos cosas ( ambas, ninguna):
-

1
Se afecta la factibilidad, dada por: X B B b; X B 0
Se afecta la optimalidad, dada por: Z j C j 0 (Maximizacin);C B B 1 a C j 0
j

As, los cambios en el vector b pueden afectar la factibilidad y los cambios en los
coeficientes de la funcin objetivo y de algunas de las columnas de la matriz A pueden afectar
la optimalidad.
Todos estos cambios presuponen que la matriz base ptima B va a permanecer sin
cambios, ya que si se afecta la base puede daarse la factibilidad y la optimalidad
simultneamente, y puede ser preferible volver a resolver el problema desde un comienzo.

133

6.1. CAMBIOS EN EL VECTOR C (Coeficientes de la


funcin objetivo)
6.1.1.

Cambios en los Coeficientes de la Funcin Objetivo de una Variable


No-Bsica.

En este caso los Z j no cambian pues el CB permanece constante; slo cambian los C j .
Si C j va a cambiar a C j , entonces debe cumplirse que Z j C j 0 (Maximizacin)
para que la solucin siga siendo ptima. Si se rompe el criterio de optimalidad, entonces se
sigue iterando con el algoritmo SIMPLEX normal a partir de ese punto.
*

6.1.2. Cambios en los Coeficientes de la Funcin Objetivo de una Variable


Bsica.
En este caso, dado que cambia el vector C B , cambian los C j . Por lo tanto, stos deben
recalcularse para investigar las condiciones de optimalidad.
Si Z j cambia a Z j , debe chequearse que Z j C j 0 (Maximizacin) .16 Si el
criterio de optimalidad se rompe, debe seguirse iterando con el algoritmo SIMPLEX normal.
*

6.2. CAMBIOS EN EL VECTOR b (Vector de recursos)


En este caso no se afecta la optimalidad, pero puede afectarse la factibilidad. Si se
verifica que la nueva solucin:
*
X B B 1b *
es mayor o igual que cero, o sea factible, entonces la composicin de la solucin
ptima sigue siendo la misma, aunque cambian algunos valores ( todos). En otras palabras,
las variables bsicas actuales siguen siendo bsicas.
Si se da que algn componente de X B * es 0, entonces se rompe la factibilidad y debe
seguirse iterando con el algoritmo SIMPLEX DUAL hasta restablecer la factibilidad, y as
cambiara la base ptima.

Lo enunciado anteriormente en la teora de dualidad acerca del incremento (o


decrecimiento) de la funcin objetivo por cada unidad adicional (o de menos) de recurso

16

Obsrvese que los

Z j C j de las variables bsicas se mantienen iguales a cero.


*

134

Introduccin a la Modelacin Matemtica y Optimizacin

(interpretacin econmica del problema dual), es vlido en el rango para el cual la base
ptima sigue siendo la misma.
Ahora, el nuevo vector b* puede escribirse as:

b * b b
B 1 b * B 1 b B 1 b
[Nueva solucin] = [Solucin actual] + [Cambio en solucin]
Esta forma de obtencin de la nueva solucin facilita los clculos.

6.3. CAMBIOS EN LAS COLUMNAS DE LA MATRIZ A


Se va a estudiar el cambio de una sola columna a la vez:

aj

cambia por

a j* .

6.3.1. Cambios en una Columna No-Bsica de A


Si

aj

es la columna correspondiente a una variable no bsica, entonces no se afecta la

factibilidad, pero puede afectarse la optimalidad. Simplemente se calcula la nueva columna:


*
Y j B 1a *
j

Y se recalcula:

Z j CB Yj
*

y se chequea si ( Z j C j ) sigue cumpliendo la condicin de optimalidad. Si se cumple


dicha condicin, la solucin actual sigue siendo ptima; si no se cumple, entonces se contina
iterando con el algoritmo SIMPLEX normal, hasta obtener las condiciones de optimalidad.
*

6.3.2. Cambios en una Columna Bsica de A.


Si

aj

es la columna correspondiente a una variable bsica, entonces se daa la base

B y su inversa B-1. En este caso, generalmente es preferible volver a empezar el problema.

135

6.4. INTRODUCCIN DE UNA NUEVA VARIABLE


Al introducir una nueva variable de decisin, se tendra:
Nueva variable: Xn+1
Coeficiente en la funcin objetivo: Cn+1
Nueva columna de A: an+1
Entonces se calculara:

Yn1 B 1a
n 1
Z n1 C B Yn 1
y se chequeara si (Z n1 Cn1 ) cumple con la condicin de optimalidad. Si cumple, la
solucin actual sigue siendo ptima; de lo contrario, esta nueva variable debe entrar a la base,
y as, debe continuarse con el algoritmo SIMPLEX normal hasta obtener de nuevo las
condiciones de optimalidad.
Obsrvese que este caso puede tratarse como si la columna original

an 1 hubiera sido

de ceros y estuviera cambiando a los valores dados.

6.5. INTRODUCCIN DE UNA NUEVA RESTRICCIN


En este caso se pasa de (m) a (m+1) restricciones. Entonces puede ocurrir una de dos
cosas:
a) Si la solucin ptima actual satisface la nueva restriccin, entonces sta sigue
siendo la solucin ptima, ya que una nueva restriccin slo lograra eliminar algunas
soluciones bsicas factibles anteriores, pero nunca adicionara nuevas.
b) Si no se satisface la nueva restriccin, entonces la presente solucin NO es
factible. Por lo tanto, debera determinarse la nueva base B ( m1)( m1) y hallar su inversa
B B 1 ( m 1) b ( m 1) y, lgicamente, se
mediante GaussJordan. Posteriormente se hallara X
rompera la factibilidad. Por lo tanto, se seguira iterando mediante el algoritmo SIMPLEX
DUAL, hasta restablecer la factibilidad.
NOTA: Si la nueva restriccin es de desigualdad, entonces se aade tambin una
variable de holgura, la cual pasa a ser bsica y se encuentra la nueva inversa de la base
mediante las operaciones de Gauss - Jordan. Si la nueva restriccin es de igualdad, entonces se
hace necesaria la introduccin de una variable artificial, la cual necesariamente pasara a ser
bsica. Adems, se le asignara el coeficiente M (con su signo respectivo) y se hace
necesario tambin verificar la optimalidad.

136

Introduccin a la Modelacin Matemtica y Optimizacin

Ejemplo 5.1: Considrese el problema:

MAX Z 3 X 1 5 X 2
4

Sujeto a : X 1

2 X 2 24
3 X 1 2 X 2 18
(X1, X 2 ) 0
Cuya forma estndar es:

MAX Z 3 X 1 5 X 2
S1

Sujeto a : X 1

S2

2X 2
3X 1 2 X 2

24

S 3 18

( X 1 , X 2 , S1 , S 2 , S3 ) 0
El tablero ptimo de este problema es el siguiente (Verifquelo):

Variables
Bsicas
S1
X2
S2
Zj
Z j Cj

Cj

CB

XB

X1

X2

S1

S2

S3

0
5
0

4
9
6

1
3/2
-3

0
1
0

1
0
0

0
0
1

-1

45

15/2
9/2

5
0

0
0

0
0

5/2
5/2

Supngase que se va a introducir la nueva restriccin: 2 X 1 3 X 2 24 , la cual no


cumple con la solucin ptima actual ya que: 2(0) + (3) (9) = 27 > 24. Entonces, la forma
estndar de esta nueva restriccin sera: 2 X 1 3 X 2 S 4 24 .
Luego, el nuevo tablero, adicionando la nueva restriccin y recalculando la inversa
para seguir con el SIMPLEX DUAL, es el siguiente:

137

Variables
Bsicas
S1
X2
S2
S4
S1
X2
S2
S4

Cj

CB

XB

X1

X2

S1

S2

S3

S4

0
5
0
0
0
5
0
0

4
9
6
24
4
9
6
-3

1
3/2
-3
2
1
3/2
-3
-5/2

0
1
0
3
0
1
0
0

1
0
0
0
1
0
0
0

0
0
1
0
0
0
1
0

-1
0
0

-1
-3/2

0
0
0
1
0
0
0
1

45

15/2
9/2
1.8

5
0

0
0

0
0

5/2
5/2
1.66

0
0

4
8
8
2

1
2/3
-4/3
5/3

0
1
0
0

1
0
0
0

0
0
1
0

0
0
0
1

0
1/3
-2/3
-2/3

40

10/3
1/3

5
0

0
0

0
0

0
0

5/3
5/3

Zj
Z j Cj

S1
X2
S2
S3
Zj
Z j Cj

0
5
0
0

Entra
como
variable bsica
Obsrvese que
X2 es bsica,
pero
su
columna es [0 1
0 3], luego,
debe corregirse
mediante
Gauss-Jordan

Aqu se toma el
en valor absoluto
(Maximizacin)
NUEVA
SOLUCIN
PTIMA

Obsrvese que el nuevo valor ptimo de la funcin objetivo es Z*mx = 40 < 45 (Valor
anterior), como es de esperarse al aadir una nueva restriccin que vuelva al problema nofactible.

6.6. EJEMPLO DE APLICACIN DE ANLISIS DE


SENSIBILIDAD
Una industria fabrica tres tipos de productos: A1, A2 y A3. El proceso de fabricacin
exige su paso por tres talleres sucesivamente: T1, T2 y T3, los cuales tienen cierta capacidad
de trabajo. Existen limitaciones en el mercado que determinan la demanda mxima de cada
uno de los productos. La informacin disponible es la siguiente (los requerimientos estn en
HR/UNID):

138

Introduccin a la Modelacin Matemtica y Optimizacin

TALLER
T1
T2
T3
Demanda
mxima Anual
Beneficio
[ $/Unidad ]

A1

REQUERIMIENTOS
A2
100
500
500
1,000
600
-

Capacidad Taller
[ HR/AO ]
400
12,000
800
18,000
1,000
6,000

A3

10

10

150,000

200,000

240,000

a) Qu programa de produccin es el ptimo?


b) Analizar las siguientes alternativas para mejorar la produccin:
1.
2.

3.
4.

Incrementar la capacidad del taller T3, introduciendo una nueva mquina que
aade 6000 hr/ao de capacidad con un costo de $1020.000 anuales.
Una inversin en publicidad que vale $700.000 anuales y que podra cambiar las
demandas en 20, 14 y 10 respectivamente (o sea que las nuevas demandas seran
30, 22 y 20, respectivamente).
Una investigacin que cuesta $1200.000 al ao y que permitira disminuir el
tiempo requerido en el taller T3 para el producto A3, de 1000 a 500 hr/unidad.
Un esfuerzo tcnico por reducir los costos, aumentando el beneficio unitario del
producto A3 en $60.000/unidad. El costo de amortizacin durante la vida
remanente de fabricacin del producto sera de $400.000/ao.

Nota: las alternativas NO son mutuamente excluyentes, o sea que podra estudiarse
combinacin de ellas.

6.6.1.

Planteamiento y Solucin del Modelo

Sean Xi = Unidades del producto i a fabricar; i = 1, 2, 3. El modelo de PL entonces


sera:

M AX Z 150000 X 1 200000 X 2 240000 X 3 [$ / Ao ]


Sujeto a : 100 X 1 500 X 2 400 X 3 12000 [ Hr / Ao ] T1
500 X 1 1000 X 2 800 X 3 18000 [ Hr / Ao ] T2
1000 X 3 6000 [ Hr / Ao ] T 3

600 X 1

10 (demanda de A1)

X1
X2

8 (demanda de A2)
X 3 10 (demanda de A3)

(X1, X 2 , X 3 ) 0
La forma estndar correspondiente es:

139

MAX Z | 3 X 1 4 X 2 4.8 X 3 con Z 50000Z

Sujeto a : 100 X 1 500 X 2 400 X 3 S1


500 X 1 1000 X 2 800 X 3
1000 X 3

600 X 1

17

12000

S2

18000

S3

6000

S4

X1

10

S5

X2

S6 10

X3
( X 1 , X 2 , X 3 ) 0; S j 0; j 1,2,...,6

El lector debe comprobar que la solucin ptima nica viene expresada en el siguiente
tablero final ptimo:

Solucin
ptima
degenerada
(X3=0
y bsica)

Var.
Bsicas
S1
S2
X3
X1
X2
S6
Zj
Z j Cj

Cj

4.8

CB

XB

X1

X2

X3

S1

S2

S3

S4

S5

S6

0
0
4.8
3
4
0

7000
5000
0
10
8
10

0
0
0
1
0
0

0
0
0
0
1
0

0
0
1
0
0
0

1
0
0
0
0
0

0
1
0
0
0
0

-0.4
-0.8
0.001
0
0
-0.001

140
-20
-0.6
1
0
0.6

-500
-1000
0
0
1
0

0
0
0
0
0
1

62

3
0

4
0

4.8
0

0
0

0
0

.0048
.0048

0.12
0.12

4
4

0
0

Solucin ptima del problema dual Inversa de la base ptima ( B 1 )


Luego, la solucin ptima nica es:
X1=10 (producir 10 unidades/ao de A1)
X2=8 (producir 8 unidades/ao de A2)
X3=0 (no producir A3)
S1=7000 (sobran 7000 hr/ao en T1)
S2=5000 (sobran 5000 hr/ao en T2)
S3=0 (se agota la capacidad en T3)
S4=S5=0 (se produce la demanda mxima de A1 y A2)
S6=10 (dejan de producirse 10 unidades/ao de A3)
Z | mx 62 Z mx 62 (50000) $3.1 106 por ao

17

Se ha dividido la funcin objetivo Z entre 50.000 ( Z Z

/ 50000 ) para trabajar ms fcilmente.

140

Introduccin a la Modelacin Matemtica y Optimizacin

La solucin ptima del dual es la siguiente:

w1=0
w2=0
w3=(0.0048)(50000)=240 18
w4=(0.12)(50000)=6.000
w5=(4)(50000)=200.000
w6=0
Es importante notar que algunos solucionadotes como WinQSB pueden dar una
solucin diferente a la anterior, ya que en el penltimo tablero simplex se presenta un empate
en la regla de salida.
Conclusiones de la solucin del dual:
-

El tiempo en los talleres T1 y T2 sobra; por lo tanto el costo de oportunidad de


estos recursos es cero.
Lo mximo adicional que se puede pagar en el mercado por cada hora adicional
del taller T3 es $240/hr.
Por cada unidad potencial que se aumente la demanda de A1 y A2, se obtendran
beneficios adicionales de $6.000 y $200.000, respectivamente.
Aumentando la demanda potencial de A3 no se logra ningn provecho, ya que de
hecho se han dejado de producir 10 unidades de este producto.

6.6.2. Anlisis de las Alternativas


1. Incrementar la capacidad T3 en 6000 hr/ao con un costo de $1020.000/ao.
Este caso corresponde a un cambio en el vector b.

b [12000 18000 6000 10 8 10]T


b [0 0 6000 0 0 0]T
XB B1b [ 2400 4800 6 0 0 6]T

19

Luego la nueva solucin sera:

X
B X B X B [ S1

S2

X3

X1

X2

S6 ]T

18

Obsrvese que la solucin del problema dual debe multiplicarse tambin por 50.000 , al igual que el valor real
ptimo de la funcin objetivo.
19

Tmese

B 1 del tablero ptimo de la seccin anterior y comprubese este resultado.

141

X
200 6 10 8 4]T
B [4600

Obsrvese que la nueva solucin sigue siendo factible y, por lo tanto, es tambin
ptima. Se mantienen los niveles de produccin de A1 y A2 y ahora si debe producirse A3
(X3=6 unidades/ao de A3).
El nuevo valor de la funcin objetivo es:
Z [3(10) 4(8) 4.8(6)] 50000 $4'540.000 / Ao
menos el valor de recurso adicional $1'020.000 / Ao
$3'520.000 / Ao

Por lo tanto, esta alternativa por s sola es adecuada (el valor ptimo anterior era de
$3100.000/ao).
Nota: Del anlisis dual se concluy que por cada hora adicional de T3 la funcin
objetivo se incrementara en $240/hrT3. En este caso esto se cumple ya que la base ptima no
cambia, y:

$240
600hrT 3 1'440.000 $ / Ao
hrT 3
3'100.000 $ / Ao
4'540.000 $ / Ao
que era lo que se haba obtenido.
Este anlisis del problema dual ser vlido si la composicin bsica de la solucin
ptima NO cambia, o sea si la solucin permanece factible. Adems, obsrvese que se est
pagando:
1'020.000 $ / Ao
$170 / hr $240 / hr
6000 hr / Ao

que es el mximo adicional que estaba dispuesto a pagarse por cada hora adicional en
T3, lo cual confirma an ms lo dicho anteriormente.
Una pregunta que podra surgir es: cunto es lo mximo que se pueden aumentar las
hr/Ao disponibles en T3 para que se siga manteniendo la factibilidad y por lo tanto la funcin
objetivo crezca a razn de $240/hrT3?
Para determinar esto se realiza un anlisis paramtrico. Sea:

b [0 0 K 0 0 0]T X B B 1b [ 0.4K
Luego la nueva solucin sera:

0.8K 0.001K 0 0 0.001K ]T

142

Introduccin a la Modelacin Matemtica y Optimizacin

7000 0.4 K
5000 0.8 K

0.001K

X B X B X B

10

10 0.001K

Pero, como para que se conserve la factibilidad se requiere que X B 0 , entonces:

7000 0.4 K 0 K 17500


5000 0.8 K 0 K 6250
0.001K 0 K 0 (Se cumple)
10 0 (Se cumple)
8 0 (Se cumple)
10 0.001K 0 K 10000
Luego K 6250 , o sea que para mantener la factibilidad actual y la composicin
bsica ptima actual se requiere que el incremento positivo en hr/Ao de T3 sea mximo 6250
hr.
Este anlisis paramtrico lo realiza automticamente el computador y da los lmites
inferior y superior, a travs de programas especializados, tales como el WinQSB,
AMPL./CPLEX, etc.
2. Inversin en publicidad: $700.000/Ao. Cambio de las demandas mximas en 20,
14 y 10 unidades/ao de A1, A2 y A3, respectivamente.
En este caso:

b [0 0 0 20 14 10]T X B B 1 b [ 4200 14400 12 20 14 22]T


Y la nueva solucin sera:

X
9400 12 30 22 32]T
B X B X B [2800

Luego se rompe la factibilidad y habra que seguir iterando con el algoritmo SIMPLEX
DUAL; el lector debe comprobar que la nueva solucin ptima es:

X 1 10 X 2 13 X 3 0 S1 4500 S 2 S 3 0 S 4 20 S 5 9 S 6 20
*
Z mx
(82)(50.000) 4'100.000 $ / Ao

Costo Publicidad 700.000 $ / Ao


$3'400.000/Ao

143

Luego esta alternativa por s sola es rentable.


Obsrvese que aqu NO se cumple lo previsto por la solucin del dual, ya que cambia
base ptima al romperse la factibilidad. De acuerdo al dual la funcin objetivo deba
incrementarse en:

(6.000)(20) (200.000)(14) (0)(10) 2'920.000


pero slo se increment en 4100.000-3100.000 = 1000.000.
3. Investigacin por $1200.000/Ao para reducir los requerimientos de A3 en T3 de
1000 a 500 hr/unidad.
Este cambio corresponde a cambios en las columnas de A. Como X3 es una variable
bsica ptima, esto correspondera al cambio de una columna de A correspondiente a una
variable bsica, lo cual indicara que sera mejor resolver de nuevo el modelo. Sin embargo,
como X3 es bsica, pero a nivel cero (solucin ptima degenerada), es posible que en el
penltimo tablero se saque a X3 de la base (en vez de a S4). As, un tablero ptimo alternativo
sera:
Cj

Var.
Bsicas
S1
S2
X1
S4
X2
S6
Zj

4.8

CB

XB

X1

X2

X3

S1

S2

S3

S4

S5

S6

0
0
3
0
4
0

7000
5000
10
0
8
10

0
0
1
0
0
0

0
0
0
0
1
0

700/3
-100/3
5/3
-5/3
0
1

1
0
0
0
0
0

0
1
0
0
0
0

-1/6
-5/6
1/600
-1/600
0
0

0
0
0
1
0
0

-500
-1000
0
0
1
0

0
0
0
0
0
1

62

3
0

4
0

5
0.2

0
0

0
0

1/200
1/200

0
0

4
4

0
0

Z j Cj

Obsrvese que es la misma solucin ptima obtenida al comienzo, con la diferencia


de que X3 no aparece en la base ptima (ahora aparece S4 a nivel cero). Obviamente, la inversa
de la base cambia.
Ahora s, como X3 no es bsica, el cambio planteado puede hacerse as:
Z*3 (CB B 1 )a3* CB Y3*

O sea:
Z*3 [0 0 1 / 200 0 4 0][400 800 500 0 0 1]T 5 / 2

144

Introduccin a la Modelacin Matemtica y Optimizacin

y as, el nuevo Z*3 C3 5 / 2 4.8 2.3 0 , luego se rompe la optimalidad. Por lo


tanto, debe continuarse con el algoritmo SIMPLEX normal. Para ello es necesario recalcular a
Y3* , as:
2
1 5
5
Y3* B 1 a3* [316
383

0 1]T
3
3 6
6
Y luego si se itera con la nueva columna. El lector debe comprobar que la nueva
solucin ptima es:

X 1 1 23

X 2 8 X 3 10 S1 3833 13

S 2 1166 23

S 3 0 S 4 8 13

S5 S6 0

*
Z mx
(85)(50.000) 4'250.000 $ / Ao

Costo alternativa 1'200.000 $ / Ao


$3'050.000/Ao
Luego la alternativa por s sola no es rentable econmicamente.
Ejercicio: verificar que la nueva solucin para la cuarta alternativa es:

X 1 0 X 2 8 X 3 6 S1 5600 S 2 5200 S 3 0 S 4 10 S 5 0 S 6 4
*
Z mx
(68)(50.000) 3'400.000 $ / Ao

Costo alternativa 400.000 $ / Ao


$3'000.000/Ao
Luego, por s sola esta alternativa no sera adecuada. Trate el lector de verificar
combinaciones de alternativas(primero parejas, luego ternas y luego las cuatro) por
computador y llegar a la conclusin de que la mejor alternativa combinada que puede hacerse
es:
Combinar las alternativas 1 + 4, cuya solucin ptima es:

X 1 3 13
*
Z mx

X 2 8 X 3 10
5'100.000 $ / Ao

Costo alternativa 1'420.000 $ / Ao


$3'680.000/Ao
Todos los anlisis de dualidad y de sensibilidad son normalmente determinados por
software comercial de una forma automtica, de tal forma que el usuario pueda analizarlos
directamente. Por ejemplo, en el caso del problema de los transformadores, el software
WinQSB produce el siguiente resultado, el cual coincide obviamente con lo presentado en las
secciones anteriores:

145

Combined Report for transformadores anlisis de sensibilidad

1
2
3

Decision
Variable

Solution
Value

Unit Cost
Profit c(j)

Total
Contribution

Reduced
Cost

Basis
Status

Allowable
Min. c(j)

Allowable
Max.c(j)

TR40VA
TR75VA
TR3

350.0
450.0
0

400.0
700.0
900.0

140,000.0
315,000.0
0

0
0
-12.5

basic
basic
at bound

385.7143
684.4445
-M

500.0000
933.3333
912.5000

Objective

Function

(Max.) =

Shadow
Price

Allowable
Min. RHS

Allowable
Max. RHS

150.0
250.0
0

1,166.667
840.0
800.0

1,633.333
1,050.000
M

Constraint
1
2
3

HR_HOMBRE
HR_MAQ1
HR_MAQ2

Left Hand
Side
1,400.0
980.0
800.0

455,000.0

Dir.

Right Hand
Side

<=
<=
<=

1,400.0
980.0
900.0

Slack
(Surplus)
0
0
100.0

El Anexo 1 presenta la formulacin y solucin de un caso completo de optimizacin en


el rea de cadenas de abastecimiento, ilustrando los resultados presentados por el software
WinQSB y tambin por software ms avanzado til en casos reales, como es AMPL/CPLEX.
El Anexo 2 contiene fotocopias de captulos seleccionados sobre el problema del
transporte y una introduccin a la teora de redes.
El tema siguiente, el mtodo simplex revisado puede obviarse inicialmente y retomarse
si se desea profundizar en algunos aspectos de la programacin lineal.

146

Introduccin a la Modelacin Matemtica y Optimizacin

7. EL MTODO SIMPLEX REVISADO


Su objetivo es el ahorro de clculos y la minimizacin del error de redondeo, a la vez
que optimiza la utilizacin de la memoria del computador. Esto se cumple especialmente
cuando la matriz A original es lo suficientemente dispersa.
La forma estndar:
M AX Z CX
sujeto a :
AX b
X0

pasa a:
Z CX 0
AX b
X0

Lo anterior puede escribirse matricialmente as:

1 C Z 0
0 A X b


lo cual podra incluso verse como:

A | X| b |
El problema es determinar una solucin bsica tal que Z sea mximo; por lo tanto Z
siempre ser una variable bsica. As, una base cualquiera para este caso sera:

1
B1
0

CB

1 C 1
0

0
:
B1
:

:
0

C 2

Ck

Se le denomina B1
pues se aument su
dimensin en 1.

147

C B representa los coeficientes de las variables que estn en la base (coeficientes de la


funcin objetivo), en tanto B es la base formada por las columnas correspondientes en las
restricciones (igualdades).
Como B1 es una matriz triangular superior particionada, entonces puede demostrarse
fcilmente que:
1
C B B 1

1
B1

1
0
B

Ahora supngase que a (j1) es una columna de la matriz A original adicionada en el


primer elemento con coeficiente - C j , o sea:

(1)
j

- C j

aj

Por lo tanto, se puede afirmar que:

Y1j B1

(1)
j

C B B 1 - C j - C j C B B 1 a j

B 1 a j
B 1 a j

Pero como el Y j original es B 1 a j y adems Z j C B B 1 a j , se tiene que:

(1)
j

Z j C j

Yj

Por lo tanto el Z j C j aparece automticamente durante el proceso sin necesidad de


calcular cada vez primero el Z j y luego el C j .

148

Introduccin a la Modelacin Matemtica y Optimizacin

7.1. MTODO SIMPLEX REVISADO SIN VARIABLES


ARTIFICIALES
Como en este caso la base inicial est formada por las columnas de las variables de
holgura, o sea que es igual a , se tiene que:
CB
1
1

B1

0
I m
y
XB

(1)

B1 b (1)

Pero como los coeficientes de las variables de holgura en la funcin objetivo son
iguales a cero, entonces:
0
1
1

B1

0
I m
Luego:

XB

(1)

Ib

(1)

(1)

0

b

En cualquier iteracin:
XB

1 C B B 1 0 C B B 1b Z

1
1
0 B b B b X B

Para iniciar el procedimiento se calculan los ( Z j C j ) de las variables no-bsicas


nicamente, multiplicando la 1 fila de la inversa B1 1 por cada columna a (j1) de las variables
no-bsicas. As, coincidiendo con el criterio de entrada, entra a la base aquella variable nobsica cuyo ( Z j C j ) sea el ms negativo. Si hay un empate, se rompe arbitrariamente.
Luego, se procede a detectar la variable que sale, recordando que Z siempre es bsica.
Para lograr esto, se calcula la nueva columna Yk1 , si k es la variable a entrar. Recurdese que
este clculo se realiza as:
Z CK
YK1 B11 AK1 K

YK

149

Ya teniendo esta columna se calcula la nueva solucin:


Z
X B1 B11b 1

XB
Y as, se puede aplicar la regla del cociente, saliendo de la base aquella variable cuyo
sea mnimo, donde:
X
X
Br B i ; Yik 0
Yrk
Yik
Seguidamente se obtiene la inversa de la base siguiente: esto puede hacerse por
operaciones fila elementales de Gauss-Jordan o mediante el mtodo de hallar una inversa a
partir de otra, en donde las matrices originales slo difieren en 1 columna (la de la variable
que sale de la base).
En este caso se har por Gauss-Jordan. Si el lector est interesado en conocer el otro
mtodo puede consultar a Taha (1991)20.
Ejemplo: Resolver el problema de los transformadores mediante el mtodo SIMPLEX
Revisado.
Solucin: El modelo en su forma estndar es:
MAX Z 400 X 1 700 X 2
7
X 2 S1
3
X 1 1.4 X 2 S 2

Sujeto a : X 1

X1 X 2

1400
980

S 3 900

( X 1 , X 2 , S1 , S 2 , S3 ) 0

El modelo estndar se transforma inicialmente a:

20

TAHA, Hamdy. Investigacin de operaciones. Alfa y Omega. 2 edicin, Mxico, 1991. Pginas 273-282.

Introduccin a la Modelacin Matemtica y Optimizacin

150

MAX Z
Sujeto a :
Z - 400 X 1 - 700 X 2

7
X 2 S1
3
X 1 1.4 X 2 S 2
X1

X1 X 2

1400
980

S 3 900

( X 1 , X 2 , S1 , S 2 , S3 ) 0

La base inicial B 1 puede representarse as:

B1 b1 b 2

b3

b4

donde b i son las columnas de la base.


Inicialmente, y dado que las variables bsicas iniciales son Z, S1, S2, S3, coincide con la
matriz idntica de orden 4. Por notacin:
1
B1 1 2 3 4

1 siempre ser el vector unitario ya que Z siempre ser variable bsica. Luego, el
tablero inicial simplificado es:
Inversa de la base

Y21

-700
7/3
1.4
1

600
700
900

(1)

Base

XB

Z
S1
S2
S3

1
0
0
0

0
1
0
0

0
0
1
0

0
0
0
1

0
1400
980
900

Inicialmente se calculan los ( Z j C j ) de las variables no-bsicas tomando la 1 fila de


B1

y multiplicndola por cada columna aumentada:

400
1
400
Var X 1 : Z 1 C1 1 0 0 0
1

1
700
7/3
700
Var X 2 : Z 2 C 2 1 0 0 0
1.4

151

Luego la variable que entra es X2. Por lo tanto, debe calcularse Y21 , para poder
determinar la variable que sale (por esa razn aparece en la tabla mostrada arriba).
Y2(1) B1

(1)
2

I - 700 7/3 1.4 1 - 700 7/3 1.4 1


T

Dado que Y2(1) debe convertirse en el vector unitario, entonces se realizan las
operaciones fila elementales necesarias. El resultado aparece en el segundo tablero:
Inversa de la base

Base

Z
X2
S2
S3

1
0
0
0

300
3/7
-3/5
-3/7

0
0
1
0

0
0
0
1

XB

Y21

-100
3/7
2/5
4/7

1400
350
525

(1)

420000
600
140
300

Se calculan los nuevos ( Z j C j ):

400
1
100
var . X 1 : Z 1 C1 1 300 0 0
1

1
0
1
var . S1 : Z 2 C 2 1 300 0 0 300
0

0
Entonces:

Y11 B11 A11

1 300

0 3 7
3
0
5

0 3
7

Al calcular , sale la variable S2.


As, el nuevo tablero es:

0 0

0 0

1 0

0 1

100
400

1 37

1 2

5
1

4
7

152

Introduccin a la Modelacin Matemtica y Optimizacin

Inversa de la base

Base

Z
X2
X1
S3

1
0
0
0

150
15/14
-3/2
3/7

250
-15/14
5/2
-10/7

0
0
0
1

XB

(1)

455000
450
350
100

Los nuevos ( Z j C j ) son:

0
1
var . S1 : Z 1 C1 1 150 250 0 150
0

0
0
0
var . S 2 : Z 2 C 2 1 150 250 0 250
1

0
Luego, la solucin actual es la ptima, ya que ( Z j C j ) 0 j.
Aunque este mtodo no parece tener ventajas en la forma manual mostrada, sus
principales beneficios radican en los grandes ahorros de clculo computacional para
problemas de gran tamao que se presentan en la prctica.

153

Ejercicios 7.1

1. Encuentre por inspeccin una solucin ptima del siguiente modelo de PL:
Maximizar z 3 x1 4 x2 6 x3
sujeto a :
2 x1 3 x2 4 x3 16
( x1 , x2 , x3 ) 0

2. Cules de las siguientes afirmaciones sobre el mtodo Simplex son Falsas Verdaderas
(Justifique su respuesta):
a. Cualquier problema de PL necesita de variables artificiales para ser resuelto mediante
el mtodo Simplex.
b. En el criterio de entrada para maximizacin es obligatorio entrar a la base aqulla
variable cuyo (zj cj) sea lo ms negativo posible.
c. El criterio de salida del mtodo Simplex garantiza que la solucin bsica siguiente sea
factible.
d. En un tablero ptimo, todos los (zj cj) de las variables bsicas deben ser iguales a
cero.
e. La solucin ptima del problema dual asociado a un problema primal aparece siempre
en la fila de los (zj cj) debajo de la submatriz idntica inicial.
3. Considere el siguiente tablero Simplex para un problema de minimizacin:
cj
Var.
Bs.
x1
x3

CB

XB
100
250

7
x1

x2

x3

S1

S2

1/2

14/
5

1/6

7/2
1

zj
z j cj

a. Complete el tablero anterior. Es ptima la solucin mostrada en el tablero? Justifique


su respuesta.
b. La solucin ptima mostrada es nica? Justifique su respuesta.

154

Introduccin a la Modelacin Matemtica y Optimizacin

c. Si usted quisiera encontrar otra solucin bsica factible ptima diferente a la dada en el
tablero, qu variable entrara a la base y cul saldra de ella?
d. Si la inversa de la base inicial se form con las columnas de las variables S1 y S2, cul
es la solucin ptima del problema dual asociado?

4. Responda las siguientes preguntas:


a. Cuando en cualquier tablero Simplex existe una variable candidata a entrar a la base,
pero ninguna variable puede salir de ella porque el criterio de salida falla, qu se
puede concluir acerca del problema original?
b. Si en un tablero Simplex ptimo existe una variable bsica artificial con valor positivo,
qu se puede decir del problema original? Qu puede decirse si la variable bsica
artificial es igual a cero? (Solucin degenerada).
5. Considere los siguientes resultados de un programa que resuelve modelos de PL, por
ejemplo el WinQSB. El problema original es un problema de produccin semejante al de
los transformadores, con 4 productos candidatos a ser producidos (representados por las
variables x1, x2, x3 y x4), y 3 recursos utilizados para su produccin (hr.hombre, materia
prima y hr.mq):
Variable Solucin Coeficiente en la
Funcin objetivo
x1
45
5
x2
20
4
x3
0
3
x4
82
6

Mnimo coeficiente Mximo coeficiente


en la f. objetivo
en la f. objetivo
3.5
7.5
3.6
5.0
-M
4.0
5.2
M

Valor de la funcin objetivo = $797


Restriccin

Hr.hombre
Mat_Prima
Hr.mq.

Valor
Dir. Valor del lado Holgura Precio
Lado izq.
Derecho
Exceso
Sombra
(RHS)
2150
2500
350
0

800
800
0
1.5

1250
1250
0
2.0

Mnimo
RHS

Mximo
RHS

2150
700
1000

M
1050
1375

Responda las siguientes preguntas en forma breve y precisa y justifique sus respuestas:
a. Si logramos conseguir 100 hr.hombre adicionales, entonces la funcin objetivo
aumenta en $100. (Falso Verdadero)
b. Si conseguimos 100 unidades adicionales de materia prima, entonces nuestra funcin
objetivo aumentara a un valor de $947. (Falso Verdadero)

155

c. Si se daa la mquina, quedando disponibles slo 950 horas, entonces la funcin


objetivo necesariamente bajara a $197. (Falso Verdadero)
d. Si el coeficiente de la variable x4 en la funcin objetivo aumenta de 6 a 10 $/unidad,
entonces la solucin ptima actual sigue siendo la misma, cambiando el valor de la
funcin objetivo a $1125. (Falso Verdadero)
e. Usted ha estimado que el costo normal por cada hora en la mquina ($/hr.mq.) es de
$18/hr.mq. Dado que se trata de un recurso escaso, tal como lo muestra la solucin
arriba, usted est considerando la posibilidad de alquilar ciertas horas mquina a un
costo de $21/hr.mq. Debera usted aceptar esta oferta de alquiler? Recuerde que
usted est alquilando para usted para tener ms recursos.
6. Suponga que en la formulacin de un problema de produccin semejante al de los
transformadores desarrollado en clase, se lleg al siguiente modelo de PL:
Maximizar
sujeto a:

U = 2x1 + 5x2 + 4x3 (Utilidad neta total en $)


x1 + 2x2 + 3x3 800 (Unidades de recurso 1)
2x1 + 4x2 + x3 500 (Unidades de recurso 2)
x2 + 2x3 700
(Unidades de recurso 3)
(x1, x2, x3) 0

donde x1, x2 y x3 son las cantidades a producir del producto 1, 2 y 3, respectivamente. El


tablero final Simplex (incompleto) para el modelo anterior es el siguiente (la base inicial se
form con las tres variables de holgura):
Var.
Bs.
x3
x2
S3
zj
zj c j

CB

XB

x1
0
0.5
0.5

x2

x3

S1

S2

0.4
0.1
0.7

0.2
0.3
0.1

S3

a. Complete totalmente el tablero anterior y compruebe que se trata del tablero ptimo del
problema original.
b. Suponga que le ofrecen 100 unidades adicionales de cada uno de los tres recursos a un
costo adicional de $1.0/unidad. Cul de los tres recursos debera comprarse en
primera instancia? Qu informacin faltara para tomar una decisin definitiva acerca
de la compra de estos recursos?
c. Suponga que se aumenta la utilidad unitaria del producto 1 (x1) de 2 a $3/unidad. Cree
usted que entonces ahora sera rentable producirlo? Por qu?

156

Introduccin a la Modelacin Matemtica y Optimizacin

d. Encuentre el problema dual asociado al problema primal de produccin original y


determine su solucin ptima.
e. Suponga que existe una restriccin adicional por transporte, en la cual las cantidades
sumadas de los tres productos a producir no puede ser mayor que 280 unidades. Cul
sera entonces la nueva solucin ptima?
f. Se est investigando la conveniencia de producir o no un cuarto producto (x4), cuya
utilidad unitaria es de $6/unidad y consume 4, 3 y 2 unidades del recurso 1, 2 y 3,
respectivamente. Sera entonces rentable producir este nuevo producto? (Sugerencia:
Para hallar la columna asociada a la variable x4 en el tablero ptimo, se debe
multiplicar la inversa de la base ptima por la columna original de la variable en el
modelo de PL. El resto sera encontrar el z4 asociado y, finalmente, el (z4 c4) y
determinar si la solucin actual sigue siendo ptima o no).
7.

Resuelva si es posible los siguientes modelos de PL, utilizando el mtodo SIMPLEX


(compare con la solucin dada por el programa WinQSB):

a)

Maximizar

Z = 3X1 + 2X2 + 5X3

sujeto a:
X1 + X2 + X3
2X1 - X2 + 3X3
(X1, X2, X3)
b)

Minimizar

25

10

Z = 500X1 + 450X2 + 670X3 + 800X4

sujeto a:
0.4X1 + 0.35X2 + 0.5X3 + 0.7X4
0.6X1 + 0.65X2 + 0.5X3 + 0.3X4
(X1, X2, X3, X4)

= 0.55
= 0.45
0

Nota: Para el problema (b) utilice precisin infinita en los clculos.

c)

Maximizar

Z = 3X1 + X2 + 5X3 + 4X4

sujeto a:
3X1 - 3X2 + 2X3 + 8X4
5X1 + 6X2 - 4X3 - 4X4
-4X1 + 2X2 - X3 - 3X4
(X1, X2, X3, X4)
8.

Utilizando el mtodo de las dos fases resuelva el siguiente problema:

50
40
-20
0

157

Minimizar

Z = X1 - X2 + 3X3

sujeto a:
X1 - 2X2 + X3
2X1 - 3X3
-4X2 + 5X3
(X1, X2, X3)
9.

5
1
8
0

Formule el problema dual del siguiente problema de PL y encuentre su solucin ptima:


Maximizar

Z = 3X1 + 2X2 + 5X3

sujeto a:
X1 + 2X2 + X3
430
3X1 + 2X3
460
X1 + 4X2
420
(X1, X2, X3)
0
10. Considere el problema No. 22 sobre la compra de aviones, de la coleccin de problemas
de formulacin de modelos de PL anterior. Ignore la restriccin de enteros. Resuelva el
problema mediante el mtodo simplex, utilizando la mxima precisin posible y resuelva
los siguientes puntos (Utilice toda la precisin posible en los clculos de los tableros
simplex y evite trabajar con cifras demasiado grandes):
a) Analice la solucin del problema dual.
b) Suponga que la empresa decide contratar 5 nuevos pilotos, incurriendo en un costo
adicional de US$100,000/ao. Se justifica esta decisin? Por qu?
c) Suponga ahora que la empresa tiene opcin de aumentar el presupuesto de inversin
en aviones a US$200 millones. Cul sera ahora la nueva solucin ptima del problema?
d) Cree que sera justificable invertir en la ampliacin de la capacidad de los hangares?
Por qu?
e) Suponga que se logra una rebaja en el costo de los aviones de vuelos medianos de
US$5 millones a US$4.5 millones cada uno. Cul sera ahora la mejor alternativa de
inversin?
f) Suponga finalmente que la empresa est estudiando la posibilidad de comprar un
nuevo tipo de avin diferente a los tres ya considerados. Este nuevo avin produce una
utilidad de US$450,000/ao, cuesta US$7 millones cada uno y ocupa una capacidad
igual a la de los aviones de vuelos medianos. Sera conveniente comprar este tipo de
avin? Por qu?
Nota: Trate independientemente cada una de las alternativas anteriores [(b) a (f)].

158

Introduccin a la Modelacin Matemtica y Optimizacin

Ejercicio 7.2
1.

Usted posee 50 acres de tierra en la que puede plantar cualquier cantidad de maz, soya y
lechuga. La siguiente tabla muestra la informacin relevante con respecto de la
produccin, la ganancia neta y los requerimientos de agua de cada cultivo.
CULTIVO
No.

TIPO DE
CULTIVO

PRODUCCIN
[Kg/acre]

1
2
3

Maz
Soya
Lechuga

640
500
400

GANANCIA
NETA
[$/Kg]
1,00
0,80
0,60

AGUA
REQUERIDA
[Litros/Kg]
8,75
5,00
2,25

Dado que se tiene disponible 100.000 litros de agua y que la compaa se ha comprometido
a vender al menos 5.120 Kg de maz, se desarroll el siguiente modelo de PL, donde Xi =
Acres a sembrar de cada tipo de cultivo i = 1, 2, 3:
Maximizar 640 X 1 400 X 2 240 X 3 ($)
sujeto a :
X1

X2

X 3 50 acres tierra

5.600 X 1 2.500 X 2 900 X 3 100.000 litros agua


8 acres maz

X1
( X1 , X 2 , X 3 ) 0

Al correr este modelo en WinQSB, se obtiene la siguiente solucin ptima y anlisis de


sensibilidad (Solo se muestran las variables mayores iguales que cero):
Variable

X1
X2
X3

Solucin

8,0000
10,8750
31,1250

Coeficiente en la
Funcin
objetivo
640
400
240

Mnimo
coeficiente
en la f. objetivo
-M
376,1702
144,0000

Mximo
coeficiente
en la f. objetivo
710,0000
666,6667
276,1290

Valor de la funcin objetivo = $16.940


Restriccin

Valor
Lado izq.

Dir
.

Tierra
Agua
Demanda
Maz

50
100.000
8

Valor del
lado
Derecho
(RHS)
50
100.000
8

Holgura

Exceso
0
0
0

Precio
Sombra

150,00
0,10
-70,00

Responda las siguientes preguntas y sustente claramente su respuesta:

Mnimo
RHS

Mximo
RHS

30,08
82.600,00
0,00

69,33
149.800,00
11,70

159

a) Con la misma cantidad de dinero, qu sera mejor, adquirir 10 acres de terreno adicionales
comprar 13.000 litros adicionales de agua? (Slo puede escoger una de las dos
alternativas).
b) Manteniendo la misma cantidad de tierra y condicin de demanda del maz, usted desea
obtener una ganancia de $21.000. Cuntos litros adicionales de agua necesitara para
lograrlo?
c) Usted sabe que la inversa de la base ptima es la siguiente matriz:
1,9375
1,5625 0 ,000625

0,5625 0 ,000625 2 ,9375


0 ,0000
0 ,000000
1,0000

i)

Reconstruya el tablero final Simplex. Observe que debi haberse adicionado una
variable artificial A en la restriccin de demanda de maz (adems de la variable de
exceso S3), y, por lo tanto, la tercera columna de la matriz inversa anterior
corresponde a la columna de dicha variable artificial y las dos primeras a las
variables de holgura S1 y S2 adicionadas en las dos primeras restricciones de tierra y
agua.

ii)

Compruebe el rango de sensibilidad dado por el programa del coeficiente de la


variable X2 en la funcin objetivo.

iii)

Compruebe el rango de sensibilidad dado por el programa del recurso tierra en la


funcin objetivo.

d) Explique por qu el costo de oportunidad de la restriccin de demanda de maz es negativo.


Segn lo anterior, si usted debe satisfacer una demanda mnima de 10 acres de maz, cul
sera el nuevo valor de la funcin objetivo? Si no existiera restriccin de demanda mnima
de maz, entonces sera rentable producir maz? Cul sera entonces el valor de su
ganancia neta total?
e) Se le presenta la opcin de cultivar algodn cuya produccin es de 300 Kg/acre, consume 4
litros/Kg y produce una ganancia neta de $0,70/Kg y no tiene restricciones de demanda.
Es rentable sembrar alguna extensin de terreno con algodn?
f) Formule el problema dual del modelo primal formulado en este punto y encuentre su
solucin ptima sin resolverlo desde el comienzo.
2. Considere el siguiente modelo de programacin lineal de produccin para tres productos y
responda las preguntas siguientes en forma completamente independiente una de otra.

160

Introduccin a la Modelacin Matemtica y Optimizacin

Maximizar U = 2x1 + 3x2 + 4x3 (Utilidad neta total en $)


sujeto a:
x1 + 2x2 + 3x3 5.000 (Horas hombre; variable de holgura asociada S1)
2x1 + 4x2 + x3 3.500 (Unidades de Materia Prima MP; variable de holgura asociada S2)
x1 + x3 1.000 (Demanda conjunta productos 1 y 3; variable de holgura asociada S3)
(x1, x2, x3) 0
donde x1, x2 y x3 son las cantidades (unidades) a producir del producto 1, 2 y 3,
respectivamente. El tablero final Simplex para el modelo anterior es el siguiente (la base
inicial se form con las tres variables de holgura, S1, S2 y S3):

Variables
Bsicas
S1

Coeficientes en la
funcin objetivo (CB)
0

Solucin
(XB)
750

x2

625

x3
zj

1.000
5.875

z j cj

x1

x2

x3

S1

S2

S3

2,5
0
0,25

0,5
0
0,25

1,00
4,75
2,75

0
3
0

1
4
0

0
0
0

0,00
0,75
0,75

2,5
0
0,2
5
1,00
3,25
3,25

1) El modelo de programacin lineal anterior:


a)
b)
c)
d)
e)

Tiene infinitas soluciones ptimas


No tiene solucin factible alguna
Tiene funcin objetivo no acotada
Tiene solucin ptima nica
No puede resolverse

2) Si se aumentaran 250 hr.hombre, para un total de 5.250 hr.hombre disponibles, y se


resolviera de nuevo el problema, entonces:
a)
b)
c)
d)
e)

La utilidad neta ptima aumentara


La utilidad neta ptima disminuira
Sobraran 1.000 hr.hombre
El nuevo problema no tendra solucin
Dejara de ser rentable producir el producto 2

3) Considere el aumento de la cantidad disponible de materia prima de 3.500 a 4.500


unidades. Conociendo que este cambio NO altera la base ptima, entonces la nueva
utilidad neta ptima:
a) Sera de $6.625

161

b)
c)
d)
e)

Sera de $9.125
Sera de $5.125
Permanecera igual a $5.875
Slo podra determinarse resolviendo el problema desde el tablero inicial Simplex

4) Si la utilidad neta unitaria del producto 1 (Coeficiente de x1 en la funcin objetivo) pasara


del valor actual de $2/unidad a $4,5/unidad, entonces:
a)
b)
c)
d)
e)

Dejara de ser rentable producir el producto 3


Dejara de ser rentable producir el producto 2
Se agotara completamente el recurso hr.hombre
Aumentara el valor ptimo de la funcin objetivo en $2,5
La solucin ptima actual permanecera invariable

162

Introduccin a la Modelacin Matemtica y Optimizacin

8. OPTIMIZACIN NO LINEAL
Los problemas de optimizacin no-lineal son en general difciles de resolver, es decir,
son problemas NP-Hard. Ms an, no existen algoritmos generales para resolver cualquier
problema de programacin no-lineal. Dependiendo de la estructura del problema en particular,
se han desarrollado algunos algoritmos eficientes, como por ejemplo Programacin
Cuadrtica, Programacin Convexa, Programacin Geomtrica, etc.
Uno de los problemas de la optimizacin no-lineal surge del hecho de que la regin
factible resultante no necesariamente es convexa. Adems, el ptimo no necesariamente ocurre
en uno de los vrtices de la regin factible.
Ejemplo: Considere el siguiente problema de programacin no-Lineal:

Sujeto a:

La regin factible y la solucin ptima se muestran en el grafico siguiente:

10
9
8
7
6
5
4
3
2
1
1

10

163

Ejercicios 8.1
1.

Resuelva el problema anterior, conservando la misma regin factible (conjunto de


restricciones), pero considerando la siguiente funcin objetivo:
Minimizar

R/. Mnimo
2.

Considere la siguiente regin factible

Encuentre la solucin ptima del problema no lineal considerando las siguientes


funciones objetivo:

8.1. TEORIA DE OPTIMIZACIN CLSICA


8.1.1. Problemas No-Restringidos:
Se van a tratar funciones de varias variables en general. El caso para una variable es un
caso especial, para el cual las ecuaciones y criterios siguen siendo vlidos.
Considrese la funcin de varias variables en general
demuestran en Taha (1997):
Condiciones necesarias. Una condicin necesaria para que
estacionario (mximo, mnimo punto de silla) de
es que:

Los siguientes teoremas se

sea un punto extremo

Recurdese que si
, el vector gradiente
se define como:
Condiciones suficientes. Una condicin suficiente para que un punto estacionario
sea un extremo es que la matriz Hessiana IH evaluada en
sea:
) Positiva definida para un punto mnimo.
) Negativa definida para
un punto mximo

164

Introduccin a la Modelacin Matemtica y Optimizacin

Recurdese ahora que si

la matriz Hessiana viene dada por:

Ejemplo: Considere la funcin:

Las condiciones necesarias para la existencia de un extremo son:


, equivalentemente

La solucin de las tres ecuaciones simultneas anteriores son:


=
El punto
es entonces un punto estacionario que debe ser categorizado mediante la
aplicacin de las condiciones de suficiencia:

Obsrvese que para este ejemplo en particular IH ( ) es constante y por lo tanto la


matriz Hessiana evaluada en el punto estacionario
resulta ser ella misma. Los menores
principales de IH ( ) son (repasar la teora expuesta en Taha (1997), Apndice A, pag.
825,826):

165

Menor principal de orden 1 de IH (

) = |-2|=-2

Menor principal de orden 2 de IH (

)=

Menor principal de orden 3 de IH (

=4

Cmo los signos del menor principal. De orden k es


, se puede concluir que IH
) es negativa definida y por lo tanto
es un punto mximo de
.

Ejercicio 8.2
Busque y categorice los puntos estacionarios de las siguientes funciones:
a)
b)
c)
d)
e)

8.1.2. Problemas con Restricciones de Igualdad


El mtodo ms utilizado para resolver problemas con restricciones de igualdad es el
mtodo de los multiplicadores de Lagrange
Considrese el problema general:

Donde:
=(
g=
Se supone que F y g son dos veces diferenciables continuamente. En el mtodo de
Lagrange se construye la funcin Lagrangiana:

Donde se conocen como los multiplicadores de Lagrange.

166

Introduccin a la Modelacin Matemtica y Optimizacin

Las condiciones necesarias para determinar los puntos estacionarios de


son:

sujeto a

Las condiciones de suficiencia se establecen de la siguiente forma. Se define la matriz


Hessiana bordeada:

Donde
IP =

Dado el punto estacionario (


) para la funcin Lagrangiana L(
) y la matriz
Hessiana bordeada
evaluada en el punto estacionario(
), entonces
es:
a) Un punto mximo si al comenzar con el menor principal de orden (2,+1), los
ltimos (n-m) menores principales de
forman un patrn de signos alternantes que
comienza con
b) Un punto mnimo si al iniciar con el menor principal de orden (2m+1), los ltimos
(n-m) menores principales de
tienen el signo de
Estas condiciones son suficientes, pero no necesarias. Por lo tanto, un punto
estacionario puede ser extremo sin satisfacer estas restricciones.Existen otras condiciones que
son necesarias y suficientes para identificar los puntos extremos. Se define la matriz:

Se evala esta matriz en el punto estacionario (


), donde es un parmetro
desconocido. Se considera el determinante de la matriz , o sea ||. Entonces, cada una de las
(n-m) races reales del polinomio:
||=0
Deben ser
a)
b)

Negativas si
Positivas si

es un punto mximo.
es un punto mnimo.

167

Ejemplo: Resuelva el siguiente problema no-lineal:


Minimizar
Sujeto a:

La funcin Lagrangiana es:

Las condiciones necesarias son entonces:

Las soluciones de este sistema de ecuaciones son (comprubelo):


= (2, 2, 1, 1)
= (2, -2, 1, 1)
= (2.8, 0, 1.4, 1.4)
La matriz Hessiana bordeada es en este caso:

En este caso m=1 y n=3. Se evaluarn los ltimos (n-m) = 2 menores principales de
, iniciando con el menor principal de orden 2m+1=3. Para cada punto estacionario, esto
dara lo siguiente:
a)

= (2, 2, 1, 1)
evaluada en este punto es:

168

Introduccin a la Modelacin Matemtica y Optimizacin

= 4(-8) = -32 < 0

= 4(2)

Como estos determinantes tienen el signo de


puede concluir que
= (2, 2, 1, 1) es un punto mnimo.

= -64 < 0

(negativo), entonces se

b)
Para
= (2, -2, 1, 1) se obtienen los mismos resultados que para el caso
(a), y por lo tanto el punto es un mnimo (comprubelo)
c)
Para
= (2.8, 0, 1.4, 1.4),
es:
d)

=
24220 =

48+2

>0

Como el punto
= (2.8, 0, 1.4, 1.4) no satisface ninguna de las condiciones
para un mnimo un mximo debe aplicarse las condiciones adicionales necesarias y
suficientes:

El lector debe comprobar que para


1) se obtiene:

= (2, 2, 1, 1) y para

= (2, -2, 1,

169

Cuyas races son =2 y =8/9, ambas mayores que cero, reforzando el hecho de que
ambos son puntos mnimos.
Finalmente, para

= (2.8, 0, 1.4, 1.4) se obtiene:

Cuyas races son =2 y =-0.8, con lo que se concluye que este punto no es un punto
extremo.
Ejercicios 8.3
1) Resuelva:
Minimizar
Sujeto a:

2) Obtenga la solucin ptima de:


Minimizar

Sujeto a:

Donde C > 0.
3) Resuelva:
Minimizar

Sujeto a:
4) Suponga que en cierto problema de produccin de n artculos diferentes, los costos de
produccin son proporcionales al cuadrado de las unidades producidas. Suponga que
todos los artculos son intercambiables y que se recibe una orden por una demanda total
de D unidades. Determine qu cantidad de cada artculo debe producirse para satisfacer la
demanda a costo total de produccin mnimo.

170

Introduccin a la Modelacin Matemtica y Optimizacin

8.2. PROBLEMAS
CON
DESIGUALDAD

RESTRICCIONES

DE

8.2.1. Las condiciones de Kuhn-Tucker


Considrese el problema:

Las restricciones de desigualdad se convierten en igualdades sumando variables de


holgura
i=1, 2, , m (Existen m restricciones de desigualdad) sean:
S=

La funcin Lagrangiana est dada por:

Dadas las restricciones g( ) 0, una condicin necesaria para optimizar es que sea
no negativa (no positiva) para problemas de maximizacin (minimizacin). Ademas, tomando
las derivadas parciales de L(
, se obtiene:

Obsrvese que del conjunto (II) de ecuaciones, la interpretacin de los multiplicadores


de Lagrange es idntica a la de los costos de oportunidad en PL:
Si
, entonces
debe ser cero. Esto corresponde a un recurso escaso, y en
consecuencia las restriccin se cumple con igualdad.
Ahora, si
sobrante.

, entonces

debe ser igual a cero, lo que corresponde a un recurso

171

Por todo lo anterior, las condiciones necesarias de Kuhn Tucker para que
un punto estacionario del problema de maximizacin son:

sea

El tercer conjunto de restricciones se deduce del (II) y (III) conjunto de restricciones de


la pgina anterior y tiene exactamente el mismo significado de las ecuaciones -2
=0
. Las mismas condiciones (
) se aplican a problemas de minimizacin,
los
dados no estn restringidos en signo.
Suficiencia de las condiciones de Kuhn-Tucker:
La siguiente tabla muestra las condiciones bajo las cuales las condiciones de KT son
tambin suficientes:

Sentido
de la optimizacin
Maximizacin
Minimizacin

Condiciones requeridas
Funcin objetivo
Espacio solucin
Cncava
Conjunto Convexo
Convexa
Conjunto convexo

La siguiente lista de condiciones es ms fcil de verificar que la anterior. El problema


no-lineal generalizado se define entonces como:
Maximizar ( Minimizar) Z =
Sujeto a

En este caso la funcin Lagrangiana es:

Donde

es el multiplicador de Lagrange asociado a la restriccin i.

172

Introduccin a la Modelacin Matemtica y Optimizacin

Las condiciones de suficiencia se presentan en la siguiente tabla. Estas no son


exhaustivas, ya que otras funciones pueden satisfacer tambin las condiciones de suficiencia.
Sentido de la
optimizacin
Maximizacin

Condiciones requeridas
Cncava

Convexa
Cncava

Minimizacin

Lineal
Convexa

Convexa

Cncava
Lineal
Ejemplo: Escriba las condiciones de KT para:
Minimizar

=
Sujeto a:

=
=
=
=
=
Como este es un problema de minimizacin, entonces
son:
(

Las condiciones de KT

173

Estas condiciones conducen a:

La solucin de este sistema es:

Como
mnimo global.

es convexa y el espacio solucin tambin, el punto resultante es un

Obsrvese la dificultad para resolver el sistema de ecuaciones resultante y la poca


utilidad prctica de este mtodo. Estas condiciones son tiles, sin embargo para el desarrollo
de algoritmos de programacin no-lineal.
Ejercicio 8.4
Escriba las condiciones de KT para los siguientes problemas:
a)

Maximizar
Sujeto a:

b) Minimizar
Sujeto a:

174

Introduccin a la Modelacin Matemtica y Optimizacin

9. INTRODUCCIN A LAS TCNICAS


DE BSQUEDA
9.1. MTODOS DE BSQUEDA DIRECTA
Los mtodos de bsqueda directa se aplican principalmente a funciones de una
variable, lo cual es la base para su extensin a mtodos de bsqueda multi-dimensional.
En los mtodos de bsqueda directa se optimizan funciones unimodales, o sea
aqullas que slo presentan un ptimo (mximo o mnimo) en el intervalo de inters. El
intervalo de inters se denomina intervalo de incertidumbre, y lo que busca el mtodo de
bsqueda directa es reducirlo hasta que sea tan pequeo como se desee. Existen diversos
mtodos de bsqueda directa. Algunos de stos se expondrn a continuacin.

9.2. MTODO DE BSQUEDA ALEATORIA


La idea de la bsqueda aleatoria es muy sencilla. Si definimos el intervalo inicial de
incertidumbre como [a,b], la lgica del mtodo consiste en generar un gran nmero de
nmeros aleatorios entre a y b y guardar el mejor valor obtenido de la funcin. Dependiendo
del nmero de nmeros aleatorios generados, es ms probable estar ms cerca al ptimo real.
Ntese que la ventaja de este mtodo es que la funcin a optimizar no requiere ser
unimodal. Su desventaja radica en el probable nmero muy grande de nmeros aleatorios que
deben generarse y en que al final del proceso no se conoce que tan cerca se puede estar del
ptimo real, o sea que no se conoce el intervalo de incertidumbre final.
Como puede observarse, este mtodo es imprctico para bsqueda multi-dimensional,
ya que el nmero de evaluaciones necesarias de la funcin crece exponencialmente de acuerdo
a la dimensin del problema.

9.3. MTODO DE LA MALLA


La idea de este mtodo es muy simple, y consiste en dividir el intervalo inicial de
incertidumbre [a,b] en n partes iguales y calcular la funcin para los (n+1) puntos, incluyendo
los extremos. Se guarda entonces el mejor valor de la funcin objetivo (mximo o mnimo), y
el intervalo de incertidumbre se reduce a:

Tomando los intervalos anterior y posterior al punto donde se obtuvo el mejor valor. Si
el mejor valor de la funcin objetivo se obtiene en un extremo, entonces slo se toma el sub-

175

intervalo anterior ( posterior) al extremo dado. Se repite as el proceso con el nuevo intervalo
de incertidumbre , hasta donde sea necesario.
El problema de este mtodo es que puede perderse el valor ptimo si no se escoge n lo
suficientemente grande al iniciar el proceso.

9.4. BSQUEDA DICOTMICA


De acuerdo a Taha (1997), se busca maximizar una funcin unimodal f(x) sobre el
intervalo a
. Se subdivide el intervalo [a , b], escogiendo dos puntos
simtricamente con respecto a a y b de modo que lo intervalos [a ,
] y [ , b] se
superpongan en una cantidad finita :

x1

x2

XL = a

XR = b
a+b
2

Dado que la funcin f(x) es unimodal sobre el intervalo [a, b], se pueden presentar tres
casos:

[a,

1) Si

, entonces x*= valor ptimo de x debe quedar en el intervalo

2) Si
3) Si

, entonces x* debe quedar en el intervalo [


, entonces x* debe quedar en el intervalo [

].
, b]
, ]

El intervalo que no incluye a x* se descarta y se continua el proceso, subdividiendo el


intervalo de incertidumbre resultante de la misma forma. El valor de se escoge lo
suficientemente pequeo, de tal forma que pueda descartarse aproximadamente la mitad del
intervalo de incertidumbre en cada interaccin.
Ejemplo: Determine el mnimo de:

En el intervalo [0,5]
Utilice = 0.001
Para mayor facilidad, se construye la tabla de la pgina siguiente, donde se muestra
cada iteracin. Sea, en general:
= Lmite izquierdo del intervalo.
= Lmite derecho del intervalo.

176

Introduccin a la Modelacin Matemtica y Optimizacin

, = Puntos intermedios para aplicar el mtodo.


= Tolerancia a la solucin
Ntese que en general:
;
El lector debe comprobar que en el intervalo considerado, f(x) es unimodal.
ITER
No
0
1
2
3
4
5
6
7
8
9
10
11
12
13

0
0
1.24975
1.24975
1.24975
1.24975
1.288804688
1.308332032
1.308332032
1.308332032
1.308332032
1.31077295
1.31077295
1.31138318

5
2.5005
2.5005
1.875625
1.5631875
1.40696875
1.327859375
1.327859375
1.327859375
1.319095704
1.314213868
1.314213868
1.311993409
1.312993409

2.4995
1.24975L
1.874625
1.5621875
1.40596875
1.327859375
1.288804688L
1.308332032L
1.318095704
1.313213868
1.31077295L
1.311993409
1.31138318L

2.5005R
21.35938
21.39063
1.25075
5.35961
5.358676
R
1.875625
8.3335272
8.345171
R
1.5631875
5.86457007
5.8690465
1.40696875R 5.40090202 5.40245366
1.328859375R
5.3317479
5.3320018
1.289804688 5.33408798
5.3337343
1.309332032
5.3299532 5.32989992
1.319095704R 5.33010099 5.33020048
1.314213868R 5.32984076 5.32986364
1.31177295 5.329850525 5.329835273
1.312993409R 5.32983401 5.329837814
1.31238318 5.329839632 5.329833635

Obsrvese que en la iteracin No. 13 se puede escoger el punto medio del intervalo de
incertidumbre [1.31138318, 1.312993409], el cual es x* 1.312188.
Dado que = 0.001, no se puede esperar una precisin mayor que . El valor ms
exacto de este mnimo en [0, 5] es x*= 1.31224996

9.5. EL MTODO DEL GRADIENTE


Este mtodo se aplica a funciones de varias variables que sean diferenciables
continuamente dos veces. La idea es generar puntos sucesivos en la direccin del gradiente de
la funcin, hasta que ste se aproxime a cero, siendo sta una condicin necesaria para la
optimizacin. La optimizacin no se puede verificar a menos que se conozca a priori que
es cncava convexa.
Supngase que se desea maximizar
. Sea
el punto inicial y
) el gradiente
de f en el k-simo punto .La idea es determinar una trayectoria particular p a lo largo de la
cual es mxima en un punto dado. Esto se logra seleccionando
y
tal que:

177

Donde

es un parmetro llamado tamao optimo del paso.

El parmetro se determina de modo que


de f. En otras palabras, si:

resulte en el mejoramiento ms grande

entonces es el valor de r que maximiza a h(r). como h(r) es una funcin de una sola
variable, las tcnicas de bsqueda vistas anteriormente son muy tiles aqu, teniendo en
cuenta que h(r) debe ser unimodal.
El mtodo termina cuando

Dado que

, equivalentemente cuando:

, la condicin necesaria

se satisface en

Ejemplo:
Max.
Este ejercicio es slo para ilustrar. El mximo global de

Se tiene que:

Primera iteracin:
Sea

= (1, 1) + r(-2,0) = (1-2r, 1)

h(r) = (1-2r, 1) = -2

Segunda iteracin:
Sea

+ r(0 , 1) =

ocurre en

. Sea

178

Introduccin a la Modelacin Matemtica y Optimizacin

h(r) = -2

, obtenindose

El lector debe comprobar que las siguientes iteraciones producen los resultados
mostrados en la siguiente tabla:
Iteracin (K)
0

-1,1

(-2,0)

(0, 1)

2
3
4
5

Se decide parar el proceso en la iteracin No. 5, ya que


(0 , 0). El
punto mximo aproximado es = (0.34375 , 1.3125), comparado con el optimo exacto * =
Obviamente si el proceso contina, cada vez se estar ms cerca
del ptimo exacto. La figura resume grficamente el proceso.

ptimo

3
2

1
2

1
2

3
2

179

Ejercicio 9.1
Aplique el mtodo del gradiente al problema:
Max

, donde:

A=
=
Considere

180

Introduccin a la Modelacin Matemtica y Optimizacin

10. ALGUNAS APLICACIONES DE


PROGRAMACION NO-LINEAL
10.1. PROGRAMACIN CUADRTICA
Un modelo de programacin cuadrtica est definido como:
Max(min) Z = CX +

DX

Sujeto a:
AX
AX
Donde:
X=
C= (
b=
A es una matriz m x n =
D es una matriz cuadrada n x n
La funcin de n variables
donde la matriz D es simtrica.

DX es una forma cuadrtica (Ver Taha pg. 825-826),

Para aplicar la teora que se expone a continuacin se necesita que:


D sea negativa definida para problemas de maximizacin (mx. de una f. cncava).
D sea positiva definida para problemas de minimizacin (mn. de una f. convexa).
Las restricciones AX
son lineales y por lo tanto el epacio de solucion es convexo,
con lo que se logra satisfacer las condiciones para un ptimo global.
Considrese el siguiente problema:
Maximizar Z = CX +
G(X)=

X-

DX

Sean
=
U= (

AX

Los multiplicadores de Lagrange correspondientes a los dos conjuntos de restricciones


yX
, , equivalentemente, AX-b
y X
respectivamente:

181

Aplicando las condiciones de Kuhn Tucker a este problema se obtiene:

Ntese que:

Sean:
S=b-AX 0 Las variables de holgura de las restricciones.
Las condiciones son entonces:

Como D es simtrica, entonces


restricciones produce:

. As, la transpuesta del primer conjunto de

As, las condiciones necesarias se reducen a:

Ntese que excepto para las condiciones


y
=0, las dems ecuaciones son
lineales en X, , u y S. O sea que el problema se reduce a resolver un conjunto de ecuaciones
lineales satisfaciendo las condiciones adicionales
y
=0 .
Como las condiciones de Kuhn Tucker son tambin suficientes en este caso, la
solucin factible que satisface todas estas condiciones tiene que ser la solucin optima nica.

182

Introduccin a la Modelacin Matemtica y Optimizacin

Para resolver este sistema se utiliza la fase I del mtodo de las dos fases, con la
condicin adicional
=0
y
. Esto se controla evitando que
y
sean
positivas (bsicas) simultneamente, y que
sean positivas (bsicas) simultneamente.
Ejemplo:
Maximizar Z =
Sujeto a:
(
Ntese primero que el ptimo no-restringido
viola la restriccin lineal.

*=

*=

no es factible ya que

Matricialmente, el problema puede reescribirse como:


Max Z =
Sujeto a:
(1 , 2)
(

Las condiciones de Kuhn Tucker vienen dadas como:

Para resolver estas ecuaciones se agregan dos variables artificiales y


de tal forma
que la submatriz idntica de orden 3 aparezca en las condiciones de Kuhn Tucker:

183

Por lo tanto podemos resolver este sistema de ecuaciones simulando la funcin


objetivo
Min r =

Sujeto a las mismas restricciones. Se obtiene as el tablero inicial:


0

Var. Bs.

Ntese que

1
1
0

6
2

14

10

2
1

2
4
2

1
2
0

-1
0
0

0
-1
0

1
0
0

0
1
0

0
0
1

-1

-1

-1

-1

puede entrar a la base pues

44 =1
62= 3
21 =2

= 0 (n-bsica). Luego el segundo tablero

es:
0

Var. Bs.

Iter.
#2

Iter
. #3

-1

43 = 1,3

-1

-1

1
0

0
0

0
-1

0
1

-1

-2

-1

-1

-2

-1

0
1

0
2
0

Fin
Fas
eI

0
0

-2

-1
0

=2

0
0

=2

22 = 1

184

Introduccin a la Modelacin Matemtica y Optimizacin

Como se encontr una solucin factible sin variables artificiales en la base, la solucin
ptima del problema original es:
*=

*=

*= 4

Ntese que en la iteracin # 2


pudo entrar a la base pues = 0 (n-bsica).
Similarmente en la iteracin No. 3 pudo entrar a la base porque era no-bsica (
.

10.2. UN
PROBLEMA
DETERMINSTICOS

DE

INVENTARIOS

Considrese un problema clsico de inventarios (Problema de la cantidad optima de


pedido EOQ), para el cual se tienen los siguientes parmetros y variables (ver Taha, Pg.
440):
y= Cantidad de pedido (unidades)
D= Demanda (Unidades / U. de tiempo)
= Duracin del ciclo de pedido (Unidades de tiempo)
K = Costo de preparacin de un pedido ($/pedido).
h = Costo de almacenamiento ($/ unidad por cada unidad de tiempo)
El costo total por unidad de tiempo viene dado por:
CTU(y) = Costo de preparacin por unidad de tiempo + costo de almacenamiento por
unidad de tiempo.
=

=
Pero

=
=

unidades de tiempo. Luego:

CTU(y)=

El valor ptimo y* se halla aplicando primero las condiciones necesarias:


+

= 0 y* =

Ntese que las condiciones de suficiencia son:

185

Para que y* =
=

, se obtiene:
=

Por lo tanto, y* es un mnimo.

10.3. CANTIDAD PTIMA DE PEDIDO CON LMITES


DE ALMACENAMIENTO
Este mtodo trata con n>1 artculos, cada uno con comportamiento semejante al caso
anterior. Ahora, los artculos compiten por un espacio limitado de almacenamiento.
Para

1, 2, , n, sean:

= Demanda
= Costo de preparacin
= Costo de manejo / unidad por unidad de tiempo
= Cantidad de pedido
= Requerimiento de rea (o volumen) de almacenamiento por cada unidad en
inventario
A = Area ( volumen) mximo de almacenamiento disponible para todos los n
artculos.
Si se supone que no hay faltantes (backorders), el modelo matemtico sera el
siguiente:

Sujeto a:

El problema se resuelve ignorando la restriccin de almacenamiento, en primera


instancia. As:
*=

; i= 1,2,, n

186

Introduccin a la Modelacin Matemtica y Optimizacin

Si los valores ptimos


* (n-restringidos) satisfacen la restriccin de
almacenamiento, la solucin actual es ptima. De lo contrario, la restriccin de
almacenamiento debe satisfacerse como igualdad y as la tcnica de los multiplicadores de
Lagrange es aplicable.
La funcin Lagrangiana es la siguiente:
L(

Recurdese de las condiciones de Kuhn Tucker que en este caso para minimizacin,
<0.
Adems, como CTU (
es convexa, y el problema tiene una sola
restriccin lineal, el ptimo obtenido es un mnimo global.
Las condiciones necesarias son:

De la primera ecuacin se obtiene:


*=
Obsrvese que para la solucin =0 coincide con el problema no-restringido. Dado
que <0, se puede resolver el problema por ensayo y error, hasta satisfacer la ecuacin de
almacenamiento.
Ejemplo: Se tienen los siguientes datos parta tres artculos en inventario:
Artculo i
1
2
3

($/pedido)
10
5
15

(u/da)
2
4
4

rea total de almacenamiento = 25 pies2


La solucin no-restringida dar lo siguiente:

($/u. da)
0,3
0,1
0,2

(pies2/u. da)
1
1
1

187

*=

*=

*=

= 11.55 Unidades
= 20.00 Unidades
= 24.49 Unidades

Esta solucin obviamente no satisface la restriccin de almacenamiento:


(1)

+ (1)

+ (1)

25

Por lo tanto, debe buscarse la solucin en funcin del

, as:

0
-0.1

11.55
8.94

20
11.55

24.49
17.32

31.04
12,81

-0.3
-0.4

3.67
6.03

7.56
6.67

12,25
10.95

1.48
-1.35

El proceso de bsqueda se puede refinar, obtenindose lo siguiente:

-0.344
-0.345
-0.346
-0.347
-0.348

6.360
6.356
3.350
6.3436
6.3372

7.12
7.116
7.107
7.0977
7.0888

11.62
11.612
11.599
11.5857
11.5728

O sea que el valor de = 0.348 es aceptable, obtenindose:


* = 6.337 unidades
* = 7.089 unidades
* = 11.573 unidades

0.1
0.084
0.056
0.027
-0.0012

188

Introduccin a la Modelacin Matemtica y Optimizacin

Ejercicio 10.1
Resuelva los siguientes problemas del libro de Taha:
1) Serie de problemas 20.2a (Pg 750-751): No. 2 y 3
2) Serie de problemas 20.3c (Pg 770-771): No. 2. Resuelva adems el siguiente problema:

Sujeto a:

Donde C es una constante > 0.


3) Serie de problemas 20.3d (Pg 777-779); No. 3.
4) Serie de problemas 21.1b (Pg 786-787): No. 2(b).
5) Serie de problemas 21.2b (Pg 801): No. 2.
6) Serie de problemas 11.3c (Pg 451-452): No. 3. Nota: Utilice los resultados del problema
No. 4 para aproximar a .

189

11. ANEXO 1: EL PROBLEMA DE LA


BAUXITA
Una compaa multinacional de aluminio tiene depsitos de bauxita (materia prima) en tres
lugares del mundo A, B y C. Tiene adems cuatro plantas donde la bauxita se convierte en
almina (un producto intermedio), en lugares B, C, D y E. Tambin tiene plantas de esmaltado
en los lugares D y E. El proceso de conversin de la bauxita en almina es relativamente poco
costoso. El esmaltado, sin embargo, es costoso puesto que se requiere de un equipo electrnico
especial. Una tonelada de almina produce 0.4 toneladas de aluminio terminado. Los datos
siguientes estn disponibles:

Minas de
bauxita

Costo de
explotacin
($/ton.)
420
360
540

A
B
C

Capacidad anual
de bauxita
(ton.)
36,000
52,000
28,000

Rendimiento
de almina
6.0%
8.0%
6.2%

Conversin de Bauxita en Almina:

Planta

Costo Produccin
($/ton almina)

B
C
D
E

330
320
380
240

Capacidad anual
procesamiento
de bauxita (ton/ao)
40,000
20,000
30,000
80,000

Costo fijo anual


de la planta
de almina ($/ao)
$ 3,000,000
$ 2,500,000
$ 4,800,000
$ 6,000,000

Proceso de Esmaltado:
Planta
D
E

Costo
Procesamiento
($/ton almina)
8,500
5,200

Capacidad anual
procesamiento
de Almina (ton/ao)
4,000
7,000

Las ventas anuales de aluminio terminado son de 1,000 ton en la planta D y de 1,200 ton en la
planta E.

190

Introduccin a la Modelacin Matemtica y Optimizacin

Costos de transporte en $/ton de bauxita:


DE

i =

HACIA
j =
A
B
C

B
1
400
10
1,630

1
2
3

C
2
2,010
630
10

D
3
510
220
620

D
1
220
620
0
1,465

E
2
1,510
940
1,615
0

E
4
1,920
1,510
940

Costos de transporte de la almina, en $/ton de almina:


DE

j =

HACIA
k =
B
C
D
E

1
2
3
4
Wj

Xij

B
Yjk

A
C

A
l
u
m
i
n
i
o

T
e
r
m
i
n
a
d
o

E
Minas de
Bauxita

Plantas de
Almina

Plantas de
Esmaltado

Figura 1. Cadena de abastecimiento de la bauxita


Los lingotes de producto terminado no se transportan entre D y E y viceversa. Formule y
resuelva un modelo de optimizacin para determinar la mejor configuracin y diseo de la
cadena de abastecimiento presentada. Note que existe el problema de determinar cules
plantas de almina deben ser abiertas.
La Figura 1 muestra la cadena de abastecimiento bajo anlisis. Para formular el modelo en
la forma tradicional, se plantean entonces las siguientes variables de decisin. Note que se
trata de una formulacin de arco y que las variables Xij y Yjk no representan el mismo tipo de
producto, lo que complicara o imposibilitara una formulacin de ruta.

191

Variables de Decisin
Xij

Ton/ao de bauxita a transportar desde la mina i hacia la planta de almina j; i =


A, B, C; j = B, C, D, E.

Yjk

Ton/ao de almina a transportar desde la planta de almina j hacia la planta de


esmaltado k; j = B, C, D, E; k = D, E.

Wj

1, si la planta de almina j se abre o permanece abierta; 0, de lo contrario; j = B,


C, D, E.

Funcin Objetivo
Minimizar Costo Total Anual

= Costo anual de explotacin de bauxita


+ Costo anual de produccin de almina
+ Costo anual de procesamiento de almina en las
plantas de esmaltado
+ Costo anual de transporte de bauxita desde las minas
hacia las plantas de almina
+ Costo anual de transporte de almina desde las plantas
de almina hacia las plantas de esmaltado
+ Costo fijo anual de las plantas de almina

Costo anual de explotacin de bauxita ($/ao):

Mina A : 420( X AB X AC X AD X AE )
Mina B : 360( X BB X BC X BD X BE )
Mina C : 540( X CB X CC X CD X CE )

Costo anual de produccin de almina ($/ao):

Planta B : 330(YBD YBE )


Planta C : 320(YCD YCE )
Planta D : 380(YDD YDE )
Planta E : 240(YED YEE )

192

Introduccin a la Modelacin Matemtica y Optimizacin

Costo anual de procesamiento de almina en las plantas de esmaltado ($/ao):

Planta D : 8,500(YBD YCD YDD YED )


Planta E : 5,200(YBE YCE YDE YEE )
Costo anual de transporte de bauxita desde las minas de bauxita hacia las plantas de almina
($/ao):

Desde la mina A : 400 X AB 2,010 X AC 510 X AD 1,920 X AE


Desde la mina B : 10 X BB 630 X BC 220 X BD 1,510 X BE
Desde la mina C : 1,630 X CB 10 X CC 620 X CD 940 X CE
Costo anual de transporte de almina desde las plantas de almina hacia las plantas de
esmaltado ($/ao):

Hacia la planta D : 220YBD 620YCD 1,465YED


Hacia la planta E : 1,510YBE 940YCE 1,615YDE
Costo fijo anual de las plantas de almina ($/ao):

Planta B : 3,000,000WB
Planta C : 2,500,000WC
Planta D : 4,800,000WD
Planta E : 6,000,000WE
Restricciones
1) Por capacidad anual de explotacin de bauxita en cada mina (Ton de bauxita/ao):

Mina A : X AB X AC X AD X AE 36,000
Mina B : X BB X BC X BD X BE 52,000
Mina C : X CB X CC X CD X CE 28,000
Estas restricciones expresan que todo el flujo anual de bauxita que sale de cada mina no puede
exceder su capacidad anual de explotacin. Note que aqu no hay decisiones de cierre de
minas involucradas, es decir, que se asume que las minas siempre van a estar abiertas.

193

2) Por capacidad anual de procesamiento de bauxita en cada planta de almina (Ton de


bauxita/ao):

Planta B : X AB X BB X CB 40,000WB
Planta C : X AC X BC X CC 20,000WC
Planta D : X AD X BD X CD 30,000WD
Planta E : X AE X BE X CE 80,000WE
Estas restricciones aseguran que no se puede recibir flujo alguno de bauxita desde las
minas, si la planta de almina destino no ha sido abierta. Las restricciones han sido
formuladas de acuerdo con la capacidad de cada planta de almina de procesar la bauxita
entrante. Otra forma en la que estas restricciones podran escribirse es de acuerdo con la
capacidad de cada planta de almina de producir almina saliente. Sin embargo, la
informacin dada en el problema no permite formularlas de esta forma.
Este ejemplo es til para ilustrar que las restricciones de capacidad en una planta
productora pueden escribirse con base en las materias primas entrantes o tambin con base en
los productos terminados salientes. En el caso de los ingenios azucareros, para ilustrar con
otro ejemplo, podramos escribir las restricciones de capacidad de procesamiento de la caa de
azcar que llega al ingenio o podramos definir las restricciones con base en la capacidad de
produccin de azcar. Obsrvese finalmente que las anteriores restricciones, en combinacin
con el conjunto de restricciones (5) descrito ms adelante, aseguran que no se puede despachar
cantidad alguna de almina hacia las plantas de esmaltado, si la planta origen no ha sido
abierta, completando as la lgica del modelo.
3) Por capacidad anual de procesamiento de almina en cada planta de esmaltado (Ton de
almina/ao):

Planta D : YBD YCD YDD YED 4,000


Planta E : YBE YCE YDE YEE 7,000
Estas restricciones expresan que todo el flujo anual de almina que llega a cada planta de
esmaltado no puede exceder su capacidad anual de procesamiento de almina. De nuevo, son
restricciones de capacidad dadas por la materia prima entrante a la planta.
4) Por ventas anuales de aluminio terminado en cada planta de esmaltado (Ton de aluminio
terminado/ao):

Planta D : 0.4(YBD YCD YDD YED ) 1,000


Planta E : 0.4(YBE YCE YDE YEE ) 1,200
Estas restricciones aseguran que la demanda anual proyectada en cada planta de esmaltado se
va a satisfacer en forma total. Ntese que se aplica el factor de rendimiento de almina en
aluminio terminado (0.4 toneladas de aluminio terminado por cada tonelada de almina). Esta
relacin sencilla permite en este modelo no formular variables adicionales para el aluminio

194

Introduccin a la Modelacin Matemtica y Optimizacin

terminado. En extensiones de este modelo, tal como la planteada en el Problema No. 1 de los
Ejercicios 12.1, es probable que se requieran formular variables de decisin adicionales.
5) Por balance de masa en cada una de las plantas de almina:

Planta B : 0.060 X AB 0.080 X BB 0.062 X CB YBD YBE


Planta C : 0.060 X AC 0.080 X BC 0.062 X CC YCD YCE
Planta D : 0.060 X AD 0.080 X BD 0.062 X CD YDD YDE
Planta E : 0.060 X AE 0.080 X BE 0.062 X CE YED YEE
Estas restricciones aseguran que la cantidad anual de bauxita que entra a cada planta de
almina, afectada por su correspondiente rendimiento para producir almina, es igual a la
cantidad anual de almina que sale de dicha planta hacia las plantas de esmaltado. Al
formular estas restricciones se asume, por una parte, la linealidad del proceso de
transformacin de bauxita en almina y, por la otra, que no hay diferenciacin de calidad de la
almina saliente. En la prctica, es posible que las cosas no sean as de sencillas y que cada
materia prima tenga calidad diferente y produzca diferentes calidades de un mismo producto
terminado.
6) Por lmites en los valores de cada una de las variables (restricciones obvias):

X ij 0 i, j
Y jk 0 j , k

W j 0, 1 j
El modelo matemtico para resolver el problema planteado comprende entonces minimizar la
funcin objetivo, sujeto a las restricciones anteriormente enunciadas. Al simplificar la funcin
objetivo y las restricciones, se obtiene el siguiente modelo de programacin lineal mixta:

M inimizar Costo Total Anual (CTA)


820 X AB 2430 X AC 930 X AD 2340 X AE 370 X BB 990 X BC 580 X BD 1870 X BE
2170 X CB 550 X CC 1160 X CD 1480 X CE 9050YBD 7040YBE 9440YCD 6460YCE
8880YDD 7195YDE 10205YED 5440YEE 3,000,000WB 2,500,000WC
4,800,000WD 6,000,000WE
Sujeto a:

X AB X AC X AD X AE 36,000
X BB X BC X BD X BE 52,000
X CB X CC X CD X CE 28,000

195

X AB X BB X CB 40,000WB 0
X AC X BC X CC 20,000WC 0
X AD X BD X CD 30,000WD 0
X AE X BE X CE 80,000WE 0

YBD YCD YDD YED 4,000


YBE YCE YDE YEE 7,000
0.4(YBD YCD YDD YED ) 1,000
0.4(YBE YCE YDE YEE ) 1,200
0.060 X AB 0.080 X BB 0.062 X CB YBD YBE 0
0.060 X AC 0.080 X BC 0.062 X CC YCD YCE 0
0.060 X AD 0.080 X BD 0.062 X CD YDD YDE 0
0.060 X AE 0.080 X BE 0.062 X CE YED YEE 0

X ij 0 i, j
Y jk 0 j , k

W j 0, 1 j
Este modelo contiene 24 variables de decisin, de las cuales 4 son binarias y el resto son
continuas, y 15 restricciones (sin incluir las restricciones obvias). Los modelos matemticos
de cadenas de abastecimiento internacionales que se formulan en la prctica pueden contener
decenas o cientos de miles de variables con decenas o cientos de miles de restricciones,
llegando incluso a millones de ellas. La dificultad para su solucin eficiente depende
principalmente del nmero de variables enteras (binarias) involucradas en el modelo y de su
estructura.
Solucin del modelo por solver de Excel
La solucin de este modelo puede encontrarse con la ayuda de software comercial especial
para ello, mediante el solver de Excel o incluso mediante un software ms especializado
como AMPL, a pesar de tratarse de un modelo pequeo. La hoja electrnica que resuelve este
modelo se muestra en la Figura 2. En general, cualquier modelo de programacin lineal
entera-mixta relativamente pequeo (por ejemplo, con un mximo de 240 celdas variables) se
puede resolver en formatos parecidos a los que se presentan en la figura mencionada.

196

Introduccin a la Modelacin Matemtica y Optimizacin

Figura 2. Hoja electrnica para la solucin del problema de la bauxita

La funcin objetivo, celda C35 en la Figura 2, se desarrolla con la funcin


SUMAPRODUCTO, calculando el producto escalar entre la columna de coeficientes de la
funcin objetivo (celdas C10 a C33) y la columna de celdas cambiantes que corresponde a las
variables de decisin (celdas B10 a B33). Cada una de las restricciones se puede transformar
dejando las variables de decisin al lado izquierdo de la desigualdad o de la ecuacin y al lado
derecho de stas el trmino constante. As, cada restriccin se puede escribir como una
columna (columnas D a la R), con cada uno de los coeficientes diferentes de cero al frente de
la variable correspondiente. En una fila aparte (celdas D37 a R37), se utiliza de nuevo la
funcin SUMAPRODUCTO para calcular el valor de cada restriccin de acuerdo con los
valores que tomen las variables del modelo. En otra fila (celdas D38 a R38), se copian los
trminos del lado derecho del modelo, o sea los recursos, demandas, etc. Para algunas
restricciones, como las de balance y las de capacidad con variables binarias como las de las
plantas de almina, este trmino del lado derecho puede ser igual a cero. Finalmente, si se
desea, en otra fila (celdas D39 a R39) se puede calcular la diferencia entre el trmino del lado
derecho y el correspondiente valor de cada restriccin, obtenindose as los recursos sobrantes,
los excesos, demandas insatisfechas, ceros en las ecuaciones de balance, etc., segn sea el
caso.
Con el modelo ya estructurado, se pasa a encontrar la solucin mediante el solver. En este
caso, la ventana del solver luce como se muestra en la Figura 3.

Figura 3. Ventana del solver para resolver el modelo


La celda objetivo corresponde a la celda del costo total $C$35. Las celdas cambiantes son
todas las variables de decisin, incluyendo todos los flujos (celdas B10 a la B29, es decir, las
variables Xij y Yjk) y las variables binarias de apertura de las plantas de almina (celdas B30 a
la B33, es decir, las variables Wj).
Las restricciones corresponden primero a aqullas que son de desigualdad de
correspondientes a las capacidades de las minas de bauxita, las plantas de almina y las
plantas de esmaltado (columnas D a la L). Obsrvese que estas restricciones se pueden
escribir en forma compacta mediante la expresin $D$37:$L$37 $D$38:$L$38, lo que

198

Introduccin a la Modelacin Matemtica y Optimizacin

significa que est tomando el valor de cada una de estas nueve restricciones y lo est haciendo
menor al recurso disponible en cada caso. El segundo grupo de restricciones hay que
escribirlo aparte porque son restricciones de igualdad y corresponden a las dos de demanda de
aluminio terminado, la cual se va a satisfacer exactamente, y a las cuatro de balance que por su
naturaleza siempre son igualdades (stas corresponden a la expresin $M$37:$R$37
$M$38:$R$38 de las restricciones del solver). Al solver se le debe decir cules de las
variables o celdas cambiantes son binarias. Para este efecto se tiene la expresin Apertura =
binario en solver. Ntese que aqu no aparecen las referencias de las celdas, ya que se ha
utilizado, para ilustrar, la definicin de un nombre en Excel y se han bautizado las celdas
B30 a B33 correspondientes a las variables binarias de apertura de plantas de almina con el
nombre de Apertura. Esto no es necesario hacerlo, pero muchas veces es conveniente para
efectos de identificacin y fcil recordacin de las variables.
El resto de variables o celdas cambiantes, por defecto, las tomar reales mayores iguales
que cero (aunque debe tenerse cuidado de que esto en realidad est definido as en la ventana
que se abre al pulsar las Opciones de la ventana del solver). Finalmente, cuando se le da el
comando Resolver al solver, se obtiene entonces la solucin ptima mostrada en la Figura 2
anterior.
Anlisis de la solucin ptima obtenida

40,000

1,666.7

1,760

C
B

1,000

1,200

1,240

12,000

D
C

1,440

1,060

20,000

A
l
u
m
i
n
i
o

T
e
r
m
i
n
a
d
o

E
Minas de
Bauxita

Plantas de
Almina

Plantas de
Esmaltado

Figura 4. Solucin ptima del problema de la bauxita


El valor de la funcin objetivo indica que el costo total de logstica mnimo es de 87,455,600
$/ao. Este costo incluye los costos de explotacin y produccin, los costos de transporte y
los costos fijos. Esto se logra abriendo las plantas de almina ubicadas en B, C y D (variables
binarias WB = WC = WD = 1) y cerrando la planta ubicada en E (variable binaria WE = 0), la

199

cual al parecer es una planta muy ineficiente, tiene un costo fijo muy alto y/o tiene problemas
de localizacin. Los flujos ptimos son los que se muestran en las celdas B10 a B29 de la
Figura 2, ilustrados en forma grfica en la Figura 4. Se sugiere al lector comprobar que los
balances de flujo tanto en las plantas de almina como en las plantas de esmaltado se cumplen.
En cuanto a los recursos sobrantes es importante notar que la mina A apenas est siendo
explotada en un 4.63% de su capacidad (1,667 de 36,000 ton/ao disponibles). Muy
probablemente anlisis adicionales pueden revelar que debera considerarse el cierre de esta
mina o la redistribucin de su materia prima. Adems, su bauxita es la de menor calidad de
acuerdo con su rendimiento de almina. En cuanto a las plantas de almina abiertas, la B y la
C trabajan al 100% de su capacidad y la D tiene una capacidad sobrante del 54.44% (sobran
16,333 ton/ao de capacidad de las 30,000 disponibles). Las plantas de esmaltado tambin
estn trabajando holgadamente: La planta D trabaja al 62.5 % de su capacidad y la E al
42.86%.

Algunos anlisis de sensibilidad


Se sugiere al lector comprobar que los siguientes anlisis de sensibilidad son correctos:
1. Si se obliga a la planta de almina E a estar abierta: Se
abren todas las plantas, pero no se produce nada en la planta
de almina E.
Simplemente se paga su costo fijo y el costo
total anual asciende a 93,455,600 $/ao.
2. Si slo se abren las plantas de almina B y C, el problema
no tiene solucin factible alguna.
3. Si slo se abren las plantas de almina B, C y E, se obtiene
una solucin ptima con un costo mnimo de 103,457,000 $/ao y
en este caso la planta E s debe producir para lograr suplir la
demanda de aluminio terminado.
4. Si se cierra la mina A, entonces el nuevo costo total de
logstica mnimo sera igual a 87,776,568 $/ao, es decir tan
slo un 0.367% mayor que el obtenido inicialmente.
Muy
probablemente los costos fijos de explotacin de la mina A son
mayores que este incremento de costo total y ello sugiera el
cierre de esta mina. Obviamente, una anlisis ms profundo es
necesario aqu, pues el cierre de cualquier instalacin siempre
debe analizarse integralmente considerando todos los impactos
que se pudieran producir.

Solucin del modelo por AMPL y por Internet en el NEOS Server


El modelo en AMPL para este problema es el siguiente:

200

Introduccin a la Modelacin Matemtica y Optimizacin

# MODELO EN AMPL CORRESPONDIENTE AL PROBLEMA DE LA BAUXITA


# CONJUNTOS PRINCIPALES
set MINAS; # Conjunto de minas de bauxita indexado por i
set PLALU; # Conjunto de plantas de almina indexado por j
set PLESM; # Conjunto de plantas de esmaltado indexado por k
# PARMETROS
param capal_es{k in PLESM} >= 0;
# Capacidad de procesamiento de
esmaltado k
# (Ton de almina/ao)

almina

en

la

planta

de

param capb_al{j in PLALU} >= 0;


# Capacidad de procesamiento de bauxita en la planta de almina
j
# (Ton de bauxita/ao)
param capbaux{i in MINAS} >= 0;
# Capacidad de explotacin de bauxita de la mina i (Ton de
bauxita/ao)
param cexp{i in MINAS} >= 0;
# Costo de explotacin de la mina i ($/Ton de bauxita)
param cfijo{j in PLALU} >= 0;
# Costo fijo de la planta de almina j ($/ao)
param cpal{j in PLALU} >= 0;
# Costo de produccin de almina en la planta de almina j
# ($/Ton de almina)
param cpes{k in PLESM} >= 0;
# Costo de procesamiento de la almina para producir aluminio
# terminado en la planta de esmaltado k ($/Ton de almina)
param ctran_al{j in PLALU, k in PLESM} >= 0;
# Costo de transporte de almina desde la planta de almina j
hacia
# la planta de esmaltado k ($/Ton de almina)
param ctran_b{i in MINAS, j in PLALU} >= 0;
# Costo de transporte de bauxita desde la mina de bauxita i
hacia
# la planta de almina j ($/Ton de bauxita)

201

param demanda{k in PLESM} >= 0;


# Demanda de aluminio terminado en la planta de esmaltado k
# (Ton de aluminio terminado/ao
param rendal{i in MINAS} >= 0;
# Rendimiento de almina de la bauxita extrada de la mina i
# (Ton de almina/Ton de bauxita)
param rendim >= 0;
# Rendimiento de almina para producir aluminio terminado
# (Ton de aluminio terminado/Ton de almina)

# VARIABLES DE DECISIN
var x{i in MINAS, j in PLALU} >= 0;
# Ton de bauxita/ao a explotar en la mina i
# y a transportar a la planta de almina j (Ton de bauxita/ao)
var y{j in PLALU, k in PLESM} >= 0;
# Ton de almina/ao a producir en la planta de almina j
# y a transportar a la planta de esmaltado k (Ton
almina/ao)

de

var w{j in PLALU} binary;


# Variable binaria = 1 si la pl. de almina j se abre, = 0 de
lo contrario
# FUNCIN OBJETIVO
minimize costo_total: # ($/ao)
sum{i in MINAS, j in PLALU} (cexp[i]*x[i,j])
# Costo anual de explotacin de bauxita
+ sum{j in PLALU, k in PLESM} (cpal[j]*y[j,k])
# Costo anual de produccin de almina
+ sum{j in PLALU, k in PLESM} (cpes[k]*y[j,k])
# Costo anual de procesamiento de almina en las plantas de
esmaltado
+ sum{i in MINAS, j in PLALU} (ctran_b[i,j]*x[i,j])
# Costo anual de transporte de bauxita desde las minas hacia
# las plantas de almina

202

Introduccin a la Modelacin Matemtica y Optimizacin

+ sum{j in PLALU, k in PLESM } (ctran_al[j,k]*y[j,k])


# Costo anual de transporte de almina desde las plantas de
almina
# hacia las plantas de esmaltado
+ sum{j in PLALU} (cfijo[j]*w[j]);
# Costo anual fijo de las plantas de almina
# RESTRICCIONES
# Por capacidad anual de explotacin de bauxita en cada mina
# (Ton de bauxita/ao):
subject to cap_exp{i in MINAS}:
sum{j in PLALU} (x[i,j]) <= capbaux[i];
# Por capacidad anual
planta de almina
# (Ton de bauxita/ao):

de

procesamiento

de

bauxita

en

cada

subject to cap_prodal{j in PLALU}:


sum{i in MINAS} (x[i,j]) <= capb_al[j]*w[j];
# Por capacidad anual de procesamiento de almina
# en cada planta de aluminio terminado
# (Ton de almina/ao):
subject to cap_procal{k in PLESM}:
sum{j in PLALU} (y[j,k]) <= capal_es [k];
# Por demanda (ventas) de aluminio terminado
# en cada planta de esmaltado
# (Ton de aluminio terminado/ao):
subject to demand_es{k in PLESM}:
sum{j in PLALU} (rendim*y[j,k]) = demanda[k];
# Por balance de masa en cada planta de almina
subject to balance{j in PLALU}:
sum{i in MINAS} (rendal[i]*x[i,j]) = sum{k in PLESM} (y[j,k]);
# Restricciones de configuracin para anlisis de sensibilidad:
# subject to pl_abierta_b:
# w["B"] = 1;

203

# subject to pl_abierta_c:
# w["C"] = 1;
# subject to pl_abierta_d:
# w["D"] = 1;
# subject to pl_abierta_e:
# w["E"] = 1;
El archivo de datos correspondiente al modelo anterior y de acuerdo con la informacin
dada al comienzo de este ejemplo es el siguiente:
# CONJUNTO DE DATOS EN AMPL CORRESPONDIENTE AL PROBLEMA DE LA
BAUXITA
# CONJUNTOS PRINCIPALES
set MINAS:= A B C;
set PLALU:= B C D E;
set PLESM:= D E;
# PARMETROS
# Capacidad de procesamiento
esmaltado k
# (Ton de almina/ao):

de

almina

en

la

planta

de

param capal_es:= D 4000 E 7000;


# Capacidad de procesamiento de bauxita en la planta de almina
j
# (Ton de bauxita/ao):
param capb_al:= B 40000 C 20000 D 30000 E 80000;
# Capacidad de explotacin de bauxita de la mina i
# (Ton de bauxita/ao):
param capbaux:= A 36000 B 52000 C 28000;
# Costo de explotacin de la mina i
# ($/Ton de bauxita):
param cexp:= A 420 B 360 C 540;

204

Introduccin a la Modelacin Matemtica y Optimizacin

# Costo fijo de la planta de almina j


# ($/ao):
param cfijo:= B 3000000 C 2500000 D 4800000 E 6000000;
# Costo de produccin de almina en la planta de almina j
# ($/Ton de almina).
param cpal:= B 330 C 320 D 380 E 240;
# Costo de procesamiento de la almina para producir aluminio
# terminado en la planta de esmaltado k
# ($/Ton de almina):
param cpes:= D 8500 E 5200;
# Costo de transporte de almina desde la planta de almina j
hacia
# la planta de esmaltado k
# ($/Ton de almina):
param ctran_al:
B
C
D
E

D
220
620
0
1465

:=

1510
940
1615
0;

# Costo de transporte de bauxita desde la mina de bauxita i


hacia
# la planta de almina j
# ($/Ton de bauxita):
param ctran_b:
A
B
C

400
10
1630

2010
630
10

510
220
620

:=

1920
1510
940;

# Demanda de aluminio terminado en la planta de esmaltado k


# (Ton de aluminio terminado/ao):
param demanda:= D 1000 E 1200;

205

# Rendimiento de almina de la bauxita extrada de la mina i


# (Ton de almina/Ton de bauxita):
param rendal:= A 0.060 B 0.080 C 0.062;
# Rendimiento de almina para producir aluminio terminado
# (Ton de aluminio terminado/Ton de almina):
param rendim:= 0.4;
Finalmente, el archivo de comandos es el siguiente:
# COMANDOS EN AMPL PROBLEMA DE LA BAUXITA PARA CORRER EN NEOS
POR INTERNET
# COMANDOS DE INICIALIZACIN DE CONDICIONES:
option
option
option
option
option
option
option

show_stats 1;
solution_precision 0;
omit_zero_rows 1;
omit_zero_cols 1;
display_precision 6;
display_round 1;
display_width 50;

# COMANDO DE SOLUCIN:
solve;
# COMANDOS DE IMPRESIN DE RESULTADOS:
printf "\n\n*************************************\n";
printf "RESULTADOS DEL PROBLEMA DE LA BAUXITA\n";
printf "*************************************\n\n";
printf "\nCOSTO TOTAL = \t%9.1f", costo_total;
printf "\n\nCONFIGURACION
ABIERTAS) =\n\n";
display w;

DEL

SISTEMA

(PLANTAS

DE

ALUMINA

printf "\nFLUJO DE BAUXITA DESDE MINAS HACIA PLANTAS DE ALUMINA


=\n\n";
display x;
printf "\nFLUJO DE ALUMINA
PLANTAS DE ESMALTADO =\n\n";
display y;

DESDE

PLANTAS

DE

ALUMINA

HACIA

206

Introduccin a la Modelacin Matemtica y Optimizacin

printf "\nCAPACIDAD SOBRANTE EN MINAS DE BAUXITA =\n\n";


display cap_exp.slack;
printf "\nPRECIOS SOMBRA DE MINAS DE BAUXITA =\n\n";
display cap_exp;
printf "\nCAPACIDAD SOBRANTE EN PLANTAS DE ALUMINA =\n\n";
display cap_prodal.slack;
printf "\nPRECIOS SOMBRA DE PLANTAS DE ALUMINA =\n\n";
display cap_prodal;
printf "\nCAPACIDAD SOBRANTE EN PLANTAS DE ESMALTADO =\n\n";
display cap_proc_alu.slack;
printf "\nPRECIOS SOMBRA DE PLANTAS DE ESMALTADO =\n\n";
display cap_proc_alu;
Los resultados que se obtienen con el anterior archivo de comandos son los siguientes, los
cuales coinciden totalmente con lo que ya habamos encontrado anteriormente:
*************************************
RESULTADOS DEL PROBLEMA DE LA BAUXITA
*************************************
COSTO TOTAL =

87455600.0

CONFIGURACION DEL SISTEMA (PLANTAS DE ALUMINA ABIERTAS) =


w [*] :=
B 1.0
C 1.0
D 1.0
FLUJO DE BAUXITA DESDE MINAS HACIA PLANTAS DE ALUMINA =
x
A
B
B
C

:=
D
B
D
C

1666.7
40000.0
12000.0
20000.0

207

FLUJO DE ALUMINA DESDE PLANTAS DE ALUMINA HACIA PLANTAS DE


ESMALTADO =
y
B
B
C
D

:=
D
E
E
D

1440.0
1760.0
1240.0
1060.0

CAPACIDAD SOBRANTE EN MINAS DE BAUXITA =


cap_exp.slack [*] :=
A 34333.3
C
8000.0
PRECIOS SOMBRA DE MINAS DE BAUXITA =
cap_exp [*] :=
B -660.0
CAPACIDAD SOBRANTE EN PLANTAS DE ALUMINA =
cap_prodal.slack [*] :=
D 16333.3
PRECIOS SOMBRA DE PLANTAS DE ALUMINA =
cap_prodal [*] :=
B -196.4
C -436.4
CAPACIDAD SOBRANTE EN PLANTAS DE ESMALTADO =
cap_proc_alu.slack [*] :=
D 1500.0
E 4000.0

ALGUNOS ANLISIS DE LA SOLUCIN PTIMA:


1.

CAPACIDAD ANUAL DE LAS MINAS:

Mina A: Slo se utilizan 1,666.67 ton/ao de las 36,000 ton/ao disponibles.


Mina B: Se utiliza a la mxima capacidad de 52,000 ton/ao.
Mina C: Slo se utilizan 20,000 ton/ao de las 28,000 ton/ao disponibles.

208

2.

Introduccin a la Modelacin Matemtica y Optimizacin

CAPACIDAD ANUAL DE PROCESAMIENTO DE BAUXITA EN LAS PLANTAS


DE ALMINA:

Planta B: Se utiliza a la mxima capacidad de 40,000 ton de bauxita/ao.


Planta C: Se utiliza a la mxima capacidad de 20,000 ton de bauxita/ao.
Planta D: Slo se utilizan 13,666.67 ton/ao de las 30,000 disponibles.
Planta E: No se abre.
3.

CAPACIDAD ANUAL DE PROCESAMIENTO DE ALMINA EN LAS


PLANTAS DE ESMALTADO:

Planta D: Slo se utilizan 2,500 ton/ao de las 4,000 ton/ao disponibles.


Planta E: Slo se utilizan 3,000 ton/ao de las 7,000 ton/ao disponibles.
4.

BALANCE DE MASA EN LAS PLANTAS DE ALMINA:

Verificar que stas se cumplen exactamente.

ALGUNOS ANLISIS DE SENSIBILIDAD:


5.

Si se obliga a la planta de almina E a estar abierta: Se abren todas las plantas, pero no se
produce nada en la planta de almina E. Simplemente se paga su costo fijo y el costo total
anual asciende a 93,455,600 $/ao.

6.

Si slo se abren las plantas B y C, el problema no tiene ninguna solucin factible.

7.

Si slo se abren las plantas B, C y E, se obtiene una solucin ptima con un costo mnimo
de 103,457,000 $/ao.

Se sugiere al lector realizar otros anlisis de sensibilidad.

209

12. ANEXO 2: EL PROBLEMA DEL


TRANSPORTE E INTRODUCCIN A
LA TEORA DE REDES
MODELOS DE REDES
Definicin de una red:
Una red consta de un conjunto de nodos unidos por arcos. La notacin empleada es
(N,A), donde:
N= Conjunto de nodos
A= Conjunto de Arcos
Por ejemplo, sea N = {1, 2, 3, 4} y A= {(1 , 2) , (1 , 3) , (2 , 3) , (2 , 4) , (3 , 4)}. La red
correspondiente sera la siguiente:
1

Normalmente, un arco tiene una capacidad asociada, la cual limita el posible flujo a
travs de el. Por ejemplo, se puede hablar de flujo de petrleo a travs de un oleoducto, de
flujo de productos a travs de una cadena de abastecimiento, o de flujo de vehculos a lo largo
de una red de careteras.
A consecuencia de lo anterior, una red puede ser dirigida u orientada si permite flujo
positivo en un sentido de sus arcos y flujo cero en el sentido contrario. Una red puede tambin
ser cclica cuando presenta al menos un ciclo, o sea cuando existe una ruta desde un nodo
hacia s mismo.
Por ejemplo en la red mostrada arriba, los arcos (1 , 2) , (2 , 3) y (3 , 1) forman un
ciclo. La red total es por lo tanto, cclica. Si una red no presenta ciclo alguno, se dice que es
acclica. Si la red es dirigida, el ciclo existe siempre y cuando sea consistente con las
direcciones de los flujos. En este caso el ciclo se denomina circuito. En la red siguiente, por
ejemplo, la serie de nodos 1-3-5-1 representa un circuito. Los nodos 1-2-3, sin embargo, no
representan un circuito.

210

Introduccin a la Modelacin Matemtica y Optimizacin

4
6

Una red es conectada cuando cada dos nodos distintos estn unidos por lo menos por
una ruta.
Un rbol es una red conectada acclica, incluyendo un subconjunto de los nodos de la red. Un
rbol de expansin es un rbol que incluye todos los nodos de la red. Por ejemplo, para la red
mostrada en la pgina anterior, se muestra un rbol y un rbol de expansin:

rbol de expansin mnima

ALGORITMO DEL RBOL DE EXPANSIN MNIMA


Un rbol de expansin minima21 de una red es un rbol de expansin cuyo costo
(valores sobre cada arco) sea mnimo. Una aplicacin tpica es el diseo de una red de
carreteras que une a varias poblaciones, donde existen mltiples alternativas para unirlas. Si se
desea minimizar el total de la longitud de carreteras pavimentadas, el rbol de expansin
mnima dara la respuesta:
En este algoritmo, se escoge un nodo cualquiera para iniciar y se definen dos conjuntos
de nodos en cada iteracin, los que ya han sido conectados y los que an no. Cada iteracin
determina el arco de longitud minima para unir uno de los nodos que ya han sido conectados
con los que no lo han sido. El algoritmo termina cuando todos los nodos han sido conectados,
resultando as el rbol de expansin mnima. Formalmente, el algoritmo es como sigue:
Sean los nodos de la red el conjunto N = {1, 2, , n}

21

Minimun Spanning Tree

211

Sean:
= Conjunto de nodos que se han conectado permanentemente en la iteracin k del
algoritmo.
= Conjunto de nodos que an no se han conectado.
Paso 0: Hacer = ,
N
Paso 1: Escoger cualquier nodo N. Hacer = { } y, por lo tanto,
N{ .
Hacer K=2.
Paso K: Seleccionar un nodo j*
que produce el arco ms corto hacia un nodo en
el conjunto conectado
. Unir permanentemente j* con
y eliminarlo de
, o sea:
,
Si
Parar. De lo contrario, hacer k=k+1 y repetir el paso k.
Ejemplo: Se muestran 6 poblaciones, las cuales deben ser unidas por una red de
carreteras con la longitud mnima de carreteras pavimentadas. Los arcos mostrados
representan todas las conexiones posibles con sus respectivas longitudes en km. Utilizando el
algoritmo del rbol de expansin mnima, determine cmo deben unirse las poblaciones.
50
0

15

13

2
48
17

25

32

6
52

50
0

75

12

100

Por conveniencia, se escoge el nodo 1 como el punto de partida del algoritmo. Por
conveniencia, los nodos que ya han sido conectados se muestran con doble crculo.

15

25

32

50
12
0

5
Iteracin 1

212

Introduccin a la Modelacin Matemtica y Optimizacin

50

15
48

25

32

50
12
0

5
Iteracin 2

Las lneas delgadas muestran los arcos candidatos en cada iteracin para unir el
conjunto de nodos que ya han sido conectados con el suplemento.
Las lneas punteadas representan el arco de longitud mnima y las lneas gruesas
representan los arcos permanentes que unen nodos ya conectados.
Ntese que en la iteracin 1, por ejemplo, j*=2, y en la iteracin 2, j*=4 y que dara
unido al nodo 1 , mediante el arco (1 , 4). En la pgina siguiente se muestra el resto de las
iteraciones.
50

13

15
48

25

32

6
17

50
12
0

5
Iteracin 3
50

13

15
48

25

32

6
17

50

52

100

Iteracin 4

213

15
48

25

32

6
75

17

50

100

Iteracin 5

15
48

25

32

6
17

Iteracin 6
(rbol de expansin mnima)

O sea que la longitud mnima de carreteras pavimentadas que unira a las poblaciones es igual
a 15+25+31+17+48 km = 137 km. Aunque visualmente el rbol de la iteracin 6 pareciese
cclico (lo cual sera una contradiccin), la figura siguiente aclara este aspecto:
1
25

15

32

17

48

rbol de expansin
mnima

214

Introduccin a la Modelacin Matemtica y Optimizacin

EL PROBLEMA DE LA RUTA MS CORTA (SHORTEST PATH)


Este problema consiste en determinar la ruta mas corta entre un punto de origen y un
punto de destino de la red (ver algunas aplicaciones en Taha, pg. 222-225).
Dos algoritmos para resolver este problema en redes cclicas o acclicas son:
El algoritmo de Dijkstra.
Algoritmo de Floyd.
El primero determina la ruta ms corta entre el nodo origen y cada uno de los otros
nodos de la red. L algoritmo de Floyd permite determinar la ruta ms corta entre dos nodos
cualesquiera de la red.
Se presentara el algoritmo de Dijkstra; el algoritmo de Floyd se deja para consulta en
las pginas 231-236 de Taha.
ALGORITMO DE DIJKSTRA:
En este algoritmo los nodos se clasifican de dos formas: como temporales y
permanentes. Los clculos del algoritmo avanzan de un nodo i a un nodo inmediatamente
siguiente, j.
Sea:
= Distancia mas corta desde el nodo de origen (nodo 1) al nodo i.
= Longitud del arco (i , j).
La clasificacin del nodo j se define entonces como:
[

]=[

],

Una clasificacin temporal se puede reemplazar con otra cuando se encuentra una ruta
ms corta. Cuando es evidente que no se puede encontrar una ruta ms corta, la clasificacin
temporal se cambia a permanente. El algoritmo completo es como sigue:
Paso 0: Clasificar el nodo de origen (nodo 1) como permanente [0,-]. Haga i=1.
Paso i:
(a) Calcular las clasificaciones temporales [
] para cada nodo j al que se
puede llegar desde el nodo i, siempre y cuando j no est clasificado permanentemente. Si el
nodo j ya no est clasificado con [
] a travs de otro nodo k i y si
,
reemplazar la clasificacin temporal [
] con la clasificacin temporal [
].
(b) Si todos los nodos son permanentes, parar. De lo contrario, selecciona la
clasificacin [
] con la distancia
mas corta entre todas las calificaciones temporales,

215

rompiendo con los empates en forma arbitraria. Haga i=r, clasifique el nodo r como
permanente y repita el paso i.
Ejemplo: Determine la ruta ms corta desde el nodo 1 hacia todos los nodos de la red

12

7
(Nodo
Origen)

5
7

13

siguiente:
La forma ms fcil de resolver los problemas de la ruta mas corta es hacerlo
directamente en la red, copiando las clasificaciones sucesivas. Cuando una clasificacin se
vuelve permanente, por notacin, se encierra en un rectngulo. La red de la pgina siguiente
v mostrando las clasificaciones sucesivas.
[7 , 1]

12

1
5

[0 , -]

[12 , 4]

[8 , 1]
7

[21 , 5]

13

6
[17 , 3]

[5 , 1]

Las rutas ms cortas desde el nodo de origen (nodo 1) y cualquier nodo se encuentran
partiendo del nodo destino y devolvindose con la informacin dada por las clasificaciones
permanentes. La tabla siguiente resume los resultados:

216

Introduccin a la Modelacin Matemtica y Optimizacin

Nodo
2
3
4
5
6
7

Distancia ms corta
desde el nodo 1
7
8
5
12
17
21

Ruta ms corta
desde el nodo 1
1-2
1-3
1-4
1-4-5
1-3-6
1-4-5-6

Queda a su discrecin el estudio del resto del capitulo 6 de Taha.

217

13. BIBLIOGRAFA
AHUJA, Ravindra K., Thomas L. Magnanti y James B. Orlin, Network Flows: Theory,
Algorithms, and Applications, Prentice Hall, Englewood Cliffs, New Jersey, 1993. (Excelente
texto para profundizacin en Teora de Redes)
BAZARAA, Mokhtar S., Hanif D. Sherali y C. M. Shetty, Nonlinear Programming:
Theory and Algorithms, 2 Edicin, John Wiley & Sons, Inc., New York, 1993. (Excelente
texto para profundizacin en Programacin No-Lineal)
DUQUE M., Ramn, Modelos Lineales: Formulacin, Universidad del Valle, Cali,
1987. (Coleccin de problemas formulados y resueltos para consulta)
ESCUDERO, L. F., E. Galindo, G. Garca, E. Gmez, V. Sabau y Schumann, A
modeling framework for supply chain management under uncertainty, European Journal of
Operational Research, Vol. 119, No. 1, 1999, pp. 1434. (Artculo de referencia)
FOURER, R., D. M. Gay y B. W. Kernighan, AMPL: A Modeling Language for
Mathematical Programming, The Scientific Press, San Francisco, 1993. (Este es el manual de
AMPL, un generador de modelos comercial excelente)
GOETSCHALCKX, Marc, Logistics Systems Design, versin 1.2.98, Georgia
Institute of Technology, 1998. (Texto de Logstica con aplicaciones selectas de modelacin
matemtica)
GOETSCHALCKX, Marc, Carlos J. Vidal y K. Dogan, Designing Global Supply
Chain Systems, European Journal of Operational Research, Vol. 143, No. 1, 118,
Noviembre de 2002. (Artculo de referencia)
HICKS, D. A Four Step Methodology for using Simulation and Optimization
Technologies in Strategic Supply Chain Planning, Proceedings of the 1999 Winter Simulation
Conference. (Ponencia de referencia)
HILLIER, Frederick S. y Gerald J. Lieberman, Introduccin a la Investigacin de
Operaciones, 6 Edicin, McGraw-Hill, 1997. (Este es el otro texto clsico de Investigacin de
Operaciones y se recomienda como consulta general)
CHVTAL, Vasek, Linear Programming, W. H. Freeman and Company, New York,
1983. (Buen texto para profundizacin en Programacin Lineal. Presenta un captulo completo
dedicado a aplicaciones de modelacin matemtica)
MATHUR, Kamlesh y D. Solow, Investigacin de Operaciones: El arte de la toma de
decisiones, Prentice-Hall Hispanoamericana, S. A., Mxico, 1996. (Excelente referencia para
la formulacin de modelos de programacin lineal y modelos en general)

218

Introduccin a la Modelacin Matemtica y Optimizacin

MOSKOWITZ, Herbert y Gordon P. Wright, Investigacin de Operaciones, Editorial


Prentice may Internacional, Englewood Cliffs, Bogot, 1982. (Otro texto clsico)
NEMHAUSER, George L. y Laurence A. Wolsey, Integer and Combinatorial
Optimization, John Wiley & Sons, New York, 1988. (Este es un excelente texto terico,
clsico de la programacin entera)
PRADO R., Hernando, Problemas de Investigacin de Operaciones, Universidad del
Valle, Cali, 1985. (Notas originales del profesor Prado para consulta general)
TAHA, Hamdy A., Investigacin de Operaciones: Una Introduccin, sexta edicin,
Prentice Hall, Mxico, 1998. (Texto clsico de referencia)
TAHA, Hamdy A., Investigacin de Operaciones: Una Introduccin, segunda edicin,
Representaciones y Servicios de Ingeniera S. A., Mxico, 1981. (Versin anterior al texto de
1998, con contenido diferente)
THIERAUF, Robert J. y Richad A. Grosse, Toma de decisiones por medio de
investigacin de operaciones, Editorial Limusa Wiley, S. A., Mxico, 1972. (Otro texto
clsico de Investigacin de Operaciones)
VIDAL, Carlos J. y M. Goetschalckx, "A Global Supply Chain Model with Transfer
Pricing and Transportation Cost Allocation," European Journal of Operational Research, Vol.
129, pp. 134 158, 2001. (Artculo de referencia)
VIDAL, Carlos J. y M. Goetschalckx, Un Caso de Aplicacin de Modelos
Matemticos para la Optimizacin de Cadenas de Abastecimiento en la Industria
Manufacturera, en: Innovacin y Transferencia de Tecnologa: Casos Prcticos en la
Facultad de Ingeniera, Ivn Enrique Ramos Caldern (compilador), Separata de la revista
ingeniera y competitividad, Facultad de Ingeniera, Universidad del Valle, pp. 4351, Mayo
de 2000. (Artculo ilustrativo sobre las aplicaciones reales de la Investigacin de Operaciones)
VIDAL, Carlos J. y M. Goetschalckx, Modeling the Effect of Uncertainties on Global
Logistics Systems, Journal of Business Logistics, Vol. 21, No. 1, pp. 95120, Abril de 2000.
(Artculo de referencia)
VIDAL, Carlos J. y M. Goetschalckx, Strategic production-distribution models: A
critical review with emphasis on global supply chain models, European Journal of
Operational Research, Vol. 98, pp. 118, Marzo de 1997. (Artculo de referencia)
WILLIAMS, H. P., Model Building in Mathematical Programming, 3 Edicin, John
Wiley & Sons, Inc., New York, 1990. (Excelente texto para profundizacin en Programacin
Lineal continua y entera y en modelacin matemtica en general)