You are on page 1of 53

La modelacin matemtica:

Su importancia en la solucin de
mltiples
problemas
de
Optimizacin. Iniciarse en el arte
de modelar.

Prof. Mara Gulnara Baldoquin de la Pea


Dpto. Ingeniera Civil e Industrial
Facultad de Ingeniera
Pontificia Universidad Javeriana de Cali, Colombia

Febrero del 2012

2
Introduccin
Varias asignaturas que deben cursar estudiantes de carreras como Ingeniera Industrial y
Administracin de Empresas, estudiantes en maestras de Ingeniera, etc., requieren para
ser aprobadas satisfactoriamente, o como prerrequisitos previos de otros cursos, la
modelacin matemtica de problemas en los que debe optimizarse en general algo
teniendo en cuenta ciertos recursos de que se dispone. Como ejemplos tenemos, en la
PUJ de Cali, los cursos actuales de Modelacin y Programacin Matemtica,
Investigacin Operativa, Optimizacin Combinatoria, Optimizacin Aplicada,
Ingeniera de Operaciones, y el que pronto se iniciar de Modelacin Logstica.
La adquisicin por parte de estudiantes de la habilidad de modelar problemas de
Optimizacin es en general compleja. Por otro lado, aunque existen mltiples libros,
pginas web, donde se plantean ejercicios de modelacin incluso con las respuestas (que
contemplan los elementos que debe llevar un modelo), falta a nuestro juicio un material
que de manera integral vaya guiando a un principiante cmo ir formulando un modelo,
qu simbologas son ms adecuadas utilizar en diferentes casos, sealar errores que
usualmente se cometen en la modelacin de problemas, explicando el por qu de esos
errores, ejercicios con diferentes caractersticas a tener en cuenta en la modelacin, as
como la interrelacin de la modelacin con otros aspectos cruciales como los mtodos
de solucin. En la mayora de los textos introductorios de Optimizacin se plantean
problemas clsicos como el de asignacin y el de la mochila; sin embargo, no se
fundamenta por qu un modelo tan simple como el que corresponde al problema de la
mochila es mucho ms difcil que resolver que el de asignacin.
Justamente la intencin de este material, basado en la experiencia de la autora en ms de
30 aos como docente en una universidad de Ingenieras impartiendo cursos
relacionados con esta temtica, es tratar de guiar a los estudiantes en el complejo
proceso de modelacin.
La meta de la labor del profesor no es preparar a los estudiantes para un examen, sino
para su desempeo en la vida profesional, de una manera integral, donde se enfrentar a
retos mayores que problemas acadmicos. Por ello se incluyen en el texto algunas
consideraciones a partir de problemas reales de Optimizacin en cuyas soluciones la
autora ha participado, con una breve introduccin sobre la interrelacin de la
modelacin matemtica con otros aspectos que deben tenerse en cuenta para que la
modelacin de un problema real no quede archivada en una gaveta, y pueda ser un
elemento importante en la solucin de un conjunto de problemas. Posteriormente se va
incursionando en la modelacin, a travs de una variedad de situaciones en 19 ejemplos
que se resuelven con todo detalle, que incluyen problemas modelados con variables
continuas, enteras, binarias mixtas, con diferentes niveles de dificultad. En los
ejemplos presentados la modelacin se va realizando con explicaciones de cmo definir
las diferentes componentes de un modelo, as como relacionando algunos errores
frecuentes que usualmente cometen los estudiantes.
Los ejercicios presentados son una seleccin de problemas de la gran variedad de
problemas de Programacin Lineal que aparecen en libros, pginas web, as como
algunos ofrecidos por el profesor Hernando Prado.

Prof. M. Gulnara Baldoquin de la Pea

3
Este documento es una primera versin, no terminada, que se entrega para que los
estudiantes de los cursos actuales de Investigacin Operativa y Programacin
Matemtica puedan utilizarlo.
Posteriormente se le incluirn nuevos ejercicios, as como otras situaciones, por ejemplo:

Casos de problemas cuyos modelos ms simples de obtener son no lineales, pero


que pueden ser linealizados.

Problemas donde se presentan diversos modelos para el mismo problema.

Se agradece cualquier crtica o sugerencia que permita mejorar este material para su
versin definitiva
La autora
Febrero del 2012

Prof. M. Gulnara Baldoquin de la Pea

Contenido
Introduccin
Qu es un modelo?
Para qu sirven los modelos?
Por qu la modelacin de un problema es muy importante a su vez que en
general es difcil adquirir la habilidad de modelacin?
Por qu existen muchas empresas que plantean que los modelos fallan?
Recomendaciones iniciales para modelar problemas de PL
Modelacin de problemas de Programacin Lineal (PL)
Qu es la Programacin Lineal?
Ejemplo de un modelo de PL
Notacin a utilizar para las variables
Organizacin de la informacin
Modelos equivalentes: Transformacin de la funcin objetivo
Explicitar lo que representa cada variable
Sustitucin de restricciones
Explicitar la dimensin del modelo
Hacer diagrama de la situacin planteada
Interpretacin de un modelo
Modelos con variables binarias
De qu depende la complejidad de un modelo
Soluciones por el mtodo grfico.
Nmero de soluciones de un modelo de PL con variables continuas.
Ejercicios propuestos

Prof. M. Gulnara Baldoquin de la Pea

Pg.
5
5
5
6
7
10
11
11
13
16
18
24
25
29
31
33
38
40
43
44
48
48

5
Introduccin
Qu es un Modelo?
En la literatura existen diferentes definiciones de lo que es un modelo. En nuestro
contexto pondremos dos de las ms representativas:
Un modelo es una representacin de la realidad (Ackoff, 1968)
Un modelo es una representacin explcita y externa de parte de la realidad como la
ven las personas que desean usar el modelo para entender, cambiar, gestionar y
controlar dicha parte de la realidad Pidd (1996)
Los modelos son representaciones de la realidad, no la realidad misma, y sta puede
estar representada de una forma u otra dependiendo de la experticia de la persona que la
model, qu aspectos de esa realidad tuvo en cuenta, si discrimin adecuadamente
aspectos relevantes o no, el o los objetivos que pretende alcanzar, etc.
Para qu sirven los modelos?
La resolucin de los modelos construidos constituye una ayuda a la toma de decisiones,
aportando soluciones ptimas y/o eficientes que an un experto en el problema
abordado no pudiera haber logrado con otros mtodos de solucin elegidos.
Pero la solucin soluciones obtenidas a partir de implementar un mtodo que
solucione el modelo no puede sustituir al decidor, por cuanto entre la solucin del
problema y el propio problema media un modelo que en general no representa en toda
su magnitud dicho problema. An si lo fuera, existen los problemas con mltiples
objetivos, tratados en la Optimizacin Multiobjetivo, donde no existe la mejor
solucin, sino un conjunto de soluciones llamadas eficientes, de las cuales ninguna es
mejor que otra, y el decidor debe determinar cul o cules se ajustara ms a sus
necesidades. Un simple ejemplo de ello lo vemos en la decisin de comprar un carro,
optimizando dos objetivos contradictorios entre s: minimizar costos y maximizar
confort. (Figura 1)
confort

E
D
C
F
B

A
costo

Figura 1: Curva de soluciones eficientes


Dos personas, ante situaciones diferentes como nmero de personas de su ncleo
familiar que disfrutaran del carro, si usualmente lo usa para viajes largos o no, situacin
Prof. M. Gulnara Baldoquin de la Pea

6
econmica, etc., pueden tomar dos soluciones diferentes, de las mejores posibles, que se
encuentran en la curva del grfico ilustrado, siendo algunas las representadas en los
puntos A, B, C, D y E. Estas mejores soluciones se llaman eficientes, lo que significa
que usted no puede mejorar un objetivo (por ejemplo, disminuir ms el costo) sin
afectar el otro objetivo (que sera aumentar el confort). El punto F que no est en esa
curva no es una buena solucin, por ejemplo la solucin dada por C es mejor, pues tiene
menos costo y aumenta el confort.
Por qu la modelacin de un problema es muy importante a su vez que en general
es difcil adquirir la habilidad de modelacin?
1. Los problemas que no son triviales de resolver, y cuya solucin se busca a travs de
la modelacin, tienen en cuenta los siguientes pasos generales, en el orden planteado:
Problema Modelo Solucin
Cuando se da una solucin, dicha solucin responde al modelo planteado, NO AL
PROBLEMA. Lo que se resuelve NO ES EL PROBLEMA, SINO EL MODELO
PLANTEADO.
Los modelos representan parte de la realidad, que siempre es ms compleja que
cualquier modelo obtenido, por muy sofisticado que este sea. El modelador discrimina
qu aspectos son relevantes y cules no, en funcin del objetivo que pretende alcanzar.
Diversas personas ante un mismo problema pueden plantear diferentes modelos.
De ah que si el modelo no responde al problema planteado, por alguno(s) de mltiples
motivos como pueden ser:
Faltaron restricciones relevantes que debieron tenerse en cuenta
Faltaron variables relevantes que debieron tenerse en cuenta
Hay errores en las restricciones planteadas y/o la funcin a optimizar
Existen varios objetivos a tener en cuenta y por simplicidad en su solucin se
tuvo en cuenta uno solo
puede haberse resuelto adecuadamente por uno de los mtodos existentes, pero no
responder a lo que pide el problema.
2. Existen mltiples software que dan solucin a problemas de optimizacin, inclusive
de gran tamao, como pueden mencionarse el CPLEX, GUROBI, AMPL e inclusive la
herramienta de Excel de Optimizacin (Solver del Excel), pero TODOS REQUIEREN
EL MODELO DEL PROBLEMA, NINGUNO HACE LA MODELACIN A PARTIR
DE UNA PRESENTACIN VERBAL DEL PROBLEMA.
3. Los problemas responden a situaciones de la vida real que son innumerables,
diferentes an ante un mismo tipo general de problemas. Por ejemplo, existen mltiples
situaciones de problemas de localizacin de instalaciones, de problemas de tipo dieta, de
asignacin de personal a tareas. No existe una frmula para modelar, o sea, para
definir variables, plantear funcin a optimizar y restricciones del problema. La
modelacin es ms bien un arte, y requiere en general de un entrenamiento de
formulacin de modelos de una amplia gama de problemas.
Prof. M. Gulnara Baldoquin de la Pea

Por qu existen muchas empresas que no confan en los modelos desarrollados,


bsicamente en el mbito universitario, para la solucin de sus problemas y
plantean que los modelos fallan?
La razn fundamental es que la metodologa de aplicacin de la Investigacin de
Operaciones para la solucin de problemas de Optimizacin tiene como un paso
importante, pero no el nico ni el primero, la modelacin, y en ocasiones fallan uno
varios del resto de los pasos.
El primer paso muy importante, en la solucin del problema, es la definicin y anlisis
del problema a resolver. Este paso crucial, del cual depende un modelo que se aproxime
lo ms posible a la realidad, y que no excluya ninguna consideracin importante para el
cliente al cual se le dar el servicio, requiere en ocasiones un tiempo considerable,
necesitando en determinadas situaciones la aplicacin de mtodos de expertos como el
mtodo Delphi. Un mtodo de experto es aconsejable aplicarlo en la definicin de un
problema en situaciones donde:
Existen varias personas y/o grupos de personas que cumplen roles en la toma de
decisiones del problema y pueden tener diferentes criterios, en algunos casos no
bien fundamentados.
No existe un documento que regule, de manera clara y precisa, todos los aspectos a
tener en cuenta en la toma de decisiones y el personal encargado de esa toma de
decisiones, muchas veces a nivel operativo, tiene diferentes niveles de experticia
que lleva a tomar diferentes decisiones ante una misma situacin.
Las personas involucradas en la toma de decisiones solo conocen un aspecto del
problema global y por lo planteado en el prrafo anterior, pueden dar criterios que
afectan otros procesos relacionados con el problema.
Existen aspectos importantes a tener en la consideracin del modelo que en una
corta entrevista con los usuarios para usted definir el problema no salen a relucir,
debido a causas como:
Ser tan evidentes para el usuario que asume que usted los conoce.
No convenirle a algunos usuarios pues tenerlos en cuenta implican
afectaciones personales por algn motivo.
Desconocer dichos aspectos, importantes para el problema pero que no los
domina.
Conocerlos pero olvidrsele plantearlos por el cmulo de ellos.
Ejemplos reales de un problema complicado donde ha sido necesario aplicar mtodos de
expertos son:
1. El problema integrado de localizacin de ambulancias, asignacin de
ambulancias a llamadas de pacientes y relocalizacin de ambulancias por una
EMS en una regin del pas.
2. La asignacin del personal ms adecuado a grupos de proyectos de software.
En el segundo caso fue interesante descubrir, luego de aplicar el mtodo Delphi en el
estudio realizado de los principales problemas que afectan el desarrollo de los proyectos
de software, que el segundo aspecto que los expertos consideraban en orden de
importancia para que los proyectos de software terminaran exitosos (en tiempo y con
calidad) era que hubiera sinergia en el equipo, es decir, que se llevaran bien, y que
Prof. M. Gulnara Baldoquin de la Pea

8
hubiera un balance de personalidades que permitiera ello. El primer aspecto era la
capacidad de cada miembro del equipo para cumplir su rol (Jefe de proyecto,
programador, diseador grfico, analista, probador, etc.). La segunda causa llev a
estudiar y aplicar test psicolgicos como el 16-PF y de Belbin para incluir este aspecto
en el modelo.
Belbin, es un test de autopercepcin que permite identificar los roles de equipo
preferidos y evitados de cada persona. Meredith Belbin, su creador, define rol de equipo
como "nuestra particular tendencia a comportarnos, contribuir y relacionarnos
socialmente", e identifica nueve roles clasificados en tres categoras (Belbin, 2004):
Roles Mentales
Roles de Accin:
Roles Sociales:
Las categoras representan las dimensiones del grado de orientacin de las personas
hacia el desempeo de tareas (roles de accin), hacia el mundo de las ideas (roles
mentales) hacia las relaciones con las personas (roles sociales). Acorde a la teora de
Belbin en la formacin de un equipo se debe buscar una representacin de todos los
roles, logrando un adecuado balance. Deben predominar los roles de accin, y los roles
sociales y los mentales no deben estar sobre-representados. Por qu? En un equipo
donde predomine el rol de accin puede terminarse en tiempo un software pero
probablemente no con la mejor calidad, pues no existen personas con ideas innovadoras;
si predomina el rol mental es posible que el software no se culmine, pues las personas
intentan cada una hacer predominar sus ideas; si predomina el rol social el equipo puede
llevarse muy bien, pero adolecer de falta de lo que aportan los otros roles en beneficio
de un software eficiente y eficaz.
Estos aspectos fueron incluidos en el modelo planteado (el modelo puede encontrarlo en
Andr, Baldoquin, Acua, 2011) que no se hubieran tenido en cuenta sin un anlisis
cuidadoso del problema abordado.
Otro aspecto en la metodologa de aplicacin de la Investigacin de Operaciones es la
adecuada obtencin de datos y/o ajuste de parmetros del modelo
En ocasiones se dedica un esfuerzo extraordinario para modelar un problema que se
ajuste lo ms posible a dicho problema pero pueden suceder varias cosas:

No se tienen datos adecuados para ello. Siguiendo el ejemplo planteado de


formacin de equipos para proyectos de software, si no se ha archivado en bases de
datos la informacin sobre los tests psicolgicos que permitan identificar los roles
de equipo preferidos por las personas posibles a considerar, no puede utilizarse el
modelo propuesto.
Los datos pueden ser no confiables, estar incompletos desactualizados.

La seleccin del mtodo de solucin para el modelo propuesto debe estar muy bien
fundamentado, no solo para permitir resolver la situacin actual, sino la escalabilidad
del problema en un futuro, al aumentar las dimensiones del mismo por causas como:
aumento de nmero de clientes, personal, productos, etc. Para ello debe tenerse en
cuenta cmo se pudiera afectar el desempeo del algoritmo mtodo utilizado al
aumentar sus dimensiones y qu aspecto del desempeo del algoritmo es predominante.
Los dos aspectos ms importantes en el desempeo de algoritmos utilizados para
Prof. M. Gulnara Baldoquin de la Pea

9
resolver problemas de optimizacin son la calidad de la solucin y el tiempo de
ejecucin del algoritmo.
Poniendo ejemplos que sustenten lo planteado en el prrafo anterior, existe diferencia
significativa en la importancia del tiempo de respuesta de un mtodo a modelos que
responden a:
Asignacin de una ambulancia ante una llamada de emergencia mdica.
Bsqueda de una ruta eficiente de un vuelo entre ciudades de Colombia y
Espaa.
Localizacin eficiente de almacenes en una cadena de suministro.
En el primer caso el tiempo mximo de respuesta son pocos minutos. En el segundo
caso no puede sobrepasar unas 3 4 horas, tiempo mximo en que la ruta debe definirse
antes del vuelo pues debe tener en cuenta la informacin meteorolgica actualizada, y
sta se renueva cada 6 horas aproximadamente. En el tercer caso puede esperarse
incluso das, teniendo en cuenta que es una decisin de tipo estratgica.
El tipo de modelo debe conjugarse con lo planteado sobre el tiempo de respuesta de una
solucin. En problemas de Optimizacin Combinatoria, donde las variables son enteras
y puede existir un nmero muy grande de soluciones posibles (por ejemplo, 2n, que
crece de manera exponencial al aumentar el tamao del problema dado por el
parmetro n) mtodos de solucin exactos en general no pueden dar una respuesta en un
tiempo aceptable para valores de n an relativamente pequeos, exceptuando un nmero
pequeo de problemas que tienen una estructura buena para resolverse con mtodos
exactos, no importa su dimensin.
El modelo no debe formularse para ajustarlo a un mtodo de solucin escogido, sino al
revs, el mtodo debe ajustarse a las caractersticas del modelo.
Dos ejemplos de este tipo son:
1. Eliminar restricciones relevantes al modelo porque ellas destruyen la linealidad del
modelo haciendo ms difcil su resolucin, y se quiere utilizar por ejemplo el Simplex
de la Programacin Lineal para resolver el modelo.
2. Existen ms de un objetivo a optimizar, igualmente importantes a tener en cuenta. En
este caso a veces se usan dos estrategias que distancian la realidad del modelo:
Tomar solo uno de los objetivos en cuenta
Formular un solo objetivo mediante la suma de los varios objetivos con
factores de ponderacin
En el segundo caso el problema que generalmente se presenta es que muchas veces ni
los propios decidores saben definir adecuadamente esos factores de ponderacin.
Depende de cules sean esos factores las soluciones pudieran dar muy diferentes, por
tanto si no se usan factores adecuados las soluciones obtenidas de implementar el
modelo pueden estar alejadas de las que deban obtenerse y que se ajusten al problema
planteado.
La validacin de la aplicabilidad del modelo propuesto mediante el uso de una
herramienta en la solucin de casos de prueba es tambin un paso importante al que hay
que dedicarle tiempo y hacer un diseo de experimentos cuidadosamente preparado,
donde se tenga en cuenta, entre otros aspectos:
Prof. M. Gulnara Baldoquin de la Pea

10

Los diferentes factores que determinan el volumen de variables, restricciones del


problema y probar el modelo con datos reales y simulados teniendo en cuenta
situaciones que puedan presentarse con una dimensin mayor que las actuales.
Por ejemplo, en el caso de un modelo para asignacin de vehculos de emergencia
mdica a llamadas de pacientes, no bastara probar cmo responde el mtodo
implementado para el modelo generado teniendo en cuenta solo los periodos de tiempo
con ms llamadas realizadas en un rango de meses analizados. Otros factores pueden
distorsionar este anlisis si no se tienen en cuenta aspectos como: franjas del da de esas
llamadas (la movilidad de vehculos no es la misma, por ejemplo, a las 5am que a las
7am), por cientos de llamadas de cada tipo (llamadas de urgencia no pueden cubrirse
con cualquier tipo de vehculo como las de consulta), etc.
Por ltimo, en muchos casos la solucin de un problema dado para una empresa
concluye con el diseo e implementacin de una herramienta (software) de apoyo a la
decisin que soporte el modelo propuesto, e implemente mtodos y algoritmos para su
solucin. La herramienta debe ser amigable, permitir personalizar la mayor cantidad
de parmetros posibles que la haga flexible y robusta, de lo contrario implicar una
constante actualizacin de la misma y con ello la interrupcin del uso de la misma y la
prdida de confianza en su aplicabilidad. Por otro lado debe existir una interaccin muy
estrecha entre el personal que desarrolla la herramienta y aquel que la implementar,
conllevando una capacitacin de este ltimo personal, que debe tener a su disposicin
manuales de usuario de la herramienta a utilizar.
Hemos expresado algunas consideraciones del complejo y prolongado proceso que en
muchas ocasiones debe realizarse para llevar a un trmino exitoso la Investigacin de
Operaciones como herramienta en la Toma de Decisiones.
En lo adelante, solo nos referiremos al proceso de la modelacin, y en determinados
momentos a mtodos de solucin cuando sea necesario para la obtencin de un modelo
eficiente.
Recomendaciones iniciales para modelar problemas de PL a estudiantes que se
inician en ello:
1. Leer cuidadosamente el problema completo, preferiblemente ms de una vez, antes
de comenzar a modelarlo. Es posible que, de no hacerlo as, comience a declarar
variables, que luego tiene que redefinirlas por aspectos que se plantean
posteriormente en el texto del problema.
2. En ocasiones el problema planteado tiene una descripcin larga que involucra
muchas restricciones y puede no darse cuenta que le falt modelar alguna(s). Esto
se evita si va marcando o subrayando en el problema los aspectos que ya tuvo en
cuenta.
3. Si no tuvo en cuenta en su modelo alguna informacin que le dieron, analice el por
qu, pues usualmente no se da informacin que usted no necesite utilizar.
4. Utilice diagramas siempre que sea posible para mejor comprensin del problema.
5. Cuando la cantidad de informacin lo amerita, organice la misma en tablas
adecuadas previo a iniciar la modelacin.

Prof. M. Gulnara Baldoquin de la Pea

11
6. Cuando los datos del problema aparecen con unidades de medida diferentes, revise
que no mezcla en una misma restriccin funcin unidades de medidas diferentes,
por ejemplo, estar sumando pesos con miles de pesos, centmetros con metros
libras con kilogramos.
7. En la presentacin del modelo debe declarar explcitamente y en el siguiente orden
la siguiente informacin:
ndices utilizados, cuando lo amerite, si las variables estn indexadas.
Datos del problema que utiliza en el modelo, de manera simblica. Por ejemplo,
si un dato es la demanda de 15 clientes y denot por i el ndice referido a
clientes, expresar este dato por ejemplo con el smbolo Di, para que cuando lo
utilice en restricciones y/o funcin objetivo se sepa qu significa eso, y no que el
profesor lo tenga que adivinar o suponer.
Variables utilizadas, indicando el nmero de ellas si estn indexadas. Por
ejemplo, no colocar simplemente xi, sino xi, i = 1,, hasta la cantidad de
valores que toma i.
Funcin a optimizar
Restricciones del problema.
Restricciones referidas a dominio de las variables. Esto es importante para luego
decidir el mtodo de solucin a utilizar. Por ejemplo, no es igual declarar si debe
satisfacerse xi 0 que xi 0, enteras
8. Reforzando el aspecto anterior, no mezcle en el modelo variables y datos, sin
saberse qu representan unos y otros, que a veces hay que adivinarlo y eso hace
ambiguo e impreciso el modelo.
9. Es importante reconocer los signos de las desigualdades en las restricciones de
acuerdo a lo que piden, en trminos de frases como:
A lo sumo ()
Como mnimo ()
Al menos por lo menos ()
Como mximo ()
Cuando al referirse a una cantidad disponible de un recurso dado, sea por ejemplo
el valor 30, y referido a ese recurso se usan las palabras a lo sumo como mximo,
el signo de la desigualdad debe ser 30.
Si al referirse a una cantidad que debe hacerse de un producto dado, sea por
ejemplo el valor 15, y referido a ese producto se usan las palabras como mnimo, al
menos por lo menos, el signo de la desigualdad debe ser 15.
Qu sucede si una restriccin del modelo se refiere al cumplimiento de una
demanda, a la satisfaccin de la demanda?
Depende del contexto del problema, se utilizan los signos = . Por las
caractersticas de la demanda, si es un producto muy costoso, con ciclo de vida
corto, que por volumen incrementa el valor del inventario, etc., puede pedirse que
se cumpla estrictamente la demanda (=). En otros casos, lo ms comn es plantearlo
con el signo . En general no afecta a la solucin del problema pues es comn
plantear la funcin objetivo como un problema de minimizar costos, por lo cual la
mejor solucin buscar satisfacer la demanda mnima, o sea, cumplirse la
restriccin en la igualdad, salvo que sea un poco superior debido a la integralidad
de variables cuando representan productos que son cantidades indivisibles.
Modelacin de problemas de Programacin Lineal (PL)
Qu es la Programacin Lineal?
Prof. M. Gulnara Baldoquin de la Pea

12

La Programacin Lineal es un tipo de mtodo dentro de la Programacin Matemtica


que utiliza un modelo matemtico para describir el problema que se aborda. El adjetivo
lineal significa que todas las funciones matemticas del modelo deben ser funciones
lineales. En este contexto la palabra programacin no se refiere a programacin en
computadoras sino como sinnimo de planeacin. Por qu? Porque la asignacin de
recursos limitados a diferentes actividades competitivas buscando el mejor beneficio
posible (sea ste de lograr la mejor ganancia el menor costo posible) es su aplicacin
ms frecuente, aunque la Programacin lineal tiene muchas otras posibilidades. Los
recursos pueden ser materia prima, personas, tiempo equipos disponibles, etc. Entre
esas actividades se encuentran: la asignacin de tareas, finanzas, marketing, produccin,
transporte, problemas de mezcla, redes de telecomunicaciones, diseo de circuitos, etc.
La formulacin general de un modelo de PL puede plantearse como:
Minimizar (Maximizar) z = c1x1+c2x2+cnxn
sujeta a las restricciones:
a11x1+a12x2+....+a1nxn (<=, >=, =) b1
a21x1+a22x2+....+a2nxn (<=, >=, =) b2
.
.
.
am1x1+am2x2+....+amnxn (<=, >=, =) bm
x1 >= 0,

x2 >= 0,

...,

xn>=0

(*)

La funcin a optimizar se le suele llamar funcin objetivo y los smbolos c1, c2,,cn son
nmeros (sus coeficientes). Los smbolos x1, x2,,xn representan las variables del
modelo. Los smbolos aij son los coeficientes de ese sistema de restricciones, donde i
toma valores entre 1 y m (la cantidad de restricciones que existen) y j toma valores entre
1 y n (la cantidad de variables que existen),.
Las restricciones de no negatividad de las variables, estn expresadas en (*).
Los valores que pudieran tomar las variables distinguen subcategoras en las que se
dividen los mtodos de la Programacin Lineal:
Si todas las variables deben tomar valores enteros corresponden a la
Programacin Lineal Entera.
Si al menos una de las variables deben tomar valores enteros corresponden a la
Programacin Lineal Entera Mixta.
Si todas las variables deben tomar valores binarios (0 1) corresponden a la
Programacin Lineal Binaria.
Por qu la distincin de estas clasificaciones?
Porque los mtodos de solucin en general no son los mismos en las diferentes
soluciones.
Se presentar primeramente un ejemplo simple donde se ir induciendo cmo ir
planteando un modelo matemtico de Programacin Lineal que represente el problema
planteado, a partir de la obtencin de los elementos que deben conformar un modelo
Prof. M. Gulnara Baldoquin de la Pea

13
que responda al problema: variables, funcin a optimizar y restricciones. Luego se
continuar planteando modelos donde se insistir en algunos aspectos que se deben
tener en cuenta en diversos tipos de problemas.
Ejemplo 1:
Un taller tiene tres tipos de mquinas A, B y C y puede fabricar dos productos. Todos
los productos tienen que ir a cada mquina y cada uno va en el mismo orden: Primero a
la mquina A, luego a la B y luego a la C. La Tabla 1 muestra:
1. Las horas requeridas en cada mquina, por unidad de producto.
2. Las horas totales disponibles para cada mquina, por semana.
3. La ganancia por unidad vendida de cada producto.
Tipo de mq.

Producto 1 Producto 2 Horas disponibles x semana

18

42

24

Ganancia
unitaria

2
Tabla 1

Qu cantidad de cada producto se debe manufacturar cada semana, para obtener la


mxima ganancia?
Los elementos que debemos ofrecer para conformar un modelo que responda al
problema son: variables, funcin a optimizar y restricciones. Las variables son las
primeras que hay que definir, pues sin ellas no se pueden expresar los otros elementos.
En general, una buena definicin de las variables es indispensable para obtener
exitosamente un modelo adecuado. Veamos por pasos cmo obtener cada uno de dichos
elementos.
1. Cules son las variables a definir en el modelo? Generalmente la respuesta la
encontramos en la pregunta que se formula. Observar la pregunta: Qu cantidad de
cada producto se debe manufacturar cada semana, para obtener la mxima ganancia?
Puesto que el problema se refiere a dos productos, son dos variables: cantidad de
unidades a producir de cada producto semanalmente. Pero hay que denotarlas
simblicamente.
Denotemos:
x1: Cantidad de unidades a producir del producto A semanalmente
x2: Cantidad de unidades a producir del producto B semanalmente
Pudieron denotarse x, y respectivamente
2. Cul es la funcin a optimizar?
Observar:
Prof. M. Gulnara Baldoquin de la Pea

14

La pregunta: Qu cantidad de cada producto se debe manufacturar cada semana,


para obtener la mxima ganancia?
La parte de los datos relacionada con la ganancia que se debe producir:
Producto 1
Producto 2
3

Ganancia
unitaria

Variables: x1, x2

Con ello se puede formular la funcin a optimizar.


Si la cantidad de cada producto de tipo 1 a fabricar se denota x1 y por cada uno la
ganancia es 3 unidades de algn tipo de moneda, el total de ellos dar un beneficio de
3x1. Anlogamente el total de los productos de tipo 2 (x2) dar un beneficio de 3x2,
puesto por cada uno la ganancia es 2. Luego la ganancia total ser la suma de las
ganancias de ambos, o sea, 3x1 + 3x2.
3. Cules son las restricciones?
Hay que buscar en el texto dnde se encuentra limitacin de recursos como puede ser
presupuesto que se tiene, personal disponible, tiempo de uso de mquinas, etc.
Observar en este caso:
Las restricciones de recurso tiempo: horas totales disponibles para cada mquina,
por semana.
Los datos que se tienen de horas requeridas en cada mquina por unidad de
producto as como el mximo de horas disponibles en cada una.

Tipo de mq.

Producto 1

Producto 2

A
B

2
2

1
3

Horas disponibles
x semana
18
42

24

Variables: x1, x2

Primero debe notar que hay 3 restricciones por limitaciones de recurso, que
corresponden a las horas mximas disponibles para cada tipo de mquina.
Cmo plantearlas?
Si cada producto de tipo 1 requiere 2 horas para su produccin en la mquina A y se
tienen x1 productos de ese tipo, el total de horas que todos ellos necesitarn en la
mquina A ser de 2x1. Anlogamente el total de horas requeridas por los productos de
tipo 2 (x2) ser 1.x2= x2, pues cada uno requiere solo de una hora para su produccin.
Luego el total de horas requeridas por los dos productos para fabricarse en la mquina A
ser la suma de las horas requeridas por cada tipo de producto: 2x1 + x2.
Puesto que esa cantidad de horas no debe sobrepasar el lmite que se dispone de 18
horas, la primera restriccin ser:
2x1 + x2 18
Prof. M. Gulnara Baldoquin de la Pea

15

Con igual anlisis para las restricciones por limitaciones de recurso en las mquinas B y
C se tiene que:
2x1 + 3x2 42 (Para mquina B)
3x1 + x2 24 (Para mquina C)
Qu falta por definir?
Rango de valores de las variables: x1, x2 0, enteras
Luego el modelo que responde al problema planteado es:
Variables:
x1: Cantidad de unidades a producir del producto A semanalmente
x2: Cantidad de unidades a producir del producto B semanalmente
Funcin objetivo: max 3x1 + 2x2
Restricciones:
2x1 + x2 18
2x1 + 3x2 42
3x1 + x2 24
Rango de valores de las variables: x1, x2 0, enteras
Dos errores que pueden cometerse en la modelacin de este problema:
1. Plantear las restricciones con signo de igualdad.
En ese caso est aadiendo limitaciones que no le dan, pues el problema no exige que
tenga que utilizar exactamente el mximo de horas disponibles. La solucin de este
modelo buscar utilizar el mximo de recursos posibles (o sea, que la solucin satisfaga
las restricciones en la igualdad), pues con ello aumenta la cantidad de productos a
producir y con ello aumenta el valor de la funcin objetivo que se busca maximizar. Sin
embargo, es posible que el sistema de ecuaciones lineales resultantes de sustituir las
desigualdades por igualdades sea incompatible, o sea, que no tenga soluciones, ni an
continuas, sin la restriccin de integralidad de sus variables.
En este caso, en efecto, el sistema de ecuaciones lineales:
2x1 + x2 = 18
2x1 + 3x2 = 42
3x1 + x2 = 24
no tiene soluciones, luego no podr buscarse la que d el mejor valor de la funcin
objetivo.
2. Plantear por error la funcin objetivo como de minimizar

Prof. M. Gulnara Baldoquin de la Pea

16
Si fuera as, entonces la solucin sera NO PRODUCIR NADA, o sea, x1 = x2 = 0, pues
seran los valores que daran el menor valor de la funcin objetivo (z = 0) y cumplira
las restricciones.
De aqu puede generalizar lo siguiente:
S i tiene un problema de Programacin Lineal del tipo:

F.O. f(x1,x2,,xn) = c1x1 + c2x2 ++ cnxn, con c1, c2, ,cn 0


TODAS las restricciones son del tipo g(x1,x2,,xn) d
Las soluciones posibles a ofrecer no deben considerar que todas las variables sean
cero
Entonces debe ser un problema de maximizar, de lo contrario la mejor solucin sera
x1 = x2 == xn = 0

Anlogamente, si tiene un problema de Programacin Lineal del tipo:

F.O. f(x1,x2,,xn) = c1x1 + c2x2 ++ cnxn, con c1, c2, ,cn 0


TODAS las restricciones son del tipo g(x1,x2,,xn) d

Entonces debe ser un problema de minimizar, de lo contrario no tendra una mejor


solucin, pues los recursos al ser infinitos y maximizar la funcin objetivo que depende
de esas variables, con coeficientes no negativos, los valores de las variables pueden
crecer infinitamente cumpliendo las restricciones y siempre podr encontrar una mejor
solucin que otra ya encontrada.
Notacin a utilizar para las variables
La notacin utilizada para las variables que defina debe permitirle de una forma fcil
identificar qu representa cada variable, lo que le facilitar plantear correctamente la
funcin objetivo y restricciones.
Un ejemplo de ello se presenta en el siguiente sencillo problema:
Ejemplo 2:
Una pequea empresa que se dedica al turismo ecolgico con base en las orillas de un
ro tiene $420,000 que puede usar para comprar nuevos botes para rentar durante el
verano. Los botes pueden comprarse a dos fabricantes diferentes. Luego de un anlisis
concluyen que:
Quieren comprar al menos 50 botes
Comprar la misma cantidad de botes a cada fabricante, para mantener un crdito
favorable de ambos proveedores.
Los botes comprados tengan al menos una capacidad total de 200 asientos.
Se tiene adems la siguiente informacin para la toma de decisiones (Tabla 2):

Prof. M. Gulnara Baldoquin de la Pea

17
Tipo de bote Fabricante Costo (USD) Mximo sillas Utilidad diaria
por bote (USD)
Pequeo
Grande

1
1

6500
7800

3
5

70
80

Pequeo

5400

50

Grande

9300

110

Tabla 2
Cuntos botes deben comprarse para obtener la mxima utilidad?
En este ejemplo se puede comprar botes a dos fabricantes, y cada uno le oferta dos tipos
diferentes, por lo que son cuatro variables a definir. Pudiera definirlas como x1, x2, x3, x4,
lo cual pudiera confundirlo en lo que representa cada una de ellas, por ejemplo, si las
dos primeras se refiere a un mismo fabricante o si a una caracterstica del bote (pequeo
grande).
Otras opciones mejores seran:
x1, x2, y1, y2, donde la x se refiere a un tipo de fabricante y la y a otro. Los nmeros 1 y
2 pueden indicarle el tipo de bote en ambos casos: pequeo grande.
Tambin pudiera haberlas denotado como: xP, xG, yP, yG
Un modelo para este problema sera:
Variables:
x1 , x2: Nmero de botes a comprar al fabricante 1
y1, y2: Nmero de botes a comprar al fabricante 2
En ambos casos el 1 identifica bote pequeo, el 2 bote grande
Funcin objetivo a maximizar: z = 70 x1 + 80 x2 + 50 y1 + 110 y2
Restricciones:
6500x1 + 7800x2 + 5400y1 + 9300y2 420000 (Presupuesto para comprar)
x1 + x2 + y1 + y2 50 (Cantidad total de botes a comprar)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes)
3x1 + 5x2 + 2y1 + 6y2 200 (Cantidad total de sillas en los botes)
x1 , x2 , y1 , y2 0, enteras
Cundo utilizar subndices en las variables?
Cuando lo que representa el subndice describe de manera clara lo que representan las
variables en todos los casos y tambin cuando se tienen un nmero considerable de esas
variables.
Siguiendo el ejemplo anterior, podemos poner tres situaciones diferentes:
1. Que la empresa tuviera n proveedores diferentes y todos les proporcionan un mismo
tipo de bote, pudieran definirse de la siguiente manera:

Prof. M. Gulnara Baldoquin de la Pea

18
xi: cantidad de botes comprado al proveedor i, donde i =1,,n y tendra n variables de
ese tipo.
2. Que la empresa tuviera n proveedores diferentes y cada uno le proporcionara m
modelos diferentes de botes, pudieran definirse de la siguiente manera:
xij: cantidad de botes comprado al proveedor i del tipo j, donde i =1,,n, j=1,,m y
tendra nxm variables de ese tipo.
3. Que la empresa tuviera n proveedores diferentes, cada uno le proporcionara m
modelos diferentes de botes, y a su vez de cada modelo de botes tiene las mismas p
opciones a escoger que definen las capacidades posibles con ese mismo modelo. En este
caso pudieran definirse de la siguiente manera:
xijk: cantidad de botes comprado al proveedor i del tipo j con capacidad k, donde:
i =1,,n, j=1,,m, k = 1,,p y tendra nxmxp variables de ese tipo.
En el caso de que se trabaje con variables con subndices es muy aconsejable
previamente declarar explcitamente las notaciones que se han usado para las mismas,
para clarificar la modelacin. Por ejemplo, si luego en las restricciones se est sumando
en i identificar rpidamente que se est considerando en ese caso todos los proveedores.
Por ejemplo, en la ltima situacin presentada sera:
Notaciones:
i: Representa el proveedor
j: Representa el tipo de modelo
k: Representa la capacidad del bote
Un error comn que se comete cuando se trabaja con variables con subndices como en
el ejemplo anterior es pensar que se tiene una sola variable, lo cual es falso. Se tiene un
solo tipo de variable. En la Situacin 1 se tienen n variables de ese tipo, en la Situacin
2 son nxm variables de ese tipo y en la Situacin 3 son nxmxp variables de ese tipo.
Organizar la informacin previo a iniciar la modelacin
Existen problemas donde debido a la cantidad y diversidad de informacin que se da es
conveniente, previa a iniciar la modelacin, organizar primero en una tabla la
informacin dada. Un ejemplo de ello (y no es de los ms complicados) es el siguiente:
Ejemplo 3
Con el comienzo del curso se va a lanzar unas ofertas de material escolar. Un tipo de
almacn que oferta materiales escolares quiere ofrecer dos tipos de paquetes con estos
materiales. El primero contendr 2 cuadernos, 1 carpeta y 2 bolgrafos; el segundo
tendr 3 cuadernos, 1 carpeta y 1 bolgrafo. Si el almacn dispone de 600 cuadernos,
500 carpetas y 400 bolgrafos para la oferta, y los precios de cada tipo de paquete sern
de $18000 y $21000, respectivamente. Cuntos paquetes convienen preparar de cada
tipo para obtener el mximo beneficio?
La informacin dada puede utilizarse ms fcilmente si se organiza como se muestra en
la Tabla 3:
Prof. M. Gulnara Baldoquin de la Pea

19

P1
P2 Disponibles
Cuadernos 2
3
600
Carpetas
1
1
500
Bolgrafos 2
1
400
Precio 18.00021.000
Tabla 3
En la pregunta se expresa de manera clara que las variables deben ser dos, la cantidad
de paquetes a hacer de cada tipo, y la tabla muestra en las tres primeras filas las
restricciones de disponibilidad en cuanto a cuadernos, carpetas y bolgrafos. La ltima
fila da la informacin para generar la funcin objetivo.
Con ello tenemos que el modelo sera:
Variables:
x: Cantidad de paquetes a hacer de tipo 1
y: Cantidad de paquetes a hacer de tipo 1
Funcin objetivo:
max z = 18000x + 21000y
Restricciones:
2 x + 3 y 600 (Disponibilidad de cuadernos)
x + y 500 (Disponibilidad de carpetas)
2 x + y 400 (Disponibilidad de bolgrafos)
x 0 , y 0, enteras
En el siguiente ejemplo no solo se quiere destacar la conveniencia de organizar la
informacin en una tabla previo a iniciar la informacin, sino otros dos aspectos:
Los coeficientes que aparecen en la funcin objetivo y en una de las restricciones
son los elementos de dificultad en el problema (no la definicin de las variables que
es muy simple), los cuales son el producto de varios datos, cada uno con unidades
de medida diferentes.
La longitud en la descripcin del problema y el nmero de restricciones de tipos
diversos justifica aplicar una de las recomendaciones dadas para modelar: ir
subrayando en el texto los elementos que ya se han tenido en cuenta en la
modelacin para que no se escape ningn aspecto a modelar.
Ejemplo 4
Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo equipo
y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
Prof. M. Gulnara Baldoquin de la Pea

20
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones de
gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de 150
conductores por da y tendra muchas dificultades para obtener conductores adicionales.
El espacio del estacionamiento permite la entrada de 24 vehculos tipo A si slo
parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es 20% mayor
que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor que el
de tipo A. Las facilidades de mantenimiento son tales que el nmero total de vehculos
no puede exceder de 25.
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la compaa
desea maximizar su capacidad diaria de movilizacin en toneladas.
Organizando la informacin como aparece en la Tabla 4
Tipo
camin

Recorrido
x galn

A
B
C
Unid.
medid
a

20
15
12
millas/gal.

Horas de
labor x
da
18
15
21
horas/da

Espacio
parqueo
1
1.2
0.8

Cap. de Veloc.
carga
promedio
10
20
18
ton

Costo x Tripul
camin
x da

35
30
30
millas/hor
a

80
130
150
millones
pesos

3
6
6
pers/
da

Tabla 4
Para definir las variables, observar la pregunta: cuntos vehculos de cada tipo debern
comprarse.
Variables:
xi: Nmero de camiones a comprar de tipo i, i = 1,2,3, donde 1 representa el camin tipo
A, 2 es el B, 3 es el C
Funcin objetivo:
Observar la pregunta: Maximizar su capacidad diaria de movilizacin en toneladas. Esto
seran las toneladas por millas por da que recorreran todos los camiones.
Cules seran esos coeficientes que llevaran las variables en la f.o.?
Velocidad promedio x Horas de labor en un da x capacidad de carga de cada camin
millas
horas
millas
horas
millas
horas
(35
.18
.10ton) x1 + (30
.15
.20ton) x 2 + (30
.21
.18ton) x3
horas
da
horas
da
horas
da

max z = 6300 x1 + 9.000 x 2 + 11.340 x3


Restricciones:
Prof. M. Gulnara Baldoquin de la Pea

(ton.millas / da )

21
Para definirlas iremos repitiendo el texto pero subrayando los elementos ya
considerados y con color azul los elementos que se tendrn en cuenta en el momento
para definir la prxima restriccin.
Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo
equipo y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones de
gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de 150
conductores por da y tendra muchas dificultades para obtener conductores adicionales.
El espacio del estacionamiento permite la entrada de 24 vehculos tipo A si slo
parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es 20% mayor
que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor que el
de tipo A. Las facilidades de mantenimiento son tales que el nmero total de vehculos
no puede exceder de 25.
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la
compaa desea maximizar su capacidad diaria de movilizacin en toneladas.
1. Restriccin de presupuesto:
80x1 + 130x2 + 150x2 4000 (en millones de pesos)

Sigamos leyendo el problema:


Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo
equipo y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones
de gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
Prof. M. Gulnara Baldoquin de la Pea

22
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de 150
conductores por da y tendra muchas dificultades para obtener conductores adicionales.
El espacio del estacionamiento permite la entrada de 24 vehculos tipo A si slo
parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es 20% mayor
que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor que el
de tipo A. Las facilidades de mantenimiento son tales que el nmero total de vehculos
no puede exceder de 25.
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la
compaa desea maximizar su capacidad diaria de movilizacin en toneladas.
2. Restriccin de combustible disponible:
35
(

millas
horas
millas
horas
millas
horas
30
.21
30
.15
.18
da ) x 10.000
da ) x + ( horas
horas
da ) x + ( horas
1
2
3
millas
millas
millas
12
15
20
gal
gal
gal

31,5 x1 + 30 x 2 + 52,5 x3 10.000

( gal / da )

Notar que las unidades de medida no se ponen acompaando a los coeficientes de las
restricciones, se hizo en este caso para que notara, dada la cantidad de valores a
multiplicar con diferentes unidades de medidas que se estaban multiplicando los valores
adecuados.
Sigamos leyendo el problema:
Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo
equipo y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones
de gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de
150 conductores por da y tendra muchas dificultades para obtener conductores
adicionales. El espacio del estacionamiento permite la entrada de 24 vehculos tipo A si
slo parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es 20%
mayor que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor
que el de tipo A. Las facilidades de mantenimiento son tales que el nmero total de
vehculos no puede exceder de 25.
Prof. M. Gulnara Baldoquin de la Pea

23
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la
compaa desea maximizar su capacidad diaria de movilizacin en toneladas.
3. Restriccin de conductores disponibles por da:
3x1 + 6x2 + 6x2 150

Sigamos leyendo el problema:


Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo
equipo y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones
de gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de
150 conductores por da y tendra muchas dificultades para obtener conductores
adicionales. El espacio del estacionamiento permite la entrada de 24 vehculos tipo
A si slo parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es
20% mayor que el del tipo A y, el espacio requerido para parquear un tipo C es
20% menor que el de tipo A. Las facilidades de mantenimiento son tales que el
nmero total de vehculos no puede exceder de 25.
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la
compaa desea maximizar su capacidad diaria de movilizacin en toneladas.
4. Restriccin de espacio disponible en el parqueo:

Sea C la capacidad total del parqueo, no importa cul sea ese valor. Sea Ei el espacio
que ocupa un camin de tipo i. Por los datos que aporta el problema se tiene que:
C = 24 E1, E2 = 1.2 E1, E3 = 0.8 E1
Expresemos el espacio que ocupa cada camin de tipo i. en funcin de un solo
parmetro: C, la capacidad del parqueo. Luego:
E1= C/24 E2 = 1.2 (C/24) = C/20, E3 = 0.8 (C/24) = C/30
Luego si multiplicamos la capacidad de cada vehculo (en funcin de C) por la cantidad
de vehculos diarios que pudieran estar en el parqueo tendramos:
(C/24)x1 + (C/20)x2 + (C/30)x3 C Eliminando C se tiene que:
x1 x 2 x3
+
+
1
24 20 30

(**)

Prof. M. Gulnara Baldoquin de la Pea

24
Otra manera de plantear sera: si el mximo de camiones de tipo A en el parqueo seran
24 si solo se tienen all de ese tipo, podra plantearse x1 24. Si incluimos de tipo B,
como ocupan un 20% ms de espacio, y de tipo C que ocupan un 20% menos de espacio
que los de tipo A, la restriccin sera: x1 + 1.2 x2 + 0.8 x3 24.
Observe que si en la desigualdad (**) multiplicamos por 24 obtenemos:
x1 + (24/20) x2 + (24/30) x3 24 que es la misma restriccin planteada por el otro
razonamiento.
Sigamos leyendo el problema:
Una compaa de transporte dispone de $4.000.000.000 para comprar un nuevo
equipo y est considerando tres tipos de vehculos. El vehculo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehculo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehculo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehculo A recorre 20 millas por cada galn de gasolina; cada vehculo B recorre
15 millas/galn y cada vehculo C recorre 12 millas/galn. El tanque de combustible
para el suministro diario para los vehculos tiene una capacidad de 10.000 galones
de gasolina.
El vehculo A requiere una tripulacin de un hombre y, si opera durante los tres turnos
del da, puede trabajar un promedio de 18 horas por da. Los vehculos B y C requieren
una tripulacin de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por da en tres turnos, C puede promediar 21 horas diarias. La compaa dispone de
150 conductores por da y tendra muchas dificultades para obtener conductores
adicionales. El espacio del estacionamiento permite la entrada de 24 vehculos tipo
A si slo parquean este tipo de vehculo. El espacio que ocupa un vehculo tipo B es
20% mayor que el del tipo A y, el espacio requerido para parquear un tipo C es
20% menor que el de tipo A. Las facilidades de mantenimiento son tales que el
nmero total de vehculos no puede exceder de 25.
Se quiere determinar cuntos vehculos de cada tipo debern comprarse si la
compaa desea maximizar su capacidad diaria de movilizacin en toneladas.
5. Restriccin de mantenimiento (nmero mximo de camiones):
x1 + x2 + x3 25

x1 , x2 , x3 0, enteras
Observar en la ltima copia del problema planteado que no queda nada sin subrayar
que sea una restriccin del problema planteado.
Modelos equivalentes: Transformacin de la funcin objetivo

El objetivo de la modelacin no es en general un fin. Luego de obtener un modelo debe


buscarse un mtodo que lo resuelva, d soluciones, y para ello debe tratarse de obtener
un modelo lo ms simple posible. En ocasiones es posible obtener un modelo
Prof. M. Gulnara Baldoquin de la Pea

25
equivalente al planteado si se conoce la siguiente propiedad de los modelos de
Programacin Lineal:
Propiedad
Sea f(x) la funcin a minimizar (maximizar) y se conoce que f(x) = k.g(x) donde k es
una constante (nmero). Entonces minimizar (maximizar) f(x) es equivalente a
minimizar (maximizar) g(x)

O sea, min (max) z = f(x) min (max) z = g(x)


La equivalencia significa que la(s) solucin(es) encontradas en ambos casos son
exactamente las mismas. La diferencia radica en que el valor de la funcin objetivo real
ser el valor dado al evaluar g en la solucin encontrada pero multiplicado por k, pues la
funcin objetivo real es f(x), no g(x).
Si nos remitimos al Ejemplo 3 la funcin objetivo es:
z = 18000x + 21000y
Puesto que f(x,y) = 18000x + 21000y = 1000(18x + 21y) pudiera trabajarse con la
funcin objetivo:
z = 18x + 21y
Luego el valor de z encontrado para la mejor solucin se multiplicar por 1000, el valor
de k en este caso.
Otra conveniencia de hacer esto en algunos casos donde la funcin objetivo tiene
coeficientes muy grandes en relacin a los coeficientes encontrados en las restricciones
es disminuir errores computacionales al aplicar los mtodos de solucin, que trabajan
con estos datos en innumerables iteraciones, pudiendo aumentar propagacin de errores.
Explicitar lo que representa cada variable

En ocasiones las variables definidas representan cantidades de un artculo dado pero se


obvia poner la unidad de medida en que se dar la respuesta, lo cual an es ms
peligroso cuando se da informacin con diferentes unidades de medida.
Para ver las implicaciones respecto a las soluciones obtenidas al mezclar diferentes
unidades de medida en alguna restriccin del modelo en la funcin objetivo, suponga
el siguiente ejemplo:
Ejemplo 5
Se requiere hacer dos productos donde lo que define cunto hacer de cada uno de ellos
es la limitacin de una materia prima de la cual se dispone a lo sumo de 10 libras. Cada
unidad de ambos productos pesa una libra. El producto 2 requiere por cada unidad
producida el doble de materia prima que el producto 1. No deben producirse ms de 8
productos de tipo 1 ni ms de 4 productos de tipo 2. La ganancia y por tanto el precio
del producto lo define el siguiente clculo: cada libra del producto 1 da una ganancia de
$3, la ganancia del producto 2 es de 50 centavos la onza del mismo. Determine la
cantidad de productos de cada tipo a hacer para maximizar la ganancia.

El modelo que representa el problema puede plantearse as:


Prof. M. Gulnara Baldoquin de la Pea

26
Variables:
x: Unidades a hacer de producto 1
y: Unidades a hacer de producto 2
Restricciones:
x+ 2y 10 (Disponibilidad de materia prima)
x 8 (Cantidad a hacer de producto 1)
y 4 (Cantidad a hacer de producto 2)
x, y 0 enteras (tipo y rango de valores de las variables)
Para definir la funcin objetivo hay que tener en cuenta que la informacin sobre la
ganancia por productos se da en dos unidades de medida diferentes: libras y onzas. Hay
que plantearlo en trminos de una de ellas y hacer la conversin necesaria. Supngase
que se plantea en libras, la ms lgica pues las unidades a hacer de cada producto
coinciden con la cantidad de libras a usar.
Puesto que una libra es igual a 16 onzas, lo que se ganara por cada unidad de producto
de tipo 2 (pesa una libra) sera: (50)(16) = 800 centavos = $8
Luego la funcin a maximizar sera z = 3x +8y y no z = 3x + 0.5y
Observe en el siguiente grfico (Figura 2) las implicaciones que tendra ese error en
trminos de la solucin obtenida. La regin de soluciones es la que est comprendida
por los segmentos de recta OA, AB, BC, CD y OD. Si se tomara como funcin objetivo
z = 3x + 0.5 y y la recta 3x + 0.5 y = 1 se desplaza paralelamente alejndose del origen
de coordenadas, el vrtice ms alejado de la regin que tocara sera el C, lo que
significara que: x = 10, y =1.
Sin embargo, si se selecciona la funcin correcta z = 3x + 8 y y la recta 3x + 8 y = 24
se desplaza paralelamente alejndose del origen de coordenadas, el vrtice ms alejado
de la regin que tocara sera el B, lo que significara que: x = 2, y =4. Dos soluciones
totalmente diferentes!
y

3x+8y=24
3x+0.5y=1

Figura 2
Prof. M. Gulnara Baldoquin de la Pea

27

Otros ejemplos seran los siguientes:


Ejemplo 6
Una compaa fabrica y vende dos modelos de lmparas L1 y L2. Para su fabricacin se
necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para el L2;
y un trabajo de mquina de 20 minutos para L1 y de 10 minutos para L2. Se dispone
para el trabajo manual de 100 horas al mes y para la mquina 80 horas al mes. Sabiendo
que el beneficio por unidad de lmpara producida es de 15 y 10 euros para L1 y L2,
respectivamente, planificar la produccin para obtener el mximo beneficio.

Este es un ejemplo que aunque simple sera conveniente previamente organizar la


informacin en una tabla como se ilustra en la Tabla 5:
Tipo de trabajo/Tiempo
Manual
Mquina

L1
(min)
20
20
Tabla 5

L2
(min)
30
10

Tiempo disponible
(horas)
100
80

Variables
x = N de lmparas a producir de tipo L1
y = N de lmparas a producir de tipo L2
La funcin objetivo ser maximizar utilidad en euros que ser dada por la funcin
z =15x + 10y
Para plantear las restricciones dadas por tiempo disponible en horas para cada uno de
los tipos de trabajo, obsrvese que el tiempo que cada lmpara requiere en cada tipo de
trabajo est dado en minutos, y el tiempo disponible en horas.
Dos opciones son:
Convertir los tiempos por lmpara para cada tipo de trabajo en horas,
Convertir los tiempos mximos disponibles por tipo de trabajo a minutos.
En el primer caso, como
20 min = 1/3 h; 30 min = 1/2 h; 10 min = 1/6 h
Las restricciones seran:
(1/3) x + (1/2) y 100 (De disponibilidad, en horas, para el trabajo manual)
(1/3) x + (1/6) y 80 (De disponibilidad, en horas, para el trabajo en mquina)
Para eliminar los coeficientes con nmeros racionales, multiplicando ambas
inecuaciones por el mnimo comn denominador entre 3 y 2, as como entre 3 y 6, que
en ambos casos es el nmero 6, se tiene:
2x + 3y 600
2x + y 480
En el segundo caso, como
Prof. M. Gulnara Baldoquin de la Pea

28
100 horas = 6000 min; 80 horas = 4800 mi n
Las restricciones seran:
20x + 30y 6000 (De disponibilidad, en minutos, para el trabajo manual)
20x + 10y 4800 (De disponibilidad, en minutos, para el trabajo en mquina)
Simplificando ambas inecuaciones multiplicando ambos miembros de cada una por
1/10 se tiene:
2x + 3y 600
2x + y 480

(I)

Las mismas inecuaciones obtenidas por la otra variante de unificar unidades de


medidas.
Si no hubiera tenido en cuenta la heterogeneidad de las unidades de medida al plantear
las restricciones le hubiera quedado:
2x + 3y 100
(II)
2x + y 80
Se le deja que por el mtodo grfico compruebe cun diferentes seran las regiones de
soluciones teniendo en cuenta las restricciones en (I) y en (II), as como la solucin del
problema.
Ejemplo 7
Un granjero tiene 200 cerdos que consumen 90 libras de comida especial todos los das.
El alimento se prepara como una mezcla de maz y harina de soya con las siguientes
composiciones presentadas en la Tabla 6.
Alimento
Calcio
Maz
0.001
Harina de Soya 0.002

Protena
0.09
0.6
Tabla 6

Fibra
0.02
0.06

Costo ($/Kg)
0.1
0.3

Los requisitos de alimento de los cerdos son:


1. Cuando menos 1% de calcio
2. Por lo menos 30% de protena
3. Mximo 5% de fibra
Determine la mezcla de alimentos con el mnimo de costo por da
Modelo:
Variables:

En la pregunta piden determinar la mezcla de alimentos, pero la misma se hace con


maz y harina de soya; por ello las variables deben ser cantidades a mezclar de maz y
harina de soya. Pero por otro lado, en los datos dan informacin relacionada con la
mezcla a hacer en dos unidades de medida: libras por alimento para las composiciones
de la mezcla y Kg para el costo. Por ello se hace necesario aclarar bien en qu unidad
de medida se definirn las variables y en las restricciones hacer conversiones necesarias
para que no existan inconsistencias.
Prof. M. Gulnara Baldoquin de la Pea

29
Por los datos planteados es ms fcil utilizar como unidad de medida Libras por Libra
de Alimento. De ah que las variables seran:
x1 :Cantidad de Maz, en libras
x2 : Cantidad de Harina de Soya, en libras
Observar que definir las variables como cantidad de maz cantidad de soya, queda
impreciso. Es costumbre de algunos estudiantes, en definiciones de variables como
las anteriores, argumentar: Pero si revisa las restricciones que puse lo que yo quise
decir es

La argumentacin no es adecuada. La persona que lee el modelo no debe suponer nada,


y las variables no deben declararse de modo ambiguo.
Funcin objetivo a minimizar:
z = (0.1)(2.2)x1 + (0.3)(2.2)x2 = 0.22x1 + 0.66x2
Observe que como el costo est en peso por Kg y las variables en libras, hay que
convertir los Kgs en libras multiplicando por 2.2 (pues 1Kg = 2.2 libras)
Restricciones:
En las restricciones no hay que hacer conversiones pues todo est dado en libras (datos
y variables):
0.001x1 + 0.002x2 (90)(0.01) (Requerimiento de calcio)
0.09x1 + 0.6x2 (90)(0.3) (Requerimiento de protena)
0.02x1 + 0.06x2 (90)(0.05) .......... (Requerimiento de fibra)
Rango de las variables: x1, x2 0
Observe un detalle: En este problema se da un dato que realmente no es necesario para
el modelo: que el granjero dispone de 200 cerdos.
Sustitucin de restricciones
En ocasiones se tiende a tratar de reducir restricciones dando un modelo que no es
equivalente al original y por tanto no tienen las mismas soluciones, pudiendo ser una de
ellas errnea. Lo anterior se ilustra en el siguiente ejemplo:
Ejemplo 8
Es usual que empresas, para transportar su mercanca desde su planta de produccin
hacia los puntos de distribucin, contraten los servicios de personas que tienen
pequeos camiones con ese objetivo. Una empresa contrata a un camionero para
transportar su mercanca que est empacada en cajas de 3 tamaos diferentes. Datos que
se tienen del problema son:
El camin a utilizar tiene una capacidad interior de 20m3.
Los tamaos, as como ganancia por cada tipo de caja transportada, son los
siguientes:
Caja Tipo 1: 1 m3 - $ 1.000 c/u
Caja Tipo 2: 1.2 m3 - $ 1.120 c/u
Caja Tipo 3: 0.8 m3 - $ 900 c/u

Prof. M. Gulnara Baldoquin de la Pea

30

Se tiene que transportar como mnimo 8 cajas tipo 1 y 5 cajas tipo 3 en cada
viaje.
Debe haber cajas de tipo 2 transportadas en cada viaje, pero como mximo la
mitad del total de las otras cajas.

Cmo debe llenar el transportista su camin para maximizar las ganancias en cada
viaje que realice?
Previo a comenzar la modelacin organicemos la informacin como aparece en la
Tabla 7.
Cajas
Tipo 1
Tipo 2
Tipo 3

Volumen (m3) Ganancia ($)


1
1.000
1.2
1.120
0.8
900
Tabla 7

Demanda
Al menos 8

Al menos 5

Variables:
Sean xi: la cantidad de cajas de tipo i (i = 1, 2, 3) a transportar en cada viaje.
La funcin objetivo a maximizar sera: z= 1000x1 + 1120x2 + 900x3
Las restricciones seran:
x1 + 1.2x2 + 0.8x3 20 (Capacidad del camin en m3)
x2 0.5(x1 +x3) (Cantidad de cajas a transportar de tipo 2 en relacin con las dems)
x1 8
x3 5
Las dos ltimas restricciones no pueden sustituirse por la restriccin: x1 + x3 13.
Por qu? x1 8 y x3 5 implica que se cumple x1 + x3 13, pero lo recproco no es
necesariamente cierto. Por ejemplo, si x1 = 6, x3 = 8, x1 + x3 = 14 13, sin embargo la
variable x1 no cumple la primera restriccin impuesta: x1 8

Otra sustitucin (y reduccin de restricciones) errnea pudiera darse en la modelacin


del Ejemplo 2:
Si en el sistema de restricciones visto:
6500x1 + 7800x2 + 5400y1 + 9300y2 420000 (Presupuesto para comprar) (1)
x1 + x2 + y1 + y2 50 (Cantidad total de botes a comprar) (2)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes) (3)
3x1 + 5x2 + 2y1 + 6y2 200 (Cantidad total de sillas en los botes) (4)
x1 , x2 , y1 , y2 0, enteras
Se sustituyera la restriccin (3) en la (2) obtenindose:
6500x1 + 7800x2 + 5400y1 + 9300y2 420000 (Presupuesto para comprar) (1)
y1 + y2 25 (Cantidad total de botes a comprar) (2)
3x1 + 5x2 + 2y1 + 6y2 200 (Cantidad total de sillas en los botes) (3)
x1 , x2 , y1 , y2 0, enteras
Pudiera dar una solucin no apropiada para el problema, pues si la cantidad total de
botes a comprar es mayor o igual a 50, debido a la restriccin (3) es verdad que se debe
Prof. M. Gulnara Baldoquin de la Pea

31
cumplir la restriccin (2), pero este nuevo conjunto de restricciones no obliga a que la
cantidad total de botes a comprar sea como mnimo 50, pues tampoco establece que la
cantidad de botes a comprar a cada fabricante sea la misma.
S sera posible la sustitucin siguiente, sin eliminar la restriccin (3):
6500x1 + 7800x2 + 5400y1 + 9300y2 420000 (Presupuesto para comprar) (1)
y1 + y2 25 (Cantidad de botes a comprar) (2)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes) (3)
3x1 + 5x2 + 2y1 + 6y2 200 (Cantidad total de sillas en los botes) (4)
x1 , x2 , y1 , y2 0, enteras
Explicitar la dimensin del modelo: nmero de variables y restricciones
Por qu? Depende de las caractersticas del modelo (lineales con variables continuas,
lineales con variables enteras binarias, no lineales, etc.) y la estructura del modelo
como por ejemplo, caractersticas de la matriz del sistema de ecuaciones lineales que
representan las restricciones, unido a la dimensin del problema (nmero de variables y
restricciones) es que puede valorarse la complejidad de su solucin y la posibilidad de
utilizar un software conocido.

Poniendo un simple ejemplo:


El Solver del Excel, a disposicin en cualquier computadora personal, puede utilizarse
para resolver problemas de Programacin Lineal con un mximo de 200 restricciones y
200 variables.
Ejemplo 9
Una oficina tcnica coordinadora de cultivos tiene a su cargo la administracin de 3
parcelas. El rendimiento agrcola de cada parcela est limitado tanto por la cantidad de
tierra cultivable como por la cantidad de agua asignada para regado de la parcela por la
comisin de aguas. Los datos proporcionados por este organismo se dan en la Tabla 8:
Parcela
1
2
3

Tierra cultivable (ha)


400
600
300
Tabla 8

Asignacin agua (m3)


600
800
375

Las especies disponibles para el cultivo son la remolacha, trigo y maravilla, pero el
Ministerio de Agricultura ha establecido un nmero mximo de hectreas que pueden
dedicarse a cada uno de estos cultivos en las 3 parcelas en conjunto, como lo muestra la
Tabla 9:
Cuota
Ganancia
Especie Consumo agua
3
(m /ha)
mxima (ha) neta ($/ha)
Remol
3
600
400
Trigo
2
500
300
Marav
1
325
100
Tabla 9
Los dueos de las parcelas, en un acto de solidaridad social, han convenido que en cada
parcela se sembrar la misma fraccin de su tierra cultivable. Sin embargo, puede
cultivarse cualquier combinacin en cualquiera de las parcelas. La tarea que encara la
Prof. M. Gulnara Baldoquin de la Pea

32
oficina es plantear cuntas hectreas se deben dedicar al cultivo de las distintas especies
en cada parcela, de modo de maximizar la ganancia neta total para todas las parcelas a
cargo de la oficina.
Variables:
Observar la pregunta: cuntas hectreas se deben dedicar al cultivo de las distintas
especies en cada parcela? Puesto que existen 3 parcelas, y en cada una se pueden
cultivar 3 especies distintas, existen 3x3 = 9 variables.

Cada variable est identificada por dos elementos: la parcela y la especie, por ello la
mejor forma de denotar las variables es con dos subndices: uno se refiere a la parcela,
el otro a la especie. El orden en que se haga (primero la parcela y luego la especie o
viceversa) usted debe definirla, no es significativo.
Denotemos:
xij: nmero de hectreas que se sembrarn la parcela i de la especie j, i=1,2,3; j=1,2,3
donde j=1 representa remolacha, j=2 representa trigo y j=3 representa Maravilla.
Funcin objetivo:
Debe maximizarse la ganancia neta, en $/ha. Observe que la ganancia de cada especie
no depende de en cul parcela ocurre, luego la f.o. es:

z = 400(x11 + x21 + x31) + 300(x12 + x22 + x32) + 100(x13 + x23 + x33)


Observe que en cada parntesis el primer subndice de las variables vara de 1 a 3, pues
representa las parcelas, y el segundo subndice es fijo, 1, 2 3, dependiendo de cul es
la especie a que se refiere.
De manera ms compacta puede expresarse como:
3

i =1

i =1

i =1

z = 400 xi1 + 300 xi 2 + 100 xi 3


Restricciones:

Cuntas restricciones existen? Qu representan?


Observar que existen subconjuntos de restricciones por motivo de:
1. Tierra disponible, por parcela (son 3)
2. Disponibilidad de agua, por parcela (son 3)
3. Cuota mxima de cultivo, por especie (son 3)
4. Restriccin de misma proporcin de tierra cultivable en las parcelas (son 3, pues
al existir 3 parcelas, est el equiparar la proporcin entre parcelas 1 y 3, entre la
1 y 2, entre la 2 y 3, o sea, todas las combinaciones posibles de 3 en 2).
Luego existen 12 restricciones. Cada tipo de restricciones, de las tres primeras, puede
escribirse de manera compacta de la siguiente manera:
Restricciones de tierra disponible (son 3, una para cada parcela):
3

x
j =1

ij

bi

i = 1,2,3 siendo b1 = 400, b2 = 600, b3 = 300

Prof. M. Gulnara Baldoquin de la Pea

33

Estas restricciones de manera explcita son:


x11 + x12 + x13 400
x21 + x22 + x23 600
x31 + x32 + x33 300
Restricciones de disponibilidad de agua (son 3, una para cada parcela):
3

j =1

xij u i

i = 1,2,3 siendo a1 = 3, a2 = 2, a3 = 1; u1 = 600, u2 = 800, u3 = 375

Estas restricciones de manera explcita son:


3x11 + 2x12 + x13 600
3x21 + 2x22 + x23 800
3x31 + 2x32 + x33 375
Restricciones de cuota mxima de cultivo (son 3, una para cada especie):
3

x
i =1

ij

vj

j = 1,2,3 siendo v1 = 600, v2 = 500, v3 = 325

Estas restricciones de manera explcita son:


x11 + x21 + x31 600
x12 + x22 + x32 500
x13 + x23 + x33 325
Restricciones de misma proporcin de tierra cultivable en las parcelas:
En Parcela 1 = En Parcela 2:
3

x1 j
j =1

400

x
j =1

2j

600

En Parcela 2 = En Parcela 3:
3

x2 j
j =1

600

x
j =1

3j

300

En Parcela 1 = En Parcela 3:
3

x
j =1

1j

400

x
j =1

3j

300

xij 0, i = 1,2,3; j = 1,2,3


Variables no fciles de determinar de una lectura: Hacer diagrama de la situacin

Los tres siguientes ejemplos muestran cmo en ocasiones lo ms difcil de la


modelacin es la determinacin de las variables, que no se observa fcilmente de una
Prof. M. Gulnara Baldoquin de la Pea

34
lectura del problema, en cuyos casos es recomendable hacer un diagrama inicial que
ayude a formular las variables, paso crucial, pues si las variables no estn definidas
adecuadamente, no resultar el modelo planteado.
Ejemplo 10
Una industria que fabrica papel y lo distribuye en rollos debe determinar la mejor forma
de realizar el proceso de corte. Los rollos de papel que se producen tienen un ancho de
100 cms; sin embargo, los clientes demandan rollos de 30 cms, 45 cms y 50 cms de
ancho. Por lo tanto, al cortar los rollos de 100 cms se incurre en una prdida de material
que depende de la forma en que se corten los rollos originales. Se desea determinar la
forma de efectuar el corte de manera que se satisfaga la demanda y se pierda la menor
cantidad posible de material. Se tiene un pedido de 800 rollos de 30 cm, 500 de 45 cms
y 1.000 de 50 cms.

Este es un problema clsico de corte de materiales (telas, vidrio, papel, madera, etc.)
donde se pretende minimizar el desperdicio.
El diagrama inicial deba plantear, a partir de lo cual se definen las variables, las formas
en que se puede cortar un rollo de 100 cms y que consideren los tipos de corte que
demandan los clientes. En otras palabras, los diferentes patrones de corte definiran las
variables
30

30

30

45

10

45

10

50

50

45

50

45

30
50

25
30

20

Figura 3
Observe en la Figura 3 que existen 6 patrones de corte. Por qu? Pues son todas las
combinaciones posibles de 30, 45 y 50 cuya suma no sobrepase 100.
Conocido esto, organicemos la informacin en una tabla, como se muestra en la Tabla 10
Ancho del
rollo (cm)

Patrones de corte de rollos


1

30

45

50

Desp. (cm)

10

10

25

20

Tabla 10
Prof. M. Gulnara Baldoquin de la Pea

35
Variables de decisin
xi = Nmero de rollos a cortar segn el patrn i (i=1,,6)
Funcin Objetivo
Minimizar z = 10 x1 + 10 x2 + 5 x4 + 25 x5 + 20 x6
Restricciones
3 x1 + 1 x5+ 1 x6 = 800 (rollos a hacer de 30cms)
2 x2 + 1 x4+ 1 x5 = 500 (rollos a hacer de 45cms)
2 x3 + 1 x4+ 1 x6 = 1000 (rollos a hacer de 50cms)
xi 0, enteras.
Por qu en los problemas reales de corte a nivel industrial este problema es en general
muy difcil de resolver? Porque es un problema de Programacin Lineal Entera, y en la
medida que aumentan los tipos de corte va aumentando de manera exponencial los
patrones de corte y por tanto, las variables del problema.
Ejemplo 11
El dueo de un restaurante necesitara en 3 das sucesivos 40, 60 y 70 manteles. El
puede adquirir manteles a un costo de $20 cada una y despus de haberlos usado, puede
mandar manteles sucios a lavar, para lo cual tiene 2 servicios de lavandera disponibles:
uno rpido (el lavado tarda 1 da) que cuesta $ 15 por cada mantel y uno normal (tarda 2
das) que cuesta $8 por mantel. Formule un modelo que permita conocer al dueo del
restaurante que nmero de manteles debe comprar inicialmente y que nmero debe
mandar a lavar cada da para minimizar sus costos.

En este ejemplo es muy aconsejable, antes de plantear el modelo, hacer un diagrama que
ayude a la modelacin. A pesar de que en la pregunta se reflejan las variables, las
decisiones de qu tipo de lavado se puede hacer cada da es lo que dificulta la definicin
de dichas variables. Observar en la Figura 4 que hay 4 tipos de decisiones por da que
definen las variables y son las subrayadas en el diagrama dado en la Figura 4:

Da 1: Comprar manteles
Lavado normal
Lavado rpido

Da 2: Manteles lavado
rpido del da 1
Lavar rpido manteles

Da 3: Manteles lavado
normal del da 1
lavado rpido del da 2
Figura 4
De ah las variables a definir sern:
x1 = Cantidad de manteles comprados (slo se puede comprar el primer da).
x2 = Cantidad de manteles mandados a lavar en servicio rpido el primer da.
x3 = Cantidad de manteles mandados a lavar en servicio normal el primer da.
Prof. M. Gulnara Baldoquin de la Pea

36
x4 = Cantidad de manteles mandados a lavar en servicio rpido el segundo da.
Usualmente existen estudiantes que intentan antes de modelar el problema darle los
valores a las variables, por ejemplo decir que son 70 los manteles a comprar, el mximo
nmero de comensales. El problema es determinar el resto de las mejores decisiones, a
las que podra llegarse tambin aplicando la lgica.
Funcin Objetivo.
mn z = 20x1 + 15x2 + 8x3 + 15x4 = 20x1 + 15(x2 + x4)+ 8x3
Restricciones:
Se satisfaga la cantidad de manteles necesarios cada da
Primer da: Los que se compran, luego x1 40
Segundo da: Los que quedaron sin usar del primer da ms los lavados rpidos el
primer da.
(x1 40) + x2 60 x1 + x2 100
Tercer da: Los que quedaron sin usar del primer da ms los lavados rpidos el primer
da que no se usaron el segundo da (x1 + x2 - 100) ms cantidad de manteles mandados
a lavar en servicio normal el primer da (x3) ms cantidad de manteles mandados a lavar
en servicio rpido el segundo da (x4).
x1 + x2 100 + x3 + x4 70 x1 + x2 + x3 + x4 170

Restricciones lgicas:
o El nmero de manteles mandados a lavar el primer da, puede a lo sumo ser
igual al nmero de manteles usados ese da
x2 + x3 40
o El nmero de manteles mandados a lavar hasta el segundo da, puede a lo
sumo ser igual al nmero de manteles usados hasta ese da.
x2 + x3 + x4 40 + 60 = 100

x1, x2, x3, x4 0 enteras


Observe que plantear las restricciones lgicas es importante. El modelo no considera lo
que no se plantea como restricciones, pues no sabe qu representan cada una de las
variables. Sin ellas, por ejemplo, pudiera dar como respuesta x1 = 40, x2 = 60 que con
los otros valores de x3, x4 cumpliran las restricciones y no es posible mandar a lavar
ms manteles que los comprados.
Ejemplo 12 (Programacin de las inversiones)
Un administrador tiene la opcin de invertir su dinero en dos planes. El Plan A
garantiza que cada peso invertido producir 60 centavos despus de un ao, mientras
que el Plan B garantiza que cada peso invertido producir $1,65 despus de dos aos.
El Plan B solo capta inversiones por periodos que sean mltiples de dos aos. El
administrador cuenta con $10.000.000 para inversiones y requiere contar con el mximo
dinero disponible al final de tres aos.
Formule un modelo que le permita determinar la forma de efectuar sus inversiones.

Prof. M. Gulnara Baldoquin de la Pea

37
Observe que ste es un buen ejemplo para mostrar que en la medida que usted modela
diferentes tipos de problema va adquiriendo habilidad y experiencia que le hace ms
simple otras modelaciones. Siendo este problema y el anterior (de la compra y lavado de
manteles) dos problemas totalmente diferentes, tienen muchas similitudes. Decisiones a
tomar en un grupo de das (aos), tipos de decisiones (lavar rpido normal, invertir en
Plan A en B).
Observe el diagrama de la Figura 5. Como se requiere contar con el mximo dinero
disponible al final de tres aos, y en el Plan A se puede invertir cada ao, pueden
definirse tres variables para lo que se invierte al principio de los tres primeros aos en el
Plan A. Como en el Plan B se puede invertir cada dos aos, pueden definirse solo dos
variables para lo que se invierte en el Plan B: al principio del ao 1 y al principio del
ao 2.
Las variables tendrn dos subndices: el primero se refiere al Plan (1 A, 2B) y el
tercero al ao

Figura 5
De ah, para el Plan A pueden darse las variables: x11, x12, x13 porque puede invertirse al
principio de cada ao para recibir la capitalizacin correspondiente al ao siguiente.
Para el Plan B pueden darse las variables: x21 y x22 porque slo puede invertirse al
principio de los dos primeros aos para recibir la capitalizacin correspondiente a los
dos aos siguientes dentro del plazo de 3 aos fijado para la inversin.
Funcin objetivo:
max z = 1,6 x13 + 2,65 x22
En la f.o. solo aparecen las variables x13 y x22 pues el ltimo dinero que se invierte en el
Plan A (x13) y en el Plan B (x22) tiene en cuenta el dinero invertido anteriormente, y los
interese que produjo. Los coeficientes son el dinero invertido ms el inters ganado por
cada plan. En el caso del Plan A ser x13 + 0,6 x13 = 1,6 x13 y en el B es x22 + 1,65 x22
= 2,65 x22
Las restricciones sern la disponibilidad de dinero al principio de cada ao:
Del primer ao: x11 + x21 10.000.000
Del segundo ao: x12 + x22 1,6 x11 = (1 + 0,6) x11
Del tercer ao: x13 1,6 x12 + 2,65 x21 = (1 +0,6) x12 + (1 + 1,65) x21
x11, x12, x13, x21, x22 0
Prof. M. Gulnara Baldoquin de la Pea

38
Interpretacin de un modelo

El dominio de la modelacin matemtica incluye no solo modelar un problema dado,


sino el problema inverso: dado el modelo que representa un modelo dado poder explicar
de forma verbal y simple qu representa cada una de las restricciones as como la
funcin objetivo.
Interpretemos el modelo planteado por el siguiente problema.
Ejemplo 13

Una compaa de consultoras de cadena de suministro en Colombia debe decidir dnde


localizar 4 oficinas centrales, escogidas de 8 posibles lugares donde ubicarlas, que
deben atender a 15 ciudades en el pas (son sus clientes). Cada lugar posible de
ubicacin de las oficinas tendr un nmero de consultores diferentes para atender a los
clientes. Cada consultor puede realizar a lo sumo 25 viajes en el ao a sus clientes.
Existe un costo unitario de cada viaje dependiendo de la oficina que lo proporcione y
donde se encuentre el cliente (o sea, de distancia de la oficina donde est el cliente y la
ciudad que se visita). Cada lugar posible de ubicacin tendr un costo fijo de apertura
diferente, en caso de que se abra. Cada ciudad tiene previsto un nmero de visitas que le
realicen en el ao. Perteneciendo todos los consultores a la misma compaa no existe
ninguna restriccin que limite a que una ciudad pueda ser visitada por consultores que
estn en diferentes oficinas.
Plantee el modelo matemtico que permita decidir dnde ubicar sus oficinas centrales,
as como cuntas visitas y de dnde recibir cada ciudad, dentro del grupo de las
oficinas que se abran.
Modelo

ndices
i: ciudades (clientes)
j: lugares a ubicar las oficinas centrales
Datos
Kj: Cantidad de consultores a ubicar en la oficina potencial j
dij: distancia entre ciudad i y lugar j
cij: costo unitario dependiendo de la distancia entre ciudad i y lugar j
fj: costo fijo de abrir oficina j
Di: Demanda de visitas de la ciudad i
Variables
xij: Cantidad de visitas a cliente i de oficina j
1 si se ubica oficina en j
yj =
0 si no
8

y
j =1

=4

(1)

Prof. M. Gulnara Baldoquin de la Pea

39
8

x
j =1

ij

Di

ij

25 K j y j

15

x
i =1

15

i = 1,...,15 (2)

j = 1,...8 (3)
8

cij d ij xij + f j y j

min

j =1 i =1

( 4)

j =1

xij 0 enteras , i= 1,,15; j = 1,8; yj {0,1} j = 1,8


En la primera restriccin en la parte izquierda aparece una suma en j de las variables yj
que representan las decisiones de abrir o no en los 8 lugares las oficinas. En la parte
derecha aparece un 4, la cantidad de oficinas que deben abrirse. O sea, solo 4 de las
variables yj tomarn el valor 1.
Luego esa restriccin plantea que: de los 8 lugares posibles donde abrir oficinas deben
escogerse exactamente 4.
En (2) no aparece una sola restriccin, sino un conjunto de 15 restricciones, una por
cada cliente. Esto es debido a que en la parte derecha aparece i =1,,15
En la parte izquierda aparece una suma en j de las variables xij donde cada una
representa la cantidad de visitas al cliente i de la oficina j. Luego se refiere a todas las
visitas que van a realizar las 8 oficinas. En la parte derecha aparece la demanda de cada
ciudad i (Di). Luego significa que: todas las visitas que recibe cada una de las 15
ciudades de cada oficina deben ser como mnimo su demanda.
En (3) tampoco no aparece una sola restriccin, sino un conjunto de 8 restricciones, una
por cada lugar potencial donde ubicar las oficinas. Esto es debido a que en la parte
derecha aparece j =1,,8.
En la parte izquierda aparece una suma en i de las variables xij donde cada una
representa la cantidad de visitas al cliente i de la oficina j. Luego se refiere al total de las
visitas que va a realizar cada oficina potencial a todos los clientes. En la parte derecha
aparece la capacidad de cada oficina potencia en trminos de visitas que puede hacer,
que es 25Kj, pues cada oficina tendra Kj consultores y cada uno puede hacer 25 visitas. .
Obviando el factor yj, o sea, suponiendo que solo tenga el trmino 25Kj, significa que:
las visitas que realiza cada oficina a las 15 ciudades deben ser como mximo su
capacidad.
Qu papel juega el factor yj? Garantizar que si en un lugar j no se abre una oficina,
entonces no puede hacer visitas a ninguna de las ciudades. O sea, si un yj = 0, entonces
la restriccin correspondiente sera:
15

x
i =1

ij

0 . Como las variables xij deben ser no negativas, entonces se cumple que x1j=

x2j == x15j = 0. Si yj = 1, entonces la restriccin correspondiente sera:


Prof. M. Gulnara Baldoquin de la Pea

40
15

x
i =1

ij

25K j y en la parte derecha est la capacidad de esa oficina.

Como conclusin tenemos que esa restriccin plantea lo siguiente: las visitas que realiza
cada oficina a las 15 ciudades, si se abren, deben ser como mximo su capacidad.
La funcin objetivo tiene dos grupos de sumas. El primer grupo se refiere a todos los
costos variables resultantes de todos los viajes de las oficinas que se abren a las
ciudades. El segundo grupo son los costos fijos de las oficinas que sern abiertas.
Es un error la forma en que a veces se explican los modelos. Por ejemplo, en el caso de
la restriccin (1) decir:la suma de las yis es igual a 4. Eso es simplemente leer la
restriccin.
Modelos con variables binarias

Las variables binarias son muy utilizadas en modelos de optimizacin en diversas


situaciones, frecuentemente relacionadas con la toma de decisiones. Por ejemplo,
construir o no un almacn, ampliar no la capacidad de un almacn, asignar una
persona (tarea) a un puesto de trabajo (mquina), etc.
Tambin se usan como variables auxiliares, para indicar valores estados de ciertas
variables continuas.
A continuacin plantaremos algunos ejemplos tpicos de estos tipos de modelos.
Ejemplo 14: Problema de la mochila
Puede plantearse de la siguiente manera: Un montaero debe introducir en su mochila
un subconjunto de una serie de objetos que le sern de utilidad, pero que no exceda un
lmite de peso y tal que maximice su utilidad.

Este problema tiene mltiples aplicaciones, en reas financieras, determinar los


artculos que se pueden almacenar en un contenedor maximizando su valor total, etc.
Observe que en el problema hay que tomar una decisin de si se incluye no se incluye
en la mochila cada objeto de los disponibles. Hay que tomar una decisin por cada
artculo.
Datos (de manera simblica)
n: nmero de objetos para escoger
K: Capacidad de la mochila:
vi : Peso o volumen del objeto i, i = 1,,n
ui : Utilidad del objeto i, i = 1,,n
Variables:
1 si selecciona artculo
xi =
0 si no

Funcin objetivo:
Prof. M. Gulnara Baldoquin de la Pea

i =1,,n

41

z = ui xi

max

i =1

Restricciones: Una sola, capacidad en peso volumen de la mochila:


n

v x
i =1

i i

Ejemplo 15: Problema de asignacin


Un Jefe de personal en una empresa est ofreciendo n plazas de trabajo diferentes (cada
una cumple roles distintos) a n candidatos. A cada candidato se le ha evaluado su
aptitud para cubrir cada una de las plazas, expresado en un coeficiente numrico b.
Plantee un modelo que permita hacer la asignacin del personal a las plazas de manera
de optimizar las aptitudes de los candidatos a las plazas ofertadas.

Observe que en este ejemplo tambin hay que tomar decisiones referidas a qu
candidato asignar a qu plaza. Habra que decidir, por ejemplo, si la plaza 1 se asigna o
no al candidato 1, al 2, y as sucesivamente, al candidato n. De igual manera habra que
plantearlo para la plaza 2, la plaza 3, hasta la plaza n. Una plaza, por ejemplo, se asigna
no a un candidato, de ah el uso de variables binarias.
Puesto que la asignacin depende de plazas y candidatos, las variables deben tener dos
subndices, luego es recomendable primero ver los ndices que se utilizarn y qu
representa cada uno.
ndices a utilizar:
i: para candidatos;
j: para plazas a cubrir
Datos:
n: nmero de candidatos
cij: capacidad del candidato i para cubrir la plaza j, i=1,,n; j=1,,n
Variables
xij =1 si el candidato i se asigna a la plaza j, 0 en caso contrario
El nmero de variables es nxn = n2
Funcin objetivo:
n

z = cij xij

max

j =1 i =1

Restricciones:
n

x
i =1

ij

=1

j = 1,..., n

Cada plaza a cubrir (dada por j, son n restricciones) debe ser asignada exactamente a
una persona.
Prof. M. Gulnara Baldoquin de la Pea

42
n

x
j =1

ij

=1

i = 1,..., n

Cada persona (dada por i, son n restricciones) debe ser asignada exactamente a una
plaza.
Ejemplo 16
Una empresa trata de elegir la localizacin de dos plantas de entre un conjunto de 10
posibles localizaciones, teniendo en cuenta las necesidades de sus 30 consumidores a la
vez que maximizando sus ganancias netas. Si una planta se decide abrir en un lugar
determinado, ello implica un costo fijo de posicionarla en dicho lugar. Se conocen
adems:
el beneficio unitario por venta, a cada consumidor, de bienes producidos en cada
planta.
la capacidad productiva de la planta localizada en cada lugar posible.
la demanda de cada consumidor, en unidades del producto.
Dnde ubicar las plantas y qu cantidad de producto enviar de cada planta abierta a
cada consumidor?

Existen dos tipos de variables:


1. Las que reflejan la cantidad del producto a enviar de las plantas abiertas a los
consumidores.
2. Las que reflejan la decisin de abrir o no una planta en un lugar dado (binarias).
ndices a usar:
i: referido a las plantas (i =1,,10)
j: referido a los clientes (j =1,,30)
Datos de manera simblica (para usarlos en el modelo):
1. fi : costo fijo de construccin de la planta localizada en i
2. ui : la capacidad productiva de la planta localizada en i
3. dj: la demanda del consumidor j
4. bij: beneficio unitario por venta, al consumidor j, de bienes producidos en la
planta i
Variables del problema:
yi: variable binaria que toma el valor 1 si se abre una planta en la localizacin i, 0 si no.
xij: unidades del producto enviados de la planta i al consumidor j
10

Funcin objetivo:

30

10

z = bij xij f i yi
i =1 j =1

i =1

Restricciones:
10

x
i =1

ij

30

x
j =1

ij

= dj
u i yi

j = 1...,30
i = 1...,10

Satisfacer demanda de los clientes


Capacidad mxima de las plantas, si se abren. Por ello est

la variable binaria yi multiplicando a la capacidad ui. Si yi = 0, la cota superior es cero,


es decir, se tiene que:
Prof. M. Gulnara Baldoquin de la Pea

43
30

x
j =1

ij

0 y todas las variables xij para ese i tendran que ser cero, puesto que no se
puede mandar productos de una planta a ningn cliente si la planta no se abri.

Si yi = 0, la cota superior es exactamente la capacidad ui.


10

y
i =1

=2

Abrir exactamente dos plantas

Rango de variables: xij0, enteras, yi {0,1} i=1,,10, j=1,,30


Cuntas variables tiene el modelo?
10 binarias, 10x30 = 300 variables enteras. Total: 330 variables
Cuntas restricciones tiene el modelo?
30 + 10 + 1 =41 restricciones.
Un error usual es decir que hay 3 restricciones. Son tres tipos de restricciones. Del
primer tipo son 30, del tercer tipo son 10 y del tercero una sola.
De qu depende la complejidad de un modelo Modelos simples conducen a una
fcil resolucin para obtener las mejores soluciones?

Todos los modelos simples, entendiendo por ello aquellos que son fciles de entender u
obtener a partir del problema dado, y que tienen pocas variables y/o restricciones, no
son necesariamente los ms fciles de resolver.
El incremento de la dimensionalidad del modelo, en cuanto a variables y restricciones,
representa un problema en su resolucin, dependiendo del tipo de modelo obtenido.
En modelos que responden a problemas de Programacin Lineal con variables continuas
el mtodo Simplex, implementado en mltiples software que existen en la actualidad
como el CPLEX, Gurobi, AMPL, Lindo, Lingo, etc., son capaces de dar soluciones
ptimas en pocos segundos cuando se tienen incluso miles de variables y/o restricciones.
No sucede as con modelos con variables enteras, binarias, an en el caso de que el
modelo sea lineal (funcin a optimizar y restricciones lineales) o con al menos una
restriccin y/o funcin a optimizar no lineales.
La estructura del modelo puede influir en que en algunos casos ante dos problemas
aparentemente del mismo tipo (por ejemplo, todas las variables binarias) uno sea muy
fcil de resolver y el otro muy difcil, cuando se tienen muchas variables.
Veamos como ejemplos el problema de la mochila y el de asignacin de mquinas
(personas) a tareas, planteados en los Ejemplos 14 y 15.
El problema de la mochila es aparentemente un inofensivo modelo, con una sola
restriccin lineal, una funcin objetivo lineal y n variables. Por qu es tan difcil de
resolver? Cuntas posibles soluciones tendr el problema si se tienen n posibles
artculos para escoger? 2 n-1
n= 5 31 n= 8 255 n= 12 4095
Prof. M. Gulnara Baldoquin de la Pea

44
n= 15 32767 n= 20 1.048.575 n= 40 1.099.500.000.000
En el problema de asignacin vimos que el nmero de variables es n2 (n en el de la
mochila) y hay 2n restricciones (una sola en el de la mochila)
El problema de asignacin es mucho ms fcil que resolver que el de la mochila, a pesar
de tener muchas ms variables binarias y restricciones. Por qu? Por la estructura muy
particular que tiene la matriz del sistema de restricciones. Vemoslo en un ejemplo:
Suponga i=j=3. Las restricciones seran:
n

x11 + x21 + x31 =1 Corresponden a


x12+ x22 + x32 =1
x13+ x23 + x33 =1

x11 + x12 + x13 =1 Corresponden a


x21 + x22 + x23 =1
x31 + x32 + x33 =1

ij

i =1

j =1

ij

=1

=1

j = 1,..., n

i = 1,..., n

Suponga que se ordenan las 9 variables de la forma: x11 x12 x13 x21 x22 x23 x31 x32 x33
La matriz que corresponde al sistema de restricciones es:
1
0

0
A=
1
0

0
1
0
1
0
0

0
0
1
1
0
0

1
0
0
0
1
0

0
1
0
0
1
0

0
0
1
0
1
0

1
0
0
0
0
1

0
1
0
0
0
1

0
0
1

0
0

Qu caractersticas tiene la matriz A?


Todos los elementos son 0 1
Cada columna tiene exactamente dos unos
Las filas se pueden particionar en dos grupos, el primero con las 3 primeras y el
segundo con las tres ltimas donde en cada grupo cada columna tiene exactamente
un 1
Lo anterior es justo un conjunto de condiciones suficientes que cumplen matrices
totalmente unimodulares. De ah la matriz A es totalmente unimodular, lo que hace que,
a pesar de ser un problema de PL entera, es muy fcil de resolver, pues si se tratara
como un Problema de Programacin Lineal continuo, usando la tcnica clsica del
Simplex para ello, las soluciones ptimas del problema siempre sern enteras, aunque
no se declare en la formulacin del problema.
Soluciones por el mtodo grfico. Nmero de soluciones de un modelo de
Programacin Lineal con variables continuas.

En el caso de contar con dos variables, se puede obtener la solucin de manera grfica,
lo cual es muy simple pues se trabaja en R2, o sea, con dos variables y se puede
Prof. M. Gulnara Baldoquin de la Pea

45
representar en el plano coordenado. Los ejemplos que a continuacin se presentan nos
ilustrar las situaciones que pueden presentarse en cuanto al nmero de soluciones de un
problema de PL con variables continuas.
Ejemplo 17
Supongamos que el modelo de un problema, con dos variables denotadas x, y es el
siguiente:

max z =2x +y
4x + 3y 60
2x + 3y 42
x 12
x, y 0
Observe la Figura 6. Primero se representan las rectas 4x + 3y = 60, 2x + 3y = 42 y
x = 12. Como se debe cumplir que x, y 0 la regin de soluciones estar en el primer
cuadrante del plano. Cada recta divide al plano en un semiplano. Las flechas indican
qu semiplano satisface cada restriccin. Como se deben cumplir TODAS las
restricciones la regin de soluciones ser el poliedro cuyos vrtices son los puntos O, A,
B, C y D. La mejor solucin es uno de esos vrtices. Para ello se representa la recta z =
2x +y = k, donde la k es una constante cualquiera, el valor que le haga ms simple
representar la recta. Si se toma el valor de k = 10, se representa dicha recta 2x +y = 10,
que aparece en lneas discontinuas. Como se est maximizando la funcin objetivo, se
debe buscar aquellos valores de x, y que estn en la regin de soluciones tal que k es el
valor mayor posible donde 2x +y = k. Geomtricamente significa desplazar dicha recta
paralela a ella alejndose del origen de coordenadas, y la mejor solucin se representa
por aquel ltimo vrtice de la regin de soluciones por donde la recta desplazada pasa,
cuando se aleja del origen de coordenadas. En el ejemplo es el vrtice denotado por C.
y
25

20

x = 12

4x +3y = 60

15

10
5

B
2x +y = 10

2x + 3y = 42

D
O

10

15
20
15
Figura 6

Observe que en este ejemplo existe una nica mejor solucin


Qu hubiera pasado si la funcin a optimizar hubiera sido: z = 2x + 3y?
Observe en la Figura 7 que en este caso pudiera haberse tomado k =42, y dicha recta
sera la que pasa por los puntos A y B. Siguiendo el mismo principio de desplazar la
Prof. M. Gulnara Baldoquin de la Pea

46
recta (paralela a ella) por la regin factible lo ms alejada del origen de coordenadas,
existen dos vrtices que representan las mejores soluciones con igual valor de la funcin
objetivo (42) dados por los puntos A y B. En este caso, todos los puntos que estn en el
segmento de recta entre A y B tambin sern soluciones igualmente buenas, con el
mismo valor de la f.o.
y
25

20

x = 12

4x +3y = 60

15

10

2x + 3y = 42

D
O

10

15
20
15

Figura 7
Ejemplo 18
En un laboratorio clnico se experimentan dos nuevos tipos de medicamentos (M1 y
M2) en tabletas con dos componentes (denotadas A, B) que se conocen que son
favorables para la cura de cierta enfermedad. Se quiere que la persona tome diariamente
ambos tipos de medicamentos. Las frmulas plantean una combinacin de 2 unidades
de A y una unidad de B para cada tableta de M1 as como una combinacin de 1 unidad
de A y una unidad de B para cada tableta de M2. Se plantea que como mnimo se
ingieran 3 unidades de B y como mximo 2 unidades de A. No se define el precio de los
medicamentos hasta conocer si estas frmulas sern posibles. Fundamente.

Veamos solo el sistema de restricciones en este modelo:


x: Cantidad de tabletas a ingerir diariamente de M1
y: Cantidad de tabletas a ingerir diariamente de M2
2x + y 2
x+y3
x,y0
No existe ninguna solucin en el primer cuadrante del plano y que pertenezca al mismo
tiempo a la regin por encima de la recta x + y = 3 y por debajo de la recta 2x + y = 2.
Significa que no existen soluciones del modelo, por lo cual no tiene sentido buscar la
mejor solucin.

Prof. M. Gulnara Baldoquin de la Pea

47

y
2x+y=2

x+y= 3

2
1

Figura 8
Ejemplo 19
Un carpintero quiere hacer mesas con dos tipos de madera, Ca y Ce. Desea que el
nmero de mesas Ca no sobrepase el nmero de mesas confeccionadas con Ce. Cada
mesa de tipo Ca le consume 1 m2 y la de tipo Ce el doble de madera, pudiendo disponer
dinero para comprar como mnimo 6 m2 de madera. Si la ganancia prevista para cada
mesa vendida con madera Ce es el triplo de la obtenida con la confeccionada con
madera Ca, cuntas mesas de cada tipo debiera hacer para maximizar su ganancia?
Veamos el modelo:
Sea K: Ganancia prevista por cada mesa vendida de tipo Ca
Variables:
x: Cantidad de mesas a hacer de tipo Ca
y: Cantidad de mesas a hacer de tipo Ce
Funcin objetivo:
max z = Kx + 3Ky = K(x + 3y)
Restricciones:
x y
x + 2y 6
x , y 0, enteras
Observe en la Figura 9 que en este caso la regin de soluciones no est acotada, y si se
plantea z = K se tiene la recta K(x + 3y) = K, equivalente a x + 3y = 1. Si la recta se
desplaza en la regin de soluciones puede alejarse indefinidamente del origen de
coordenadas y no existir una mejor solucin.
La diferencia con el Ejemplo 18 es que en ste no existen soluciones. En el Ejemplo 19
existen infinitas soluciones, pero no se puede encontrar ninguna mejor que las dems,
pues el valor de la funcin objetivo crece indefinidamente.

Prof. M. Gulnara Baldoquin de la Pea

48

Regin de soluciones no
acotada

x=y

x+3y=1

x+2y=6
1

Figura 9
En el caso de un problema de minimizar, la recta z =k obtenida a partir de la funcin
objetivo se desplaza paralela a ella, por la regin factible hasta interceptar el punto de la
regin factible ms cercano (no ms alejado como en el caso de maximizar) del
origen de coordenadas.
De los ejemplos anteriores podemos concluir que (no lo hemos demostrado, aunque
la generalizacin es vlida):

El conjunto solucin de un problema de PL con variables continuas, entendindose por


ello todas las soluciones que cumplen todas las restricciones y hacen mximo mnimo
la funcin objetivo, puede ser:
1. Es decir, el problema NO tiene soluciones.
2. Unitario, tiene una nica solucin
3. Infinito, entendiendo por ello que tiene infinitas soluciones. En ese caso, al menos
existen dos soluciones de ese conjunto que coinciden con vrtices de la regin de
factibilidad.
4. No acotado. En este caso existen soluciones del problema, pero ninguna mejor que
las dems.
Ejercicios propuestos

1. Una lnea area va a incrementar el nmero de rutas que ofrecer y valora contratar
ms personal de servicio al cliente, teniendo en cuenta que debe brindar un buen nivel
de servicio al cliente pero minimizando costos. En un anlisis realizado para definir el
personal a contratar se tuvieron en cuenta los siguientes elementos:

Cada agente debe trabajar un turno de 8 horas, de 5 tipos de turnos posibles, 5 das
a la semana.
Los salarios de cada turno son diferentes debido a que unos son ms deseables que
otros, por las horas del da que cubre.
Aunque los turnos son de 8 horas, se identific el mnimo nmero de personas
necesarias en periodos de 2 horas, contados a partir de las 6am.

En la siguiente tabla se reflejan los datos de los aspectos mencionados anteriormente.


Prof. M. Gulnara Baldoquin de la Pea

49

Cuntos agentes deben asignarse a los turnos respectivos cada da para minimizar el
costo total del personal y teniendo en cuenta las restricciones planteadas?

Periodo
6:00am-8:00am
8:00am-10:00am
10:00am-12:00pm
12:00pm-2:00pm
2:00pm-4:00pm
4:00pm-6:00pm
6:00pm-8:00pm
8:00pm-10:00pm
10:00pm-12:00am
12:00am-6:00am
Costo diario x agente

Periodos cubiertos por turno


1
2
3
4
5

170

160

175

180

195

No.
Mnimo
agentes
48
79
65
87
64
73
82
43
52
15

2. Una cadena de comidas rpidas desea atender el mercado ubicado en 5 barrios de Cali.
Para ello dispone de un presupuesto P para abrir puntos de venta (PV) en los barrios, de
tres tipos distintos, cada uno con una capacidad y un costo fijo de apertura diferente.
Cada barrio tiene una demanda determinada y se sabe que no ser posible satisfacer toda
la demanda con el presupuesto que se tiene. Cada PV en un barrio solo deber atender a
aquellos barrios que estn a menos de 6 cuadras de distancia del mismo. Se conoce la
distancia en cuadras entre barrios. Se considera que en cada barrio se debe poner a lo
sumo un PV y si un barrio se atiende, se atiende toda su demanda. Se necesita decidir
qu puntos de venta se abren y en qu barrios, qu barrios atendern de manera de
maximizar la demanda que se tiene.
3. Se tienen 3 plantas que pueden enviar un producto fabricado a 5 clientes. Los
productos pueden ir directamente de las plantas a los clientes pueden hacer trasbordo
en dos almacenes cross-docking (aquellos donde los productos permanecen pocas horas).
Se conocen:
Las demandas de los clientes
Las capacidades de las plantas
Los costos de transportacin de plantas a almacenes, plantas a clientes y almacenes
a clientes.
Modele el problema de cmo determinar el flujo de productos en la red de distribucin,
de forma de minimizar los costos de transporte.
4. Modele el problema anterior de cmo determinar el flujo de productos en la red de
distribucin, de forma de minimizar los costos de transporte, si existen 6 tipos de
productos a transportar y se conoce adems:

Capacidad de cada planta para producir cada producto

Prof. M. Gulnara Baldoquin de la Pea

50

Demanda de cada cliente para cada producto

No existe diferencia en costos de transportacin por tipo de producto


5. Considere un sistema de distribucin de un tipo de producto en el cual operan
actualmente dos plantas de produccin, en los lugares A, B y C. Debido a un plan de
expansin de los mercados de la compaa se debe tomar la decisin de reordenamiento
de la red de distribucin. En particular, se estn evaluando dos nuevas locaciones para
una nueva planta productiva de gran capacidad a escoger una de los lugares D y E. Es
posible que debido a la apertura de la nueva y moderna planta de produccin se tome al
tiempo la decisin de cierre de alguna de las plantas actuales. Cada planta tiene una
capacidad de produccin en toneladas y la que se abra tiene definida tambin su
capacidad de produccin. El abrir la planta nueva acarrear un costo fijo el cual difiere
en funcin de dnde se abra. Existe un costo unitario de produccin para cada una de las
plantas actuales, as como para la que se abra (diferente para cada planta). El cerrar
cualquiera de las plantas actuales acarrea un costo fijo, tambin diferente para cada una.
La empresa cuenta con 3 centros de distribucin (CD) altamente tecnificados que se
desean mantener en operacin. Cada uno tiene una capacidad de almacenamiento en
toneladas. La distribucin ocurre tpicamente desde los centros de distribucin hacia los
clientes, pero tambin se puede despachar el producto directamente desde las plantas
hacia los clientes, logrando ahorros potenciales y una entrega ms controlada; sin
embargo si se enva directamente a un cliente sin pasar por CD toda su demanda debe
ser atendida por una sola planta. Si un cliente recibe solo de los CD, puede recibirlo de
varios CD. Es decir, cada cliente no puede recibir al mismo tiempo de plantas y CD, si
recibe de plantas es de una sola, si recibe de CD puede ser de varias.
Cada cliente tiene una demanda anual del producto. Se conocen los costos unitarios de
transportar de plantas a CD, de CD a clientes, de plantas a clientes.
a. Determine un conjunto de variables de decisin adecuadas para modelar la situacin
descrita, que permita tomar la mejor decisin de minimizar todos los costos
garantizando que se cumplan las restricciones impuestas.
b. Formule matemticamente la funcin objetivo teniendo en cuenta todos los costos de
transportacin en la cadena, los costos fijos de apertura y/o cierre de plantas, y los
costos de produccin en plantas.
c. Formule matemticamente el conjunto de restricciones que aseguran la satisfaccin
de la demanda de los clientes.
d. Formule matemticamente las restricciones de capacidad de produccin de las plantas
(tenga en cuenta las condiciones de apertura y /o cierre de las mismas).
e. Formule matemticamente las restricciones de balance en los CD.
f. Formule otras restricciones lgicas si considera necesario.
6. A una persona le tocan 10 millones de dlares en una lotera y le aconsejan que las
invierta en dos tipos de acciones, A y B.
Las de tipo A tienen ms riesgo pero producen un beneficio del 10 %. Las de tipo B
son ms seguras, pero producen slo el 7% anual. Despus de varias deliberaciones
decide invertir como mximo 6 millones en la compra de acciones A y por lo menos, 2
millones en la compra de acciones B. Adems, decide que lo invertido en A sea, por lo
Prof. M. Gulnara Baldoquin de la Pea

51
menos, igual a lo invertido en B. Cmo deber invertir 10 millones para que el
beneficio anual sea mximo?
7. Una refinera de petrleo tiene un oleoducto que la alimenta con una capacidad hasta
50.000 barriles de petrleo por da. El costo del barril de petrleo es $ 30.000.
La refinera debe suministrar por lo menos, diariamente, 27.000 barriles de gasolina a
las bombas vendedoras de la compaa.
La refinera utiliza dos procesos de refinacin con los siguientes rendimientos por barril
de petrleo procesado:
Productos Procesados
Gasolina
Otros Productos
Costos del Proceso

Proceso I
40%
60%
$6000

Proceso II
60%
30%
$8000

La refinera vende gasolina a $ 60.000 cada barril y otros productos a $40.000 cada
barril. Si la demanda lo exige se puede comprar gasolina a otros productores a $52.000
cada barril, quienes slo pueden suministrar hasta 15.000 barriles diarios. Qu debe
hacer la refinera?
8. Campaa publicitaria
El Gerente de Mercadeo de una compaa que vende productos dietticos, est
considerando la promocin publicitaria para un nuevo producto.
El presupuesto para esta promocin se ha fijado en $ 18.000.000. La compaa puede
hacer publicidad al nuevo producto a travs de comerciales de televisin y/o anuncios
en revistas.
Cada comercial de televisin cuesta $ 80.000 y se estima que cada vez que se presenta
el comercial lo ven 500.000 personas.
Cada anuncio en la revista cuesta $ 50.000 y se estima que cada anuncio de revista lo
ven 180.000 personas.
La disponibilidad operativa de las firmas de diseo grfico para crear las propagandas,
debido al poco tiempo disponible, permite que puedan llegar a disear hasta 9 pautas
publicitarias para revistas si se dedican exclusivamente a ellas, o hasta 7 pautas
televisivas nicamente, o cualquier combinacin factible de pautas para revistas o
televisin que permita su limitada capacidad operativa. Debido a que la Compaa tiene
tambin acciones en diversas imprentas, la administracin ha decidido colocar por lo
menos tres anuncios en revistas. Por su parte, el Gerente de Mercadeo ha establecido
que la compaa debera tener, cuando menos, tantos comerciales de televisin como
anuncios en las revistas. Se quiere determinar la distribucin del presupuesto de
publicidad de modo que se maximice el nmero de personas influidas por la promocin
publicitaria.
9. Una compaa de fabricacin de muebles ha de determinar cuntas mesas, sillas,
pupitres y libreras debe hacer para optimizar el uso de sus recursos.
Estos productos utilizan dos tipos diferentes de paneles, y la compaa dispone de 1500
tableros de un tipo y 1000 de otro tipo. Por otro lado cuenta con 800 horas de mano de
obra. Las predicciones de venta as como los pedidos atrasados exigen la fabricacin de
al menos 40 mesas, 130 sillas, 30 pupitres y como mximo 10 libreras. Cada mesa, silla,
pupitre y librera necesita 5, 1, 9, y 12 tableros, respectivamente, del primer tipo de
panel y 2, 3, 4, y 1 tableros del segundo. Una mesa requiere 3 horas de trabajo; una silla,
Prof. M. Gulnara Baldoquin de la Pea

52
2; un pupitre, 5; y una librera 10. La compaa obtiene un beneficio de 12 dlares en
cada mesa, 5 dlares en cada silla, 15 dlares en un pupitre, y 10 dlares en una librera
a. Plantese el modelo de programacin lineal para maximizar los beneficios totales.
b. Modifquese el problema para imponer que deban fabricarse cuatro sillas por cada
mesa.
10. El costo de transportar arena de un lugar a otro en un contenedor de dimensiones x,
y y z es 2 dlares por cada viaje completo. Suponiendo que el precio del material de las
paredes superior e inferior, y de los laterales del contenedor son el triple y el doble,
respectivamente, de las paredes anterior y posterior, encontrar el precio mnimo de
transportar c = 50m3 de arena.
11. Una empresa area ha decidido la ampliacin de su flota mediante la adquisicin de
nuevos aviones, a lo que ha asignado un presupuesto de 75.000 millones. Las aeronaves
consideradas son: el tipo Airbus 310 (A), que tiene un coste unitario de 3.000 millones,
el Boeing 767 (B), con un coste de 4.200 millones por unidad y el Mc Douglas (M), con
costo 2.750 millones por aeronave.
Estudios realizados indican que cada avin aportara unos beneficios anuales netos de
280 millones en el caso de A, 350 en el B y 300 en el M. Para facilitar el mantenimiento
y los repuestos se desea que del nuevo grupo de aeronaves que se adquiera, uno de los
tipos de avin sea dominante, adquiriendo al menos 10 unidades del mismo.
Adems, por razones de diversificacin y de especializacin de la flota, en el caso de
que se adquiera un tipo de avin, la cantidad mnima que se compre debe ser al menos
de 2 unidades.
Desde el punto de vista de las necesidades de personal para el mantenimiento de los
aviones, los aviones del tipo A suponen 18 millones de coste anual de personal cada uno,
los de tipo B requieren 20 millones cada uno y 19 millones los de tipo M.
En cuanto a las instalaciones de mantenimiento y al tiempo necesario para realizarlo,
cada avin del tipo A requiere un mantenimiento anual de 38 das, 45 das los de tipo B
y 42 los M. La empresa ha asignado 1000 millones anuales de presupuesto propio para
el coste del personal de mantenimiento (presupuesto independiente del asignado a la
adquisicin de aviones) y las instalaciones actuales tienen una capacidad de
mantenimiento para los nuevos aviones de 800 das.
Podra ampliarse la capacidad de las instalaciones de mantenimiento dedicada a los
aviones nuevos desde los 800 das anuales hasta un total de 1250 das. Dicha decisin
requerira una inversin adicional de 1000 millones, que se habra de detraer de los
75000 asignados para la adquisicin de los nuevos aviones. En cualquier caso, no se
puede ampliar el presupuesto dedicado al personal de mantenimiento de los aviones.
Construya un modelo para estudiar la recomendacin sobre qu aviones compondrn la
ampliacin de la flota, con el criterio de maximizar los beneficios anuales netos que
aportarn los aviones adquiridos.

Prof. M. Gulnara Baldoquin de la Pea

53
Referencias bibliogrficas

Ackoff, R.L., Sasieni, M.W. (1968) Fundamentals of Operations Research, John Wiley
& Sons.
Andr, M., Baldoqun, M.G., Acua, S. (2011) Formal model for assigning human
resources to teams in software projects, Information and Software Technology, Vol. 53,
No. 3, March 2011, pp.259-275, ISSN:0950-5849, Elsevier
Belbin, R.M.(2004), Management Teams: Why they Succeed or Fail. 2nd ed.,
Butterworth Heinemann,Oxford.
Pidd, M. (1996). Tools for thinking, Wiley.
Pidd, M. (2003). Tools for Thinking: Modelling in Management Science. Wiley

Prof. M. Gulnara Baldoquin de la Pea