Вы находитесь на странице: 1из 108

METODOS DE OPTIMIZACION

TEMA Nº 1

INTRODUCCIÓN DE MÉTODOS DE OPTIMIZACIÓN

1 ¿QUÉ ES MÉTODO?

Método es un conjunto de operaciones ordenados y definidas para lograr un fin


determinado, modo en que se obra algo con un determinado orden.

Existen métodos de todo tipo pero los que se estudiaran en la programación


lineal son: método simples, el método gráfico, los paquetes computarizados que se
utilizaran Lindo, WinQSB, Solver, etc.

 ¿QUÉ ES OPTIMIZACIÓN?

Optimización es un forma de minimizar los costos o maximizar los beneficios o


ingresos en una determina empresa o compañía, etc., que así lo requiera.

2. SISTEMA.

Un sistema es un conjunto ordenado de normas o principios, viene del latín


simulativo que significa reproducción de un fenómeno, estructura, organización,
aparato.

Así también es aquel que tiene componentes que interaccionan entre los mismos.
El comportamiento de cualquier parte tiene un efecto directo e indirecto con el
resto.

 MODELO.

Un modelo es una representación idealizada de una situación u objeto concreto


con un objeto determinado, proviene del latín modelum que significa molde, prototipo,
ideal.

Así también es el cuerpo de información relativa a un sistema, acabado para


fines de estudio que proporciona información que servirá a que se tome decisiones.

3. MODELOS DE OPTIMIZACIÓN.

Los modelos de optimización nos ayudarán para el modelado matemático, que


está diseñada para optimar el empleo de solución.

 TOMA DE DECISIONES.

La toma de decisiones es el término generalmente asociado con los primeros


cinco pasos del proceso de solución de problemas los cuales son los siguientes:

1. Definir el Problema.
2. Identificar las Alternativas.
3. Determinar los Criterios de Decisión.

1
METODOS DE OPTIMIZACION

4. Evaluar las Alternativas.


5. Elegir una Alternativa.

El primer paso es identificar y definir el problema, la toma de decisiones finaliza


con la elección de una alternativa, lo que constituye el acto de tomar de decisión.

El siguiente pasó del proceso que implica determinar los criterios que se usaran
para evaluar las cuatro alternativas, o las que se tengan.

Los problemas en los que el objetivo es encontrar la mejor solución con respecto
a un criterio único se conoce como problemas de decisión de un criterio, así también los
problemas que implican más de un criterio se conocen como problemas de decisión de
criterios múltiples.

También está listo para hacer una elección de la alternativas disponible, lo que
hace tan difícil esta fase de elección es que es probable que los criterios no sean de igual
importancia y ninguna alternativa sea “mejor” con respeto a todos los criterios, aunque
se decidirá seleccionar las alternativas más
favorable.

ESTRUCTURA
DEL PROBLEMA

4. TIPOS DE MODELOS.

Se analizaran varios tipos de modelos de decisión, los cuales se clasifican de la


siguiente manera:

EL PROBLEMA DE DETERMINISTICO ESTOCÁSTICO


DECISIÓN ES CIERTO INCIERTO
 Análisis de
SENCILLO  Modelos de caso
decisiones
 Modelos de
programación Lineal  Modelos de
COMPLEJO
 Modelos de simulación.
Transporte o Redes.
DINÁMICO  Modelos de  Modelos de
inventario Inventarios
 Modelos de Pert  Modelos de colas.
 Modelos de  Proceso de Markov.
asignación.  Programación

2
METODOS DE OPTIMIZACION

 Programación
Dinámica.
Dinámica.

 PROBLEMAS SENCILLOS. Al construir el modelo para el análisis


hay que simplificar todos los problemas, si con este se obtiene un número
pequeño de factores o variables, y relativamente pocas alternativas.
 PROBLEMAS DE CASO. 4es un modelo de un problema de decisión
que se analiza ensayando una serie de casos con diversas alternativas o distintas
hipótesis.

 LOS MODELOS DE ANÁLISIS DE DECISIONES. Incorporan la


aplicación de probabilidades para tomar decisiones en condiciones inciertas.

 PROBLEMAS COMPLEJOS. Muchos problemas de decisión


implican gran número de factores o de variables importantes, o pueden
considerar muchas alternativas.

 MODELOS DE PROGRAMACIÓN LINEAL Y ENTERA. Son


técnicas que más se usan para resolver los problemas empresariales grandes y
complejos de este tipo.

 LA SIMULACIÓN. Es una técnica para modelizar sistemas grandes y


complejos que representan incertidumbre.

 PROBLEMAS DINÁMICOS. De decisión comprenden un tipo de


complejidad especial.

 LOS MODELOS DE INVENTARIOS. Para determinar cuándo pedir y


cuantas existencias se deben almacenar; los modelos PERT O RUTA CRÍTICA
para la programación de proyectos.

 LOS MODELOS DE ESPERA O DE COLAS. Para problemas que


implican as colas de espera. concernientes a la operación de sistemas.

 LOS DE PROGRAMACIÓN DINÁMICA. Consisten en problemas


dinámicos más generales.

 LOS MODELOS DE PROCESOS DE MARKOV. Son utilices para


estudiar la evolución de ciertos sistemas a lo largo de ensayos repetidos.

Estos son métodos usados por los profesionales para la toma de decisiones de
una empresa.

5. MÉTODOS CUANTITATIVOS Y MÉTODOS CUALITATIVOS.

 LOS MÉTODOS CUANTITATIVOS.

Es la ciencia de la decisión, ciencia de la dirección o investigación de


operaciones, problemas empresariales.

3
METODOS DE OPTIMIZACION

Este puede tratar de manera eficaz los aspectos mensurables del problema de
decisión.

El análisis cuantitativo comienza en vez que el problema se ha estructurado. Por


lo general, para transformar una descripción más bien general de un problema en un
problema bien definido que puede abordarse por medio del análisis cuantitativo se
requiere imaginación, trabajo de equipo y un esfuerzo considerable.

Cuando el analista cuantitativo y el administrador acuerdan que el problema se


ha estructurado adecuadamente, puede comenzarse el trabajo de elaborar un modelo
para representar el problema en forma matemática, es entonces cuando pueden
emplearse procedimientos de solución para encontrar la mejor solución para el modelo.

El proceso de elaborar y solucionar modelos es la esencia del proceso del


análisis cuantitativo.

o DESARROLLO DE MODELOS.

• Los modelos que representan objetos o situaciones reales pueden


presentarse en varias formas, como modelos icónicos.

• Una segunda incluye modelos físicos, pero no tienen la mima apariencia


que el objeto modelado estos se conocen como modelos analógicos.

• Una tercera es el que se representa por un sistema de símbolos y


relaciones o expresiones matemáticas que se conocen como modelos
matemáticos.

El propósito o valor de cualquier modelo es que permite hacer inferencias acerca


de la situación real al estudiar y analizar el modelo.

Los modelos también tienen la ventaja de reducir el riesgo asociaos con la


experiencia con la situación real.

o PREPARACIÓN DE DATOS.

• Una etapa importante en el análisis cuantitativo de un problema es


la preparación de los datos requeridos por el modelo. En este sentido, los
datos se refieren a los valores de las entradas incontrolables para el
modelo. Todas las entradas o datos incontrolables deben especificarse
antes de que podamos analizar el modelo y recomendar una de decisión o
solución para el problema.

• Es necesaria una base de datos bastante grande para apoyar al


modelo matemático y especialistas en sistemas de información que
también participan en el paso de preparación de datos.

4
METODOS DE OPTIMIZACION

o SOLUCIÓN DEL MODELO.

• En esta etapa el analista intentara identificar los valores de las


variables de decisión que proporciona la mejor salida del modelo. El
valor o valores específicos de la variable de decisión que proporciona la
mejor salida se conoce como la salida optima.
Tanto el analista cuantitativo como el gerente estarán interesados en
determinar que tan buena es la solución en realidad.

o GENERACIÓN DE REPORTES.

• Una parte importante del proceso de análisis cuantitativo es la


preparación de reportes gerenciales basados en la solución del modelo la
solución de un problema basada en el análisis cuantitativo es una de las
entradas que se considera el gerente ante de tomas una decisión final. Por
tanto, los resultados del modelo deben aparecer en un reporte gerencial
que pueda comprender fácilmente quien tome las decisiones. El reporte
incluye la decisión recomendada y otra información pertinente acerca de
los resultados que pueda ser útil para el tomador de decisiones.

• Respecto a la importancia el gerente es responsable de integrar la


solución cuantitativa con consideraciones cualitativas para la mejor toma
de decisión posible.

 LOS MÉTODOS CUALITATIVOS.

Son términos monetarios trata de decisiones que afectan la moral o el liderazgo,


estas necesitan contar con un modelo intuitivo.

Muchas decisiones empresariales, en particular las más importantes,


comprenden algunas variables que son de naturaleza cualitativa, más que cuantitativa.
Por ejemplo, las decisiones importantes pueden afectar la moral o el liderazgo en una
organización o pueden alterar el empleo, las acciones positivas, la contaminación u otras
áreas de responsabilidad social. Muchos de estos factores no pueden expresarse en
términos monetarios.

Primero hay dos actitudes externas que deben evitarse. Una es omitir los factores
cualitativos, con el argumento de que los factores que no pueden medirse no son
importantes. El otro externo seria afirmar que los modelos cuantitativos no tienen valor,
ya que solo los factores cualitativos son importantes.

Un método más sensato es aceptar la idea de que el modelo cuantitativo puede


tratar de manera eficaz los aspectos mensurables del problema de decisión, y que el
decisor también deberá contar con un modelo intuitivo que considere las variables
cualitativas. El director deberá hallar un equilibrio adecuado entre los factores
cualitativos y los cuantitativos.

6. NATURALEZA DE LOS MÉTODOS CUALITATIVOS.

5
METODOS DE OPTIMIZACION

Como se sabe los métodos cuantitativos son una disciplina que intenta ayudar en
la toma de decisiones mediante la aplicación de un enfoque científico a problemas
administrativos que involucran factores cuantitativos.

Aunque tiene raíces mucho más antiguas, el rápido desarrollo de la disciplina


comenzó en las décadas de 1940 y 1950 a principios de la segunda guerra mundial,
cuando gran número de científicos aplicaron un enfoque científico a la administración
del esfuerzo bélico para los alados.

Otro acontecimiento hito fue en 1947 del método simplex por GEORGE
DANTIZG para resolver problemas de programación lineal, otro factor que impulso el
crecimiento de la disciplina fue la revolución de la computación.

Una sociedad de EE.UU. estableció el INSTITUTO DE INVESTIGACIÓN DE


OPERACIONES Y CIENCIAS DE LA ADMINISTRACIÓN con 12000 miembros de
dicada al estudio de investigación de operaciones.

La investigación de operaciones y métodos cuantitativos IO/MC es una


verdadera disciplina internacional.

Tanto Europa como Asia tienen federaciones de sociedades de investigación de


operaciones para considerar las conferencias internacionales y la publicación en revistas
internacionales entre continentes.

 ALGUNAS APLICACIONES CLÁSICAS GANADORES DE PREMIOS


DE MÉTODOS CUANTITATIVOS.

CAPACIDAD
NATURALEZA NUMERO
DE AHORRO
ORGANIZACIÓN Y DE
CANTIDAD ANUALES
APLICACIÓN INTERFACE
ESTUDIADA
Programación de
turnos de trabajo
en oficinas de
Enero -
UNITED AIRLINES reservas para 2,3,13,14 $6 millones
Febrero 1986
cubrir las
necesidades a un
costo mínimo.
Optimización de
operaciones de
CITGO refinería y
Enero – $70
PETROLEON suministro, 2,3,6
Febrero 1987 millones.
CORPORATION distribución y
comercialización
de productos.
SAN FRANCISCO Optimización de Enero – 8 $11

6
METODOS DE OPTIMIZACION

turnos y
despliegue de
oficiales de
PÓLICE
carros Febrero 1989 millones
DEPARTAMENT
patrulleros con
un sistema
computarizado.
Programación
optima de las
HORMART ventas de centros Enero – $40
9
DEVELOPMEN CO. comerciales y Febrero 1987 millones
edificios de
oficinas.
Optimización de
selección d sitios
∆en ventas
para centros de Enero –
AT&T 9 de $406
tele mercados Febrero 1990
millones
para clientes
AT&T.
Definición y
evaluación de
nuevas estrategia
para Diciembre $10
AMOCO OIL CO. 10
comercialización 1982 millones
de los nuevos
productos de la
compañía.
Realización de
análisis técnico y Marzo -
U.S. POSTAL económico de Abril1987 $200
10,15
SERVICE opciones para la Enero – millones
automatización Febrero 1992
postal.
Control de
STANDARD inventario de Diciembre $3.8
11
BRANDS INC. productos 1981 millones
terminados
Integra una red $20
nacional de inv., millones +
Enero -
IBM de refacciones 12 $250
Febrero 1990
para mejorar el millones-
apoyo al servicio. de inv.
Aplicación de
pronósticos
estadísticos para
HIDROELÉCTRICA administración de Enero –
13 $2 millones
ESPAÑOLA un sistema de Febrero 1990
presas usado
para generar
energía.

7
METODOS DE OPTIMIZACION

Modificación
para reparar
Noviembre
XEROX CORP. maquinas de 14 50% mejor.
1975
clientes y reducir
costos

7. OPTIMIZACIÓN E INVESTIGACIÓN OPERATIVA.

 LA OPTIMIZACIÓN.

Es la busque de la mejor solución entre las posibles a un problema determinado.

Para poder determinar cuál es la decisión optima, dadas las restricciones y


siempre que la naturaleza del problema a resolverlo permita, es conveniente
formularlo en términos matemáticos.

La optimización matemática es una herramienta que permite establecer ciertos


resultaos y resolver determinados problemas.

 LA INTRODUCCIÓN A LA INVESTIGACIÓN OPERATIVA.

La Investigación Operativa aborda los problemas de optimización, también


enfatizan los aspectos del moldeamiento que son de gran importancia.

La Investigación Operativa se define como la aplicación de métodos científicos


a la administración y gestión de organizaciones militares, gubernamentales,
comerciales e industriales, se resume como:

“CIENCIA DE LA TOMA DE DECISIONES”

Una de las disciplinas principales de la I.O., es la programación matemática. El


problema básico que se trata aquí es el de encontrar el mejor valor de alguna
medida de desempleo (función objetivo), siempre que las variables de decisión
involucradas cumplen adicionalmente ciertas condiciones o restricciones y de
esta manera desarrolla el termino problema que se tenga.

La Investigación Operativa se usa según la metodología que se aplica para


enfrentar una situación particular con el enfoque de Investigación Operativa.

Un marco general puede ser el descrito por las actividades que son:

“DEFINICIÓN DEL PROBLEMA”


Mediante una identificación y comprensión de manera que pueda expresarlo de
manera precisa.

“CONSTRUCCIÓN DEL MODELO”

Este a menudo identificado variables de decisión, un objetivo matemático, y


limitaciones.

8
METODOS DE OPTIMIZACION

“RESOLUCIÓN DEL PROBLEMA”

Cuando una técnica se encuentra una técnica de administración apropiada.

“VALIDACIÓN DEL MÉTODO”


Cuando la intuición y la experiencia sirven para determinar la solución optima
del modelo tiene sentido y pueda llevarse a cabo.

“PONER EN PRACTICA Y SUPERVISAR LA EVOLUCIÓN”

Es muy importante verificar los resultados y soluciones para que se puedan


transformar en herramientas de apoyo a la toma de decisiones en la
organización.

8. OPTIMIZACIÓN Y MÉTODOS CUANTITATIVOS.

Para determinar cuál es la alternativa óptima, (¿Qué produce el mejor valor?), se


usara de métodos cuantitativos como:

• PROGRAMACIÓN LINEAL • MODELOS DE SIMULACIÓN


• PROGRAMACIÓN DE
• ANÁLISIS DE DECISIONES
PROYECTOS PERT
• MODELOS DE INVENTAROS • PROGRAMACIÓN DE METAS
• PROCESO DE JERARQUÍA
• MODELOS DE COLAS
ANALÍTICA
• MODELOS MARKOV • PRONOSTICO

Estos son los utilizados con mayor frecuencia por los profesionales que
necesitan de estos métodos.

9. MÉTODOS CUANTITATIVOS EN LA GESTIÓN EMPRESA.

Los métodos cuantitativos nos ayudan para la toma de decisiones en la empresa,


proceso por medio del cual la gerencia al enfrentarse a un problema, selecciona un curso
de acción específico o solución de un conjunto de alternativas.

Puesto que por lo general hay incertidumbre con respecto al futuro no es posible
estar seguro de las decisiones que se tome y tampoco se puede asegurar que la decisión
que se elija produzca los mejores resultados.

Un método general para que puedan utilizarlo os directivos de una empresa


cuando se enfrentan a problemas de decisiones los métodos cuantitativos.

10. ANÁLISIS CUANTITATIVO Y LA TOMA DE DECISIONES.

Los métodos cuantitativos son particularmente útiles con problemas grandes y


complejos, actividades que forman el proceso de toma de decisiones pueden adoptar dos
formas básicas cuantitativas y cualitativas, el análisis cuantitativo basado en la
investigación y el cualitativo más intuitivo “sentimiento”.

9
METODOS DE OPTIMIZACION

LA FUNCIÓN DE L ANÁLISIS CUANTITATIVO Y CUALITATIVO


DEL PROCESO DE TOMA DE DECISIONES.

ANALIZAR EL PROBLEMA
ESTRUCTURA DEL PROBLEMA

ANÁLISIS
IDENTIFICAR
CUALITATIVO
DEFINIR EL LAS DETERMINAR RESUMEN Y TOMA DE
PROBLEMA ALTERNATIVAS LOS CRITERIOS EVALUACIÓN DECISIÓN
ANÁLISIS
CUANTITATIVO

11. CONSTRUCCIÓN DE MODELOS.

Una vez que el decisor selecciona los factores decisivos o variables de la


situación, estos se combinan de manera lógica para que formen un modelo del problema
real.

El objetivo del decidor es la búsqueda del modelo más sencillo que pronostique
los resultados con precisión razonable y que será consistente con la acción efectiva.

La calidad de un modelo, esto es cuán bien representa este la realidad, que


depende de la percepción, creatividad, intuitivo, conocimiento e imaginación del
modelador.

Las variables que intervienen en un modelo pueden ser:

• VARIABLES DE DECISIÓN O ENDÓGENAS.

Representan las decisiones cuantificables abordables por el estudio,


cuyos valores se intentan determinar por medio de la solución del
modelo.

• VARIABLES EXÓGENAS O PARÁMETROS.

Representan aquellas decisiones que son o han sido tomadas fuera del
ámbito del sistema considerado, desde el punto de vista del modelo, estas
variables son datos que pueden tener comportamiento aleatorio
deterministico.

• VARIABLES DE ESTADO.

10
METODOS DE OPTIMIZACION

Son variables que caracterizan la situación en que se encuentra el sistema


en un instante dado y su valor dependiente de las variables de decisión y
de los parámetros.

De esta forma, resolver un modelo implica intentar determinar el valor de


las variables de decisión de este modo que se cumplan las restricciones y
que se obtengan el mejor valor posible, es decir que se optimice la
función objetivo.

Los modelos que se optimizan la función objetivo se denominan modelos


de programación matemática u optimización.

11
METODOS DE OPTIMIZACION

TEMA Nº 2
FUNCIONES, REGIONES Y OPTIMIZACIÓN

1. DEFINICIÓN DE FUNCIÓN.

Una función define explícitamente al dominio y a rango, donde el dominio es


una variable independiente que se llama función explicita, y una variable dependiente
que se llama implícita. Por ejemplo:

EXPLICITA IMPLÍCITA
Y = f(x) = x3+3x2+6x-4 3x2+3xy+4=0

 REGIÓN.

Es el conjunto de puntos factibles con todas las restricciones también


denominada región factible.

El punto óptimo siempre estará en un vértice de la región factible.

 OPTIMIZACIÓN.

Optimización es hallar la mejor solución entre las posibles a un determinado


problema.

En el siguiente grafico se verá las funciones de beneficio, la región factible y la


solución optima.
X2
UNIDADES DEL PRODUCTO B

F* D
REGIÓN FACTIBLE

A C
X1
UNIDADES DEL PRODUCTO A
2. CONJUNTO.

12
METODOS DE OPTIMIZACION

Un conjunto es una colección bien definida de objetos, a los que se les llama
elementos.

A los conjuntos se les denota que medio del siguiente tipo de paréntesis {},
dentro del cual se listan todos los elementos.
Por ejemplo, si P es el conjunto de los primeros seis números primos se tiene:

P= {1, 2, 3, 5, 7,11}

Cuando dos conjuntos son iguales A Y B:

A= {1, 2,3} B= {3, 1,2}

Cuando dos conjuntos son diferentes A≠B

A= {5, 6,9} B= {3, 4,2}

Cuando un conjunto es vacio, que no tienen elementos se denota por ø

Ø= {}

En el algebra de conjuntos se tiene las siguientes propiedades:

• IDE POTENTES:
• CONMUTATIVA:
• ASOCIATIVA:
• DISTRIBUTIVAS:

• DUALES: A

 PRODUCTO CARTESIANO.

El producto cartesiano se define como una pareja, al conjunto que consiste de


dos elementos. Ejemplo:

AxB= {(X, Y) |XєA, YєB}

PRODUCTO
CARTESIANO

 GRÁFICAMENTE:
YєB

X (X, Y)

13
METODOS DE OPTIMIZACION

XєA

3. RELACIONES Y FUNCIONES.

Una relación es un conjunto de parte ordenados, es decir cualquier subconjunto


del producto cartesiano AxB se define una relación entre los elementos de A y los
elementos de B.

Al conjunto A se le llama dominio de la relación, mientras que a B se le llama el


rango de la relación, por ejemplo, sean:

A = {1, 2, 3}

B= {X, Y}

ENTONCES:

AxB= {(1, x), (1, y), (2, x), (2, y), (3, x), (3, y)}

Una función es una relación entre dos conjuntos A y B tal que por cada elemento
x del dominio A se le asigna uno y solo un elemento Y del rango B.

Se expresa a una función por:

y= f(x)

GRÁFICAMENTE

A B
f(x)

regla que
asocia
a y con x
X Y

DOMINIO RANGO

14
METODOS DE OPTIMIZACION

4. COMPOSICIÓN DE FUNCIONES

Si a un elemento X del dominio A, se le aplica una función f(x), para obtener un


elemento Y del rango B, y si al elemento Y, se le aplica otra función g (y) para obtener
otro elemento Z en otro rango C, entonces se tiene una composición de funciones que
asocia el elemento Z con el elemento X de la siguiente forma:

g(f(x))

x z

f(x) g(x)

A C

5. GRAFICA DE FUNCIONES.

Dada una función de una o dos variables, se le puede graficar.

En efecto, si y=f(x), se construye dos ejes perpendiculares, uno de los cuales


mide el valor de la variable independiente, y otro el de la variable dependiente. Al
primer eje se le conoce como abscisa, mientras que el segundo eje como ordenada. Por
ejemplo:
y=f(x)=2x
Gráficamente, esta función se puede representar de la siguiente manera:
Y y=f(x)=2x
x y= 2x
0 2(0)=0
1 2(1)=1 4
2 2(2)=4
3 2(3)=6 (2, 4)

2
15

1 2
METODOS DE OPTIMIZACION

(1,2)

x
6. CONJUNTOS CONVEXOS.

Dados los vectores x1, x2,…,xk є Rn se dice que el vector y es una combinación
lineal convexa de x1, x2,…,xk si:

 DEFINICIÓN 1

Un subconjunto S de Rn diremos que es convexo si para cada par de puntos


y todo se verifica que . Es decir si
llamamos segmento de extremos al conjunto:

 DEFINICIÓN 2

Dado un conjunto de elementos de Rn se dice que con:

Es una combinación lineal de los elementos de M si x1єR i=1…m.

Combinación lineal no negativa de los elementos de M si x1≥0 i=1…m.

 DEFINICIÓN 3

Sea S un subconjunto arbitrario de Rn se denomina cierre convexo de S, al


conjunto H(S) formado por todas las combinaciones lineales convexas de
elementos de S.

7. FUNCIONES CÓNCAVAS Y CONVEXAS.

 DEFINICIÓN 4.

Sea M un subconjunto convexo y no vacío de Rn y f una función definida de M


en R. entonces se dice que:

i) la función es convexa en M si y solo si para cualquier y para todo


se verifica.

16
METODOS DE OPTIMIZACION

ii) la función es cóncava en M si solo si para cualquier y para todo


se verifica:

iii) la función es estrictamente convexa en M si solo si para cualquier


con y todo se verifica que:

iv) la función e estrictamente cóncava en M si solo si para cualquier


con y todo se verifica que:

 PROPOSICIÓN.

Sea h(x)=(gnf)(x) con fMRn|y,g| cRR siendo M un conjunto convexo de


Rn є F un intervalo de R. entonces se tiene que:

i)
ii) si f es convexa y g es decreciente y cóncava, la función h es cóncava.
iii) si f es cóncava y g es decreciente y convexa, la función h es convexa.
iv) s f es cóncava y g es creciente y cóncava, la función h es cóncava.

Gráficamente se tiene:

CONVEXA CÓNCAVA

8. CONVEXIDAD DE CONJUNTOS Y FUNCIONES.

El análisis de la convexidad de conjuntos y de algunos tipos de convexidad o


concavidad de funciones estos van a desempeñar como instrumento en la teoría de la
optimización matemática hace que se estudie.

17
METODOS DE OPTIMIZACION

Se comienza introduciendo los conjuntos con objeto de facilitar el estudio de


este tipo en funciones se introducen condiciones necesarias, validas para funciones C1 o
C2, es decir con derivadas parciales primeras o segundas continuas, se establecen
condiciones más operativas para determinar el carácter de convexidad o concavidad de
una función.

Las funciones se pueden caracterizar a través de la convexidad de ciertos


conjuntos relacionados con los conjuntos de soluciones factibles de los programa
matemáticos.

9. FUNCIÓN OBJETIVO, RESTRICCIONES, CONDICIONES DE


EXISTENCIA.

Los modelos de programación lineal, los modelos matemáticos se forman de la


siguiente manera:

 CONDICIONES DE OPTIMIZACIÓN.

Corresponde a establecer si el modelo será de maximización o minimización.


Esto depende de los objetivos perseguidos.

 FUNCIÓN OBJETIVO.

Es el criterio que orientara las decisiones y está representada por la función


escalar f(x1,…,xn) generalmente esta función representa beneficios, costos,
ingresos, etc.

 RESTRICCIONES.

Cada una de ellas corresponde a una limitación del sistema que se


incorporada a modelo y se representan por medio de las funciones escalares
g(x1,…,xn) i=1…M. a modo de ejemplo: espacio máximo disponible,
cantidad mínima de producto requerid, presupuesto disponible, etc.

 VARIABLES DE DECISIÓN.

Los elementos que representan matemáticamente las decisiones que se desea


apoyar son las variables o incógnitas del modelo y se denota por (x1,…,xn).
Ellas corresponden, por ejemplo, a la cantidad de producto por fabricar,
numero de equipos por reemplazar, si una ciudad es visitada o no, etc.

18
METODOS DE OPTIMIZACION

TEMA Nº 3

OPTIMIZACIÓN LINEAL

1. MODELAMIENTO.

El modelamiento es un proceso propio de los seres humanos. Mediante este


proceso el individuo, de acuerdo a su experiencia y conocimiento, define una
representación de un fenómeno o situación. Nosotros entendemos y explicamos nuestras
acciones por medio de la construcción de modelos.

Un modelo es una herramienta que permite estudia fenómenos o situaciones que


son observables, capturando los aspectos más importantes y presentándolos de manera
de facilitar su interpretación y compresión.

El modelamiento con lleva tres conceptos importantes de ser destacados:

 Interpretación individual.
 Ámbito de interpretación.
 Representaciones del fenómeno.

Respecto a la interpretación individual, debe observarse que el modelo es fruto


de la experiencia del individuo de su conocimiento.

Uno de los aspectos relevantes en la concepción de un modelo corresponde a la


definición del ámbito de interpretación, por ello se entenderá la definición de lo que es
relevante y lo que no lo es. Este proceso es conocido con el nombre de abstracción, y
depende de los objetivos perseguidos con el modelo.

Finalmente, la representación del fenómeno corresponde a la transformación de


elementos y relaciones seleccionados mediante el proceso de abstracción en otros
elementos y procedimientos reglas que permiten estructurar el modelo.

El amplio espectro que abarca el modelamiento, desde modelos sociales,


filosóficos hasta matemáticos, hace difícil el desarrollo de metodologías generales para
la construcción de modelos.
En optimización lineal se considera los modelos matemáticos que pueden ser
utilizados como apoyo a la toma de decisiones en la gestión de diversas organizaciones.

2. RESOLUCIÓN Y ANÁLISIS DE PROBLEMAS DE PROGRAMACIÓN


LINEAL.

19
METODOS DE OPTIMIZACION

Existe una amplia gama de problemas que pueden formularse como modelos de
programación lineal, pueden ser muy grandes y complejos, para los cuales se emplea
métodos de computación.

Las soluciones de los problemas de programación lineal ofrecen muchos detalles


y para comprender plenamente las soluciones, es necesario conocer algo acerca del
proceso de resolución y los conceptos útiles que los gerentes pueden obtener de estas
soluciones.
 SOLUCIÓN GRAFICA.

Se puede resolver un problema sencillo en forma grafica, ya que los


problemas de mayor dimensión tienen soluciones semejantes.

 ANÁLISIS DE SENSIBILIDAD.

Para las restricciones también es importante que el gerente comprenda cuan


sensible es la solución a los cambios en las suposiciones y a los factores
exógenos.

 PRECIO DUAL.

Valor marginal o precio sombra es el cambio incremental en los benéficos


por cambio unitario en el termino independiente de una restricción.

 COSTOS REDUCIDOS.

Precios duales para restricciones de no negatividad, los valores marginales


de bien introducirse en la solución una unidad de una variable de decisión.

Evaluación de nuevos productos se realizaran una evaluación de costos de


oportunidad este se halla:

PRECIO DUAL * UNIDADES REQUERIDAS

Si el costo de oportunidad es < que el benéfico por unidad del nuevo


producto, entonces este es rentable y debe incluirse caso contrario no debe
fabricarse el producto.

 COEFICIENTE DE LA FUNCIÓN OBJETIVO.

Un gerente puede interesarse por lo que puede suceder con la solución de un


problema de programación lineal si cambia de los coeficientes de la función
objetivo.

Hay varios programas de computación para la resolución de problemas de


programación lineal, incluyendo los existente en las hojas de cálculo, (Excel,
Lindo, Lingo, WinQSB, etc.)

3. OPTIMIZACIÓN LINEAL.

20
METODOS DE OPTIMIZACION

los modelos de optimización lineal son importantes porque captan la esencia de


muchas situaciones de administración decisivas.

Existen técnicas de busque da muy eficiente para optimar los modelos lineales
restringidas. Por razones históricas, a los modelos lineales restringíos se les llama
programas lineales (PL).

No obstante, la flexibilidad de las hojas de cálculo electrónicas exigen que se


preste atención al modelo PL, antes de proceder con los detalles del proceso de
optimización propiamente dicho.

Un modelo de optimización lineal toma la forma de una medida de desempeño


que se optimizara a través de una gama de valores factibles de las variables de decisión.

4. APLICACIÓN DE SOFTWARE.

• APLICACIÓN CLÁSICA DE MEZCLA DE PRODUCTOS.

Pandina Ltda., exporta 3 productos de chanco:

o Airtex (material esponjoso)


o Extendex (material elástico)
o Resistex (material rígido)

Los productos requieren los mismos 3 polímeros químicos y una base la


cantidad de cada ingrediente usada por libra del producto final se muestra en
la siguiente tabla.

PRODUCTO INGREDIENTES EN ONZAS/LIBRA DE PRODUCTO


POLÍMERO POLÍMERO POLÍMERO
BASE
A B C
AIRTEX 4 2 4 6
EXTENDEX 3 2 2 9
RESISTEX 6 3 5 2

Pandina Ltda., tiene compromisos de exportación de la menos 1000 lb., de


Airtex, 500 lb., de Extendex y 400 lb., de Resistex para la próxima semana,
pero la gerencia de la compañía sabe que puede vender más de cada uno de
los 3 productos. Los inventarios actuales de los ingredientes son 500 lb., del
polímero A, 425 lb., del polímero B, 650 lb., del polímero C y 1100 lb., de la
base. Cada libra de Airtex genera a la compañía una ganancia de 7 $, cada
libra de Extendex una ganancia de 7 $, y cada libra de Resistex una ganancia
de 6 $, como gerencia usted necesita determinar un plan óptimo para esta
semana.

SOLUCIÓN.

I) V.D.
AIR: Cantidad a producir de Airtex en libras semanalmente.
EXT.: Cantidad a producir de Extendex en libras semanalmente.

21
METODOS DE OPTIMIZACION

RES: Cantidad a producir de Resistex en libras semanalmente.

II) F.O.

MAX Z= 7 AIR + 7 EXT. + 6 RES

III) RESTRICCIONES.

AIR>1000
EXT.>500
RES>400
4 AIR + 3 EXT. + 6 RES < 8000
2 AIR + 2 EXT. + 8 RES < 6800
4 AIR + 2 EXT. + 5 RES < 10400
6 AIR + 9 EXT. + 2 RES < 17600

IV) C.E.

AIR, EXT., RES ≥ 0

LINDO

MAX 7 AIR + 7 EXT. + 6 RES


S.T.
AIR>1000
EXT.>500
RES>400
4 AIR + 3 EXT. + 6 RES < 8000
2 AIR + 2 EXT. + 8 RES < 6800
4 AIR + 2 EXT. + 5 RES < 10400
6 AIR + 9 EXT. + 2 RES < 17600
END

LP OPTIMUM FOUND AT STEP 4

OBJECTIVE FUNCTION VALUE

1) 13133.33

VARIABLE VALUE REDUCED COST


AIR 1000.000000 0.000000
EXT. 533.333313 0.000000
RES 400.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 -2.333333
3) 33.333332 0.000000
4) 0.000000 -8.000000

22
METODOS DE OPTIMIZACION

5) 0.000000 2.333333
6) 533.333313 0.000000
7) 3333.333252 0.000000
8) 6000.000000 0.000000

NO. ITERATIONS= 4

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
AIR 7.000000 2.333333 INFINITY
EXT. 7.000000 INFINITY 1.750000
RES 6.000000 8.000000 INFINITY

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 1000.000000 24.999998 799.999939
3 500.000000 33.333332 INFINITY
4 400.000000 16.666666 375.000000
5 8000.000000 799.999939 99.999992
6 6800.000000 INFINITY 533.333313
7 10400.000000 INFINITY 3333.333252
8 17600.000000 INFINITY 6000.000000

23
METODOS DE OPTIMIZACION

• APLICACIÓN EN EL SECTOR HIDROCARBUROS.


Se obtiene dos tipos de gasolina mezclando ciertos gasolinas que se obtiene
de las operaciones de refinería en un proceso de refinamiento real hay varias
gasolinas que son para la producción final. (Por ejemplo distintos gados de
gasolina para acción e gasolina de motores), y varias características de
importancia para la composición química de los diversos grados de gasolina
(por ejemplo el octanaje, presión de vapor, contenido de azufre, contenido de
goma), en este ejemplo simplificado se supondrá que la refinería solo tiene 2
tipos de gasolina para la mezcla, con las características que se presenta en la
TABLA 1, estas gasolinas para la mezcla pueden combinarse para obtener
dos productos finales: gasolina para aviación y gasolina para motores.

En la TABLA 2 se presenta las características que requieren estos productos


finales, la empresa desea maximizar los ingresos de la venta de gasolina que
se obtiene como producción final.

TABLA 1
MÉTODO PRESIÓN DE CANTIDAD
OCTANAJE
DISPONIBLE VAPOR DISPONIBLE
Gasolina para la
104 5 30000 Barriles
mezcla tipo 1
Gasolina para la
94 9 70000 Barriles.
mezcla tipo 2

TABLA 2
PRECIO
PRESIÓN
DE
PRODUCTOS OCTANAJE DE VENTAS
VENTA
FINALES MÍNIMO VAPOR MÁXIMAS
POR
MÁXIMO
BARRIL
Gasolina para
102 6 20000 45.10
aviones
Gasolina para CUALQUIER
96 8 32.40
motores CANTIDAD

I) V.D.

MTP1A: Numero de Barriles de Gasolina para la Mezcla 1 Utilizando


Gasolina de Aviación.
MTP2A: Numero de Barriles de Gasolina para la Mezcla 2 Utilizando
Gasolina de Aviación.
MTP3M: Numero de Barriles de Gasolina para la Mezcla 1 Utilizando
Gasolina para Motores.

24
METODOS DE OPTIMIZACION

MTP4M: Numero de Barriles de Gasolina para la Mezcla 1 Utilizando


Gasolina para Motores.

II) F.O.

MAX Z= 45.10 MTP1A + 45.10 MTP2A + 62.40 MTP3M + 32.40 MTP4M

III) RESTRICCIONES.

MTP1A + MTP2A < 20000


MTP1A + MTP3M < 30000
MTP2A + MTP4M < 70000
2 MTP1A + 8 MTP2A > 0
8 MTP3M + 2MTP4M > 0
3 MTP2A – MTP1A < 0
MPT4M – MTP3M <0

IV) C.E.

MTP1A, MTP2A, MTP3M, MTP4M ≥ 0

LINDO
LP OPTIMUM FOUND AT STEP 5

OBJECTIVE FUNCTION VALUE

1) 3240000.

VARIABLE VALUE REDUCED COST


MTP1A 0.000000 0.000000
MTP2A 0.000000 0.000000
MTP3M 30000.000000 0.000000
MTP4M 70000.000000 0.000000
MPT3M 23333.333984 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 20000.000000 0.000000
3) 0.000000 32.400002
4) 0.000000 32.400002
5) 0.000000 -25.400000
6) 100000.000000 0.000000
7) 0.000000 63.500000
8) 0.000000 0.000000

NO. ITERATIONS= 5

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE

25
METODOS DE OPTIMIZACION

COEF INCREASE DECREASE


MTP1A 45.099998 INFINITY 15.875000
MTP2A 45.099998 INFINITY 50.799999
MTP3M 32.400002 15.875000 32.400002
MTP4M 32.400002 50.799999 32.400002
MPT3M 0.000000 152.399994 0.000000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 20000.000000 INFINITY 20000.000000
3 30000.000000 INFINITY 12500.000000
4 70000.000000 50000.000000 70000.000000
5 0.000000 0.000000 9090.909180
6 0.000000 100000.000000 INFINITY
7 0.000000 3333.333252 0.000000
8 0.000000 INFINITY 70000.000000

26
METODOS DE OPTIMIZACION

• APLICACIÓN EN PROBLEMAS DE TRANSPORTE.


Un fabricante de jabón y detergentes tiene 3 plantas, localizadas en
Cincinnati, Denver, Atlanta. Los almacenes principales se encuentran en New
York, Boston, Chicago, Los Ángeles y Dallas.

En el cuadro 1 se proporciona los requerimientos de ventas de próximos año


para cada almacén.

En la compañía es necesario determinar cuál de las fábricas debe abastecer a


cada almacén. La capacidad de las fábricas están limitadas. Cincinnati tiene
capacidad anual para 100000 cajas, Denver para 60000 cajas y Atlanta para
50000 cajas

En el cuadro 2 se muestra el costo de envío de jabón de las diferentes fábricas


a los almacenes, la compañía quiere determinar un programa de entrega que
minimice los costo totales de transporte de la compañía.

Es importante considerar que las fabricas no excedan sus capacidades de


producción de esta manera la fábrica de Cincinnati tiene una capacidad de
producir 100000cajas, la de Denver 60000 cajas y la de Atlanta 50000 cajas.

CUADRO 1
REQUERIMIENTO DE ALMACÉN
VENTAS ANUALES MILES DE
UBICACIÓN DEL ALMACÉN
CAJAS
NEW YORK 50
BOSTON 10
CHICAGO 60
LOS ÁNGELES 30
DALLAS 20

CUADRO 2
COSTOS DE ENVIÓ DE 1000 CAJAS DE JABÓN
A NEW LOS
BOSTON CHICAGO DALLAS
DE YORK ÁNGELES
CINCINNATI 120 150 80 250 180
DENVER 210 220 150 100 110
ATLANTA 150 170 150 240 200

I) V.D.

27
METODOS DE OPTIMIZACION

CNY: Nuero de cajas enviados de la fábrica de Cincinnati a New York en


miles de cajas.
CBO: Número de cajas enviados de la fábrica de Cincinnati a Boston en
miles de cajas.
CCH: Número de cajas enviados de la fábrica de Cincinnati a Chicago en
miles de cajas.
CLA: Número de cajas enviados de la fábrica de Cincinnati a Los Ángeles
en miles de cajas.
CDA: Número de cajas enviados de la fábrica de Cincinnati a Dallas en
miles de cajas.
DNY: Número de cajas enviados de la fábrica de Denver a New York en
miles de cajas.
DBO: Número de cajas enviados de la fábrica de Denver a Boston en miles
de cajas.
DCH: Número de cajas enviados de la fábrica de Denver a Chicago en miles
de cajas.
DLA: Número de cajas enviados de la fábrica de Denver a Los Ángeles en
miles de cajas.
DDA: Número de cajas enviados de la fábrica de Denver a Dallas en miles
de cajas.
ANY: Número de cajas enviados de la fábrica de Atlanta a New York en
miles de cajas.
ABO: Número de cajas enviados de la fábrica de Atlanta a Boston en miles
de cajas.
ACH: Número de cajas enviados de la fábrica de Atlanta a Chicago en miles
de cajas.
ALA: Número de cajas enviados de la fábrica de Atlanta a Los Ángeles en
miles de cajas.
ADA: Número de cajas enviados de la fábrica de Atlanta a Dallas en miles
de cajas.

II) F.O.

MIN Z = 120 CNY + 150 CBO + 80 CCH + 250 CLA +180 CDA + 210 DNY +
220 DBO + 150 DCH + 100 DLA + 110 DDA + 150 ANY + 170 ABO
+ 150 ACH + 240 ALA + 200 ADA

III) RESTRICCIONES.

CNY + DNY + ANY = 50


CBO + DBO + ABO = 10
CCH + DCH + ACH = 60
CLA + DLA + ALA = 30
CDA + DDA + ADA = 20
CNY + CBO + CCH + CLA + CDA < 100
DNY + DBO + DCH + DLA + DDA < 60
ANY + ABO + ACH + ALA + ADA < 50

IV) C.E.

28
METODOS DE OPTIMIZACION

CNY, CBO, CCH, CDA, DNY, DBO, DCH, DLA, DDA, ANY, ABO, ACH,
ALA, ADA ≥ 0

LINDO

LP OPTIMUM FOUND AT STEP 7

OBJECTIVE FUNCTION VALUE

1) 18000.00

VARIABLE VALUE REDUCED COST


CNY 40.000000 0.000000
CBO 0.000000 10.000000
CCH 60.000000 0.000000
CLA 0.000000 180.000000
CDA 0.000000 100.000000
DNY 0.000000 60.000000
DBO 0.000000 50.000000
DCH 0.000000 40.000000
DLA 30.000000 0.000000
DDA 20.000000 0.000000
ANY 10.000000 0.000000
ABO 10.000000 0.000000
ACH 0.000000 40.000000
ALA 0.000000 140.000000
ADA 0.000000 90.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 -150.000000
3) 0.000000 -170.000000
4) 0.000000 -110.000000
5) 0.000000 -100.000000
6) 0.000000 -110.000000
7) 0.000000 30.000000
8) 10.000000 0.000000
9) 30.000000 0.000000

NO. ITERATIONS= 7

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE

29
METODOS DE OPTIMIZACION

COEF INCREASE DECREASE


CNY 120.000000 10.000000 40.000000
CBO 150.000000 INFINITY 10.000000
CCH 80.000000 40.000000 INFINITY
CLA 250.000000 INFINITY 180.000000
CDA 180.000000 INFINITY 100.000000
DNY 210.000000 INFINITY 60.000000
DBO 220.000000 INFINITY 50.000000
DCH 150.000000 INFINITY 40.000000
DLA 100.000000 140.000000 INFINITY
DDA 110.000000 90.000000 INFINITY
ANY 150.000000 40.000000 10.000000
ABO 170.000000 10.000000 INFINITY
ACH 150.000000 INFINITY 40.000000
ALA 240.000000 INFINITY 140.000000
ADA 200.000000 INFINITY 90.000000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 50.000000 30.000000 10.000000
3 10.000000 30.000000 10.000000
4 60.000000 30.000000 10.000000
5 30.000000 10.000000 30.000000
6 20.000000 10.000000 20.000000
7 100.000000 10.000000 30.000000
8 60.000000 INFINITY 10.000000
9 50.000000 INFINITY 30.000000

30
METODOS DE OPTIMIZACION

• APLICACIÓN EN ASIGNACIÓN DE PROYECTOS EN EL


SECTOR PÚBLICO.

El gobierno municipal de Oruro tiene tre proyectos diferentes de construcción


de caminos aprovados en el POA. El gobierno municipal tiene el problema de
determinar que contratista llevara a cabo los proyectos. Se asume que cada
contratista llegara asignado a un proyecto. Existen cotizaciones por 3
empresas locales; ver en la tabla 1.

COTIZACIONES DE LAS EMPRESAS PARA LA REALIZACIÓN DEL


PROYECTO
PROYECTO 1 PROYECTO 2 PROYECTO 3
EMPRESA 1 $ 28 $32 $ 36
EMPRESA 2 $ 36 $28 $ 30
EMPRESA 3 $38 $34 $ 40

I) V.D.

CAPA: Contratista A lleva a cabo el Proyecto A


CAPB: Contratista A lleva a cabo el Proyecto B
CAPC: Contratista A lleva a cabo el Proyecto C
CBPA: Contratista B lleva a cabo el Proyecto A
CBPB: Contratista B lleva a cabo el Proyecto B
CBPC: Contratista C lleva a cabo el Proyecto C
CCPA: Contratista C lleva a cabo el Proyecto A
CCPB: Contratista C lleva a cabo el Proyecto B
CCPC: Contratista C lleva a cabo el Proyecto C

II) F.O.

MIN C = 28 CAPA + 32 CAPB + 36 CAPC + 36 CBPA + 28 CBPB + 30


CBPC + 28 CCPA + 34 CCPB + 40 CCPC

III) RESTRICCIONES.

CAPA + CAPB + CAPC = 1


CBPA + CBPB + CBPC = 1
CCPA + CCPB + CCPC = 1
CAPA + CAPB + CAPC = 1
CBPA + CBPB + CBPC = 1
CCPA + CCPB + CCPC = 1

31
METODOS DE OPTIMIZACION

IV) C.E.

CAPA, CAPB, CAPC, CBPA, CBPB, CBPC, CCPA, CCPB, CCPC ≥ 0

LINDO

LP OPTIMUM FOUND AT STEP 3


OBJECTIVE FUNCTION VALUE

1) 84.00000

VARIABLE VALUE REDUCED COST


CAPA 1.000000 0.000000
CAPB 0.000000 4.000000
CAPC 0.000000 8.000000
CBPA 0.000000 8.000000
CBPB 1.000000 0.000000
CBPC 0.000000 2.000000
CCPA 1.000000 0.000000
CCPB 0.000000 6.000000
CCPC 0.000000 12.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 0.000000
3) 0.000000 0.000000
4) 0.000000 0.000000
5) 0.000000 -28.000000
6) 0.000000 -28.000000
7) 0.000000 -28.000000

NO. ITERATIONS= 3

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
CAPA 28.000000 4.000000 INFINITY
CAPB 32.000000 INFINITY 4.000000
CAPC 36.000000 INFINITY 8.000000
CBPA 36.000000 INFINITY 8.000000
CBPB 28.000000 2.000000 INFINITY
CBPC 30.000000 INFINITY 2.000000
CCPA 28.000000 6.000000 INFINITY
CCPB 34.000000 INFINITY 6.000000
CCPC 40.000000 INFINITY 12.000000

32
METODOS DE OPTIMIZACION

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE


RHS INCREASE DECREASE

2 1.000000 0.000000 0.000000


3 1.000000 0.000000 0.000000
4 1.000000 0.000000 0.000000
5 1.000000 0.000000 0.000000
6 1.000000 0.000000 0.000000
7 1.000000 0.000000 0.000000

33
METODOS DE OPTIMIZACION

• APLICACIÓN EN ASIGNACIÓN DE MEDIOS DE COMUNICACIÓN.

Una empresa constructora está desarrollando un fraccionamiento a la orilla de un


lago privado el mercado primario para los lotes y casa a la orilla del lago incluye
todas las familias de ingresos medios y altos dentro aproximadamente 100 millas
de fraccionamiento. La empresa constructora empleo a la firma de publicidad
BPS para diseñar la campaña promocional. Después de considerar los medios
publicitarios y del mercado que se cubriría BPS recomendando la publicidad del
primer mes se restringiría a cinco medios. Al final del mes; BPS reevaluara
entonces su estrategia con base en los resultados del mes, BPS recolecta datos
sobre el volumen de clientes potencialmente alcanzados, el costo por anuncio, la
cantidad máxima de veces que está disponible cada medo y la estimación de la
calidad de la exposición para cada uno de los medios. La estimación de calidad
se mide en función de una unidad de valor relativo de anuncio en cada uno de
los medios. Esta medida basada en la experiencia de BPS en el negocio de la
publicidad, toma en cuenta factores como los datos demográficos de la audiencia
(edad, ingresos y educación de la audiencia alcanzada). Imagen presentada y
calidad del anunció. La información recolectada se presenta en la TABAL 1.

La empresa constructora proporciona a BPS un presupuesto de $us. 30.000.- ,


para la campaña del primer mes, además la empresa constructora impuso las
siguientes restricciones sobre la forma en que BPS puede asignar estos fondos,
deben usarse al menos la televisión de alcanzar al menos 50.000 clientes
potenciales y no puede gastar más de $us. 18.000.-, en anuncios de televisión
¿Qué plan de medios publicitarios debería recomendar?

TABLA 1

ALTERNATIVAS DE MEDIOS PUBLICITARIOS


TIEMPO UNIDAD DE
CANTIDAD COSTO
MEDIOS DE DISPONIBLE CALIDAD
DE CLIENTES POR
PUBLICIDAD MÁXIMO DE LA
ALCANZADOS ANUNCIO
POR MES EXPOSICIÓN
Televisión
Diurna (1
1000 1500 15 65
minuto)
Radio
Noticiero (30
300 100 30 20
seg.)
Televisión 2000 3000 10 90
Vespertina (30

34
METODOS DE OPTIMIZACION

seg)
Revista
Dominical del
2500 1000 4 60
periódico
(media plana)
Periódico
Diario ( plana 1500 400 25 40
completa)

I) V.D.

DTV: Cantidad que se usa la Televisión Diurna el primes mes.


RN: Cantidad que se usa la Radio Noticias el primes mes.
NTV: Cantidad que se usa la Televisión Vespertina el primes mes.
RD: Cantidad que se usa la Revista Dominical el primes mes.
DP: Cantidad que se usa el Periódico Diario el primes mes.

II) F.O.

MAX Z = 65 DTV + 90 NTV + 40 DP + 60 RD + 20 RN

III) RESTRICCIONES.

A) DISPONIBILIDAD DE MEDIOS

DTV ≤ 15
NTV ≤ 10
DP ≤ 25
RD ≤ 4
RN ≤ 30

B) RESTRICCION PRESUPUESTO

1500 DTV + 3000 NTV + 400 DP + 1000 RD + 100 RN ≤ 30000

C) RESTRICION DE LA TELEVISION

DTV + NTV ≥ 10

D) RESTRICCION DEL GASTO MAXIMO EN TELEVISION

1500 DTV + 3000 NTV ≤ 18000

E) CLIENTES QUE SE DEBE ALCANZAR

1000 DTV + 200 NTV + 1500 DP + 2500 RD + 300 RN ≥ 5000

IV) C.E.

DTV, NTV, DP, RD, RN ≥ 0

35
METODOS DE OPTIMIZACION

LINDO
LP OPTIMUM FOUND AT STEP 7

OBJECTIVE FUNCTION VALUE

1) 2370.000

VARIABLE VALUE REDUCED COST


DTV 10.000000 0.000000
NTV 0.000000 65.000000
DP 25.000000 0.000000
RD 2.000000 0.000000
RN 30.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 5.000000 0.000000
3) 10.000000 0.000000
4) 0.000000 16.000000
5) 2.000000 0.000000
6) 0.000000 14.000000
7) 0.000000 0.060000
8) 0.000000 -25.000000
9) 3000.000000 0.000000
10) 56500.000000 0.000000

NO. ITERATIONS= 7

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
DTV 65.000000 25.000000 64.999992
NTV 90.000000 64.999992 INFINITY
DP 40.000000 INFINITY 16.000000
RD 60.000000 40.000000 16.666666
RN 20.000000 INFINITY 14.000000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 15.000000 INFINITY 5.000000

36
METODOS DE OPTIMIZACION

3 10.000000 INFINITY 10.000000


4 25.000000 5.000000 5.000000
5 4.000000 INFINITY 2.000000
6 30.000000 20.000000 20.000000
7 30000.000000 1999.999878 1999.999878
8 10.000000 1.333333 1.333333
9 18000.000000 INFINITY 3000.000000
10 5000.000000 56500.000000 INFINITY

• APLICACIÓN EN ASIGNACIÓN DE CANALES DE DISTRIBUCIÓN.

Una empresa electrónica de telecomunicaciones fabrica sistemas de radio


portátiles que pueden usarse para comunicaciones para dos vías. El nuevo
producto de la compañía, con un alcance de 25 millas adecuadamente para
aplicarse con una variedad de aplicaciones de negocios y personales, loa canales
de distribución son los siguientes:

1. Distribución de Equipo Marino.


2. Distribución de Negocios.
3. Cadenas Nacionales de Tiendas de Ventas al Menudeo.
4. Correo Directo.

Debido a los diferentes costos de distribución y promoción la rentabilidad de la


producción variara con el canal de distribución. Además el costo de publicidad y el
esfuerzo de ventas personales requeridas varían entre fabricar con dos canales de
distribución, la TABLA 1 resume los datos de contribución a la ganancia, costos de
publicidad y esfuerzos de ventas personales, para el problema de la empresa electrónica.
La firma estableció el presupuesto de publicidad de $us. 5.000.-, y se dispone de un
máximo de 1800 hora de la fuerza de ventas para asignarles al esfuerzo de las ventas de
las radios. La administración decidió también producir exactamente 600 unidades para
el periodo de producción actual. Por último, un contrato en curso con una cadena
nacional de ventas al menudeo que al menos 150 unidades sean distribuidas a través de
este canal de distribución.

La empresa enfrenta ahora el problema de determinar la cantidad de unidades


que deberían producirse para cada una de los canales de distribución a fin de maximizar
la contribución a la ganancia total. Además de determinar cuántas unidades deben
asignarse a cada una de los cuatro canales. La empresa además debe determinar cómo
asignar el presupuesto de publicidad y el trabajo de la fuerza de ventas a cada uno de los
cuatro canales de distribución.

TABLA 1
COSTO DE
GANANCIA DE ESFUERZO DE
CANAL DE PUBLICIDAD
UNIDADES VENTA
DISTRIBUCIÓN POR UNIDAD
VENDIDAS PERSONAL
VENDIDA
Distribución de
90 10 2 horas
Equipo Marino
Distribución de
84 8 3 horas.
Negocios

37
METODOS DE OPTIMIZACION

Tiendas
Nacionales de 70 9 3 horas.
Venta al Menudeo
Correo Directo 60 15 Ninguno.

I) V.D.

MR: Cantidad de unidades a producir par el canal de Distribución Marinos.


NG: Cantidad de unidades a producir par el canal de Distribución de
Negocios.
VM: Cantidad de unidades a producir par el canal de de Tiendas Nacionales
al Menudeo.
DR: Cantidad de unidades a producir par el canal de Correo Directo.

II) F.O.

MAX Z= 90 MR + 84 NG + 70 VM + 60 DR

III) RESTRICCIONES.

10 MR + 8 NG + 9 VM + 4 DR < 5000
2 MR + 3 NG + 3 VM < 1800
MR + NG + VM + DR = 600
VM > 150

IV) C.E.

MR, NG, VM, DR ≥ 0


LINDO

LP OPTIMUM FOUND AT STEP 4

OBJECTIVE FUNCTION VALUE

1) 48450.00

VARIABLE VALUE REDUCED COST


MR 25.000000 0.000000
NG 425.000000 0.000000
VM 150.000000 0.000000
DR 0.000000 12.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 3.000000
3) 25.000000 0.000000

38
METODOS DE OPTIMIZACION

4) 0.000000 60.000000
5) 0.000000 -17.000000

NO. ITERATIONS= 4

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
MR 90.000000 6.000000 6.000000
NG 84.000000 6.000000 4.000000
VM 70.000000 17.000000 INFINITY
DR 60.000000 12.000000 INFINITY

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 5000.000000 850.000000 50.000000
3 1800.000000 INFINITY 25.000000
4 600.000000 3.571429 85.000000
5 150.000000 50.000000 150.000000

39
METODOS DE OPTIMIZACION

• APLICACIÓN EN LA INVESTIGACIÓN DE MERCADO.

Investigación de mercado hace referencia a investigar las preferencias,


actitudes requeridas de los clientes.

Markey Survey (MSI) se especializa en evaluar la reacción del consumidor a


productos, servicios y compañías publicitarias nuevas. Un cliente solicito la
asistencia de MSI para la determinar la reacción del consumidor a un producto
domestico recién comercializado. Durante las reuniones con el cliente MSI
acordó efectuar entre vistas personales de puerta en puerta para obtener
respuestas en hogares con y sin niños. Además MSI acepto hacer entrevistas por
la mañana y por la tarde. Especialmente, el contrato del cliente exigía que MSI
realizara mil entrevistas bajo los siguientes lineamientos de cuotas:

1. Entrevistas al menos 400 hogares con niños.


2. Entrevistas al menos 400 hogares sin niños.
3. La Cantidad Total de hogares entrevistados durante la tarde debe
ser al menos igual a la Cantidad de hogares durante la Mañana.
4. Al menos 40% de las entrevistas para hogares con niños deben
realizarse durante la tarde.
5. Al menos 60% de las entrevistas para los hogares sin niños deben
realizarse durante la tarde.

Debido a que las entrevistas para hogares con niños requieren tiempo adicional
del entrevistador ya que los entrevistadores se les pagan más a los matutinos, el costo
varía con el tipo de entrevistas con base en estudios de investigación previos, las
estimaciones de los costos de entrevistas son las siguientes:
CUADRO 1
COSTO DE ENTREVISTA
HOGAR MAÑANA TARDE
CON NIÑOS 20 25
SIN NIÑOS 18 20

¿Cuál es el plan de entre vista por el tipo de hogar y hora de día que satisfacerá
los requerimientos del contrato con un costo total de entrevistas mínimo?

I) V.D.

EMHCN: Cantidad de Entrevistas Matutinas de Hogares con Niños.


EVHCN: Cantidad de Entrevistas Matutinas de Hogares con Niños.
EMHCN: Cantidad de Entrevistas Matutinas de Hogares sin Niños.
EVHCN: Cantidad de Entrevistas Matutinas de Hogares sin Niños.

40
METODOS DE OPTIMIZACION

II) F.O.

MIN Z= 20 EMHCN + 25 EVHCN + 18 EMHSN + 20 EVHSN

III) RESTRICCIONES.

EMHCN + EVHCN + EMHSN + EVHSN =1000


EMHCN + EVHCN > 400
EMHSN + EVHSN > 400
- EMHCN + EVHCN - EMHSN + EVHSN > 0
-0.4 EMHCN + 0.60 EVHCN > 0
-0.60 EMHSN + 0.40 EVHSN > 0

IV) C.E.

EMHCN , EVHCN, EMHSN, EVHSN ≥ 0

LINDO

LP OPTIMUM FOUND AT STEP 6


OBJECTIVE FUNCTION VALUE
1) 20320.00
VARIABLE VALUE REDUCED COST
EMHCN 240.000000 0.000000
EVHCN 160.000000 0.000000
EMHSN 240.000000 0.000000
EVHSN 360.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 -19.200001
3) 0.000000 -2.800000
4) 200.000000 0.000000
5) 40.000000 0.000000
6) 0.000000 -5.000000
7) 0.000000 -2.000000

NO. ITERATIONS= 6
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
EMHCN 20.000000 5.000000 4.666667
EVHCN 25.000000 INFINITY 5.000000
EMHSN 18.000000 2.000000 INFINITY
EVHSN 20.000000 4.666667 2.000000
RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE

41
METODOS DE OPTIMIZACION

RHS INCREASE DECREASE


2 1000.000000 INFINITY 200.000000
3 400.000000 100.000000 399.999969
4 400.000000 200.000000 INFINITY
5 0.000000 40.000000 INFINITY
6 0.000000 240.000000 20.000000
7 0.000000 240.000000 20.000000

• APLICACIÓN EN LA SELECCIÓN DE PORTAFOLIOS

Wuelte Mutual localizada en la ciudad de New York acaba de obtener $100000 a


combatir bonos industriales en efectivo y ahora esta buscando otras
oportunidades de inversión para estos fondos, con base en las inversiones
actuales de Wuelte, el analista financiero ejecutivo de la firma recomienda que
todas las inversiones nuevas se hagan en la industria petrolera, la industria
siderúrgica o en bonos gubernamentales. Específicamente el análisis idéntico
cinco oportunidades de inversión y proyecto sus tasas de rendimiento en vales de
inversión y tasas de rendimiento se muestran en la TABLA1 la administración de
Wuelte impuso las siguientes lineamientos de inversión

1. Ninguna industria (petrolera y siderúrgica ) deberá recibir más de


$50000.
2. Los bonos gubernamentales deberán ser al menos 25% de las inversiones
en la industria siderúrgica.
3. La inversión en Pacifit Oil la inversión con interés alto pero riesgo alto
puede ser más de 60% de la inversión total en la industria petrolera.

¿Que recomendaciones de portafolios, inversiones y cantidad deberán hacerse para


los $us 100000 disponibles?

Dado el objetivo de maximizar el rendimiento proyecto de sujeto a restricciones


impuestos por el presupuesto y la administración

TABLA1

INVERSION TASA DE INTERES


. PROYECTADA %
Atlantic Oil 7.3
Pacific Oil 10.3
Mutual Steel 6.4
Huber Steel 7.5
Bonos Gubernamentales 4.5
I) V.D.

A = Dólares invertidos en Atlantic Oil.


P = Dólares invertidos en Pacific Oil.
M = Dólares invertidos en Mutual Oil.
H = Dólares invertidos en Huber Oil.
G = Dólares invertidos en Bonos gubernamentales.

42
METODOS DE OPTIMIZACION

II) F.O.

Max z = 0.073A + 0.103P +0.064M + 0.075H + 0.0456

III) RESTRICCIONES

A + P + M + H + G = 100000 Fondos disponibles.


A + P < 50000 Máximo para la industria petrolera.
-0.25M – 0.25H + G > 0 Máximo para los bonos de gobierno.
M + H <50000 Máximo para la industria siderúrgica.
-0.6A + 0.4P <0 Restricción de Pacific Oil.

IV) C.E.

A, P, M, H, G > 0

LINDO

LP OPTIMUM FOUND AT STEP 7

OBJECTIVE FUNCTION VALUE

1) 6000.000

VARIABLE VALUE REDUCED COST


A 0.000000 0.059000
P 0.000000 0.000000
M 0.000000 0.011000
H 50000.000000 0.000000
G 50000.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 0.045000
3) 50000.000000 0.000000
4) 37500.000000 0.000000
5) 0.000000 0.030000
6) 0.000000 0.145000

NO. ITERATIONS= 7

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE

43
METODOS DE OPTIMIZACION

A 0.073000 0.059000 INFINITY


P 0.103000 INFINITY 0.039333
M 0.064000 0.011000 INFINITY
H 0.075000 INFINITY 0.011000
G 0.045000 0.030000 INFINITY

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 100000.000000 INFINITY 37500.000000
3 50000.000000 INFINITY 50000.000000
4 0.000000 37500.000000 INFINITY
5 50000.000000 30000.000000 50000.000000
6 0.000000 15000.000000 0.000000

44
METODOS DE OPTIMIZACION

• APLICACIÓN EN PLANIFICACION FINANCIERA

Hewill Corporatión estableció un programa de retiro anticipado como parte


de su restructuración corporativa. Al cerrar el periodo de firma voluntaria 68
empleados habían elegido este programa como resultado de los retiros
anticipados la compañía incurrió en las siguientes obligaciones durante los
siguientes ocho años.

AÑO 1 2 3 4 5 6 7 8
Requerimiento 430 210 222 231 240 195 220 255
efectivo

Los requerimientos de efectivo miles $us vencen al principio de cada año. El


tesorero corporativo de determinar cuanto dinero debe aportar hoy para
cumplir con las 8 obligaciones financieras anuales cuando venza.
El plan financiero para el programa de retiro incluye inversiones en bonos
gubernamentales al igual que cuentas de ahorro las inversiones en bonos
gubernamentales se limitan opciones.

BONO PRECIO TASA AÑOS


NACIMIENTO
1 1150 8875 5
2 1000 5000 6
3 1350 11750 7

Los bonos gubernamentales tiene un valor nominal de mil $us lo que significa
que incluso con diferentes precios cada bono paga mil $us al vencimiento.
Las tasa mostradas se basan con el valor nominal.

Para propósitos de planeación, el tesorero ha supuesto cualquier fondo no


intervalo en bonos se colocara en cuenta de ahorros y genera intereses con
una tasa anual de 4%.

El objetivo es minimizar el total de $us necesarios para cumplir con la


obligación a 8 años de plan de retiro.

I) V.D.

F = Dólares totales requeridos para cumplir con la obligación a 8


años de plan de retiro.
B1 = Unidad de bono 1 compradas al principio de año 1
B2 = Unidad de bono 2 compradas al principio de año 2

45
METODOS DE OPTIMIZACION

B3 = Unidad de bono 3 compradas al principio de año 3


S1 = Cantidad colocada en ahorros al principio del año 1
S2 = Cantidad colocada en ahorros al principio del año 2
S3 = Cantidad colocada en ahorros al principio del año 3
S4 = Cantidad colocada en ahorros al principio del año 4
S5 = Cantidad colocada en ahorros al principio del año 5
S6 = Cantidad colocada en ahorros al principio del año 6
S7 = Cantidad colocada en ahorros al principio del año 7
S8 = Cantidad colocada en ahorros al principio del año 8

II) F.O.

Min z = F

III) RESTRICCIONES.

F - 1.15B1-1B2 – 1.35B3 - S1 =430


0.008875B1+0.055B2+0.1175B3+1.04S1-S2=210
0.008875B1+0.055B2+0.1175B3+1.04S2-S3=220
0.008875B1+0.055B2+0.1175B3+1.04S3-S4=231
0.008875B1+0.055B2+0.1175B3+1.04S4-S5=240
1.08875B1+0.055B2+0.1175B3+1.04S5-S6=195
1.055B2+0.1175B3+1.04S6-S7=225
1.1175B3+1.04S7-S8=255

IV) C.E.

F, B1, B2, B3, S1, S2, S3, S4, S5, S6, S7, S8 > 0

LINDO

LP OPTIMUM FOUND AT STEP 7

OBJECTIVE FUNCTION VALUE

1) 1736.663

VARIABLE VALUE REDUCED COST


F 1736.662842 0.000000
B1 0.000000 0.222912
B2 187.855850 0.000000
B3 228.187927 0.000000
S1 810.753235 0.000000
S2 670.327515 0.000000
S3 514.284729 0.000000
S4 341.000305 0.000000
S5 151.784470 0.000000
S6 0.000000 0.077514
S7 0.000000 0.024490
S8 0.000000 0.664704

46
METODOS DE OPTIMIZACION

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 -1.000000
3) 0.000000 -0.961538
4) 0.000000 -0.924556
5) 0.000000 -0.888996
6) 0.000000 -0.854804
7) 0.000000 -0.821927
8) 0.000000 -0.715782
9) 0.000000 -0.664704

NO. ITERATIONS= 7

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
F 1.000000 INFINITY 1.000000
B1 0.000000 INFINITY 0.222911
B2 0.000000 0.078632 0.023290
B3 0.000000 0.026315 0.742807
S1 0.000000 0.240442 0.072900
S2 0.000000 0.233343 0.073710
S3 0.000000 0.226390 0.074572
S4 0.000000 0.219586 0.075490
S5 0.000000 0.212930 0.076469
S6 0.000000 INFINITY 0.077514
S7 0.000000 INFINITY 0.024490
S8 0.000000 INFINITY 0.664704

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 430.000000 INFINITY 1736.662842
3 210.000000 INFINITY 843.183411
4 220.000000 INFINITY 697.140625
5 231.000000 INFINITY 534.856140
6 240.000000 INFINITY 354.640320
7 195.000000 INFINITY 157.855850
8 225.000000 3027.962158 198.187912
9 255.000000 1583.881836 255.000000

47
METODOS DE OPTIMIZACION

• APLICACIÓN EN LA ADMINISTRACION DE PRODUCCION

James Company comercializa varios productos para negocios e ingeniería y


en la actualidad esta preparándose para introducir dos calculadoras nuevas
una para el mercado de negocios llamada calculadora tiene tres componentes
una base, un cartucho electrónico y una placa frontal o tapa. La misma base
se usa para ambas calculadoras, pero los cartuchos y tapas son diferentes la
empresa puede fabricar todos los componentes o comprobarlos de
proveedores externos. Los costos de fabricación y precios de compra para los
compradores se resume en la TABLA 1

Los pronósticos indica que se necesitaran 3000 calculadoras Financial y 2000


calculadoras Technian, sin embargo la capacidad de manufactura es limitada.

La empresa tiene 200 horas de tiempo de manufactura normal y 50 horas de


tiempo extra que pueden programarse para los cálculos. El tiempo extra
implica un s/sueldo con un costo adicional de $us 9 por/hora la TABLA 2
muestra los tiempos de fabricación ( en min ) para las compañías. El
problema de James determina cuantas unidades de c/componente fabricar y
ventas unid de c/componentes a comprar.

TABLA 1

COSTOS DE FABRICACION Y PRECIOS DE COMPRA


COMPONENTE COSTO POR UNID COMPRA
MANUFACTURADA
Base 0.50 0.60
Cartucho Financial 3.75 4
Cartucho Technian 3.30 3.90
Tapa Financial 0.60 0.65
Tapa Technian 0.75 0.78

TABLA 2

TIEMPO DE MANUFACTURA EN MIN


POR UNIDAD
COMPONENTE TIEMPO
MANUFACTURA
Base 1
Cartucho Financial 3
Cartucho Technian 2.5
Tapa Financial 1

48
METODOS DE OPTIMIZACION

Tapa Technian 1.5

I) V.D.

BM = Cantidad de bases fabricadas.


BP = Cantidad de bases compradas.
FCM = Cantidad de cartuchos Financial fabricadas.
FCP = Cantidad de cartuchos Financial compradas.
TCM = Cantidad de cartuchos Technian fabricadas.
TCP = Cantidad de cartuchos Technian compradas..
FTM = Cantidad de tapas Financial fabricadas.
FTP = Cantidad de tapas Financial compradas.
TTM = Cantidad de tapas Technian fabricada.
TTP = Cantidad de tapas Techinian compradas.
OT = Horas de tiempo extra que se programaran.

II) F.O.

Min z = 0.5BM + 0.6BP + 3.75FCM + 4FCP + 3.3TCM + 3.9TCP


+0.6FTM + 0.65FTP + 0.75TTM + 0.78TTP + 90T

III) RESTRICCIONES
BM + BP =5000 Restricción bases.
FCM + FCP = 3000 Cartucho Finacial.
TCM + TCP = 2000 Cartucho Techinian.
FTM + FTP = 3000 Tapa Financial.
TTM + TTP =2000 Tapa Techinian
OT < 50 Horas extra
BM+3FCM+2.5TCM+FTM+1.5TTM-60OT=12000 Cap
manufactura.

IV) C.E.

BA,BF,FCM,FCP,TCM,TCP,FTM,FTP,TTM,TTP,OT > 0

LINDO

LP OPTIMUM FOUND AT STEP 3

OBJECTIVE FUNCTION VALUE

1) 23760.00

VARIABLE VALUE REDUCED COST

49
METODOS DE OPTIMIZACION

BM 5000.000000 0.000000
BP 0.000000 0.050000
FCM 3000.000000 0.000000
FCP 0.000000 0.250000
TCM 2000.000000 0.000000
TCP 0.000000 0.475000
FTM 2000.000000 0.000000
FTP 1000.000000 0.000000
TTM 0.000000 0.045000
TTP 2000.000000 0.000000
OT 0.000000 6.000000
FGM 0.000000 0.150000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 -0.550000
3) 0.000000 -3.750000
4) 0.000000 -3.425000
5) 0.000000 -0.650000
6) 0.000000 -0.780000
7) 50.000000 0.000000
8) 0.000000 0.050000

NO. ITERATIONS= 3

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
BM 0.500000 0.050000 INFINITY
BP 0.600000 INFINITY 0.050000
FCM 3.750000 0.250000 INFINITY
FCP 4.000000 INFINITY 0.250000
TCM 3.300000 0.475000 INFINITY
TCP 3.900000 INFINITY 0.475000
FTM 0.600000 0.030000 0.050000
FTP 0.650000 0.050000 0.030000
TTM 0.750000 INFINITY 0.045000
TTP 0.780000 0.045000 INFINITY
OT 9.000000 INFINITY 6.000000
FGM 0.000000 INFINITY 0.150000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 5000.000000 2000.000000 1000.000000
3 3000.000000 INFINITY 3000.000000
4 2000.000000 800.000000 400.000000
5 3000.000000 INFINITY 1000.000000

50
METODOS DE OPTIMIZACION

6 2000.000000 INFINITY 2000.000000


7 50.000000 INFINITY 50.000000
8 12000.000000 1000.000000 2000.000000

• APLICACIÓN EN LA ASIGNACION DE LA FUERZA DE


TRABAJO

MC Cormick Manufactoring fábrica dos productos con contribuciones a la


utilidad por unidad de 10 $us y 9 $us respectivamente, los requerimientos de
mano de obra disponibles del personal asignado a cada una de cuatro
departamento se muestran en la TABLA 1. Suponiendo que la cantidad de horas
disponibles en cada departamento es fija, podemos formular el problema de
cormick con un programa lineal de mezcla de productos estándar con las
siguientes variables de decisión.

P1 = Unidades del producto 1 a producir.


P2 = Unidades del producto 2 a producir.

TABLA 1
HORAS DE LABOR DEPARTAMENTAL POR UNID Y HORAS
DEPARTAMENTAL PRODUCTO PRODUCTO HORAS
1 2 TOTALES
DISPONIBLES
1 0.65 0.95 6500
2 0.45 0.80 6000
3 1 0.70 7000
4 0.15 0.30 1400

Por tanto el programa lineal es:


Max z = 10P1 + 9P2
SA
0.65P1 + 0.95P2 < 6500
0.45P1 + 0.85P2 < 6000
1P1 + 0.70P2 < 7000
0.15P1 + 0.30P2 < 1400
P1,P2 > 0

Suponga que MC Cormick tiene un programa de capacitación cruzada que


permite transferir algunos empleados de departamentos al sacar ventaja de las
habilidades de la capacitación cruzada, una limitada cantidad de empleados horas
de trabajo transformarse de un departamento a otro.

Por ejemplo supongamos que la capacitación cruzada permite transferencias


como se muestra en la TABLA 2 fila 1 de está tabla muestra algunos empleados
asignados al departamento tienen habilidades de capacitación cruzada que los
permita transferirlos al departamento 2 o3, la columna de la derecha muestra que
para el periodo de planeación de la producción actual puede transferirse en 400

51
METODOS DE OPTIMIZACION

del departamento 1, se muestra capacidades y aptitudes de trasferencia de


capacitación cruzada similares por departamento 2,3 y 4.

Cuando las organizaciones de la fuerza de trabajo con fluctuaciones su salarios


automáticamente cuantas horas de trabajo deben asignarse cada departamento
transferirse de cada uno de ellos, por tanto se necesita que usted agrega variables
de decisión al modelo de programación lineal para representa cambios que
ayuden a determinar la asignación de la fuerza de trabajo optimo además de la
mezcla de producto que maximiza la utilidad.

TABLA2

LA INFORMACION DE CAPACIDAD Y APTITUD DE LA


CAPACITACION CRUZADA
DEPARTAMENTO 1 2 3 4 HRS
MAX
1 NO SI SI NO 400
2 NO NO SI SI 800
3 NO NO NO SI 100
4 SI SI NO NO 200

I) V.D.

Bi = Horas de labor asignados al depto i para i=1,2,3,4.

Tij = Horas de labor transferidas del depto i al depto j

II) F.O.

Max Z = 10P1 + 9P2

III) RESTRICCIONES.

0.65P1 + 0.95P2 –B1 < 0


0.45P1 + 0.85P2 – B2 < 0
1P1 + 0.70P2 – B3 < 0
0.15P1 + 0.30P2 – B4 < 0
B1 – T11 + T12 + T13 < 6500
B2 – T 12 –T42 + T23 + T24 = 6000
B3 – T13 – T23 + T34 =7000
B4 – T24 – T34 + T41 + T42 = 1400
T12 + T13 < 400
Y23 + T24 < 800
T34 < 100
T41 + T42 <200

52
METODOS DE OPTIMIZACION

IV) C.E.

P1,P2,Bi ,Tij < 0

LINDO

LP OPTIMUM FOUND AT STEP 9

OBJECTIVE FUNCTION VALUE

1) 84966.83

VARIABLE VALUE REDUCED COST


P1 4094.786621 0.000000
P2 4890.995117 0.000000
B1 7308.056641 0.000000
B2 6000.000000 0.000000
B3 7518.483398 0.000000
B4 2081.516602 0.000000
T11 1208.056885 0.000000
T12 0.000000 7.772512
T13 400.000000 0.000000
T42 0.000000 7.772512
Y23 0.000000 0.663507
T24 0.000000 0.663507
T23 800.000000 0.000000
T34 681.516602 0.000000
T41 0.000000 8.436019
T347 0.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 0.000000
3) 0.000000 0.663507
4) 0.000000 8.436019
5) 0.000000 8.436019
6) 0.000000 0.000000
7) 0.000000 0.663507
8) 0.000000 8.436019
9) 0.000000 8.436019
10) 0.000000 8.436019
11) 0.000000 8.436019
12) 10.000000 0.000000
13) 200.000000 0.000000

NO. ITERATIONS= 9

53
METODOS DE OPTIMIZACION

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
P1 10.000000 0.350000 2.216216
P2 9.000000 2.562500 0.304348
B1 0.000000 0.000000 0.790960
B2 0.000000 7.772512 0.663507
B3 0.000000 1.794872 5.616438
B4 0.000000 8.317758 1.794872
T11 0.000000 0.000000 0.790960
T12 0.000000 7.772512 INFINITY
T13 0.000000 INFINITY 7.772512
T42 0.000000 7.772512 INFINITY
Y23 0.000000 0.663507 INFINITY
T24 0.000000 0.663507 INFINITY
T23 0.000000 INFINITY 0.663507
T34 0.000000 5.616438 0.484429
T41 0.000000 8.436019 INFINITY
T347 0.000000 0.000000 INFINITY

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 0.000000 1208.056885 INFINITY
3 0.000000 2160.000000 1440.113037
4 0.000000 5733.333008 2541.176514
5 0.000000 671.962646 2541.176514
6 6500.000000 1208.056885 INFINITY
7 6000.000000 2160.000000 1440.113037
8 7000.000000 5733.333008 2541.176514
9 1400.000000 671.962646 2541.176514
10 400.000000 5733.333008 400.000000
11 800.000000 5733.333008 800.000000
12 10.000000 INFINITY 10.000000
13 200.000000 INFINITY 200.000000

54
METODOS DE OPTIMIZACION

• OPTIMIZACION LINEAL Y SU APLICACIÓN EN LA


PROGRAMACION DE PRODUCCION

Bollinger Electronics Company produce dos componentes electronics


diferentes para un fabricante importante de motores de avión, el fabricante
notifica trimestralmente a la oficina de ventas de bollinger sus requerimientos
mensuales de los componentes para cada uno de los requerimientos de los
tres meses, estos pueden variar consensualmente dependiente del tipo de
motor que este produciendo el fabricante se acaba de recibir para el siguiente
trimestre el pedido que se muestra en la Tabla 1.

TABLA 1

PROGRAMA DE DEMANDA DE TRES MESES


COMPONENTE ABRIL MAYO JUNIO
322A 1000 3000 5000
802B 1000 500 3000

Después que se proceso el pedido, se envía con comunicado de que a cad


departamento de control de producción, entonces este ultimo debe elaborar un
plan de producción de tres meses para los componentes al llegar al programa
deseado, el gerente de producción deseará identificar lo siguiente:

1. Costo de producción total.


2. Costo de mantener el inventario.
3. Costo de cambio en el nivel de producción.

Por lo que se pide a usted formular un modelo de programación lineal del


proceso de producción e inventario de bollinger electronics, que minimice el
costo total.

El componente 322A cuesta 20$ por unidad producida y el 802B, para


incorporar los costos relevantes de mantener un inventario en el modelo,
hacemos que se denota el nivel de inventario para el producto i al final del
mes m, Bollingr determino que en una base mensual los costos de mantener
un inventario son 105% del costo del producto.

Una suposición que se hace en el enfoque de programación lineal para


programar la producción es que los inventarios finales mensuales son una
aproximación aceptable a los niveles de inventario promedio a lo largo del
mes, para incorporar los costos de fluctuaciones en los niveles de producción
de un mes a otro necesitamos definir los adicionales.

55
METODOS DE OPTIMIZACION

Im = Aumento en el nivel de producción total necesario durante el mes m.

Dm = Disminución en el nivel de producción total necesario durante el mes m.

Después de estimar los efectos de los despidos de empleados, rotaciones, costos


de capacitación para la reasignación y otros costos asociados con los niveles de
producción fluctuantes Bollinger estima que el costo asociado con aumentar el nivel de
producción para cualquier mes es $us 0.50 por unidad de aumento. Un costo similar
asociado con disminución del nivel de producción para cualquier mes en $us 0.20 por
unidad. Posteriormente se debe considerar las restricciones, primero se debe garantizar
que el programa de producción satisfaga la demanda del cliente. Debido a que las
unidades embarcadas pueden venir de la producción del mes actual o del inventario
conservado de meses anteriores.

Suponga que el inventario al principio del periodo de programación de tres meses


fueron 500 unidades para el componente 322Ay 200 para el 802B la demanda para
ambos producciones en el primer mes abril fue de mil unidades.

La compañía especifica un nivel de inventario mínimo al final del periodo de tres meses
de al menos 400 unidades del componente 322A al mes 200 unidades del 802B.

Suponga que también tenemos la información adicional, sobre la capacidad de


maquina, mano de obra, almacenamiento que se muestra en la tabla2 los requerimientos
de maquinaria, mano de obra y espacio de almacenamiento reducen en la tabla 2.

TABLA 2

CAPACIDAD DE MAQUINARIA, MANUFACTURA Y ALMACENAMIENTO


MES CAPACIDAD CAPACIDAD CAPACIDAD DE
MAQUINARIA MANUFACTURA ALMACENAMIENTO
Abril 400 300 10000
Mayo 500 300 10000
Junio 600 300 10000

TABLA 3

Requerimiento de mano de obra, maquinaria, y almacenamiento


COMPONENTE MAQUINARIA MANO DE ALMACEN
OBRA
322A 0.16 0.05 2
802B 0.08 0.07 3

Debe agregarse un conjunto al final de la restricciones para optimizar que Im y Dm


reflejen el aumento o disminución en el nivel de producción total para el mes “m”.
suponga que los niveles de producción para marzo el mes anterior para el inicio del

56
METODOS DE OPTIMIZACION

periodo de programación de producción han sido 1500 unidades del componente 322A
y 1000 unidades del componente 802B para un nivel de producción total de 1500 +
1000 = 2500 unidades.

I) V.D.

Xim = Volumen de producción en unidades para producir “ i ” en el mes “


“ m ” Donde i=1,2 y m= 1,2,3.

Sim = Nivel de inventario para la producción “ i “ al final del mes “ m “.


Donde i=1,2 y m =1,2,3.

Im = Aumento en el nivel de producción total necesario durante el mes m.

Dm = Disminución en el nivel de producción total necesario durante el m

II) F.O.

Min z = 2X11+2X12+20X13+10X21+10X22+1X23
+0.30S11+0.30S12+0.30S13+0.15S21+0.15S22+0.15S23
+.50I1+0.5I2+0.50I3+0.20D1+0.20D2+0.20D3

III) RESTRICCIONES.

X11-S11=500
X21-S21=800
S11+X12-S12=3000
S21+X22-S22=500
S12+X13-S13=5000
S22+X23-S23=3000
S13>400
S23>200
0.10X11+0.08X21<400
0.10X12+0.08X22<500
0.10X13+0.08X23<600
0.05X11+0.07X21<300
0.05X12+0.07X22<300
0.05X13+0.07X23<300
2S11+3S21<10000
2S12+2S22<10000
2S13+3S23<10000
X11+X21-I1+D1=250
-X11-X21+X12+X22-I2+D2=0
-X12-X22+X13+X23-I3+D3=0

IV) C.E.

Xim,Sim,Im,Dm > 0

57
METODOS DE OPTIMIZACION

LINDO

LP OPTIMUM FOUND AT STEP 13

OBJECTIVE FUNCTION VALUE


1) 55768.00

VARIABLE VALUE REDUCED COST


X11 2960.000000 0.000000
X12 5000.000000 0.000000
X13 940.000000 0.000000
X21 1300.000000 0.000000
X22 0.000000 0.230000
X23 3200.000000 0.000000
S11 2460.000000 0.000000
S12 4460.000000 0.000000
S13 400.000000 0.000000
S21 500.000000 0.000000
S22 0.000000 23.260000
S23 200.000000 0.000000
I1 4010.000000 0.000000
I2 740.000000 0.000000
I3 0.000000 0.700000
D1 0.000000 0.700000
D2 0.000000 0.700000
D3 860.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 -19.200001
3) 0.000000 -23.760000
4) 0.000000 -19.500000
5) 0.000000 -23.910000
6) 0.000000 -19.799999
7) 0.000000 -0.800000
8) 0.000000 -20.100000
9) 0.000000 -0.950000
10) 0.000000 172.000000
11) 0.000000 168.000000
12) 250.000000 0.000000
13) 61.000000 0.000000
14) 50.000000 0.000000
15) 29.000000 0.000000

58
METODOS DE OPTIMIZACION

16) 3580.000000 0.000000


17) 1080.000000 0.000000
18) 8600.000000 0.000000
19) 0.000000 0.500000
20) 0.000000 0.500000
21) 0.000000 -0.200000

NO. ITERATIONS= 13

RANGES IN WHICH THE BASIS IS UNCHANGED:


OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X11 2.000000 17.200001 0.287500
X12 2.000000 0.287500 INFINITY
X13 20.000000 INFINITY 16.799999
X21 10.000000 0.230000 23.260000
X22 10.000000 INFINITY 0.230000
X23 1.000000 23.260000 0.950000
S11 0.300000 17.200001 0.287500
S12 0.300000 16.799999 INFINITY
S13 0.300000 INFINITY 20.100000
S21 0.150000 0.230000 23.260000
S22 0.150000 INFINITY 23.260000
S23 0.150000 INFINITY 0.950000
I1 0.500000 1.149999 0.700000
I2 0.500000 16.799999 0.574999
I3 0.500000 INFINITY 0.700000
D1 0.200000 INFINITY 0.700000
D2 0.200000 INFINITY 0.700000
D3 0.200000 0.950000 0.700000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 500.000000 580.000000 540.000000
3 800.000000 725.000000 675.000000
4 3000.000000 580.000000 540.000000
5 500.000000 725.000000 500.000000
6 5000.000000 580.000000 940.000000
7 3000.000000 414.285706 3200.000000
8 400.000000 580.000000 400.000000
9 200.000000 414.285706 200.000000
10 400.000000 54.000000 58.000000
11 500.000000 54.000000 43.000000
12 600.000000 INFINITY 250.000000
13 300.000000 INFINITY 61.000000
14 300.000000 INFINITY 50.000000
15 300.000000 INFINITY 29.000000

59
METODOS DE OPTIMIZACION

16 10000.000000 INFINITY 3580.000000


17 10000.000000 INFINITY 1080.000000
18 10000.000000 INFINITY 8600.000000
19 250.000000 4010.000000 INFINITY
20 0.000000 740.000000 INFINITY
21 0.000000 INFINITY 860.000000
• APLICACIÓN EN LA PROGRAMACION DE ACTIVIDADES

Una empresa tiene un programa estricto de compromiso de entrega de un


producto para los próximos 6 meses el coste de producción varia por mes por
los cambios anticipados en costos d materiales la capacidad de producción de
la compañía es de 100 unidades por mes con tiempo extra la TABLA1
muestra los requerimientos de entrega y costos de producción por mes, el
costo de almacenare inventariar una unidad adicional que no se vende es de 2
$us por mes.

El problema de la compañía es determinar el numero de unidades que debe


producir cada mes en tiempo normal y tiempo es para cubrir los
requerimientos con el menor costo, la empresa no tiene unid disponibles al
iniciar el mes 1 y no quiere que sobren unidades al terminar el mes 6.

MES 1 2 3 4 5 6
Compromiso de 95 85 110 112 90 105
entrega en unidad

Costo por unid $ 30 30 32 32 31 32


en tiempo
normal.

Costo por unid $ 35 35 37 37 36 87


en tiempo extra.

Costo por no 2 2 2 2 2 2
vender en $.

I) V.D.

X1, X2,X3,X4,X5,X6 = Numero de unid a producir en tiempo


normal por mes.

Y1,Y2,Y3,Y4,Y5,Y6 = Numero de unid a producir en tiempo extra.

I1,I2,I3,I4,I5,I6 = Numero de unid en almacén.

II) F.O.

Min z = 30X1+30X2+32X3+32X4+31X5+32X6
+35Y1+35Y2+37Y3+37Y4+36Y5+37Y6

60
METODOS DE OPTIMIZACION

+2I1+2I2+2I3+2I4+2I5+2I6

III) RESTRICCIONES.

X1<100
X2<100
X3<100
X4<100
X5<100
X6<100
Y1<15
Y2<15
Y3<15
Y4<15
Y5<15
Y6<15
X1+Y1-I1=95
I1+X2+Y2-I2=85
I2+X3+Y3-I3=110
I3+X4+Y4-I4=115
I4+X5+Y5-I5=90
I5+X6+Y6-I6=105
I6=0

IV) C.E.
X1, X2,X3,X4,X5,X6, Y1,Y2,Y3,Y4,Y5,Y6, I1,I2,I3,I4,I5,I6<0

LINDO

LP OPTIMUM FOUND AT STEP 10

OBJECTIVE FUNCTION VALUE

1) 18810.00

VARIABLE VALUE REDUCED COST


X1 100.000000 0.000000
X2 100.000000 0.000000
X3 100.000000 0.000000
X4 100.000000 0.000000
X5 95.000000 0.000000
X6 100.000000 0.000000
Y1 0.000000 4.000000
Y2 0.000000 2.000000
Y3 0.000000 2.000000
Y4 5.000000 0.000000

61
METODOS DE OPTIMIZACION

Y5 0.000000 5.000000
Y6 0.000000 4.000000
I1 5.000000 0.000000
I2 20.000000 0.000000
I3 10.000000 0.000000
I4 0.000000 8.000000
I5 5.000000 0.000000
I6 0.000000 35.000000

ROW SLACK OR SURPLUS DUAL PRICES


2) 0.000000 1.000000
3) 0.000000 3.000000
4) 0.000000 3.000000
5) 0.000000 5.000000
6) 5.000000 0.000000
7) 0.000000 1.000000
8) 15.000000 0.000000
9) 15.000000 0.000000
10) 15.000000 0.000000
11) 10.000000 0.000000
12) 15.000000 0.000000
13) 15.000000 0.000000
14) 0.000000 -31.000000
15) 0.000000 -33.000000
16) 0.000000 -35.000000
17) 0.000000 -37.000000
18) 0.000000 -31.000000
19) 0.000000 -33.000000
20) 0.000000 0.000000

NO. ITERATIONS= 10

RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES


VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 30.000000 1.000000 INFINITY
X2 30.000000 3.000000 INFINITY
X3 32.000000 3.000000 INFINITY
X4 32.000000 5.000000 INFINITY
X5 31.000000 4.000000 1.000000
X6 32.000000 1.000000 INFINITY
Y1 35.000000 INFINITY 4.000000
Y2 35.000000 INFINITY 2.000000
Y3 37.000000 INFINITY 2.000000
Y4 37.000000 2.000000 1.000000
Y5 36.000000 INFINITY 5.000000

62
METODOS DE OPTIMIZACION

Y6 37.000000 INFINITY 4.000000


I1 2.000000 1.000000 4.000000
I2 2.000000 1.000000 2.000000
I3 2.000000 1.000000 2.000000
I4 2.000000 INFINITY 8.000000
I5 2.000000 4.000000 1.000000
I6 2.000000 INFINITY 35.000000

RIGHTHAND SIDE RANGES


ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 100.000000 5.000000 5.000000
3 100.000000 5.000000 10.000000
4 100.000000 5.000000 10.000000
5 100.000000 5.000000 10.000000
6 100.000000 INFINITY 5.000000
7 100.000000 5.000000 5.000000
8 15.000000 INFINITY 15.000000
9 15.000000 INFINITY 15.000000
10 15.000000 INFINITY 15.000000
11 15.000000 INFINITY 10.000000
12 15.000000 INFINITY 15.000000
13 15.000000 INFINITY 15.000000
14 95.000000 5.000000 5.000000
15 85.000000 10.000000 5.000000
16 110.000000 10.000000 5.000000
17 115.000000 10.000000 5.000000
18 90.000000 5.000000 95.000000
19 105.000000 5.000000 5.000000
20 0.000000 0.000000 0.000000

63
METODOS DE OPTIMIZACION

TEMA Nº 4

OPTIMIZACIÓN NO LINEAL

1. INTRODUCCIÓN

Programación no lineal (PNL) es el proceso de resolución de un sistema de


igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto
de variables reales desconocidas, con un función objetivo a maximizar, cuando
alguna de las restricciones o la función objetivo no son lineales.

El problema de programación no lineal puede enunciarse de una forma muy simple:

Maximizar una función objetivo

Minimizar una función objetivo (de coste)

Donde

Si la función objetivo f es lineal y el espacio restringido es un politopo, el problema


es de Programación lineal y puede resolverse utilizando alguno de los bien
conocidos algoritmos de programación lineal.

Si la función objetivo es cóncava (problema de maximización), o convexa


(problema de minimización) y el conjunto de restricciones es convexo, entonces se
puede utilizar el método general de Optimización convexa

Existe una variedad de métodos para resolver problemas no convexos. Uno de ellos
consiste en utilizar formulaciones especiales de problemas de programación lineal.
Otro método implica el uso de técnicas de Ramificación y poda, cuando el problema
se divide en subdivisiones a resolver mediante aproximaciones que forman un límite
inferior del coste total en cada subdivisión. Mediante subdivisiones sucesivas, se
obtendrá una solución cuyo coste es igual o inferior que el mejor limite inferior
obtenido por alguna de las soluciones aproximadas. Esta solución es óptima, aunque
posiblemente no sea única. El algoritmo puede ser parado antes, con la garantía de
que la mejor solución será mejor que la solución encontrada en un porcentaje
acotado. Ello se utiliza en concreto en problemas importantes y especialmente
difíciles y cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.

Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias


para que una solución sea óptima.

64
METODOS DE OPTIMIZACION

2. OPTIMIZACIÓN NO LINEAL IRRESTRICTA


 PNL Univariante y sin restricciones
 PNL Multivariante y sin restricciones.

PNL Univariante y sin restricciones

Max z = 3xª – x + 8

y = f(x)

y = 3xº - x + 8

f(x) = 3xº - x +

Resolución: la primera derivada para saber los puntos críticos y la segunda derivada
para saber si se tiene máximo y mínimo.

f ' (x) = d f(x)/ dx

= 6x – 1

x = 1/6

Reemplazando en la función

y = 3xº - x + 8

y = 3(1/6)º-(1/6) + 8

y = 95/12

Punto critico

(1/6 , 95/12)

Segunda derivada

f” (x) = 6

f” (x) > 0 es mínimo

f” (x) < 0 es máximo

f” (x) = 6 >0 es mínimo

Pc (1/6 ,95/12)

65
METODOS DE OPTIMIZACION

Punto de inflexión

F” (x) = 0

6=0

Pc (1/6 , 95/12)

Se deberá producir 1/6 para ganar como máximo 95/12.

PNL Multivariante y sin restricciones.

2 3
MAX Z = f ( xx , x2 ) = x 1
x+ x x −x x
2 1 1 2

zf ( x1 , x 2)
= 2 x1 + x23 − x2
z x1
= x2(2x1+x22-1)=0
zf ( x1 , x 2)
= x12 + 3x22 − x1
z x2
= x1(x1+3x22-1)=0
De A se puede obtener:

i) x1=0 ii) 2x1+x22-1=0

De B se puede obtener:

iii) x1=0 iv) x1+3x22-1=0

Analizando i) y ii)

x2=0 x1=0
Pc (0, 0)

Analizando i) y iii)

x2=0 x1+3x22-1=0
x1+3(0)2-1=0
x1-1=0
x1=1

Pc (0, 1)
Analizar iii) y ii)

x1=0 2x1+x22-1=0
2 (0) + x22-1=0

66
METODOS DE OPTIMIZACION

x22-1=0
x2=± 1

Pc (0, 1)
Pc (0, -1)
Analizar ii) y iv)

2x1+ x22-1= 0 /-3


x1+3x22-1= 0 *

-6x1-3x22+3 = 0 1
x1+3x22-1= 0

-5x1 2=0
5
x1=
2

5
Reemplazando x1=
2
1 2 1
x2 = Pc ( , ±
5 5 5
Analizar iii) y iv)

 1  
Pc 0,  Pc 0,− 1 
3   3
   

∂ f (x1 , x2 ) ∂ 2 f (x1, x2 )
∂ x1 ∂ (x2 , x1)
H= =0
∂ 2 f (x1, x2 ) ∂ f (x1 , x2 )
∂ (x2 , x1) ∂ x1

67
METODOS DE OPTIMIZACION

2x x + x - x 2 x + 3 x − 1
3
12 2 2
2
1 2
H= =0
2 x + 3x − 1 2x x + x - x
2
1 2
3
12 2 2

2( 1+ )0 (- 0 0) 2( + 31(0)) − 1
3 2

H= =0
2( + 31(0)) − 1 2( 1+ )0 (- 0 0)
2 3

01
=H = 0
00
3.OPTIMIZACION NO LINEAL CON RESTRICCIONES

 PNL Univariante y con restricciones


 PNL Multivariante y con restricciones.

4. CONDICIONES DE LAGRANGE

En los problemas de optimización, los multiplicadores de Lagrange, nombrados así en


honor a Joseph Louis Lagrange, son un método para trabajar con funciones de varias
variables que nos interesa maximizar o minimizar, y está sujeta a ciertas restricciones.
Este método reduce el problema restringido en n variables en uno sin restricciones de

68
METODOS DE OPTIMIZACION

n + 1 variables cuyas ecuaciones pueden ser resueltas. Este método introduce una nueva
variable escalar

el multiplicador de Lagrange, para cada restricción y forma una combinación lineal


involucrando los multiplicadores como coeficientes. Su demostración involucra
derivadas parciales, o bien usando diferenciales totales, o sus parientes cercanos, la
regla de la cadena. El fin es, usando alguna función implícita, encontrar las condiciones
para que la derivada con respecto a las variables independientes de una función sea
igual a cero.

Consideremos un caso bidimensional. Supongamos que tenemos la función, f(x, y), y


queremos maximizarla, estando sujeta a:
g(x,y) = c,

donde c es una constante. Podemos visualizar las líneas de curvas de nivel de f dadas
por
f(x,y) = dn

para varios valores de dn, y el contorno de g dado por g(x, y) = c. Supongamos que
hablamos de la curva de nivel donde g = c. Entonces, en general, las curvas de nivel de f
y g serán distintas, cruzando el contorno donde g = c por lo general intersectará y
cruzará muchos contornos de f. En general, moviéndose a través de la línea g=c
podemos incrementar o disminuir el valor de f. Solo cuando g=c, el contorno que
estamos siguiendo toca tangencialmente, pero no lo corta, una curva de nivel de f no
incrementamos o disminuimos el valor de f. Esto ocurre en el extremo local restringido
y los puntos de inflexión restringidos de f.

Un ejemplo familiar puede ser obtenido de los mapas climatológicos, con sus curvas de
nivel de presión y temperatura (isóbaras e isotermas respectivamente): el extremo
restringido ocurrirá donde los mapas superpuestos muestren curvas que se tocan.

Geométricamente traducimos la condición de tangencia diciendo que los gradientes de f


y g son vectores paralelos en el máximo. Introduciendo un nuevo escalar, λ, resolvemos
[f(x, y) - λ (g(x, y) − c)] = 0

para λ ≠ 0.

Una vez determinados los valores de λ, volvemos al número original de variables y así
continuamos encontrando el extremo de la nueva ecuación no restringida.
F(x,y) = f(x,y) − λ(g(x,y) − c)

de forma tradicional. Eso es, F(x,y) = f(x,y) para todo (x, y) satisfaciendo la condición
porque g(x,y) − c es igual a cero en la restricción, pero los ceros de F(x, y) están todos
en g(x,y) = c.

FUNCION DE LAGRANGE
Maximizar F(x)
L( x, λ ) = F (x) - λ ( g(x) - b)
S.A g( x) < b
Minimizar F(x)

69
METODOS DE OPTIMIZACION

L( x, λ ) = F (x) + λ (g(x) - b)
S.A g(x) < b

5.CONDICIONES DE KUHN-TUCKER

Las condiciones de Karush-Kuhn-Tucker (también conocidas como las condiciones


KKT o Kuhn-Tucker) son condiciones necesarias y suficientes para que la solución de
una programación no lineal sea óptima. Es una generalización del método de los
Multiplicadores de Lagrange

Consideremos el problema siguiente de optimización no lineal:

donde f(x) es la función a ser minimizada, son las restricciones


de desigualdad y son las restricciones de igualdad, y m y l son
el número de restricciones de desigualdad e igualdad, respectivamente.

Las condiciones necesarias para problemas con restricciones de desigualdad fueron


publicadas por primera vez en la Tesis doctoral de W. Karush,1 aunque fueron
renombradas tras un artículo en una conferencia de Harold W. Kuhn y Albert W.
Tucker.2

CONDICIONES NECESARIAS

Supongamos que la función objetivo, por ejemplo, a minimizar, es y las


funciones de restricción son y . Además, supongamos
*
que son continuamente diferenciables en el punto x . Si x * es un mínimo local,
entonces existe constantes , y

Tales que

TEMA Nº 5

OPTIMIZACIÓN FINANCIERA

1. INTRODUCCIÓN

70
METODOS DE OPTIMIZACION

Una introducción a las finanzas corporativas y a la profesión de la gestión financiera. En


este capítulo, comenzaremos resumiendo las decisiones que deben adoptar los directores
financieros.

Para sobrevivir y prosperar, las empresas deben satisfacer a sus clientes. También deben
crear y vender sus productos y servicios con un beneficio. Para lograrlo, las compañías
deben poseer activos, ya sean fabricas, equipos, oficinas ordenadores y software, marcas
registradas, patentes o licencias, laboratorio investigación y desarrollo, etcétera. El
cometido del director financiero consiste orientar tanto las decisiones de inversión!
como las decisiones de financiación.

Después de estudiar este capítulo, usted podrá:


• Aplicar las ventajas y los inconvenientes de las sociedades anónimas, de los
propietarios individuales y de las asociaciones.
• Enumerar las principales decisiones que toman los directores financieros y explicar
el papel especial del director financiero (DF), del tesorero y del jefe de control de
gestión.
• Dar ejemplos de la carrera financiara de algunas personas.,

Explicar por que la maximización del valor del mercado es el objetivo financiero lógico
de las empresas.

Comprender por qué surgen conflictos de intereses en las grandes empresas.


Explicar por qué las empresas ofrecen incentivos a todos aquellos que trabajan en pro
del fin común.

La Organización de las Empresas


Propietario único: El único poseedor de una empresa, que no tiene socios ni accionistas.
El propietario es personalmente responsable de todas las obligaciones de la empresa.
Asociación: Empresas cuya propiedad es de dos o más personas, que obedecen a un
acuerdo o convenio de asociación

Sociedad anónima: Es una empresa organizada como entidad legal independiente, cuyos
propietarios son sus accionistas.

Responsabilidad limitada: Los propietarios de una corporación no son personalmente


responsables de las obligaciones de ésta.
El Papel del Director Financiero

Para llevar a cabo sus actividades, las empresas necesitan una variedad casi infinita de
activos reales.
Activos reales: Activos que se emplean para producir bienes y servicios..
Activos financieros: Los derechos a recocer los beneficios que peñeran los activos
reales. También se denominan títulos.
Para obtener los fondos que necesitan, las empresas venden a los inversores activos
financieros o títulos.

La Decisión de Presupuesto de Capital

71
METODOS DE OPTIMIZACION

Las decisiones de presupuesto de capital son vitales para el éxito o el fracaso de las
empresas.

La Decisión de Financiación:
La segunda responsabilidad del director financiero consiste en conseguir fondos para
pagar las inversiones en activos reales. Esta es la decisión de financiación. Cuando las
empresa necesitan financiación. Cuando las empresas financiación pueden invitar ajos
inversores a o prometerles una serie de pagos fijos.
A menudo, la composición de la financiación a largo plazo se denomina decisión sobre
la estructura del capital, pues el capital son las fuentes de financiación de la empresa a
largo plazo.

Quién es el Director Financiero


Empleamos el término director financiero para aludir a cualquier responsable de las
decisiones importantes y de inversión y de financiación.

Tesorero: es el responsable de la financiación de la gestión de tesorería de la relaciones


con los bancos y con las demás instituciones financieras.
Jefe de control de gestión: Es el responsable de los presupuestos, la contabilidad y los
impuestos.

Director financiero: Supervisa las funciones del tesorero y del jefe de control de gestión
y fija la estrategia financiera general.

2. EL ENTORNO FINANCIERO

Cuando las empresas necesitan emitir más acciones el director financiero es quien mejor
sabe como funcionan los mercados financieros. Si la empresa quiere contratar un
préstamos bancario, al director financiero más le vale saber bien como funcionan los
bancos y otras instituciones financieras.

Los mercados y las instituciones financieras componen el entorno financiero de las


empresas.

El dinero retenido y reinvertido en las operaciones de la empresa es dinero que se ahorra


y se invierte en beneficio de los accionistas de la empresa.
La Bolsa

Los mercados financieros son aquellos donde se emiten y se negocian los títulos. Los
títulos son sólo activos financieros negociados, como las acciones. Para las empresas, la
Bolsa es Probablemente el mercado financiero más importante.

Mercado primario. El mercado donde se venden las nuevas acciones emitidas por las
empresas.
Mercado secundario: El mercado donde los inversores compran y venden las acciones
ya emitidas.
Mercado de renta fija: El mercado que opera con títulos de deuda.
Mercado de capitales: El mercado de financiación a largo plazo.
Mercado de dinero: Es el mercado para la financiación a corto plazo menos de 1 año

72
METODOS DE OPTIMIZACION

Los Intermediarios Financieros


Los intermediarios financieros son organizaciones que obtienen dinero para los
inversores y que proporcionan financiación a las personas las empresas y a otras
organizaciones. Para las empresas, los intermediarios son una fuente importante de
financiación. Son un paso en la vía que va desde el ahorro a las inversiones reales.
Comenzaremos con dos cales importantes de intermediarios, los fondos de inversión y
los fondos de pensiones.

Los fondos de inversión acumulan dinero vendiendo acciones a los inversores. El dinero
de los inversores de reúne y se invierte en una cartera de títulos.

La liquidez
Los mercados y los intermediarios también ofrecen liquidez, esto es la capacidad de
convertir una inversión en dinero al contado cuando resulta necesario.

El Mecanismo de Pago
Piense lo incómodo que sería tener que pagar al contado cada compra, o que General
Motos tuviera que despachar a todo el país camiones enteros cargados con billetes de
cien dólares para pagar a sus proveedores. Las cuentas corrientes, las tarjetas de crédito
y las transferencias electrónicas permiten a las personas y a las empresas realizar y
obtener pagos a larga distancia y de manera rápida y segura.

La Reducción del Riesgo


Los mercados y los intermediarios financieros permiten que los inversores y las
empresas reduzcan y transfieren el riesgo.

3. OPTIMIZACIÓN Y ESTADOS FINANCIEROS

Los estados financieros representan y muestran la situación financiera de una empresa


en otras palabras es la fotografía de la situación o finanzas de la empresa.

Los estados financieros mas importantes que se deben considerar al realizar un análisis
son los siguientes:

 Balance General.

 Estado de Resultados.

 Flujo de Caja.

BALANCE GENERAL
ACTIVO PASIVO
Lo que tiene la empresa. Lo que debe la empresa las obligaciones
ACTIVO CORRIENTE que tiene con terceros

73
METODOS DE OPTIMIZACION

 Disponibles, caja, banco. PASIVO CORRIENTE


 Exigibles por cobrar.  Cuentas por pagar.
 Realizables, inventarios.  Prestamos bancario a corto plazo.
ACTIVO NO CORRIENTE PASIVO NO CORRIENTE
 Activo fijo.  Prestamos bancarios a largo
 Edificio. plazo.
 Inversión, acción telefónica PATRIMONIO
ACTIVO DIFERIDO Representa la parte de accionistas o
 Gastos de organización. socios.
 Gastos de investigación
 Desarrollo de patentes.

ESTADO DE RESULTADOS

Ingresos (ventas) xxx


-Costo variable (xxx)

Margen de contribución xxx


-Costo fijo (xxx)

UAII xxx
-Intereses (xxx)

UAI xxx
-Impuestos (IUE 25%) (xxx)

Utilidad neta xxxx

EJEMPLO1

con la siguiente información: ingresos =7000, costo variable =2000, costo fijo =1000,
tasa de interés =15%, activo =30000.

a) Maximizar la estructura de capital viendo cual de las siguientes estructuras es la


más conveniente.
1. Pasivo20%, Patrimonio80%
2. Pasivo50%. Patrimonio50%
3. Pasivo80%, patrimonio20%

b) Para realizar este análisis determinar el ROE y ROA.

1. BALANCE GENERAL

74
METODOS DE OPTIMIZACION

ACTIVO 100% PASIVO 20%


30000 6000
PATRIMINIO 80%
24000
30000 30000

2. BALANCE GENERAL
ACTIVO 100% PASIVO 50%
30000 15000
PATRIMINIO 50%
15000
30000 30000

3. BALANCE GENERAL
ACTIVO 100% PASIVO 80%
30000 24000
PATRIMINIO 20%
6000
3000 3000

1, ESTADO DE RESULTADOS

Ingresos (ventas) 7000


-Costo variable (2000)

Margen de contribución 5000


-Costo fijo (1000)

UAII 4000
-Intereses (900)

UAI 3100
Impuestos (IUE 25%) (775)

Utilidad neta 2325

2. ESTADO DE RESULTADOS

75
METODOS DE OPTIMIZACION

Ingresos (ventas) 7000


-Costo variable (2000)

Margen de contribución 5000


-Costo fijo (1000)

UAII 4000
-Intereses (2250)

UAI 1750
Impuestos (IUE 25%) (437.5)

Utilidad neta 1312.5

3. ESTADO DE RESULTADOS

Ingresos (ventas) 7000


-Costo variable (2000)

Margen de contribución 5000


-Costo fijo (1000)

UAII 4000
-Intereses (3600)

UAI 400
Impuestos (IUE 25%) (100)

Utilidad neta 300

utilidad neta
1. ROE = patrimonio neto

2325
ROE =
2400

ROE = 0.10 ≈ 10%

utilidad neta
2. ROE = patrimonio neto

1312 .5
ROE =
15000

76
METODOS DE OPTIMIZACION

ROE = 0.09 ≈ 9%

utilidad neta
3. ROE = patrimonio neto

300
ROE =
6000

ROE = 0.05 ≈ 5%

UAII (1 − T )
ROA =
Total activos

4000 (1 − 0.25 )
ROA =
23000
ROA = 0.10 ≈ 10%

 ROE es la rentabilidad de los socios.


 ROA es la rentabilidad de activos.

Ej. Si el margen de contribución fuese 27% significa que de cualquier venta que se haga
se ha de generar 27% de excedente para cubrir los costos fijos.

- Rentabilidad sobre los activos

VAII (1 − t )
ROA =
TOTAL ACTIVO

Este indicador es comparable con la tasa de interés bancaria como referente por que
varia no es lo mismo hablar de computadoras o edificios.

Un DPF en un banco máximo nos da un 6% pero igualmente hay que comparar con el
ROA del sector.

Este tipo de indicadores esta en el boletín del BCB.

- Rentabilidad sobre el patrimonio

Utilidad neta
ROE =
Patrimonio neto

Este indicador mide la rentabilidad sobre le patrimonio.

Este indicador se lo tiene que comparar en el costo de oportunidad.

MEDIDAS DE ENDEUDAMIENTO.

77
METODOS DE OPTIMIZACION

Se clasifica en 3 tipos de índice.

- Índice de endeudamiento
- Razón pasivo – capital
- Ratio de cobertura de interés

- Índice de endeudamiento

Pasivo total
IE =
Activo totales

Este indicador nunca puede asumir un signo negativo.

Este indicador muestra el porcentaje de financiamiento que una empresa ha obtenido de


fuentes externas.

Ejm. Si el IE fuese 75% significa que el 75% del financiamiento de la emp. fue obtenida
de fuentes externas.

- Razón Pasivo – Capital

Pasivo total
RPC =
Patrimonio neto

Este indicador muestra cuantos dólares ha obtenido una empresa de fuentes externos por
cada dólar aportado por los servicios.

Ejm. Si RPC fuese 3 significa que por cada dólar aportado por los socios de una
empresa se han obtenido $us. 3 de fuente externa.

- Ratio de cobertura de interés

VAII
RCI =
INTERESES

Si este indicador es mayor a 1 la empresa es capaz de pagar sus costos financieros.

1. Medidas de liquidez

- Capital Neto de trabajo


- Índice de liquidez
- Índice de prueba acida

- Capital neto de trabajo

CNT = Activo corriente – Pasivo corriente

Este indicador mide en que condiciones se encuentre la empresa respecto a su efectivo.

78
METODOS DE OPTIMIZACION

Si el resultado es positivo representa una cantidad de disponible en la empresa.

La tendencia moderna es que el AC-PC debe ser igual a O eficiencia de justo a tiempo.

Si el resultado es negativo quiere decir que los pasivos son mayores.

- Índice de liquidez

Activo corriente
IL =
Pasivo corriente

Este indicador muestra la cantidad de $us. Disponible que tiene la empresa por cada
dólar que debe en el corto plazo.

Ejm. IL=1.4 significa que en la empresa existe 1.4 $us. Disponibles por cada dólar que
se debe en el corto plazo.

Bajo el enfoque de justo a tiempo el resultado debería ser 1.

Para la realidad económica Boliviana se necesita que este índice sea superior a 1.

Muchos autores señalan que la medida perfecta debería ser 2 por lo que el parámetro
estaría entre 1 y 2.

- Índice de prueba acida

Activo corriente − Inventario e


IPA =
Pasivo corriente

Bajo el enfoque justo a tiempo este indicador debería ser igual a 1. para la realidad
económica boliviana es aceptable que el rango este entre 0 y 1.

Ejm. Si el IPA=0.81 significa que tenemos 81 centavos de $us. por cada $us. Que
debemos en el corto plazo si el indicador fuera 1.75 es dinero ocioso. Si el indicador
fuera 0.01 existe una escasez de dinero es decir no existe liquidez en la empresa.

MEDIDAS DE ACTIVIDAD DE LA EMPRESA

- Índice de rotación de activos totales


- Índice de rotación de cuentas por pagar
- Índice de rotación de cuentas por cobrar
- Índice de rotación de activos fijos
- Índice de rotación de capital de trabajo
- Índice de rotación de activos totales:

Ventas (ingresos )
IRAI =
total activos

Este indicador carece de signos es decir, no representa una cantidad monetaria.

79
METODOS DE OPTIMIZACION

Representa el # de veces que los activos de la empresa han rotado en la gestion (1 año).

A este indicador se lo debe comprara con el indicador del sector.

- Índice de rotación de cuentas por pagar

compras al credito
IRC * P =
C*P

 C*P 
IRC * P = 
 compras al credito 
360
 

Inv. Inicial + Compras –CV = Inv. Final

Este indicador muestra cuanto tarda una empresa en pagar sus C*P.

Esto indicador deberá ser coherente con la partida de comprar el crédito de una
empresa.

- Índice de rotación de cuentas por cobrar

Ventas al credito
IRC * C =
C *C

 C *C 
IRC * C = 
Ventas al credito 
360
 

Este indicador nunca es negativo y muestra el numero de veces o días que rotan las C*C
en el año.

Este indicador debería se coherente con la política de ventas al crédito de una empresa.

- Índice de rotación de activos fijos

Ventas
IRAF =
Activos fijos

Este indicador muestra cuanto dinero se genera en ventas por cada dólar invertido en
activos fijos.

Ejm. Si el IRAF fuese $us. 10.78 significa que por cada $us. Invertido en activos fijos
que genera $us. 1075 en ventas.

- Índice de rotación de capital de trabajo

Ventas
IRKT =
Capital de trabajo − Activo corriente

Los activos corrientes se conocen como capital de trabajo.

80
METODOS DE OPTIMIZACION

Este indicador muestra cuanto dinero se genera en ventas por cada dólar invertido en
capital de trabajo.

Ejm. Si el IRKT fuese $us. 10.40 significa que por cada dólar invertido en capital de
trabajo se genera $us. 10.40 en ventas.

4. OPTIMIZACIÓN Y LOS INDICADORES FINANCIEROS

Razón financiera índice o indicador financiero es lo mismo, los indicadores


financieros que permiten medir comparar y realizar analizar financiero de los resultados
obtenidos de la simulación realizada, es decir que sucederá en una empresa cuando se
realizan determinados cambios bajo determinados condiciones.

CLASIFICACIÓN INDICADORES FINANCIEROS

 Medidas de liquidez.
 Medidas de la actividad de la empresa.
 Medidas de endeudamiento.
 Medidas de rentabilidad.

MEDIDAS DE RENTABILIDAD DE LA EMPRESA;

A su vez este se divide en tres.

• Margen de contribución
• rentabilidad sobre los activos.
• rentabilidad sobre el patrimonio.

Margen de contribución

Mgcontrib
MG Contrib = ingreso (vtas )

Este es un indicador comparable con el sector. este indicador representa cuanto


excedente se ha generado para abrir los costos fijos.

5. TEOREMA DE MODIGLIANI-MILLER

Teorema Modigliani-Miller (llamado así por Franco Modigliani y Merton


Miller) es parte esencial del pensamiento académico moderno sobre la estructura
de capital de la empresa. El teorema afirma que el valor de una compañía no se
ve afectado por la forma en que ésta es financiada en ausencia de impuestos,
costes de quiebra y asimetrías en la información de los agentes. Oponiéndose al
punto de vista tradicional, el teorema establece que es indiferente que la empresa
logre el capital necesario para su funcionamiento acudiendo a sus accionistas o
emitiendo deuda. También es indiferente la política de dividendos.

PROPOSICIONES DE MILLER

81
METODOS DE OPTIMIZACION

Consideremos dos empresas en todo idénticas excepto en su estructura


financiera. La primera (empresa U) no está apalancada; es decir, se financia
únicamente por las aportaciones de los accionistas. La otra sociedad (empresa L)
está apalancada; se financia en parte con acciones y en parte con deuda. El
teorema Modigliani-Miller afirma que el valor de las dos compañías es el
mismo:

Proposición I:

Donde VU es el valor de la empresa sin apalancamiento = precio de compra de


todas las acciones de la empresa, y VL es el valor de una empresa con
apalancamiento = precio de compra de todas las acciones de la empresa más
todas sus deudas.

El teorema se basa en el siguiente razonamiento: supongamos que un inversor


está indeciso entre invertir una determinada cantidad de dinero en la empresa U
o en la empresa L. Será indiferente para él comprar acciones de la empresa
apalancada L o comprar acciones de la empresa U y simultáneamente pedir
prestado en la misma proporción que la empresa L lo hace. El rendimiento de
ambas inversiones será el mismo. Por lo tanto el precio de las acciones de L
debe ser el mismo que el de las acciones de U menos el dinero que el inversor B
pidió prestado, que coincide con el valor de la deuda de L.

El razonamiento para ser cierto necesita una serie de fuertes supuestos. Se asume
que el coste de pedir prestado dinero por el inversor coincide con el de la
empresa, lo que sólo es cierto si no hay asimetría en la información que reciben
los agentes y si los mercados financieros son eficientes.

Proposición II:

rS es el coste del capital de la empresa.

r0 es el coste del capital de una empresa sin apalancamiento.

rB es el coste de la deuda.

B / S es la ratio entre deuda y capital propio de la empresa.

Esta proposición afirma que el coste del capital de la empresa es una función
lineal de la ratio entre deuda y capital propio. Una ratio alta implica un pago
mayor para el capital propio debido al mayor riesgo asumido por haber más
deuda. Esta fórmula se deriva de la teoría del coste medio del capital.

Las dos proposiciones son cierta siempre que asumamos que:

• no hay impuestos.
• no hay costes de transacción.

82
METODOS DE OPTIMIZACION

• los particulares y las empresas pueden pedir prestado a los mismos tipos
de interés.

Lógicamente, después de estos supuestos tan restrictivos que no se cumplen en


el mundo real, el teorema podría parecer irrelevante, pero a pesar de ello se sigue
estudiando por un motivo muy importante. Debemos comprender qué supuestos
se están violando para entender cual es la estructura de capital óptima.

83
METODOS DE OPTIMIZACION

BALANCE GENEGAL
CTAS POR COBRAR
(VENTAS) 20%
CTAS POR PAGAR (COSTO
VARIABLE) 10%
CRECIMIENTO DE
INVERSION 20%

ESTADO DE RESULTADOS
CRECIMIENTO EN VENTAS 20%
CRECIMIENTO EN COSTO
VARIABLE 10%
CRECIMIENTO EN COSTO
FIJO 5%
CRECIMIENTO EN
INTERESES 1%

GESTION 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
ACTIVO
ACTIVO CORRIENTE 1400 837 819 953 1273 1819 2643 3808 5391 7485 10205 13688
Banco y Caja 400 597 531 608 858 1321 2046 3092 4531 6453 8966 12202
Cuebtas por Cobrar 1000 240 288 346 415 498 597 717 860 1032 1238 1486

ACTIVO NO CORRIENTE 300 258 216 176 138 102 69 38 11 -12 -29 -41
Edificio 100 98 95 93 90 88 85 83 80 78 75 73
Vehiculos 80 64 48 32 16 0 -16 -32 -48 -64 -80 -96
Activo diferido 90 60 30 0 -30 -60 -90 -120 -150 -180 -210 -240
Inversion 30 36 43 52 62 75 90 107 129 155 186 223

TOTAL ACTIVO 1700 1095 1036 1130 1411 1921 2712 3846 5402 7474 10175 13647

PASIVO 2500 1888 1717 1564 1429 1310 1205 1112 1032 963 905 856
Prestamo Bancario 2000 1800 1620 1458 1312 1181 1063 957 861 775 697 628
Cuentas por Pagar 500 88 97 106 117 129 142 156 171 189 207 228

84
METODOS DE OPTIMIZACION

PATRIMONIO -800 -793 -681 -435 -18 611 1507 2734 4370 6510 9271 12791
Capital Social 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
Resultados Acumulados -1800 -1793 -1681 -1435 -1018 -389 507 1734 3370 5510 8271 11791

TOTAL PASIVO PATRIMONIO 1700 1095 1036 1130 1411 1921 2712 3846 5402 7474 10175 13647

CONTROL 0 0 0 0 0 0 0 0 0 0 0 0

ESTADO DE RESULTADOS

Ingresos 1000 1200 1440 1728 2074 2488 2986 3583 4300 5160 6192 7430
Costo Variable -800 -880 -968 -1065 -1171 -1288 -1417 -1559 -1715 -1886 -2075 -2282
Margen de Contribucion 200 320 472 663 902 1200 1569 2024 2585 3273 4117 5148
Costo Fijo -200 -210 -221 -232 -243 -255 -268 -281 -295 -310 -326 -342
UAII 0 110 252 432 659 945 1301 1743 2289 2963 3791 4806
Intereses -100 -101 -102 -103 -104 -105 -106 -107 -108 -109 -110 -112
UAI -100 9 149 329 555 840 1195 1636 2181 2854 3681 4694
IMPUESTOS 0 2 37 82 139 210 299 409 545 713 920 1173
UTILIDAD NETA -100 7 112 246 416 630 896 1227 1636 2140 2760 3520

ROE 12,50% -0,85% -16,46% -56,71% -2277,72% 102,99% 59,44% 44,87% 37,44% 32,88% 29,78% 27,52%
ROA 0,00% 7,54% 18,21% 28,66% 35,04% 36,88% 35,97% 33,98% 31,78% 29,74% 27,94% 26,41%
MG DE CONTRIBUCION 20,00% 26,67% 32,78% 38,38% 43,51% 48,22% 52,54% 56,49% 60,12% 63,44% 66,49% 69,28%

85
METODOS DE OPTIMIZACION

TEMA Nº 6

PROBABILIDAD Y CADENAS DE MÁRKOV

1. VARIABLES ALEATORIAS Y DISTRIBUCION DE PROBABILIDADES

VARIABLE ALEATORIA

Formalmente se dice que una variable aleatoria (v.a.) X es una función real definida en
el espacio muestra asociado a un experimento aleatorio, Ω.1 2

Se llama rango de una v.a. X y lo denotaremos RX, al conjunto de los valores reales que
esta puede tomar, según la aplicación X. Dicho de otro modo, el rango de una v.a. es el
recorrido de la función por la que ésta queda definida:

TIPOS DE VARIABLES ALEATORIAS

Para comprender de una manera más amplia y rigurosa los tipos de variables, es
necesario conocer la definición de conjunto discreto. Un conjunto es discreto si está
formado por un número finito de elementos, o si sus elementos se pueden enumerar en
secuencia de modo que haya un primer elemento, un segundo elemento, un tercer
elemento, y así sucesivamente.3

• Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto


discreto. La variable del ejemplo anterior es discreta. Sus probabilidades se
recogen en la función de cuantía (véanse las distribuciones de variable discreta).

• Variable aleatoria continua: una v.a. es continua si su recorrido no es un


conjunto numerable. Intuitivamente esto significa que el conjunto de posibles
valores de la variable abarca todo un intervalo de números reales. Por ejemplo,
la variable que asigna la estatura a una persona extraída de una determinada
población es una variable continua ya que, teóricamente, todo valor entre,
pongamos por caso, 0 y 2,50 m, es posible.4 (véanse las distribuciones de
variable continua)

LA DISTRIBUCIÓN DE PROBABILIDAD
Una variable aleatoria es una función que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los eventos rango de valores de la
variable aleatoria.

Cuando la variable aleatoria toma valores en el conjunto de los números reales, la


distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea
menor o igual que x.
Definición de función de distribución

86
METODOS DE OPTIMIZACION

Dada una variable aleatoria X, su función de distribución, FX(x), es

Por simplicidad, cuando no hay lugar a confusión, suele omitirse el subíndice X y se


escribe, simplemente, F(x)

Propiedades

Como consecuencia casi inmediata de la definición, la función de distribución:

• Es una función continua por la derecha.


• Es una función monótona no decreciente.

Además, cumple

Para dos números reales cualesquiera a y b tal que (a < b), los sucesos y
son mutuamente excluyentes y su unión es el suceso , por lo
que tenemos entonces que:

Y finalmente

Por lo tanto una vez conocida la función de distribución F(x) para todos los valores de
la variable aleatoria x conoceremos completamente la distribución de probabilidad de la
variable.

Para realizar cálculos es más cómodo conocer la distribución de probabilidad, y sin


embargo para ver una representación gráfica de la probabilidad es más práctico el uso
de la función de densidad.

2. PROCESO ESTOCÁSTICO

En concreto teoría de la probabilidad, un proceso aleatorio o proceso estocástico es un


concepto matemático que sirve para caracterizar es una sucesión de variables aleatorias
(estocásticas) que evolucionan en función de otra variable, generalmente, el tiempo.
Cada una de las variables aleatorias del proceso tiene su propia función de distribución
de probabilidad y, entre ellas, pueden estar correlacionadas o no.

Cada variable o conjunto de variables sometidas a influencias o impactos aleatorios


constituye un proceso estocástico.

87
METODOS DE OPTIMIZACION

Un proceso estocástico se puede definir equivalentemente de dos formas diferentes:

• Como un conjunto de realizaciones temporales y un índice aleatorio que


selecciona una de ellas.
• Como un conjunto de variables aleatorias indexadas por un índice , dado
que , con .

Puede ser continuo si es un intervalo (el número de sus valores es ilimitado) o


discreto si es numerable (solamente puede asumir determinados valores).

Las variables aleatorias toman valores en un conjunto que se denomina espacio


probabilístico.

Sea un espacio probabilístico.

En una muestra de tamaño n se observa un suceso compuesto E formado por sucesos


elementales ω:
, de manera que .

El suceso compuesto es un subconjunto contenido en el espacio muestral y es un


álgebra de Boole B. A cada suceso ω le corresponde un valor de una variable aleatoria
V, de manera que V es función de ω:

El dominio de esta función o sea el campo de variabilidad del suceso elemental, es el


espacio muestral, y su recorrido, o sea el de la variable aleatoria, es el campo de los
números reales. Se llama proceso aleatorio al valor en de un elemento
, donde para todo es una variable aleatoria del
valor en .

Si se observa el suceso ω en un momento t de tiempo:


.

V define así un proceso estocástico.1

Si es una filtración,2 se llama proceso aleatorio adaptado, al valor en , de


un elemento , donde es una variable aleatoria -
medible del valor en . La función se llama la
trayectoria asociada al suceso .

3. CADENAS DE MARKOV

En matemáticas, se define como un proceso estocástico discreto que cumple con la


propiedad de Márkov, es decir, si se conoce la historia del sistema hasta su instante
actual, su estado presente resume toda la información relevante para describir en
probabilidad su estado futuro.

88
METODOS DE OPTIMIZACION

Una cadena de Márkov es una secuencia X1, X2, X3,... de variables aleatorias. El rango de
estas variables, es llamado espacio estado, el valor de Xn es el estado del proceso en el
tiempo n. Si la distribución de probabilidad condicional de Xn+1 en estados pasados es
una función de Xn por sí sola, entonces:

Donde xi es el estado del proceso en el instante i. La identidad mostrada es la propiedad


de Márkov.

CADENAS DE MÁRKOV EN TIEMPO CONTINUO

Si en lugar de considerar una secuencia discreta X1, X2,..., Xi,.. Con i indexado en el
conjunto de números naturales, se consideran las variables aleatorias Xt con t
que varía en un intervalo continuo del conjunto de números reales, tendremos
una cadena en tiempo continuo. Para este tipo de cadenas en tiempo continuo la
propiedad de Márkov se expresa de la siguiente manera:

Tal que

4. MATRICES DE TRANSICIÓN

La tendencia de una población a moverse entre n estados se puede describir a veces


mediante una matriz de n x n.

Consideremos una población distribuida entre n = 3 estados, que llamaremos estado 1,


Estado 2 y estado 3. Se supone que conocemos la proporción ij t de la población del
Estado j, que se mueve al estado i en determinado período de tiempo fijo. Obsérvese
que

Dirección del movimiento del estado j al estado i va en orden de derecha a izquierda de


los subíndices en ij t . La matriz ( ) ij T t se llama matriz de transición.
Supongamos que la población de un país, está clasificada de acuerdo con los ingresos en

Estado 1: pobre
Estado 2: ingresos medios
Estado 3: rico

Supongamos que en cada período de 20 años tenemos los siguientes datos para la
población y su descendencia:

De la gente pobre, el 19% pasó a ingresos medios, y el 1% a rica;


Ciencia…Ahora, Nº 20, año 10, septiembre – octubre 2007

89
METODOS DE OPTIMIZACION

120 de la gente con ingresos medios, el 15% pasó a pobre, y el 10% a rica; de la gente
rica, el 5% paso a pobre, y el 30%, a ingresos medios. El registró ij t de la matriz de
transición T, representa la proporción de la población que pasa del estado j al estado i,
no el porcentaje.

Para el estado 1 (esto es la columna 1 de la matriz de transición T). El dato de que el


19% de los pobres (estado 1) pasará a ingresos medios (estado 2) significa que debemos
tomar 0,19 21 t . Del mismo modo como, como el 1% de la gente del estado 1 (pobre)
pasa al estado 3 (rico), debemos anotar 0,01 31 t . Ahora 11 t representa la proporción
de gente pobre que sigue siendo pobre después de 20 años. Como es el 80%, debemos
escribir el registro 0,80 11 t . Siguiendo de esta manera y comenzando con el estado 2
(para la columna 2), se tiene, 0,15 0,10 12 32 t t con lo cual se obtiene 0,75 22 t ; y
finalmente, para el estado3 (columna3) se tiene 0,05 0,30 13 23 t t entonces 0,65 33
t . De esta forma la matriz de transición que describe estos datos es
rico medio pobre:
0,01 0,10 0,65 rico
T = 0,19 0,75 0,30 medio
0,80 0,15 0,05 pobre

Obsérvese que:
1) las entradas de la diagonal de la matriz representa la proporción de la población que
no cambia de estado en un período de 20 años;

2) un registro de la matriz da la proporción de la población del estado superior del


registro que pasa al estado de la derecha del registro en un período de 20 años.

3) la suma de los registros de cada columna de la matriz T es 1, pues la suma refleja el


movimiento de toda la población para el estado relacionado en la parte superior de la
columna.

Supongamos ahora que las proporciones de toda la población ubicada en los distintos
estados al comienzo de un período están dadas por el vector p de distribución de la
población
p1
P = p2
p3

Si el total de la población estuviera inicialmente dividida por igual entre los estados.
Los registros de un vector de distribución de población deben ser no negativos y sumar
1.

Para una matriz de transición T y un vector inicial de distribución de población, el


vector producto Tp es el vector de distribución de población después de un período de
tiempo.

Supongamos que una matriz de transición es válida para una sucesión de períodos de
tiempo, una situación así se denomina cadena de Markov.

90
METODOS DE OPTIMIZACION

Las cadenas de Markov surgen de manera natural en biología, psicología, economía,


demografía y en muchas otras áreas de estudio, por lo que son una aplicación
importante del álgebra lineal y de la probabilidad. El registro ij t en una matriz de
transición T se conoce como la probabilidad de pasar del estado j al estado i en un
período de tiempo.

El nombre de cadenas de Markov se debe al matemático ruso Andrei Andreevich


Markov (1856 -1922), quien las definió por primera vez en un artículo de 1906 que
trataba la ley de los grandes números y posteriormente demostró muchos resultados
estándar sobre ellas.

Su interés en estás sucesiones se originó en las necesidades de la teoría de la


probabilidad; Markov nunca trato sus aplicaciones a las ciencias. Los únicos ejemplos
reales que utilizó eran de textos literarios, donde los dos estados posibles eran vocales y
consonantes. Para ilustrar sus resultados, hizo un estudio estadístico de la alternancia de
las vocales y las consonantes en el libro de Pushkin Eugene Onegin. Andrei Markov dio
clase en la universidad de San Petersburgo de 1880 a 1905, y se retiró para dar paso a
matemática

3. PROBABILIDAD DE PARTICIPACIÓN EN EL MERCADO

EJEMPLO 1

Al examinar las migraciones en la ciudad de Oruro entre la zona norte y sud se ha


determinado que el 95% de los que viven en la zona norte seguirán viviendo el año
siguiente en la zona norte y el 98% de los que viven en la zona sud sequiran viviendo en
la zona sud, tambien se conoce que el 40% de la población de Oruro vive en la zona
norte, y el 60% vive en la zona sud.

a) Construya el grafo.
b) Construya la matriz de transición
c) Determine el % de habitantes que habrá en cada zona dentro de 2 años.
d) Determine la probabilidad del estado.

91
METODOS DE OPTIMIZACION

a)
95 % 5%

98%

NORTE SUD

2%

b)
NORTE SUD
NORTE 0.95 0.05
SUD 0.02 0.98

0 .0 9 . 50 5
P =   MATRIZ DE TRANSICION

0 .0 0 . 29 8
c)

p n = p n −1 * P
p 2 = p1 * P
p1 = p 0 * P

92
METODOS DE OPTIMIZACION

 0 . 9 05 . 0 5
p = (0.4 ;0.6 )0
1

 0 . 0 02 . 9 8
p1 = (0.4 *00.9 )5+ (0.6 *00.0 )2(;0.4 *00.0 )5+ (0.6 *00.9 )8
p1 = 0.3 2;0.96 0 8
 0 . 9 05 . 0 5
p = (0.3 9;0.26 0) 8
2

 0 . 0 0 2 . 9 8
p2 = (0.3 9* 02.9 )5+ (0.6 0* 08.0 )2(;0.3 9* 02.0 )5+ (0.6 0* 08.9 )8
p2 = 0.3 8 ;04.6 61 5 4
d)

p n = p ( n − 1) − P
π = π *P
 0 .9 5 0 .0 5
(π 1;π 2 ) = (π 1;π 2 ) 
 0 .0 2 0 .9 8
π 1,π 2 = 0.9 5π 1 + 0.0 2π 2 ;0.0 5π 1 + 0.9 8π 2 (1)
π 1 = 0.9 5π 1 + 0.0 2π 2 (1)
π 2 = 0.0 5π 1 + 0.9 8π 2 (2)
π 1 + π 2 = 1(3)
DE (1)

0.95π 1+0.02π 2-π 1=0


-0.05π 1+0.02π 2=0 (I)

93
METODOS DE OPTIMIZACION

DE (2)

0.05π 1+0.98π 2-π 2=0


0.05π 1-0.02π 2=0 (II)

DE (3)

π 1+π 2=1
π 1=1-π 2

r/ III en II

0.05π 1-0.02π 2=0


0.05π 1-0.05π 2-0.02π 2=0
0.05=0.07π 2
π 2=0.7143

r/ en III

π 1=1-0.7143
π 1=0.2857

CADENAS DE MARKOV

94
METODOS DE OPTIMIZACION

95
METODOS DE OPTIMIZACION

96
METODOS DE OPTIMIZACION

TEMA Nº 7

OPTIMIZACIÓN Y PRONOSTICOS

1. INTRODUCCIÓN

Cuanto va a crecer al economía el año próximo? ¿Hacia dónde se dirige el mercado de


valores? ¿Qué ocurrirá con las tasas de interés? ¿Cómo Va a cambiar las preferencias de
los consumidores? ¿cuáles serán los productos nuevos más exitosos?

Los pronosticadores tienen respuestas a todas estas preguntas.


El éxito futuro de cualquier negocio depende de con cuanta experiencia cuente la
administración para defender tendencias y desarrollar estrategias acordes.

Los líderes de las mejores compañías con frecuencia parecen tener un sexto sentido para
cambiar de dirección y mantenerse un paso delante de la competencia. Estas compañías
rara vez se en aprietos por estimular mal la demanda futura de sus productos. Muchas
otras compañías tienen problemas. La aptitud para pronosticar bien arca la diferencia.

Por fortuna cuando se dispone de datos históricos de ventas se han desarrollado algunos
métodos de pronóstico estadístico para usar estos datos para pronosticar la demanda
futura.

También están disponibles varios métodos de pronostico subjetivos que solo usan el
juicio de expertos.

También están disponibles varios métodos de pronostico subjetivos que solo usan el
juicio de expertos.

Es una tesina que ayuda a predecir lo que ocurre en el futuro.


Es un elemento necesario del proceso de planeación con insumos críticos para una
amplia gama de procesos de toma de decisiones.

2. CLASIFICACIÓN ORIENTADA A LA ADMINISTRACIÓN.

1. Métodos de pronósticos cuantitativos; también llamados de pronósticos


estadísticos que son los que requieren una serie histórica de datos, estos métodos
suponen que continuaran las tendencias.

2. Métodos de pronósticos cualitativos; también llamados métodos de pronósticos


subjetivos.

Estos métodos se basan en el juicio y opinión de expertos.

Estos métodos son valiosos cuando hay pocos o nulos datos históricos

97
METODOS DE OPTIMIZACION

MÉTODOS CUANTITATIVO.

• Método del último valor.


• Método del promedio
• Método de promedios móviles
• Método de suavizado exponencial
• Método de suavizado exponencial con tendencia.

MÉTODOS CUALITATIVOS.

• Opinión del Gerente


• Jurado de opinión Ejecutivo
• Grupo de fuerza de ventas.
• Sondeo de Mercado de Consumo.
• Método Delphi.

• CLASIFICACIÓN EN GENERAL.

 METODOS CUANTITATIVOS:

 Los promedios móviles simples.


 El aislamiento exponencial.
 Los promedio móviles dobles.
 Aislamiento exponencial doble.
 Los filtros adaptativos.
 El método de descomposición.
 El método de Box-Jenkins.
 El análisis de regresión.
 Los modelos econométricos

 METODOS CALITATIVOS.

 Las curvas logísticas y el análisis.


 El inventario morfológico.
 El método Delphi.

3. MÉTODOS DE PRONÓSTICOS Y OPTIMIZACIÓN

Pronósticos de ventas. Cualquier compañía involucrada en la venta de productos


necesita pronosticar la demanda sus bienes. Los fabricantes necesitan saber cuántos
producir.

Por otra parte sobreestimar la demanda por mucho es también muy costos debe a (1)
costos de inventario excesivos, (2) reducciones forzadas de precios (3) producción
capacidad de almacenamiento innecesaria y (4) oportunidades perdidas de
comercialización de bienes más rentables.

98
METODOS DE OPTIMIZACION

Pronóstico de la necesidad de refacciones

Aunque el pronóstico efectivo de las ventas es clave casi para cualquier compañía
algunas organizaciones deben también apoyarse en otros tipos de pronósticos. Un
ejemplo importante se refiere a los pronósticos de la necesidad de refacciones.
Muchas compañías necesitan mantener un inventario de relaciones para poder reparar
con rapidez ya sea su propio equipo o los productos vendidos o arrendados a los
clientes. En algunos casos, este inventario en muy grande.

Igual que para el inventario de productos terminados listos para la venta la


administración eficaz del inventario de refacciones depende de la obtención de un
pronóstico confiable de la demanda de ese inventario.

Pronóstico de Rendimiento de la producción

El rendimiento de un proceso de producción se refiere al porcentaje de los artículos


terminados que cumplen con las normas de calidad (quizá después del retrabajo) y que
necesitan Descartarse. En particular con productos de alta tecnología, con frecuencia el
rendimiento está muy por debajo de 100%.

Si el pronóstico del rendimiento de la producción es menor que 100%, el tamaño de la


corrida de producción quizá deba ser mayor que la cantidad ordenada para tener una
buena oportunidad de completar el pedido con artículos aceptables. (La diferencia entre
el tamaño de la corrida y la cantidad ordenada se llama la tolerancia de rechazo.} Si se
requiere una preparación costosa para cada corrida de producción o si solo hay tiempo
para una corrida, quizá la tolerancia de rechazo deba ser grande. No obstante, debe
evitarse un valor demasiado grande para no incurrir en costos de producción excesivos.
Es esencial la obtención de un pronóstico de producción confiable para elegir un valor
apropiado de tolerancia de rechazo.

Con la sola excepción de los pronósticos de ventas, el esfuerzo de pronósticos más se


dedica a pronosticar las tendencias económicas a nivel regional, nacional o incluso
internacional. ¿Cuánto va a crecer el producto interno bruto de la nación el próximo
trimestre? ¿El próximo año? ¿Cuál es el pronóstico de la tasa de inflación? ¿De la tasa
de desempleo?. De la balanza comercial?

Se han desarrollado modelos estadísticos para pronosticar las tendencias económicas


(conocidos como modelos econométricos) en varias dependencias gubernamentales,
centros universitarios de investigación, grandes empresas y firmas consultoras.

Pronóstico de necesidades de personal

Una de las mayores tendencias en la economía es un cambio de enfoque la manufactura


a los servicios. Cada vez más los productos fabricados se producen fueron país donde la
mano de obra es menos costosa e importados.

99
METODOS DE OPTIMIZACION

Método de pronóstico de último valor

El método de pronóstico de último valor ignora todos los datos en una serie de tiempo
excepto el último. Después usa este último valor como el pronóstico de los que resultará
ser el siguiente punto de modo que la fórmula simplemente es:

El método del promedio de pronóstico

El método del promedio para pronosticar se va al otro extremo. En lugar de sólo usar un
tamaño de muestra de uno usa todos los datos en la serie de tiempo y simplemente
promedia estos puntos. Entonces. El pronóstico de lo que será el siguiente punto es:
Pronostico = promedio de todos los datos a la fecha

Método para pronósticos de promedio móviles

En vez de usar datos antiguos que pudieran ya no ser relevantes, el método de


promedios móviles para pronosticar promedia sólo los datos de los periodos más
recientes.

Sea:

N = número de periodos más recientes considerados particularmente significativos para


pronosticar el siguiente periodo.

Entonces, el pronóstico para el siguiente periodo es

Pronóstico = promedio de los últimos n valores

Método de suavizado exponencial para pronósticos

El método de suavizado exponencial para pronósticos modifica el método de promedios


móviles al dar mayor peso al último valor en la serie de tiempo y luego,
progresivamente, pesos menores a los valores más antiguos. Sin embargo, en vez de
necesitar calcular un promedio ponderado, usa una fórmula más sencilla para obtener el
mismo resultado.

Esta fórmula para pronosticar el siguiente valor en la serie cronológica combina el


último valor y el último pronóstico (el empleado hace un periodo para pronosticar 'este
último pronóstico) como sigue:

Pronóstico = α (último valor) + (1 - a)(último pronóstico) donde a (la letra griega alfa)
es una constante entre O y 1 llamada la constante de suavizado.

Suavizado exponencial con tendencia

El suavizado exponencial con tendencia usa los valores recientes en la serie de tiempo
para estimar cualquier tendencia arriba o abajo actual en estos valores. Está
especialmente diseñado para el tipo de serie de tiempo descrita en tendencia hacia arriba

100
METODOS DE OPTIMIZACION

(o abajo) tiende a continuar por un número considerable de periodos (mas no necesa-


riamente indefinido).
Esta figura en particular muestra la población estimada de cierto estado a mediados de
año durante una serie de años. La línea en la figura (conocida como línea de tendencia)
muestra la tendencia básica que sigue la serie de tiempo, pero con fluctuaciones hacia
ambos lados de la línea. Debido a que la tendencia básica es hacia arriba en este caso,
los pronósticos basados en cualquiera de los métodos de pronóstico anteriores tenderían
a ser demasiado bajos. No obstante, mediante el desarrollo de una estimación de la
pendiente actual de esta línea de tendencia y luego el ajuste del pronóstico para
considerar esta pendiente, se pueden obtener estimaciones mucho más precisas. Ésta es
la idea básica detrás del suavizado exponencial con tendencia. La tendencia se define
como

Tendencia = cambio promedio de un valor de una de las series de tiempo al siguiente si


continúa el patrón actual

Pronosticar causal con regresión lineal

Pronostico causal

En realidad las ventas determinan el volumen de llamadas y éstas se pueden


pronosticara mucha mayor precisión que el volumen de llamadas. Por lo tanto, debería
ser posible obtener un mejor pronóstico del volumen de llamadas si se relacionan
directamente con las ventas pronosticadas. Este tipo de enfoque se conoce como
pronóstico causal.

El pronóstico causal obtiene un pronóstico de la cantidad de interés (la variable


dependiente al relacionarse en forma directa con una o más cantidades las variables
independientes que determinan la cantidad del interés.

Regresión Lineal

Cuando se hace el pronóstico causal con una sola variable independiente, la regresión
lineal incluye aproximar la relación entre la variable independiente (volumen de
llamadas para CCW) y la variable independiente (ventas para CCW) mediante una línea
recta. Esta recta se traza en una gráfica con la variable independiente en el eje el
horizontal y la variable dependiente en el eje vertical. La recta se construye después de
graficar los puntos que muestran cada valor observado de la variable independiente y el
valor correspondiente de la variable dependiente.

Así, la recta de regresión lineal en la figura 13.15 puede usarse para estimar el valor que
debe tener el volumen de llamadas para un valor particular de ventas. En generadla
ecuación para la recta de regresión lineal tiene la forma

Y = a + bx

Donde

y = a + bx donde y = valor estimado de la variable dependiente; según lo da la recta de


regresión lineal.

101
METODOS DE OPTIMIZACION

a = valor de la intersección de la recta de regresión lineal y el eje y


b = pendiente de la recta de regresión lineal
x - valor de la variable independiente

APLICAIONES DE LOS PRONOSTICOS.

En mercadotecnia las de decisiones con respecto al futuro de un producto o


servicio dependerán de las características de su mercado. Las tendencias de precios de
un producto, el desarrollo de nuevos productos competidores, etc.

En producción los pronósticos pueden predecir más.

En finanzas y contabilidad, los pronósticos pueden predecir el PIB de un país, el


desempleo, la inflación, etc.

 EJEMPLO:

SERIES DE TIEMPO
Información suministrada por el departamento de Estado, de transito de
la policía nacional establecen el número de carros que transitan en todo el país
los últimos siete años fueran:

AÑO CANTIDAD
2003 1200000 Pronosticar la cantidad de
2004 1500000 vehículos para los años 2010 y
2005 1850000 2011.
2006 1950000
2007 2400000
2008 2750000
2009 2920000

PAQUETE FORECASTING

102
METODOS DE OPTIMIZACION

103
METODOS DE OPTIMIZACION

104
METODOS DE OPTIMIZACION

EJEMPLO 2

X Y
10 1000
15 1220
20 1310
25 1670
30 1845
35 2050

105
METODOS DE OPTIMIZACION

106
METODOS DE OPTIMIZACION

107
METODOS DE OPTIMIZACION

108